Gremlin发布“恢复即服务”SaaS平台，为混沌工程提供更有效的支持-InfoQ



 写点什么

Gremlin 公司发布了 Gremlin ，一种基于 SaaS 的“恢复能力即服务”（Resilience as a Service）平台。Gremlin 支持企业通过“按需破坏系统”开展混沌（Choas）实验，这样有助于在应用发生停机故障前预防问题的发生。Gremlin 使得企业可以在所管理的基础设施中注入一些受控的资源、网络和状态故障，以便工程师查看在此类故障条件下系统的运作行为。Gremlin 还提供了一个“撤销”按钮，一旦出现问题即可自动清除注入故障。

自去年以来，混沌工程和恢复能力测试的理念日益流行，而 Netflix 等先驱对此已摇旗呐喊了相当长的时间。 Netflix 的 Chaos Monkey ，以及相关的 Simian Army 系列工具，已经成为相当主流的工具。此外，最近也有不少会议演讲是以混沌为主题。但是要使用混沌技术，通常需要高层级的基础设施和操作技能、实验的设计和执行能力，以及一些可用的资源，并且由于混沌工程不能破坏生产环境，因此还需要以受控方式手动编排故障场景。

Gremlin 平台提供了一种基于 Web 的 GUI，用于在已安装 Gremlin 守护进程（代理）的计算设备上执行和管理混沌实验。在 Linux 上，守护进程可以使用 Debian 和 RPM 软件包安装。对于那些在容器中运行应用的企业，Gremlin 还提供了用于 Docker 的安装选项（附带对 Kubernetes 的支持）。

Gremlin 的 Web UI 支持以受控的方式运行，发布一系列针对基础设施的故障“攻击”，其中包括：

Resource Gremlins
- CPU：对一到多个 CPU 内核生成高负载；
- 内存：分配指定数量的 RAM；
- IO：对磁盘等 I/O 设备进行读写压力测试；
- 磁盘：通过写文件，占满一定比例的磁盘空间；
Network Gremlins
- 黑洞：丢弃所有匹配网络流量；
- 延迟：对所有匹配的出口网络流量注入延迟；
- 包丢失：对所有匹配的出口网络流量加入网络包丢失；
- DNA：阻止对 DNS 服务器的访问；
State Gremlins
- 关机：支持用户开展主机操作系统的重启或关闭测试。例如，当一到多个集群内机器失联时，系统的行为如何？
- 时间旅行：更改主机的系统时间，可用于模拟调整夏令时，以及其它与时间有关的事件。
- 杀掉进程：一种杀掉特定进程的攻击，可用于模拟应用或依赖崩溃的情况。

攻击可以是即席的（ad-hoc）、程序化的或按计划执行的。攻击也可以被安排在特定日期和特定的时间窗口内执行，并可设置计划生成的最大攻击次数。Gremlin 提供了一个“撤消”按钮，一旦出现问题，会自动清除攻击测试。安全是“完全重新建立的”，其中使用了最低的权限、多重身份验证、审计和基于角色的访问控制（RBAC）。

Gremlin 的核心价值主张在于，允许工程师启动、控制和观察系统在攻击可引发的各种故障情况下的行为。Gremlin 并不提供自动化金丝雀测试（Canarying），例如类似于 Barometer 提供的功能，也不提供自动故障检测，例如类似于 LightStep 提供的功能。它所提供的是一组全面的故障原语，可用于设计实验，并观察故障在一个复杂分布式系统中的影响情况。Gremlin 不需要修改部署流水线，也不需要修改网络基础架构，因此更便于在一系列的基础架构和部署范例中使用，例如裸机、云 /IaaS 或容器等。

近期，InfoQ 与 Gremlin 公司的首席执行官兼创始人 Kolton Andrus 进行了一次座谈，讨论了混沌工程在软件系统中的作用、可恢复性测试的价值所在，以及 Gremlin 平台的未来。

InfoQ：您能做一个简单的自我介绍吗？最好能简要阐述一下您在混沌工程中的背景。

Andrus：好的。我是 Gremlin 的 CEO 和联合创始人 Kolton Andrus。我们正致力于借助混沌工程，构建更具恢复能力的系统。我们提供“故障即服务”（failure-as-a-service）。

