10月27日，对售后服务经理来说又是一个不眠之夜。腾讯云汽车行业某头部客户的智能化应用--车联网业务故障了60min，期间APP功能完整性、蓝牙钥匙解锁失效；车机的音视频、导航、天气等周边服务不可用。

智能化是新能源汽车产业发展的主流和趋势，车联网业务是其中十分关键的一环，客户对此业务的安全性、可用性十分重视。所以针对此次故障，客户的运维联系腾讯云售后团队，一起做了深入的复盘，一致认为云防火墙产品、客户侧的高可用措施都是具备的，短板在应急体系：当不可避免的故障发生时，应急预案能否成功兜底，大家都没信心。

如何在没有故障时，尽可能贴近真实的验证应急能力呢？我们推荐了混沌工程这一利器。介绍了腾讯云的混沌工程专家服务后，客户当即和我们组成了联合项目，在云防火墙上，实施混沌工程。

【资料图】

经过了两个多月的协作，我们从腾讯云角度、客户业务角度，讨论制定了混沌方案并付诸实施。最终有如下提升：

1、客户的长、短链接场景都更好的利用了腾讯云高防产品的安全能力

2、客户对车联网业务的故障处理时长从60分钟降低到最低4min

3、客户具备了将混沌工程在公司内推广的能力等。

看着如此全面的提升，我想客户对自己核心产品--智能化业务的稳定性信心回来了。。。

1. 客户侧挑战

根据与该客户的沟通，在此场景实施混沌工程，有以下痛点：

1）合作时间窗口小

非自上而下的客户界面联合项目，极易受客户的工作安排影响，导致实际时间窗口很小。就需要我们的混沌方案，在充分覆盖目标系统的基础上，可以把最重要的事项优先执行以取得客户信任。

2）对混沌实验影响敏感

主要合作对象是客户运维，而运维只是客户公司内一环。如果混沌实验造成了较大影响(包括测试环境)，那么整个项目就面临无限延期的可能。

3）实验的长期性

混沌实验方案可重复执行，可长期对系统的能力保鲜。

2. 解决方案整体设计

2.1 业界方法论分析和对比

业界针对混沌实验的设计大概有三种流派：随机注入、专家模式、LDFI。

业界的这几种方式，在腾讯云客户服务的场景，都不符合要求，因为既没有在短时间内帮客户解决客户的诉求，也没有体现腾讯云专家的价值(如下表)。

最终结合对腾讯云产品深度理解、腾讯内丰富的混沌经验、业界的先进经验，输出了《腾讯云专家模式》的方法进行混沌工程建设。

各设计流派对比情况如下：

2.2 腾讯云专家模式具体思路

通过全面分析系统(明确目标系统、系统弱点探查)，梳理出最有价值的实验项，弥补时间窗口小的问题基于混沌工程原则设计混沌实验、Gameday设计，最小化混沌实验风险单次实验的报告复盘、持续迭代来提升实验的长期性

2.3 腾讯云专家模式流程图

长文预警

下面行文分为两部分：混沌工程设计方法论(3.混沌工程设计方法论)和基于方法论的实战(4.某新能源汽车云防火墙混沌工程实战)。

逐段阅读可深入理解笔者的设计理念并通过实战加深理解。

喜欢看实战的读者可直接跳过方法论部分，先看实战是怎么执行的；然后带着问题再看设计理念，相信也会有不一样的收获。

3.混沌工程设计方法论

3.1 目标系统分析

无论要在单组件实施混沌工程，还是在多组件实施混沌工程，他们都服从于一个大前提：目标系统的SLA。

组件可用性能力最后支撑了目标系统的可用性能力，组件应该具备什么能力是目标系统决定的。

所以妥善分析系统边界、组成部分、主要特征、能力要求，然后把这些元素细化到该系统的具体研究对象，是混沌设计的第一步。

3.1.1 系统的运行环境拆解

一个系统运行，可能有如下依赖项：

互联网基础设施：DNS、HttpDNS、运营商网络等；系统主体：业务服务、负载均衡/服务器/数据库等组件；外部调用：外部系统调用、第三方调用；业务链路：自身提供服务的链路等。

