火山引擎应用韧性增强服务 ARES 正式邀测！

随着云原生技术的发展，微服务、DevOps等技术在企业中得以大量的实践与落地，大幅度地提升了服务的研发效率和交付效率。

技术的发展带来便利性的好处时，也带来了一定负面性的影响，比如服务数量的暴增及其引起更为复杂的系统架构和服务依赖关系，一旦在依赖链路上某个微服务或者组件出现故障，在缺少完善的容错架构设计时会造成的比较大的故障爆炸半径。特别是在分布式架构体系中，故障发生的随机性和不可预测性都大大增加了，业务面临更为严峻的稳定性考验。为了更好地应对生产环境中的稳定性风险，混沌工程应运而生。

混沌工程是一套提倡在分布式系统生产环境中进行实验，主动找出系统中薄弱环节的方法学。通过实验性的方法提前暴露系统风险，从而帮助开发者打造更具韧性的系统，同时可以更透彻地掌握系统运行时的各种行为规律，从而为用户树立运行高可用分布式系统的信心。

在字节跳动，近年来随着业务飞速发展，庞大的微服务体量和繁杂的调用关系为稳定性建设带来巨大挑战：

• 微服务已超过 10w，且规模仍在持续增长

• 公司百万台主机全面启动容器化进程

• 编程语言不统一，存在 NodeJS、Python、Java、C++、Rust、Golang 等多语言应用服务，增加了排障的难度

• Service Mesh 全面落地且在快速迭代，服务调用和治理的复杂度提高

微服务和云原生技术应用使得系统复杂度指数级倍增，2018 年开始，字节跳动正式启动混沌工实践。混沌工程平台在字节跳动总共经历了三代，从最初的容灾平台到 1.0 再到 2.0，该平台在自动化指标分析、故障注入、平台业务场景等方面进行了迭代优化，期间支撑了抖音、西瓜视频、飞书等业务数百万并发的故障演练，保障了高日活业务各种大型活动的稳定开展。

应用韧性增强服务（ARES）为客户提供全流程的混沌演练能力：丰富的故障原子、跨集群的故障注入和管理、灵活的实验编排、多维度的指标统计、全方位的演练报告等；此外，平台还提供操作审计、演练资源管理、专家经验库等功能，帮助用户更好地落地故障演练，提升系统韧性。

丰富的故障类型：平台支持网络延迟/拒绝/丢包等网络故障；CPU/内存突增、磁盘空间不足等系统故障；支持 Java 调用延迟/内存溢出、C++ 修改返回值/修改变量等代码故障；重启/宕机/时钟漂移等系统故障。同时，还支持数据库、消息队列、缓存、服务发现等中间件故障，如 MySQL、Oracle、RocketMQ、Kafka、Redis、ElasticSearch 等。

灵活的场景编排：实验场景是指把一个或多个同类资源作为一组故障目标，可对目标配置一个或多个故障，同时可配置观测指标、稳态等参数；实验流程是对实验场景的串并行编排，可满足大型复杂演练的需求。

演练资源管理：平台支持客户自有 Kubernetes 管理、自有主机管理、火山引擎 VKE 集群、火山引擎 ECS 等演练资源管理，可随时安装或卸载 agent、升级 agent 版本，还支持更细粒度的演练权限管控，可精确到具体服务实例。

专家经验库：平台支持在演练经验库完成实验编排，构建一套完整的面向特定演练场景的经验，平台也提供官方的专家经验，供用户在编排演练时参考，此外，还可把实际演练中优秀的实验场景/流程沉淀为经验。

团队空间：用户可以在平台创建不同的团队空间，隔离不用的演练资源或数据信息，供不同团队演练使用；用户还可进行空间权限管理，以空间来推动团队演练。

演练大盘：平台支持全局维度、空间（部门）维度、个人维度查看演练数据，可展示高频演练资源与故障等信息，可按月、周、天等维度统计演练执行等情况，供用户审计、复盘。

火山引擎应用韧性增强服务（ARES）同时支持公有云与私有化部署，具有以下优势：

• 支持混合云演练：平台支持混合云演练场景中的各类故障目标，除了支持对火山云上资源VKE、ECS演练外，还包括自建 Kubernetes（Pod、node）、单机（物理机/虚拟机、单机容器、单机进程）、中间件（自建中间件、云中间件）等。

• 实验安全保证：无侵入探针可按需安装与卸载，平台支持故障生效与恢复的验证，支持在稳态假设未通过的场景下自动停止故障，支持手动控制最小化爆炸半径与细粒度的演练权限管控。

• 功能丰富：平台除支持混沌演练全流程外，还提供丰富的故障原子能力，支持架构可视化演练、演练计划与审批、演练空间与资源管理等，随机执行与定时触发，可满足不同场景的演练需求。

• 简单易用：提供灵活的故障和场景编排，细粒度的团队空间管理和权限管控，一站式的实验结果与实验报告，上手门槛低，必要时还可提供混沌工程高级专家服务，点对点协助落地最佳实践。

[1] 火山引擎混沌工程之云原生场景实现

时间：10 月 21 日

地点：北京市海淀区大钟寺广场 1 号楼（字节工区）