Chaos engineering¶

Chaos engineering é o experimento controlado de injetar falha real (matar um pod, derrubar a rede entre dois serviços, encher o disco) num sistema em produção ou pré-produção, de propósito, pra descobrir se ele se comporta como esperado antes que a falha aconteça sozinha, sem aviso, no pior momento possível. Nasceu na Netflix (o artigo original, Chaos Engineering (2017), já citado em Referências), como resposta direta ao problema de rodar em infraestrutura que falha o tempo todo por natureza (cloud pública, milhares de instâncias).

flowchart LR
    Hipotese[hipótese: sistema tolera essa falha] --> Injeta[injeta a falha de propósito]
    Injeta --> Observa[observa o comportamento real]
    Observa --> Confirma{comportou como esperado?}
    Confirma -->|sim| Confianca[confiança validada]
    Confirma -->|não| Fragilidade[fragilidade real descoberta antes de virar incidente]

As ferramentas mais citadas¶

Duas categorias distintas aparecem nas buscas por essa prática: orquestradores de experimento (que definem o que injetar, quando, e como medir o resultado) e injetores propriamente ditos. Chaos Mesh, um projeto sandbox da CNCF, é nativo de Kubernetes, cada experimento é declarado como um recurso Kubernetes, o mesmo modelo de "tudo é um manifesto" que o GitOps já usa pra tudo mais (ver Argo CD), e cobre mais de quinze tipos de ataque diferentes, desde latência de rede até pane de kernel simulada. Litmus, também CNCF, tem a biblioteca de experimento pronta mais ampla, incluindo cenários específicos de AWS/GCP/Azure, não só Kubernetes puro. Gremlin é a opção comercial, com suporte e garantia enterprise, cobrando por host gerenciado.

flowchart TB
    ChaosMesh["Chaos Mesh: nativo Kubernetes, manifesto declarado"] --- Litmus["Litmus: biblioteca mais ampla, cenários multi-cloud"]
    Litmus --- Gremlin["Gremlin: comercial, suporte enterprise"]

Pra ir além¶

A antítese de chaos engineering deliberado é só esperar a falha acontecer sozinha e reagir quando ela aparecer. Não é necessariamente um erro de projeto: chaos engineering formal só compensa depois que a confiabilidade básica (backup, observabilidade, um processo claro de resposta a incidente) já existe, injetar falha de propósito num sistema que ainda nem tem como saber se está saudável é prematuro. Ver Observabilidade pro pré-requisito que normalmente vem antes.

Onde aprofundar: o livro Chaos Engineering: System Resiliency in Practice, dos próprios autores originais da prática na Netflix (Casey Rosenthal e Nora Jones), publicado pela O'Reilly, é a referência mais citada além do artigo original.