对于一个中型微服务系统，单组件就数千个；如果加上上千个微服务，整个梳理工作将十分巨大。

为了做混沌工程，这些信息需要细到什么程度？我们就需要参考下面的系统画像梳理框架。

3.1.2 系统画像梳理框架

在混沌工程初级阶段，我们采用的原则是优先共性：即提炼系统的重要共性部分，不片面追求大而全，共性基本可以解决95%以上问题。

基于这个思路，可以采用如下框架梳理系统的工作环境：

上面这些信息梳理清楚后，我们就可以对系统有一个全面、深刻的认识，知道系统运行的基础组件、核心业务链路、与其他系统间关系、系统基本环境如何改变的、系统能力等，这些信息构成了系统的基本画像，为探查系统弱点提供了物理基础。

3.2 探查系统弱点

这里的弱点不是指脆弱点，而是说系统中潜在会发生故障的地方。我们要能识别出来弱点，然后想办法优化，降低故障概率，减小故障损失到不响系统目标可用性的地步。

所以根据客户资源大都在腾讯云的特点，我们采用下面的方式探查系统弱点：

3.2.1 多样化真实世界的事件

什么情况下，系统会出问题？根据日常工作，大概会在三个方面：

组件故障：包括硬件设备、互联网基础设施、第三方组件等。这里我们基于各产品专家的意见，整理了云产品故障域、高可用评分等，都是我们探查组件故障的通用素材。业务缺陷：包括资源过度消耗、健壮性缺失等(降级、限流、熔断、重试、超时等)。这里基于客户开放程度和业界最佳实践分析。配置管理：包括发布变更、clb配置修改、数据库配置修改等。

3.2.2 实验对象梳理：FMEA/STPA

参考奈飞/aws等混沌工程实战比较好的企业，都在使用FMEA/STPA方法论，来作为初期梳理系统弱点的方法。

备注：梳理出来的弱点的改善措施，可以参考下面的目标能力清晰化方法论部分。

FMEA简介

FMEA覆盖系统组件(底层设备、业务程序)故障时，系统的表现、能力分析，关注故障模式。对应上文故障域：组件故障、业务缺陷。具体实施可以参考下表：

功能	架构组件	故障模式	故障影响	严重程度	故障原因	故障概率	风险程度	已有措施	规避措施	解决措施	后续规划	备注

针对 梳理框架 - 业务架构图与主链路部分分析出的主链路的每次请求，我们可以看成是时序的横向链路，所以此处的分析我称为横向分析。

注意：

全面性：从人的视角，观察系统发生了什么；组件故障模式尽可能的全面。可以求助腾讯云高可用专家，也可以跟自己的partner、业务研发讨论；腾讯云针对各种组件的故障模式总结。优先级：设计时，一定要对严重程度、故障概率、风险程度做详细调研，以保证分析贴合系统的历史运行情况。故障处理措施：详细列出当前的故障处理措施，实际代表了故障处理能力，便于定义下面的SLA/SLI及后续的实验方案设计、优化调整等。组件隔离性：针对每个组件的故障模式原因的分析，记得在自己组件内闭环，避免各层组件相互关联，最终整个分析表可读性差。比如Nginx是一个组件，则Nginx延迟的故障模式，原因不应该包含下游realserver延迟。最终全覆盖：分析出来的项目，建议最终都进行实验操作；故障影响、风险程度都是基于已有线索的假说，并不构成结论。

特别关注的字段：

故障影响，是从业务视角看到的问题。建议不要"发明"自己的故障影响术语，而是参考业界的最佳监控实践，设计故障影响，方便大家理解。建议根据混沌实验的目标不同，选择google的SRE四个黄金指标理论(资源受限、扩容受限的微服场景)、RED方法(prometheus+k8s微服务场景)、USE方法(性能分析)来定义故障影响。

