Engenharia do Caos com Litmus: Um Projeto Incubado pela CNCF

Declaração do problema: Garantir a resiliência de uma plataforma de e-commerce baseada em microserviços.

A resiliência do sistema é o requisito chave para plataformas de e-commerce durante operações de escalabilidade, a fim de manter os serviços operacionais e oferecer excelência de desempenho aos usuários. Desenvolvemos uma plataforma de arquitetura de microserviços que enfrenta falhas esporádicas do sistema quando confrontada com eventos de tráfego intenso. Os problemas com a disponibilidade degradada do serviço, juntamente com o impacto na receita, ocorrem principalmente devido a falhas de pods do Kubernetes, além do esgotamento de recursos e interrupções na rede que acontecem durante as temporadas de compras de pico.

A organização planeja utilizar o projeto Litmus, incubado pela CNCF, para realizar avaliações e melhorias de resiliência da plataforma. Nossos pontos fracos do sistema tornam-se mais claros quando realizamos testes de falhas simuladas usando o Litmus, que nos permite disparar situações reais de falhas, como eventos de término de pods e atrasos na rede, e limites de uso de recursos. Os experimentos nos permitem validar sistemas de automação de escalabilidade enquanto testamos procedimentos de recuperação de desastres e maximizamos as configurações do Kubernetes em direção à total confiabilidade do sistema.

O sistema cria uma base sólida para suportar situações de falha e distribuir períodos de tráfego intenso de forma segura, sem deteriorar a qualidade da experiência do usuário. A engenharia do caos aplicada proativamente à nossa infraestrutura permite uma melhor redução de riscos e maior observabilidade, o que nos permite desenvolver métodos de recuperação automatizados que melhoram a resiliência de e-commerce da nossa plataforma em todas as condições operacionais.

Configure o Ambiente do Experimento de Caos

Instale o LitmusChaos em seu cluster Kubernetes:

helm repo add litmuschaos https://litmuschaos.github.io/litmus-helm/

helm repo update

helm install litmus litmuschaos/litmus

Verifique a instalação:

kubectl get pods -n litmus

Nota: Certifique-se de que seu cluster está pronto para experimentos de caos.

Defina o Experimento de Caos

Crie um arquivo YAML de ChaosExperiment para simular um cenário de exclusão de Pod.

Exemplo (pod-delete.yaml):

apiVersion: litmuschaos.io/v1alpha1

kind: ChaosExperiment

metadata:

  name: pod-delete

  namespace: litmus

spec:

  definition:

    scope: Namespaced

    permissions:

      - apiGroups: ["*"]

        resources: ["*"]

        verbs: ["*"]

    image: "litmuschaos/go-runner:latest"

    args:

      - -c

      - ./experiments/generic/pod_delete/pod_delete.test

    command:

      - /bin/bash

Instale o ChaosOperator e configure a Conta de Serviço

Implante o ChaosOperator para gerenciar experimentos:

kubectl apply -f https://raw.githubusercontent.com/litmuschaos/litmus/master/litmus-operator/cluster-k8s.yml

Nota: Crie uma ServiceAccount para conceder as permissões necessárias.

Injete Caos na Aplicação Alvo

Rotule o namespace da aplicação para caos:

kubectl label namespace <target-namespace> litmuschaos.io/chaos=enabled

Implante um ChaosEngine para acionar o experimento:

Exemplo (chaosengine.yaml):

apiVersion: litmuschaos.io/v1alpha1

kind: ChaosEngine

metadata:

  name: pod-delete-engine

  namespace: <target-namespace>

spec:

  appinfo:

    appns: '<target-namespace>'

    applabel: 'app=<your-app-label>'

    appkind: 'deployment'

  chaosServiceAccount: litmus-admin

  monitoring: false

  experiments:

    - name: pod-delete

Aplicar o ChaosEngine:

kubectl apply -f chaosengine.yaml

Monitore o Experimento

Veja o progresso:

kubectl describe chaosengine pod-delete-engine -n <target-namespace>

Verifique o status dos pods de caos:

kubectl get pods -n <target-namespace>

Analise os Resultados

Após o experimento, revise logs e métricas para determinar se a aplicação se recuperou automaticamente ou falhou sob estresse.

Aqui estão algumas métricas para monitorar:

• Tempo de resposta da aplicação
• Taxas de erro durante e após o experimento
• Tempo levado para os pods se recuperarem

Solução

Causa raiz identificada: Durante o tráfego intenso, os pods falharam devido a um número insuficiente de réplicas na implantação e limites de recursos inadequados.

Correções aplicadas:

• Aumentou o número de réplicas na implantação para lidar com um tráfego maior
• Configuradas solicitações e limites de recursos adequados para CPU e memória na especificação do pod
• Implementado um Autoscaler Horizontal de Pods (HPA) para lidar dinamicamente com picos de tráfego

Conclusão

Ao usar o LitmusChaos para simular falhas de pods, identificamos fraquezas-chave na implantação do Kubernetes da plataforma de e-commerce. O experimento de caos demonstrou que a resiliência pode ser significativamente melhorada com ajustes de escalonamento e alocação de recursos. A engenharia do caos possibilitou a endurecimento proativo do sistema, resultando em melhor tempo de atividade e satisfação do cliente.