作者| 阿里雲智慧事業群高階測試開發工程師 智妍
在傳統的軟體測試中，我們通常通過一個給定的條件來判斷系統的反饋，通過斷言來判斷是否符合預期，測試條件和結果通常比較明確和固定。而混沌工程，是通過注入一些“不確定”因素，象放進了一群淘氣的猴子，在系統資源、可用性、安全性、延遲、壓力等方面進行搗亂，而此過程中，要求系統可以毫無影響的提供服務，使用者無感知。
這其實對系統的自愈能力，健壯性都有很高的要求。故障注入一般是指比較受控的一些實驗條件，通過注入一些相對極端的異常場景，為系統提供可靠性測試的過程。
整體來說，混沌是一種故障注入規則，強調了一些不確定性、隨機性，比較常見的"猴子"有 Netflix
的"猴子軍團"，可以用來隨機關閉系統例項，注入延時，回收資源，檢查安全漏洞等等。
開源工具介紹
除了一般系統的 monkey，基於 Kubernetes 已經有一些"猴子"工具可以測試系統的健壯性。接下來，介紹一下比較常見的三種 Kubernetes monkey：
kube-monkey
- 執行方式：kube-monkey 通過 label 設定受害者 pod，建立了一個單獨的 kube-monkey pod 對受害者 pod 施加影響；
- 注入型別：目前支援的故障注入型別僅有殺容器；
- 配置項：可以通過配置檔案設定執行週期和頻率，在一定時間內隨機的殺死打標範圍內的 pod。
powerfulseal
- 注入型別：powerfulseal 的故障注入型別包括殺 pod 和啟停 node。
- 執行方式：包括互動模式，自動模式、打標模式和示例模式。互動模式通過介面互動查詢node/namespace/pod，啟停 node
或殺死 pod 操作；自動模式通過讀取配置檔案確定注入範圍，注入頻率；打標模式通過給 pod 打標確定注入的靶向 pod
及注入頻率；示例模式可以反映根據使用資源情況進行故障注入的過程。
Chaos Toolkit-kubernetes
結合 Ali Kubernetes 故障場景分析
Ali Kubernetes 作為一個管理大規模叢集的商業排程系統，需要應對的不僅包括一些基本的 Kubernetes 中 pod
誤刪誤停的故障現象，也包含一些底層 OS、核心、網路、誤配置等災難場景。同時由於其支撐業務生態的複雜性，全鏈路綜合異常流也需要特殊的驗證。
為更系統的進行演練，在過程中主要進行了以下幾部分工作：
FMEA 分析就是失效模式和效果分析，旨在對系統範圍內潛在的失效模式加以分析，以便按照嚴重程度加以分類，或者確定失效對於該系統的影響。
從故障場景上，分析得出較為符合 Ali Kubernetes 的三大類場景：
- 通用故障場景：包括網路相關故障（網路 iohang ,斷網，網路延遲等），宿主機相關故障（機器重啟，機器 load 高等）
- Ali Kubernetes 業務場景故障：包括 Kubernetes 相關的故障（pod 刪除，pod patch等），pod 遷移，混部、etcd 等業務相關場景；
- chaos 故障：較為隨機的故障注入，可以為以上任何故障的組合
從影響面上，需要 case by case 確定影響範圍為無任何影響，僅影響部分功能，影響核心功能等等；從驗證恢復手段上，也可以分為自動恢復、手動恢復，同時需要關注監控情況及恢復時間。
在分析過程中，我們發現，已有的開源工具無法完全滿足 Ali Kubernetes 的故障場景。下面舉 2 個典型故障場景：
pod 被誤刪
這個場景並不是簡單的 pod 隨機刪除，而是在 kubelet 連錯 apiserver 配置等異常情況下，重啟 ali-kubelet 後，al 自行判斷了容器在當前叢集內不存在，自己做了刪除操作。
要引入這個故障需要修改 kubelet 元件的配置，重啟 kubelet，才算是真正引入了故障，而當前的無論是 kube-monkey 還是 powerfulseal 場景都無法滿足。
master 元件斷網
有的人可能會說，直接指定 master 元件的機器引入斷網操作，是不是就可以了呢？然鵝現實是比較骨感的，我們也許只知道這個 master