STPA简介

STPA覆盖配置管理异常时，系统的表现、能力分析，关注控制危害。对应上文故障域：配置管理。具体实施可以参考下表：

架构组件	控制面	操作面	故障模式	故障影响	严重程度	故障原因	故障概率	风险程度	已有措施	规避措施	解决措施	后续规划	备注

针对 业务流程与控制结构部分分析出的、对主链路的组件的管控动作，我们可以看成是瀑布式的纵向链路，所以此处的分析我称为纵向分析。

这里主要是分清楚操作面、控制面、数据面(即被操作组件/系统)，其他的字段参考FMEA分析。

举例：通过腾讯云官网控制台，操作CDB安全组。数据面就是CDB系统，控制面是腾讯云官网，操作面是操作人。潜在故障模式包括不限于高峰期变更、控制台不可用

这里STPA方法，就是分析操作面、控制面的潜在故障模式，影响了数据面的可用性。

3.2.3 目标能力清晰化

为了应对生产上的故障，我们会采取整站高可用建设。下面套用的是某个业界较常用的一个高可用模型：

预防故障发生预防故障扩散故障快速发现故障定位止损灾难恢复

核心思想是如何在事前、事中、事后三个阶段保证业务受损时间最小化。

我们梳理出系统的弱点后，可以针对每个弱点，细化业务/运维/流程等方面具备什么能力以及将要建设什么能力。

针对不具备的能力，则转向高可用建设；针对已具备的能力，设计针对性的实验，通过实验结果的对照、验证我们系统具备的能力，学到新的东西。

3.2.4 组件SLA/SLI

通过FMEA/STPA分析后，目标系统各组件的SLA(故障预算或月度最大故障时长)、SLI(组件关注的故障影响)已经可以明确给出了

SLA：参考整体组件的故障频率、管理措施(变更、容量管理策略)、高可用能力、自愈程度等维度，给出待实验组件的SLA，也称为故障预算

SLI：参考待实验组件的故障模式(弱点梳理部分)，即可看出来该组件的SLI包含哪些。

3.3 设计混沌实验

3.3.1 实验目标

实验目标是cover系统弱点的处理能力的，修复系统弱点能力的基本分类：

预防：验证基础系统的高可用措施、业务程序的健壮性、自愈能力按预期执行识别：验证系统告警时效、收敛、准确性等止损：验证运维的恢复能力预案：验证系统的关键预案可执行性灾难恢复

实际实验过程中，可以根据实际情况，选择一项或多项作为目标。

3.3.2 实验设计

围绕稳态的假说

上面涉及的目标分类、SLA/SLI/故障处理模型分析，其实都为了同一个目标：最终提升系统的韧性。

所以在制定实验目标时，无论实验重点在哪里，假说一定是以SLA/SLI为牵引目标，最终体现在系统的韧性上面：局部故障时，业务程序可兼容；运维可在SLA/SLI内恢复故障。

由于每次实验，根据参与人员、参与实验的系统/组件、实验背景的异同等，实验目标侧重点也会不一样。

比如某客户最近发生了多次基础设施SLA达标但业务程序原因导致SLA不达标的情况，且参与人主要是开发人员，那实验重点可能就是偏业务程序的健壮性、识别能力、止损能力；目标系统分析则更侧重业务系统的链路梳理、高可用措施细节等。

对于重点验证的能力，建议根据 目标能力清晰化部分，进行有层次的细化，便于更好的度量目标达成度。

最小化爆炸半径

我们实验，最终的目标还是在生产环境执行。所以实验方案对在线用户的影响、对生产数据的影响，要做一些详细的控制，中间业界推荐的方法就是想办法减小爆炸半径。这里比较直观，最小化爆炸半径可以考虑下面的思路：

