通过仪表板和其他工具获得高弹性、数字成熟度和高度可观察性的组织应该采用混沌工程，因为他们可以对实验中出现的问题立即采取行动。缺乏这种可观察性的组织⁴（ibm.com 外部链接）可能需要很长时间才能解析他们通过混沌工程创建的实验。

对于使用云（特别是公有云）和云原生应用程序的组织来说，混沌工程也是必备操作。公有云引入了潜在的中断问题，需要与云提供商协调解决，这就创建了一种与处理本地问题不同的方法。

根据 Constellation Research⁵ 的数据，使用云的企业仍然经常处理 IT 事件，而不考虑云和软件即服务 (SaaS) 对这些事件的不同影响。（ibm.com 外部链接）

此外，微服务使用不断攀升，增加了系统中运行的主机或容器的数量，也带来了独特挑战（ibm.com 外部链接），这些挑战可通过混沌实验来发现和解决。它将复杂性从代码设计转移到系统操作，这并没有消除复杂性，但提高了自动化程度。

混沌工程还可以帮助组织提高持续集成和持续交付 (CI/CD) 管道的速度。像 Netflix 那样将混沌工程纳入 CI/CD⁶（ibm.com 外部链接），组织便能够自动进行持续实验，同时控制其潜在影响。

最后，组织越来越多地通过 API 与合作伙伴建立联系，这意味着其系统中的问题可能会对其他组织产生连锁影响。

部署混沌工程可以帮助组织了解架构中的漏洞并加以纠正，最终能够预测未来的故障。成功的混沌工程可帮助组织最大限度地减少对客户产生重大影响的技术故障，同时支持构建更强大、更具弹性的复杂系统架构。一旦组织决定采用混沌工程，下一步就是确定是否预生产环境还是生产环境中执行。

DevOps 团队可通过多种选项运行混沌工程实验，以测试各种系统流程。

• 延迟注入：DevOps 团队有意创建模拟缓慢或失败网络连接的场景。其中包括引入网络延迟或拖慢响应时间。
• 故障注入：可能会故意向系统引入错误，以确定错误将如何影响其他依赖系统以及是否会中断服务。故障注入的例子包括诱发磁盘故障、终止进程、关闭主机，或导致功率或温度上升。故障注入可帮助组织识别任何单点故障，如果发生问题，可能会导致整个系统发生故障。
• 负载生成：这有关于通过发送远超正常运营的显著流量水平来故意对系统施加压力。此举有助于站点可靠性工程师 (SRE) 了解系统中的任何瓶颈，从而使他们能够构建更具可扩展性的系统。
• 金丝雀测试：指的是向一小部分用户发布新产品或功能。这样，任何故障或错误都只会影响一定比例的访客，而其他受众仍获得访问现有网站的体验。

创建理想的混沌工程流程需要遵循多种原则，以确保组织能够拥有一个大规模的分布式系统。

• 了解系统：包括全面了解整体系统、系统的新增特性和功能，以及系统的拓扑、架构、依赖关系、稳态行为、输出响应，以及可用性、延迟和吞吐量等特征。
  
• 采用失败：对于软件工程师来说，他们本来是为了防止此类事件发生，却又允许事件发生，这似乎自相矛盾。然而，IT 服务中总会发生中断，较好的做法是先在受控环境中体验中断，以便先行一步找到解决方案，而不是在组织团队下班后，或在以前未遇到此类特定问题时，延后几小时才找到解决办法。
• 建立稳态行为：首先，工程团队必须定义系统正常运行时的行为方式，这样才能比较实验对稳定状态的影响。
• 识别实际事件：混沌工程实验应尽可能接近一天的正常运行情况，而不是创造不可能的情况。网络和基础架构故障、错误代码、电源问题和流量过载情况都有可能发生。
• 创建比赛日：混沌工程可以研究比赛日的环境，在特定某天内进行多次测试，以最大限度地利用资源来识别和解决尽可能多的问题。
• 使用自动化：各种规模的组织都可以通过自动开展实验来使用混沌工程，如果公司手动进行实验，则工作强度太大。这减轻了混沌工程流程中 IT 团队部分负担。组织可以在实验设计、故障注入和基础架构配置等各个方面实现自动化
• 注意爆炸半径：混沌工程师必须尽最大努力来缩小爆炸半径，尽可能减少对客户造成的实际伤害。可通过以下方式来最小化爆炸半径：
  • 瞄准服务子集：混沌工程不应从根本上中断组织的服务，尤其是在生产设置中。瞄准特定服务子集可以最大限度地减少事件发生时造成的影响，确保事件不会导致整个系统瘫痪。
  • 在有限时间内运行实验：实验应该有开始和结束时间。实验的重点是创造一个事件并将其解决，而不是让事件长期不受控制地运行。
  • 远离高峰流量进行实验：组织应尽量避免在高峰时段进行实验，除非在特殊情况下，他们试图评估事件发生期间高容量对系统造成的影响。
  • 在开发环境中运行实验：确保不会出现客户体验服务中断的最简单方法是在预生产环境中运行。然而，这意味着条件将与生产环境不同，可能会错误地描述正在发生的情况。为了最大限度地减少这种情况，请确保预生产环境和生产环境尽可能相互镜像。
  • 针对每个组件进行实验：组织系统不断发生变化，因而混沌实验永远不会结束。目标同样应该是“全面”测试；检查整个过程中的所有组件、层级、服务及其依赖关系。

利用混沌工程的组织必须决定是在其生产环境还是预生产环境中使用混沌测试。混沌工程能在生产环境中发挥最大作用的原因有几点。实时环境最为准确，有助于了解事件如何影响客户体验。另一个原因是预生产环境的设置可能与实际环境并不完全相同，因此给实验引入了一些可变性。

例如，预生产环境中的事件可能不会产生实际响应，因为它缺乏与实时环境相同的流量水平。此外，预生产环境的安全配置与生产环境可能也不同。

一些组织担心会故意造成自己的实时站点出现问题，因此他们在预生产或开发站点上运行实验。这样可确保发生的任何问题都不会影响实时客户体验。为了缓解这种情况，一些组织从预生产环境开始，在迁移到实时生产环境之前便处理该过程。

组织会根据其风险承受能力选择要使用的环境。最终，混沌工程的目标是测试大规模出现的实际问题，因此，生产环境将提供最准确的事件信息，以及需要修复的问题。