所在叢集的 kubeconfig，元件的機器其實也可以隨著每次升級變動的。在僅僅已知 kubeconfig 的情況下我們只能先查一下
master 元件的機器資訊，再在機器上引入斷網的操作，才算是一個整體的故障引入。而目前所有的開源工具也沒有此類稍微複雜一些的場景，只是通過指定
pod namespace 來隨機的刪除一些 pod。
所以綜上所述，其實我們需要對此進行擴充套件開發，除了簡單的殺 pod，我們亟需一套可以自由開發的小程式，把這個步驟拼接起來，進行更為複雜的故障注入。
套件實現
為了滿足此類複雜的故障注入，我們使用了目前集團內正在開發的一套故障注入系統 monkeyking，並在它的基礎上擴充套件了一些
kubernetes 相關的套件，來達到既可以注入 kubernetes
相關的故障，又可以注入一些通用故障，同時又可以相對自由的擴充套件故障集合的目的。
這個故障注入的演練流程如下圖所示:
它的每一個步驟都可以是我們自由擴充套件的一個或者多個小程式，各個小程式之間的執行順序也可以自由的定義。考慮到 Ali Kubernetes 的場景，我們在其中擴充套件了四大類小程式套件。
通用故障小程式
在這一部分主要實現了一些比較通用的 os 故障，網路故障，比如最基本的指定一個宿主機斷網，指定宿主機重啟這類。
Kubernetes 套件小程式
這一部分主要實現了一些通用的 Kubernetes 命令，通過指定這些命令和入參，我們可以執行比如 create delete apply patch 這些操作，來間接的達到注入一些 Kubernetes 相關故障的目的。
實現原理如下：
要點說明如下：
- 下載叢集證書的地址及證書的 md5 碼都作為小程式的輸入，在執行實際的 kubectl 生效命令前進行下載校驗;
- 底層 toolkit 中已經加入了 kubectl 命令列工具，無需自己找環境進行配置和下載;
- 目前已經支援了 apply,create,delete,patch,get 操作，支援指定 label,namespace，-o json 的操作
舉個例子，上文中 master 元件故障的場景中，我們就可以利用以上的兩類小程式來完成故障注入的操作:
開源工具小程式
目前我們和集團安全生產的 MonkeyKing 團隊合作，聯合在故障注入平臺 monkeyking 中整合了開源工具
kube-monkey，實現過程藉助了上文的 kubernetes 套件執行，可以通過打標的方式標記受害者，讓 kube-monkey
隨機的殺受害者 pod。步驟如下：
環境準備
- 鎖演練環境
- 在當前叢集中初始化kube-monkey: 使用kubernetes套件的apply功能提交km-config.yaml檔案，部署 kube-monkey deployment
**
給應用標記受害者 label
- 使用 Kubernetes 套件的 patch 功能，標記受害者
**
驗證步驟
- 自定義元件校驗應用服務是否可用
**
故障恢復
- 使用 Kubernetes 套件的 patch 功能，給受害者去標
- 使用 Kubernetes 套件的 delete 功能，刪除 kube-monkey deployment
- 解鎖演練環境
其他業務相關小程式
這一部分比較自由，主要根據 Ali Kubernetes 的業務需求，接入了一些常用的小程式。
比如故障演練過程中，環境需要獨佔，不允許其他測試執行，在這裡實現了一個小程式用來對環境進行加解鎖操作；比如校驗階段需要驗證服務是否可用，這裡實現了一個通過
curl 命令校驗返回值的方式驗證服務是否可用的小程式；比如故障注入過程可能影響vip掛載，這裡也實現了一個呼叫 vip 服務校驗 vip 下
ip 數量及是否可用的小程式。
總結
在 Ali Kubernetes 中，我們將故障以場景化的方式進行沉澱，將底層 os，核心、網路、誤配置等故障聯合 Kubernetes 相關故障，引入混沌工程的理念進行注入，有效的發現了很多系統穩定性問題，驅動開發人員更多關注系統健壯性。
後續我們會在 Ali Kubernetes 演進過程中持續發力，基於架構和業務場景輸入更多 Kubernetes 相關的故障場景，為系統的高可用保駕護航。