自动化执行实验

这里面背后的思考：

手动运行实验是劳动密集型的, 最终是不可持续的考虑实验的标准化，通过自动程序将实验动作模版化，提升在不同团队的互操作性、重复执行性。

所以我们要把实验自动化并持续运行，混沌工程要在系统中构建自动化的编排和分析。

就需要系统提供相关API与公司内部系统结合或者平台本身支持编排能力。

3.3.3 实验评审

微服务架构下，在高内聚、低耦合的思想下，系统变得愈发复杂，逐渐超出了人类的认知范围。由单一人或小组设计的实验，潜在存在对系统认知不全的情况。

所以，在实验评审时，尽可能根据目标系统的分析，将干系人都约起来，然后进行评审。通过集中式评审，完善实验方案、补齐相关人认知、给支持孤岛提供浮现的机会。

从实际经验来看，大多数时候，可以和GameDay设计一起。

评审维度参考表：

备注：如果实验项关联性很大，可整体评估；如果关联性小或是不同类型的实验项，则分开评估。

3.4 GameDay

3.4.1 GameDay设计

GameDay关键人梳理

Gameday包含两部分：实验处理人(Owners、Coordinators、Reporters、Observers)和故障处理人。

实验处理人主要用途：拉通方案里面的运维、研发、IT等干系人，通过多部门联动、知识互补，评审方案信息准确性、完整度、合理性及可执行性。

故障处理人主要用途：被动接受告警信息，并根据自己掌握的技能，处理告警。

故障处理人员不与Gameday其他角色重合也不参与评审，目的是尽可能真实的反映业务系统的健壮性、运维/开发的故障处理水平，以便发现系统真实的弱点。

信息表可参考下文：

角色	人员	职责
负责人(Owners)		决定了计划、时间表以及是否停止实验
协调员(Coordinators)		协调其他参与角色，并执行对应用程序中发起攻击
报告者(Reporters)		负责记录实验的关键异常、填写执行记录表、关键结果记录并输出报告
观察者(Observers)		从可观测性基础设施收集数据，并将主要观察结果告知其他参与者，并验证结果。
故障处理(Others)		感知系统问题、按故障处理流程定位恢复故障。

备注：由于方案论证可能持续多次，这里也可以考虑根据实际情况进行再次实验评审

制定执行计划

执行计划主要包括三个部分：前置准备工作、实验执行、收尾工作。主要是让整个实验过程更有

1、前置准备工作。完成实验过程中用到的必要脚本、预先配置调研等工作。参考下表：

项目	工作内容	进度	备注
XXX	XXXX	完成

2、实验执行。根据实验设计表，详细记录实验过程中的实际情况。参考下表：

场景	对应故障模式	操作人	时间点(观察者记录)	操作

3、收尾工作。实验结束后的操作，包括特殊配置清楚、数据修复等。参考下表：

工作内容	进度	备注
防火墙取消阻止智行访问SSP-CLB10.XX.XX.XX策略	完成

3.4.2 实验计划公告

从上面梳理的系统对象、实验目标、实验对象、干系人等信息，协商执行时间等，输出实验的计划，说明在什么时间会做什么样的事情。

此步是可选的，根据实际实验规模、实验环境而定，可以考虑将计划在公司内同步，将影响提前周知、潜在有更多人评审的目的。

3.4.3 GameDay执行

GameDay执行，相对清晰。需关注的是：

非故障处理角色，集中办公。可以是在同一个会议室，也可以是在线会议。实验方案不要按顺序执行，可采用随机挑选的模式执行。目的是担心有故障处理人员通过意外渠道获取详情执行计划，导致学到的运维/开发系统故障处理能力失真的情况发生。

3.5 复盘提升

混沌工程要在一家公司成功，主要有几个要素：

低成本：开始实验，是小部分人带动，大部分人不熟悉，中间有很多低效、冗余工作。从长期来看，最好能针对公司内尽可能多的系统、尽可能多的场景，进行不定期、自动化、无人值守的盲演。高价值：通过实验，确实能发现团队、流程等高价值缺陷，并能够量化成对系统核心指标的贡献。认同和文化：公司不同角色会不会自发在软件生命周期的不同阶段采用混沌工程。成熟度标准：评估混沌工程是否合适的基线，牵引不同团队混沌工程水平。

所以我们在一次实验结束后，可以从上面角度分析，本次实验哪些地方可以优化，发现的哪些知识可以转化成系统能力，如何评价本次实验活动以及如何让更多人任何。

这里推荐采用定期实验报告的形式，将发现的知识进行晾晒。

认同和文化方面，可以考虑采用Kirkpatrick模型

成熟度度量可以参考greemlin的可靠性评分

4.某新能源汽车云防火墙混沌工程实战

4.1 目标系统分析

客户业务主要分布在XX、 YY两个地域，其中：XX地域主要业务是客户智行APP、智慧服务平台(SSP)，客户智行APP可从各大应用商店下载，给车主提供各种APP常见功能，SSP平台给各车主提供配件，售后，充电桩等车辆周边服务；YY地域是车联网业务，主要承载车辆远程启停、车机控制、日志、订阅等服务。两个地域通过云联网打通；两地环境规划、部署架构、运维系统、开发环境基本一致。