我曾在 Amazon 和 Netflix 任故障呼叫主管（Call Leader），负责管理和解决需及时处理的关键故障，以保证服务时刻在线。我们都非常熟悉半夜被电话叫走去排除关键问题的痛苦。

尽管追根溯源，混沌工程已经提出了十多年，并且有不少很好的开源软件工具对探索道路提供了帮助，但是企业依然需要更多。我们前期已在 Gremlim 解决了这些问题，因此我们熟悉工程师应该如何使用简单易用的工具，安全可靠地执行故障恢复实验，进而自动化这些实验。

InfoQ：当前混沌工程看上去是一个“热点话题”。该话题具有大量的博客帖子，也出现在 Nora Jones 的 AWS re:invent 大会主题演讲中。但是它并非一个全新的话题，Netflix 和 AWS 讨论它已有一段时间了。您为什么认为混沌现在广为使用了？

Andrus：虽然 AWS 和 Netflix 是更早经历这一需求的企业，但是分布式系统的复杂度已经开始对所有的企业产生影响，无论企业的大小。我们当前正处于一个拐点上。构建分布式系统的新方法更加复杂，使得企业无从洞悉何时何处会发生故障。在过去方式中，软件是运行在一个受控的、裸金属环境中，不确定的事情很少。在当前情况下，软件是依赖于我们掌控之外的基础设施和服务。

对云计算的采纳，以及使用微服务的趋势，这样创建的基础设施正在持续走向成熟，并给出了开发、部署和操作应用的新方式，这是前所未有的。但是，这也为企业创建了一条复杂性鸿沟，这样的系统对于任何工程师甚至是工程师团队都过于复杂了，以至于他们不可能完全的理解，这样发生故障是不可避免的。

InfoQ：那么混沌工程或恢复能力测试的最大优点是什么？它们是否仅适用于那些具有专有基础设施团队的大型企业？

Andrus：很多企业是以响应式方式应对服务故障的。但他们并未认识到，这些软件缺陷是可以甄别的，并防止它们继续肆虐，进而节省工程师的时间，降低他们的痛苦，节省上百万元并达到费用的最小化。任何提供随叫随到系统服务支持的团队，都可以通过降低运维负担和宕机时间，从这个方法中受益。

混沌工程支持开展一些经深思熟虑计划的实验。它将故障引入到系统中，识别和修复未知故障，最终构建健壮并具有恢复能力的系统。就像是为你的应用程序注射了流感疫苗。

人们常常会认为混沌工程就是随机地破坏系统。但在我们看来，如果将混沌作为常规测试的一部分，实现高度的规划和自动化，这时混沌将工作得最好。混沌可使团队创建基准去衡量系统情况，确保系统可随变化情况不断地做出改进。

InfoQ：您认为企业在寻求实现混沌工程中所面对的最大挑战什么？

Andrus：当前最大的挑战在于教育。作为一门学科，混沌工程刚刚开始成为工程领域内讨论的一个话题，许多人尚不知道从何处着手。另一方面，高管团队并没有意识到，不少服务中断问题是可以预防的，这些先入为主的观念也必须得到纠正。

Gremlin 公司刚刚启动。对于我们来说，明年我们会把注意力完全集中在教育上。这就是为什么我们与一些公司合作，帮助他们理解这一理念，理解其中对他们有所裨益之处。

解决挑战的一种方式通过游戏日。我们直接与工程团队合作，让他们测试 Gremlin 攻击，甚至是在他们签约成为成为 Gremlin 客户之前。这样，他们可以亲眼看到系统如何应对失败，进而了解我们的工具可为企业所带来的价值。

InfoQ：Gremlin 产品的使用情况如何？您能向我们分享一些成功的案例吗，或对如何有效地使用该工具稍作解释？

Andrus：正如我前面所提到的，我们是一家刚刚启动的公司，但公司的早期发展势头良好。我们正与 12 家重要客户开展合作，其中包括 Expedia 、TwilioConfluent、Remind 等。

我们和 Confluent 的一个团队一起运作了一次游戏日。该团队之前曾经手动开展过游戏日，但是占用了团队整整一天的时间。我们在两个小时内运行了所有的场景，并加入了更多的场景。Twilio 在博客中，介绍了如何使用 Gremlin 去自动化一些故障实验。

InfoQ：您能向我们阐述一下 Gremlin 的路线图吗？混沌工程的未来如何？