云是对于冗余和容错的。因为没有任何一个组件可能保障 100% 的失常运行工夫（即便是最低廉的硬件，最终也会呈现故障），咱们必须设计一个云架构，在这种架构中，单个组件能够呈现故障而不会影响整个零碎的可用性。
实际上，咱们必须做到，比咱们最单薄的那个环节更弱小。咱们能够应用一些技术，比方依赖性故障时的优雅降级，以及节点、机架、数据中心、可用区乃至区域的冗余部署。然而，仅仅设计一个容错架构是不够的。咱们必须一直地测试本人是否有能力在这些“难得一遇”的故障中生存下来。
设想一下轮胎瘪了。即便你的后备箱里有备胎，你晓得它是否充气了吗？你有弄它的工具吗？最重要的是，你还记得怎么做才是正确的吗？有一种办法，能够确保你能中午在下雨的高速公路上解决爆胎的问题，那就是：每个星期天下午，在你的轮胎上捅一个洞，而后进行更换轮胎的练习。在事实世界中，这既低廉又耗时，但在云上是（简直）收费的，还能自动化实现。
这就是咱们在构建 “混沌猴子（Chaos Monkey）” 时的理念。它是一个工具，能够随机禁用咱们的生产实例，以确保咱们可能在这种常见的故障类型中生存，而不会对客户造成任何影响。这个名字源于这样一个想法： 在数据中心（或云区域）开释一只带武器的野猴子，会随机击落实例（instance）和啃穿电缆，而在此期间，咱们继续、不间断地为客户提供着服务。
通过在工作日中运行的混沌猴子，在一个认真监控的环境中，工程师也随时待命解决任何问题，咱们依然能够汲取关乎零碎弱点的教训，并建设主动复原机制来进行解决。因而，当下一次在星期天凌晨 3 点呈现实例故障时，咱们甚至都不会留神到它。
受到混沌猴子胜利运行的启发，咱们曾经开始发明新的猿猴，它们能够引发各种故障或检测异常情况，并测试咱们的生存能力。这是一个虚构的“猿猴军队（Simian Army）”，放弃咱们的云的平安、牢靠和高可用性。
- 提早猴子（Latency Monkey）在咱们的 RESTful 客户端 - 服务器通信层中，引入人工提早来模仿服务降级，并掂量上游服务是否适当地响应。此外，通过制作十分大的提早，咱们能够模仿一个节点甚至整个服务的停机工夫（并测试咱们在这种状况下的生存能力），而不用从物理上敞开这些实例。这在测试新服务的容错性时尤其有用，办法是模仿其依赖项的故障，而不会导致这些依赖项对系统的其余部分不可用。
- 一致性猴子（Conformity Monkey）发现不合乎最佳实际的实例，并敞开它们。例如，咱们晓得，如果咱们发现有实例不属于主动扩容组，那么就可能会有麻烦的事件产生。咱们敞开它们，是为了让服务所有者有机会重新启动它们。
- 医生猴子（Doctor Monkey）通过运行在每个实例上的健康检查，并监督内部的其余衰弱迹象（例如 CPU 负载），来检测不衰弱的实例。一旦检测到不衰弱的实例，它们将被从服务中移除，并在给服务所有者一些工夫来查找问题根因之后，最终将被终止掉。
- 看门猴子（Janitor Monkey）确保咱们云环境的运行没有凌乱和节约。它搜寻未被应用的资源，并革除掉它们。
- 平安猴子（Securiy Monkey）是一致性猴子的延长。它会发现平安违规项或破绽（如配置不当的 AWS 平安组），并终止有问题的实例。它还确保咱们所有的 SSL 和 DRM 认证都是无效的，并且不会过期。
- 10-18 猴子（10-18 Monkey，本地化 - 国际化的缩写，或 110n-i18n）应用不同的语言和字符集，检测服务于多个天文区域客户实例中的配置和运行时问题。
- 混沌大猩猩（Chaos Gorilla）相似于混沌猴子，但模仿了整个 Amazon 可用区（availability zone）的中断。咱们想验证咱们的服务是否能主动从新平衡到性能可用区，而不会导致用户可见的影响或手动干涉。
咱们身边的 Netflix 猿猴军团一直壮大，随着它们继续地测试咱们对各种故障的应变能力，对于解决生产环境中不可避免的故障、以及尽量减少或打消这些故障对用户的影响，咱们对本人的能力感觉更加自信。
云模型对咱们（以及这个行业的其他人）来说，都是全新的；容错的工作正在进行中，咱们有方法充沛实现它的益处。猿猴军团的一部分曾经构建好，但还有许多中央有心愿优化，期待有才华的工程师退出这项工作并使之成为事实。
新猿猴的创意，来得比咱们能跟上的速度更快。如果你有想法，咱们很乐意听到！猿猴军团是咱们推出的泛滥动作之一，旨在进步咱们服务的可靠性，并为客户提供继续一直的娱乐。
Source: Netflix Technology Blog, Jul 19, 2011
作者：Yury lzrailevsky, 云零碎基础设施总监；Ariel Tseitlin, 云解决方案总监
译者：林伟丹
首发：IDCF 社区