Ingeniería del caos: romper cosas a propósito
Practica la ingeniería del caos inyectando fallos controlados en producción para hallar debilidades: particiones de red, agotamiento y fallos de dependencias.

Todos los sistemas distribuidos tienen modos de fallo que aún no has descubierto. Puedes esperar a que aparezcan como incidentes a las 3 de la madrugada, o puedes encontrarlos deliberadamente inyectando fallos controlados en horario laboral, mientras los ingenieros están despiertos y listos. La ingeniería del caos no consiste en romper cosas al azar: es una práctica disciplinada que formula hipótesis sobre cómo tu sistema maneja los fallos y luego las pone a prueba en condiciones controladas.
La idea detrás de la ingeniería del caos es que los sistemas complejos fallan de formas complejas. Los tests unitarios verifican que los componentes individuales funcionan. Los tests de integración verifican que los componentes funcionan juntos. Los experimentos de caos verifican que el sistema se degrada con elegancia cuando los componentes fallan inesperadamente: los fallos que no puedes predecir leyendo el código.
El marco de experimentación
Todo experimento de caos sigue el método científico: hipótesis, experimento, observación, conclusión. Sin esta estructura, solo estás rompiendo cosas.
## Chaos experiment template
### 1. Steady State Hypothesis
Define what "normal" looks like using measurable metrics.
"Our checkout flow processes orders with P99 latency
under 2 seconds and error rate below 0.1%"
### 2. Hypothesis
What do you expect to happen when the failure occurs?
"If the payment service becomes unreachable, the
checkout flow should retry 3 times and then return
a user-friendly error within 10 seconds. No orders
should be double-charged."
### 3. Experiment Design
- What failure are you injecting?
- What's the blast radius? (percentage of traffic)
- How long will the experiment run?
- What's the abort condition?
### 4. Run the Experiment
Inject the failure and observe.
### 5. Analyze Results
Did the system behave as hypothesized?
If not, what failed and why?
### 6. Fix and Rerun
Address any issues discovered and run the
experiment again to verify the fix.Empezar poco a poco: game days
Antes de automatizar experimentos de caos en producción, empieza con game days facilitados, donde el equipo inyecta fallos manualmente y discute lo que ocurre.
// Game day experiment: kill a service instance
interface GameDayExperiment {
name: string;
description: string;
steadyState: SteadyStateDefinition;
action: FailureAction;
duration: Duration;
abortConditions: AbortCondition[];
owners: string[];
}
const firstExperiment: GameDayExperiment = {
name: 'Payment service instance failure',
description:
'Kill one of three payment service replicas and verify ' +
'traffic redistributes without user impact.',
steadyState: {
metrics: [
{ name: 'checkout_success_rate', operator: 'gte', value: 99.9 },
{ name: 'checkout_p99_latency_ms', operator: 'lte', value: 2000 },
{ name: 'payment_error_rate', operator: 'lte', value: 0.1 },
],
verifyBeforeStart: true,
verifyDuringExperiment: true,
},
action: {
type: 'kill-pod',
target: 'payment-service',
count: 1,
totalReplicas: 3,
},
duration: { minutes: 15 },
abortConditions: [
{ metric: 'checkout_success_rate', operator: 'lt', value: 99.0 },
{ metric: 'checkout_p99_latency_ms', operator: 'gt', value: 5000 },
],
owners: ['platform-team', 'payments-team'],
};Patrones comunes de inyección de fallos
Distintos tipos de fallo exponen distintas debilidades. Empieza con los fallos más probables antes de ponerte creativo.
# Kubernetes-based failure injection examples
# 1. Pod failure: kill a running instance
apiVersion: chaos-mesh.org/v1alpha1
kind: PodChaos
metadata:
name: payment-pod-kill
spec:
action: pod-kill
mode: one
selector:
namespaces: [production]
labelSelectors:
app: payment-service
duration: "5m"
scheduler:
cron: "@every 2h" # Recurring experiment
---
# 2. Network delay: add latency to service calls
apiVersion: chaos-mesh.org/v1alpha1
kind: NetworkChaos
metadata:
name: database-latency
spec:
action: delay
mode: all
selector:
namespaces: [production]
labelSelectors:
app: order-service
delay:
latency: "500ms"
jitter: "100ms"
direction: to
target:
selector:
namespaces: [production]
labelSelectors:
app: postgres
duration: "10m"
---
# 3. Network partition: isolate a service
apiVersion: chaos-mesh.org/v1alpha1
kind: NetworkChaos
metadata:
name: cache-partition
spec:
action: partition
mode: all
selector:
namespaces: [production]
labelSelectors:
app: api-gateway
direction: both
target:
selector:
namespaces: [production]
labelSelectors:
app: redis-cache
duration: "5m"// Application-level chaos: inject failures in code
// Useful for testing specific error paths
class ChaosMiddleware {
private experiments: Map<string, ExperimentConfig> = new Map();
middleware() {
return (req: Request, res: Response, next: NextFunction) => {
for (const [name, config] of this.experiments) {
if (this.shouldApply(config, req)) {
switch (config.type) {
case 'latency':
return setTimeout(next, config.delayMs);
case 'error':
return res.status(config.statusCode).json({
error: 'Chaos experiment: simulated failure',
});
case 'timeout':
// Don't respond at all — tests client timeout handling
return;
}
}
}
next();
};
}
private shouldApply(config: ExperimentConfig, req: Request): boolean {
// Only apply to configured percentage of requests
return (
config.enabled &&
Math.random() * 100 < config.percentageAffected &&
config.pathPattern.test(req.path)
);
}
}Monitorización durante los experimentos
Necesitas visibilidad en tiempo real del comportamiento del sistema durante los experimentos. Si no puedes observar el impacto, no puedes aprender de él.
