カオスエンジニアリング とは？

「本番を意図的に壊す」というと怖く聞こえるけど、要は「どうせいつか壊れるなら、自分たちがコントロールできる状況で先に壊して学んでおこう」という発想なんだ。想定外の障害で夜中に起こされるより、計画的に実験して弱点をつぶしておく方がいいよね。

Netflixが作ったもので、本番のAWS EC2インスタンスをランダムに強制終了するツールだよ。「どのサーバーが突然落ちても大丈夫」な仕組みになっているかを常に検証し続けるんだ。最初に聞いたときは冗談かと思う人が多いけど、Netflixは本当に本番で動かしていたんだよ。

そう、カオスエンジニアリングには「科学的実験」の考え方が大切なんだ。まず「このサーバーが落ちてもレイテンシが増加しないはず」という仮説を立てて、影響範囲を限定し、モニタリングを見ながら実験する。仮説が外れたら問題を発見できたということで改善できるよ。ルールなく破壊するのはただの破壊行為だね。

最初から本番でやらなくていいんだ。ステージング環境から始めて、ゲームデイ（障害訓練の日）を設けて少しずつ慣れていく方法もある。ただし本当の耐障害性は本番でしか分からないことも多くて、ステージングと本番の環境差があるとステージングでの実験が本番での挙動を保証しない問題がある。また、カオス実験をしていない機能やサービスに思わぬ影響が出る「爆発半径（blast radius）」の管理も重要な概念で、ここを誤ると本当の大障害になることがあるよ。