
یک ابزار کاربردی برای ایجاد خرابی های عمدی در distributed system ها برای بررسی آمادگی سیستم در مواجه با مشکلات و اتفاقات غیر منتظر می باشد که توسط نتفلیکس توسعه داده شده است. به کمک آن می توان مشکلات احتمالی و نقاط ضعف سیستم را پیدا کرد تا قبل از بروز مشکلات در شرایط واقعی آن ها را رفع کرد. هدف این است که به صورت اتفاقی بخش هایی از سیستم از کار افتاده تا بتوانیم بررسی کنیم سیستم در این شرایط پایدار می باشد یا نه.
برای مثال سرویس استریم ویدیو نتفلیکس را در نظر بگیرید. نتفلکیس برای بررسی به طور عمدی یک یا چندین سرور اصلی خود را که در حالت عادی چندین هزار ویدیو را پردازش می کنند غیرفعال می کند. حال بعد از آن شروع به بررسی می کند:
آیا سرورهای دیگر توان پذیرش بار از دسته رفته را دارند یا خیر؟
آیا سیستم بعد از این مشکل می تواند به سرعت به حالت عادی باز گردد؟
آیا کاربران در پخش ویدیو دچار مشکل می شوند یا خیر؟
و موارد دیگرر...
اهداف
ارزیابی تحمل سیستم (Resilience Testing): در اینجا با غیرفعال کردن سرورها/سرویس ها بررسی می شود که سیستم می تواند به کار خود ادامه دهد یا نه.
شناسایی و رفع نقاط ضعف (Identifying and Weaknesses): در صورت بروز مشکلات می توان آن ها را شناسایی و اقدام به رفع آن ها کرد.
طراحی مقاوم در برابر تحمل خطا (Fault-Tolerant Design): با وارد کردن خطاهای عمدی باعث می شود که تیم های مربوط تشویق (شایدم مجبور 🙂) به طراحی مقاوم در برار خطاها شوند. پیاده سازی اصلولی مانند redundancy, load balancing و self-healing.
بهبود عملیات ها و کاهش خرابی ها (Improving Operations and Reducing Failures): با توجه به شبیه سازی خطاها تیم های مربوط اقدامات لازم را برای رفع آن ها انجام داده و آمادگی بیشتری در برابر مشکلات دارند که باعث می شود پاسخ به فرایندها بهبود پیدا کرده و احتمال خرابی ها کاهش پیدا کند.
در پایان, Chaos Monkey یک ابزار از مجموعه ابزارهای Simian Army نتفلیکس می باشد. این مجموعه ابزارها برای شبیه سازی انواع خرابی ها و... در سیستم کاربرد دارد. ابزارهای دیگری مانند:
Chaos Gorilla: برای تست خرابی دیتاسنتر
Latency Monkey: شبیه سازی تاخیر در شبکه
Chaos Kong: تست خرابی منطقه ای
Conformity Monkey: بررسی کانفیگ ها و سازگاری آن ها
Doctor Monkey: مانیتور کردن وضعیت سلامت سیستم
Janitor Monkey: مدیریت کردن و پاک سازی منابع غیر ضروری
و... وجود دارد که استفاده از هرکدام از آن ها با توجه به نیازها می تواند کمک بزرگی در جلوگیری از خطاها و بهود پایداری سیستم کند.