// Experiment monitoring dashboard
interface ExperimentMonitor {
checkSteadyState(): Promise<SteadyStateResult>;
shouldAbort(): Promise<boolean>;
captureSnapshot(): Promise<MetricSnapshot>;
}
class ExperimentRunner {
async run(experiment: GameDayExperiment): Promise<ExperimentResult> {
const monitor = new ExperimentMonitorImpl(experiment);
// Verify steady state before starting
const baseline = await monitor.checkSteadyState();
if (!baseline.healthy) {
return {
status: 'skipped',
reason: 'System not in steady state before experiment',
baseline,
};
}
console.log(`Starting experiment: ${experiment.name}`);
const startSnapshot = await monitor.captureSnapshot();
// Inject the failure
await this.injectFailure(experiment.action);
// Monitor throughout the experiment
const observations: MetricSnapshot[] = [];
const checkInterval = setInterval(async () => {
const snapshot = await monitor.captureSnapshot();
observations.push(snapshot);
// Auto-abort if conditions are breached
if (await monitor.shouldAbort()) {
console.log('ABORT: conditions breached, rolling back');
await this.rollback(experiment.action);
clearInterval(checkInterval);
}
}, 10_000); // Check every 10 seconds
// Wait for experiment duration
await this.wait(experiment.duration);
clearInterval(checkInterval);
// Remove the failure
await this.rollback(experiment.action);
// Capture recovery metrics
await this.wait({ minutes: 2 });
const recoverySnapshot = await monitor.captureSnapshot();
return {
status: 'completed',
baseline: startSnapshot,
observations,
recovery: recoverySnapshot,
hypothesis: experiment.steadyState,
};
}
}Evolucionar hacia el caos continuo
Cuando tu equipo se sienta cómodo con los game days manuales, pasa a experimentos automatizados que se ejecutan de forma continua. Esto detecta regresiones a medida que el sistema evoluciona.
// Continuous chaos experiment pipeline
interface ContinuousChaosConfig {
experiments: GameDayExperiment[];
schedule: {
// Run during business hours when engineers are available
timezone: string;
hours: { start: number; end: number };
daysOfWeek: number[]; // 1-5 for weekdays
};
notifications: {
onStart: string[]; // Slack channels
onAbort: string[]; // PagerDuty + Slack
onComplete: string[]; // Slack + email summary
};
safetyControls: {
// Never run during deployments
pauseDuringDeploys: boolean;
// Never run during incidents
pauseDuringIncidents: boolean;
// Maximum concurrent experiments
maxConcurrent: number;
// Global kill switch
emergencyStop: boolean;
};
}Lo que los experimentos de caos suelen descubrir
## Top findings from chaos experiments
### 1. Timeouts are wrong
- Default timeouts are too high (30s when 2s is appropriate)
- Some services have no timeout at all
- Cascading timeouts: A calls B calls C, each with 30s
timeout = 90s total wait
### 2. Retries amplify failures
- Service retries 3x on failure
- 10 callers each retry 3x = 30 requests to a struggling
service that can barely handle 10
- Missing exponential backoff and jitter
### 3. Circuit breakers don't trip
- Configured but never tested
- Thresholds set too high to ever trigger
- No fallback behavior defined
### 4. Health checks lie
- Service reports healthy while database is unreachable
- Liveness probe passes but readiness should fail
- Health endpoint doesn't check critical dependencies
### 5. Graceful degradation paths don't exist
- Cache fails → error instead of slower database query
- Search fails → blank page instead of basic list view
- Payment fails → no way to queue order for retryConclusiones clave
La ingeniería del caos es una práctica disciplinada que sigue el método científico: define cómo es lo normal con métricas medibles, formula una hipótesis sobre el comportamiento ante fallos, inyecta fallos controlados, observa si el sistema coincide con tu hipótesis y corrige lo que no coincide. Empieza con game days facilitados, donde el equipo mata pods manualmente y observa el impacto, antes de automatizar experimentos: las discusiones en torno a "¿qué debería ocurrir?" y "¿qué ocurrió realmente?" generan más conocimiento sobre resiliencia que cualquier automatización. Ten siempre condiciones de aborto que reviertan automáticamente el experimento si el impacto supera los umbrales aceptables: los experimentos de caos deben descubrir debilidades, no causar caídas, y la monitorización en tiempo real con controles de seguridad automáticos lo hace posible. Los descubrimientos más comunes son timeouts mal configurados, tormentas de reintentos que amplifican los fallos, circuit breakers que nunca saltan y health checks que mienten: estas brechas sistémicas de resiliencia son casi imposibles de encontrar mediante revisión de código o tests unitarios, pero salen a la luz de inmediato cuando inyectas fallos reales en el sistema.