一个业务系统故障源，大概来自两方面：组成架构的组件(硬件故障、负载异常、丢包等)发生故障以及对组件的管理动作造成故障。下面分析这两部分的能力现状。

4.1.1 业务架构图与主链路

YY地域车联网业务系统，整体架构图如下：

车联网是经典的互联网业务三层模型，主要的业务链路有：

链路名称	经过组件	涉及服务列表
1、汽车车机请求链路	WAF/CLB/互联网墙/VPC墙/TKE/VPC墙	车机车控、启停日志、订阅服务、电池管理、空调门窗等服务
2、车联网内部微服务间调用联路	TKE/VPC子网墙	——
3、车联网内部微服务调用外部第三方服务/合作伙伴通过NAT暴露的内部服务地址访问联路	TKE/NAT墙	喜泊车：https://b2c.xx.com.cn
4、XX地域智行服务通过云联网调用YY地域车联网服务	XX地域TKE/云联网/VPC墙/YY地域TKE	XX地域智慧服务平台(ssp)、YY地域订阅服务

4.1.2 业务流程与控制结构

目前防火墙规则，都是人工通过控制台增减。

操作面：人工

控制面：官网控制台

数据面：云防产品

4.1.3 系统当前高可用能力汇总

整体具备可用区级及组件级容灾能力，从部署架构上来看，整体SLA是可以达到99.95%。需要关注的是高可用措施按预期执行、配置管理错误以及级联故障。

架构层级	组件	能力项
接入层	WAF	旁路WAF，WAF故障时对业务无损严格变更流程：测试环境验证，生产变更后值守
	CLB	腾讯云的跨区高可用能力
业务逻辑层	TKE	node节点平均分布在YY地域一区/二区istio gateway反亲和性，保证一区/二区数量平均且每个pod在一个node节点
数据层	CDB/CRS	腾讯云PaaS产品跨可用区高可用能力
云防火墙	互联网墙	配置层面：极少规则，且变更频率极低云产品层面：旁路功能，故障对业务无损
	VPC墙	配置层面：1、明确VPC墙仅控制VPC内流量；2、变更顺序为小段、子网、VPC；3、生产变更后值守云产品层面：1、跨区高可用产品；2、一键Bypaas产品能力
	NAT墙	配置层面：1、明确NAT墙仅控制进出公网流量；2、生产变更后值守云产品层面：1、跨区高可用产品；2、一键Bypaas产品能力
	企业安全组	配置层面：1、明确企业安全组应用场景为重要实例的独立控制；2、生产变更后值守云产品层面：管理系统故障，对已有安全组无影响

4.2 探查系统弱点

4.2.1 FMEA分析

通过FMEA(Failure Mode & Effect Analysis)分析法，针对业务的主要四条调用链(横向)涉及的组件自身发生异常时，业务的故障模式、原因进行全面分析，并针对风险程度进行排名，用以确认哪些异常需要优先重点关注：

4.2.2 STPA分析

通过STPA(Systems Theoretic Process Analysis)分析法，针对业务的主要四条调用链(纵向)涉及的组件，在发生非预期变更时，业务的故障模式、原因进行全面分析，并针对风险排名，用以确认哪些变更异常需要优先重点关注：

4.2.3 组件SLA/SLI分析

从上面FMEA/STPA分析可以看出，当前云防故障场景考核的核心指标有两个：该组件的故障恢复时长和SLI-延迟。其中延迟SLI的业务指标是1s

故障预算，参考历史故障频率、管理措施(变更、容量管理策略)、高可用能力、自愈程度等维度，输出如下故障预算表：

最终云防故障的整体故障预算为月度5min

4.3 设计混沌实验

4.3.1 实验目标

验证当云防故障发生时，客户业务系统可兼容、不崩溃，且对用户有恰当引导验证客户运维可通过恰当的方式在5min内恢复云防故障验证兜底措施Bypaas功能是否按预期work

恰当恢复方式定义：

备注：Bypaas是腾讯云的产品能力，开启Bypaas意味着访问联路将绕行该防火墙，该墙的所有规则失效。

云防产品总共有三个墙：VPC墙、NAT墙、互联网墙。在客户整站故障时，精准定位到具体的错误并解决的处理能力，显然优于Bypaas某个防火墙；Bypaas某个防火墙即可解决的处理能力，显然优于Bypaas所有防火墙。

4.3.2 实验设计

以上2、4、5、16的故障注入方法、注入点一样；3、18的故障注入方法、注入点一样；合并的主要原因：2、3、4、5涉及组件级故障，需通过腾讯云底层模拟，爆炸半径过大，不利于发现客户业务能力、运维能力缺陷。

