用途:当生产环境在依赖失败下反复出现事故,或 SLO 要求证明恢复行为时,使用该技能进行混沌工程与故障注入,验证全栈韧性。
主要能力:定义故障假设与爆炸半径;在预发环境带护栏开展 game day;注入延迟、错误与资源压力;测量恢复时间与用户影响;跟踪修复项及负责人。
必要检查:在注入故障期间测试回滚;尽可能在 SLO 被突破前触发告警;根据实验结果更新 runbook;关键路径具备通过的混沌场景。
决策框架:实现前优先明确契约与兼容规则;依赖风险高时,每条调用路径需有超时、重试与降级策略;使用异步消息时需具备幂等、重放与死信处理;流量模式波动大时,上线前需验证负载、故障转移与扩缩容。
常见借口与反驳:重试不会自动处理失败,无界重试会放大故障,应使用预算;跳过 runbook 会因操作模糊延迟恢复;契约变更再小也可能引发广泛下游回归。
证据包:契约兼容性说明与迁移策略(如适用);依赖降级与恢复的故障模式测试证据;可观测性快照(延迟、错误、饱和度或队列健康);带明确触发阈值的发布与回滚步骤。
退出标准:工作流具备已验证证据并达到生产就绪;运维与安全护栏到位;发布与回滚预期已文档化。
限制:资料未提供具体工具、平台、收费或价格信息,暂未提供。