翻訳は機械翻訳により提供されています。提供された翻訳内容と英語版の間で齟齬、不一致または矛盾がある場合、英語版が優先します。

カオスエンジニアリングの開始方法

実験を行う前に、カオスエンジニアリングのプラクティスを最大限に活用するために、いくつかの重要なものを用意することをお勧めします。これらの必須事項には以下が含まれます。

カオス実験のオブザーバビリティ

メトリクス、ログ記録、リクエストトレースで構成されるオブザーバビリティは、カオスエンジニアリングで重要な役割を果たします。実験を実行するときは、ビジネスメトリクス、サーバー側のメトリクス、クライアントエクスペリエンスメトリクス、およびオペレーションメトリクスを理解する必要があります。オブザーバビリティがないと、定常状態の動作を定義したり、意味のある実験を作成して、アプリケーションに関する仮説が満たされているかどうかを確認することはできません。

メトリクス

次の図は、さまざまなタイプのアプリケーションのカオス実験で追跡できるメトリクスのタイプを示しています。

ログ記録

集中ログ記録は、カオス実験の前、最中、および後にアプリケーションコンポーネントの状態を理解する上で重要です。すべてのアプリケーションコンポーネントからログを収集して、実験が挿入された時点で各コンポーネントが何をしていたかの統合ビューを構築することをお勧めします。これにより、end-to-endの実験フローを明確に把握できます。

リクエストのトレース

リクエストトレースを使用すると、アプリケーション内のコンポーネント全体で 1 つのリクエストのフローを監視して、挿入された障害がシステムとその依存関係に与える影響を包括的に把握できます。リクエストを追跡することで、障害がさまざまなサービスやコンポーネントにどのように伝播されるかを把握できるため、中断の範囲をより適切に評価できます。リクエストを追跡するには AWS、 を使用できますAWS X-Ray。

カオス実験に注入する失敗シナリオ

アプリケーションに一般的な障害を挿入する目標は、アプリケーションがこれらの予期しないイベントにどのように反応するかを理解することです。これにより、緩和メカニズムを作成し、このような障害に対するシステムの耐障害性を高めることができます。さらに、カオスエンジニアリングを使用して過去の障害シナリオを再生し、緩和メカニズムが期待どおりに機能し、時間の経過とともにドリフトしていないことを確認する必要があります。

カオスエンジニアリング実験を計画するときは、次のイベントを考慮してください。

組織のレジリエンススポンサーシップ

カオスエンジニアリングは、組織全体に適用されると最大の価値を提供します。組織全体のレジリエンス目標の設定を支援し、ドメインに対する懸念、不確実性、疑念を排除し、変革プロセスを開始して、全員の責任のレジリエンスを実現できるエグゼクティブスポンサーと協力することをお勧めします。

カオスエンジニアリングプラクティスを構築するビジネスケースをサポートするには、カオスエンジニアリングの取り組みを重要なビジネスプロジェクトにアタッチします。レジリエンスをアセットにし、アクセラレーションを促進することで、時間の経過とともに成功を追跡するのに役立ちます。まず、1 か月または 1 四半期あたりの重大なインシデントの数、平均復旧時間、およびこれらのインシデントが顧客や組織に与えた影響から始めます。カオスエンジニアリング実験に応じてアプリケーションスタック全体で改善が行われるため、6 か月から 12 か月の期間にわたってインシデントの数を減らすことをチームで目標を設定します。

インシデントの反復性が高いかどうかを測定します。たとえば、期限切れの TLS 証明書があると、クライアントは信頼できる接続を確立できないため、ダウンタイムが発生するとします。複数の TLS 証明書の有効期限切れが原因で 1 年間に複数のインシデントが発生した場合は、TLS 証明書の有効期限の実験を実行し、チームがアラートを受け取るか、そのような問題を自動的に軽減できることを確認できます。これにより、このような障害に対する耐障害性を確保できます。

カオスエンジニアリングの進行状況を経時的に追跡するには、次のメトリクスをキャプチャして、アプリケーションのライフサイクル全体でカオスエンジニアリングの価値を強調します。

修復の優先順位付け

カオス実験を実行すると、アプリケーションが意図したとおりに動作しない改善が必要な領域を特定する可能性が高くなります。このような項目の修復はバックログで機能するため、機能開発などの他の作業とともに優先順位を付ける必要があります。将来の障害を避けるため、これらの機能強化に時間をかけることをお勧めします。これらの学習と修復タスクは、それらが引き起こす可能性のある影響のレベルに基づいて優先順位を付けることを検討してください。アプリケーションのレジリエンスやセキュリティに直接影響する検出結果は、顧客への影響を避けるために、新機能よりも優先される必要があります。チームが機能開発よりも修復作業の優先順位付けに苦労する場合は、エグゼクティブスポンサーに連絡して、ビジネス上のリスク許容度に基づいて優先順位が設定されていることを確認することを検討してください。