仅选择四个业务链路注入故障，是因为这四条链路可以代表客户整体的形态。

随着后面实验方法、模式、可观测性及小规模实验暴露出来的问题，客户侧都熟悉且改善后，可考虑提高实验覆盖的业务场景、组件、爆炸半径

此处隐藏了低优先级的实验项

4.3.3 最终设计方案

场景	对应故障模式	时间点	操作
1，智行通过内网调用内部预约维保服务故障（XX地域本地VPC间）：源服务——智行后端服务 --> 目标接口 XX.xx.cn （10.XX.XX）	3、18		防火墙内网间阻止智行访问SSP-CLB10.XX.XX
			接收业务故障通知
			等待告警通知
			防火墙关闭vpc-XX(VPC-DEV&xxxxx)->vpc-qdiXX(VPC- XX)【VPC10.XX.XX->10.XX.XX】—— 智行uat至DevOps-pp两个VPC间Bypass
			通知业务观察故障是否恢复
			业务恢复，确定影响面【】
2，智行通过内网调用TSP故障（XX地域到YY地域VPC间）： 源服务——智行后端服务 --> 目标接口 https://xx.xx.com （10.XX.XX）	8		通过混沌平台对xx.xx.com（10.XX.XX）注入2s延迟响应
			接收业务故障通知
			等待告警通知
			去除接口延迟注入——14:11分定位到问题
			通知业务观察故障是否恢复
			业务恢复，确定影响面【】
3，智行通过公网调用喜泊车故障（NAT边界） ：源服务——智行后端服务 --> 目标接口 https://xx.com.cn	2、4、5、16		NAT出口限制对https://b2c.xx.com.cn(10.XX.XX)的访问
			接收业务故障通知
			等待告警通知
			防火墙实例cfwnat-xx NAT出口开启Bypass
			通知业务观察故障是否恢复
			业务恢复，确定影响面【】
4、智行调用后端数据库被拒绝	17		防火墙企业安全组阻止10.XX.XX访问后端数据库10.XX.XX:3306
			接收业务故障通知
			等待告警通知
			去除“防火墙阻止10.XX.XX访问后端数据库10.XX.XX”
			通知业务观察故障是否恢复
			业务恢复，确定影响面【】
5、还原所有操作			防火墙取消阻止智行访问SSP-CLB10.XX.XX策略
			防火墙关闭vpc-xx(VPC-xx)->vpc-xx(VPC-xx)
			防火墙实例cfwnat-xx NAT出口关闭Bypass
			NAT出口开发对https://b2c.xx.com.cn的访问，删除智行访问115.10.XX.XX策略

4.4 Gameday

4.4.1 Gameday设计

角色	人员	职责
负责人(Owners)	吴XX、周XX	决定了计划、时间表以及是否停止实验
协调员(Coordinators)	吴XX	协调其他参与角色，并执行对应用程序中发起攻击
报告者(Reporters)	吴XX	负责记录实验的关键异常、填写执行记录表、关键结果记录并输出报告
观察者(Observers)	李XX、蒋XX、逯XX	从可观测性基础设施收集数据，并将主要观察结果告知其他参与者，并验证结果。
故障处理(Others)	测试人员、业务开发、运维	感知系统问题、按故障处理流程定位恢复故障。

备注：故障处理人员不在Gameday关键角色也不参与评审，目的是尽可能真实的反映业务系统的健壮性、运维/开发的故障处理水平。

客户场景做法：

故障处理人员需单独留出时间参与gamenday仅被通知gameday时间段，混沌实验用例的执行顺序、注入目标、注入方法不会同步给他们如果注入故障后，系统的故障时间超过预定的故障预算，则由协调员直接执行终止实验的能力，以保证业务稳定性

4.4.2 执行计划

执行前准备、执行计划、收尾工作有较多的客户侧信息且与执行部分信息重叠，此处略。参考生命周期中的模版

4.4.3 Gameday执行

下面是执行过程中，关于执行计划的执行记录。

4.5 实验总结

4.5.1 实验价值

发现6项客户侧改进事项；2项云产品改进事项；2条GameDay经验总结。

业务系统表现

符合预期

核心链路(如访问cdb)的业务兼容性仍需加强，本次给cdb注入故障，发现智行APP业务整体受损符合预期，但用户体感强烈。在云防故障场景下，大部分业务场景，业务侧均没有扩大化，仅是当前能力不可用，且对用户有较好的提示。建议业务在出错默认页面、友好提示方面增加投入业务监控方面，监控粒度不够细，导致故障定位仍需人工排查时间。

运维处理能力

不符合预期

部分时效不达标。故障处理没有流程化、标准化，仍依靠个人能力处理，导致故障时长不稳定。

云防火墙Bypass能力

不符合预期

VPC墙Bypaas后路由错乱，导致idc到云联网路由环路NAT墙Bypaas后，长链接业务有2min+时间不可用

4.5.2 问题及经验总结

问题总结
组件模块	序号	问题			解决方案	负责人	解决时间
								业务监控	1	告警信息看不到直观告警，如喜泊车接口的访问次数、数据库不可访问信息			按照Google sre提出的四个黄金指标的思路，来建设业务监控告警信息里面带上关联的资源层监控信息	吴XX
业务熟悉度	2	运维故障处理人员，不熟悉业务服务调用数据库信息，导致故障处理在信息查找方面耗时严重			建设配置中心可视化工具，辅助快速查找	吴XX
告警处理流程	3	没有告警处理流程，告警处理人员未能快速定位到哪个环节出问题			构建变更回滚/子网放通/vpc放通/bypaas的处理能力模型每个环节流转有明确的条件	吴XX
防火墙管理规范	4	故障处理人员对防火墙的四个墙应用场景不熟悉，导致故障定位方向偏离拉长了故障处理时间			规划清楚四个墙的适用范围规整当前规则，避免有重叠	吴XX
实验人员设置	5	故障处理人员，也能知道实验进度信息，导致故障处理能力失真			故障处理人员，不参与gameday制定	吴XX
环境隔离性	6	目前存在单云防实例故障影响所有环境的情况			每个环境除了资源数量外都做组件对等部署	吴XX
云防Bypaas能力	7	NAT墙开启bypaas后，2min+时间，公网访问全部失败			产研跟进中	XXX
云防VPC墙开关	8	关闭、开启VPC间防火墙后，发现路由错乱，导致客户IDC环境访问云环境不同			产品bug已修复	XXX
经验总结
组件模块	序号	经验			适用场景	分享人	说明
								Gameday人员设置	1	故障处理人员，尽可能和Gameday其他人在方案评审、信息同步方面隔离，且不是同一波人			业务/运维能力验证	XXX	避免故障处理人了解gameday细节，导致学习到的故障处理能力失真
实验执行顺序	2	实验用例的执行顺序，应该尽量随机			全场景	XXX	尽可能避免故障处理人员因提前获取实验方案，导致学习到的故障处理能力失真

5.小结

本文主要介绍和客户共建混沌工程的阶段，如何界定待实验系统、提炼业务指标、设计混沌实验、Gameday及实验总结的重点内容。

需要注意的是，本文推荐先通过FMEA/STPA方法论全面弱点探查，再开展混沌实验。

这样做，一方面可以通过混沌工程解决系统紧要问题，体现混沌工程价值；另一方面也通过具体的实战提升客户侧的混沌工程能力。

等这些能力具备后，可以考虑引入更多系统、更多场景，提升客户公司内对混沌工程的认同，构建混沌工程文化。

最后再考虑建设混沌工程标准化、混沌成熟度等，将混沌工程引入软件生命周期的更多环节。

另外，笔者能力有限，文章中的思路、方法难免有错漏，还请各位混沌工程大佬不吝赐教，共同碰撞出优秀的实践案例。

后面也会逐步针对提到的每个关键技术，做深入的分享。

6.参考资料

LDFI参考：https://people.ucsc.edu/~palvaro/molly.pdf

Kirkpatrick模型：https://kirkpatrickpartners.com/the-kirkpatrick-model/

greemlin的可靠性评分：https://www.gremlin.com/blog/how-gremlins-reliability-score-works/

云防火墙原理：云防火墙 相关概念-产品简介-文档中心-腾讯云

FMEA/STPA案例：https://d1.awsstatic.com/events/reinvent/2019/REPEAT_1_Designing_for_failure_Architecting_resilient_systems_on_AWS_ARC335-R1.pdf

腾讯云混沌平台：混沌演练平台_故障演练平台- 腾讯云

腾讯云公有云专家服务，面向腾讯云公有云客户，提供架构优化、高可用建设、稳定性治理、容量规划、成本优化等方面专业技术支持。

服务咨询地址：腾讯云官网 -> 客户支持 -> 专属服务 -> 高可用服务，https://cloud.tencent.com/act/pro/high_availability_service。