ingeniería del caos

Qué es

La ingeniería del caos consiste en introducir deliberadamente fallos
del mundo real en un sistema en funcionamiento, bajo control, para
averiguar si los soporta. Principles of Chaos Engineering, el breve
documento al que se remite la mayoría de quienes la practican, la
define como «la disciplina de experimentar con un sistema para
generar confianza» en que puede resistir condiciones turbulentas en
producción. La palabra importante es experimentar. Un experimento de
caos no contrasta una función con una especificación; plantea una
pregunta sobre el sistema completo y acepta la respuesta que
obtenga.

Su justificación comienza en los sistemas distribuidos. Cada
servicio puede funcionar correctamente y, aun así, las interacciones
entre ellos pueden producir resultados que nadie predijo; los
sucesos reales poco frecuentes, como un servidor que falla o un
enlace de red que se corta, lo empeoran. Los Principles enumeran las
debilidades que se ocultan ahí: ajustes de comportamiento
alternativo incorrectos cuando un servicio no está disponible,
tiempos de espera mal elegidos que multiplican los reintentos,
dependencias desbordadas por quienes las llaman y un componente que
arrastra a varios más al fallar. Nada de eso aparece al probar cada
parte por separado.

Según los Principles, un experimento consta de cuatro pasos:

1. Definir el estado estable como una salida medible del sistema que
indique un comportamiento normal, como la tasa de procesamiento, la
tasa de errores o un percentil de latencia.

2. Formular la hipótesis de que el estado estable se mantendrá tanto
en un grupo de control como en uno experimental.

3. Introducir variables que reflejen sucesos reales: servidores que
fallan, discos que se averían o conexiones de red que se cortan.

4. Comparar las salidas medidas de ambos grupos y buscar pruebas que
contradigan la predicción.

Cuanto más difícil sea alterar el estado estable, más confianza
puede tener el equipo en el sistema. Si se refuta la hipótesis, el
equipo habrá encontrado una debilidad cuando todavía es pequeña y
hay personas observando, en lugar de durante una caída nocturna.

La herramienta más conocida es Chaos Monkey de Netflix, que termina
aleatoriamente instancias de máquinas virtuales y contenedores en
producción. Su README la presenta como ejemplo de herramienta que
sigue los Principles, y su propósito declarado es conseguir que los
ingenieros construyan servicios resistentes a los fallos de
instancias.

Por qué importa

La redundancia, la conmutación por error y los mecanismos
alternativos son promesas sobre lo que ocurre cuando algo se rompe,
y una promesa que nunca se ha probado es una hipótesis. Un sistema
de reserva que nunca ha recibido tráfico, una política de reintentos
que nunca se ha encontrado con una dependencia lenta o una alerta
que nunca se ha disparado: todos pueden funcionar, pero averiguarlo
con el primer fallo real sale caro. La ingeniería del caos traslada
ese descubrimiento a un momento que elige el equipo.

También pone a prueba el sistema, no solo las partes. Las pruebas
unitarias y de integración comprueban comportamientos que alguien ya
había previsto. Los Principles distinguen directamente ambas cosas:
los experimentos de caos verifican que el sistema funciona, en lugar
de intentar validar cómo funciona. Por eso se centran en la salida
que notaría un usuario, como la tasa de errores y la latencia, no en
los detalles internos de un componente.

La evidencia se encuentra en producción. Los sistemas se comportan
de forma distinta según su entorno y sus patrones de tráfico, y los
Principles sostienen que tomar muestras del tráfico real es la única
forma fiable de captar la ruta de las solicitudes. El libro Site
Reliability Engineering de Google llega a la misma conclusión por el
camino contrario: la carga sintética puede no mostrar dónde fallan
realmente los componentes, por lo que, una vez que un servicio
dispone de protección contra la sobrecarga, propone ejercitar fallos
en una parte limitada del servicio en funcionamiento, con capacidad
de reserva preparada por si las protecciones no funcionan y alguien
debe conmutar manualmente.

Por último, cambia los incentivos. El README de Chaos Monkey lo
expresa con claridad: exponer a los ingenieros a fallos con más
frecuencia les da motivos para construir servicios resistentes. Un
equipo cuyas instancias pueden terminarse cualquier día laborable lo
tiene en cuenta desde el principio, en lugar de descubrir esa
carencia cuando una máquina muere sin avisar.

Cómo se aplica en la práctica

Un experimento de caos se deja por escrito antes de ejecutarlo, como
un plan de pruebas. Este corresponde a una tienda en línea inventada
y todos los números se han creado para el ejemplo:

```text
Experiment:   the payment provider slows down
Steady state: checkout success rate and p99 checkout latency, per 5 min
Hypothesis:   with 300 ms added to calls to the payment provider, the
              experimental group's success rate stays within 0.2 points
              of the control group's
Groups:       2% of checkout traffic in each, assigned at random
Variable:     300 ms of latency on the payment client, nothing else
Abort if:     success rate gap above 1 point for 2 minutes in a row
Window:       30 min, working hours, on-call engineer told in advance
Result:       hypothesis disproved; retries tripled the calls to the
              provider and p99 latency passed the 1 s timeout
Follow-up:    a retry budget per request; rerun the experiment after
```

Aquí, refutar la hipótesis es el resultado útil. La debilidad se
encuentra en un 2 % del tráfico durante unos minutos, con una
condición de cancelación ya acordada, y la acción posterior es un
cambio de ingeniería, no una disculpa.

La propia variable suele introducirse con herramientas corrientes.
En Linux, la disciplina de colas netem emula propiedades de redes
reales, incluidos retraso, pérdida, duplicación y corrupción. Por
ejemplo:

```sh
i# experiment 1: add 100 ms of delay to every packet leaving eth0		engineer.company	70
tc qdisc add dev eth0 root netem delay 100ms
tc qdisc del dev eth0 root

i# experiment 2: drop one packet in a thousand, at random		engineer.company	70
tc qdisc add dev eth0 root netem loss 0.1%
tc qdisc del dev eth0 root
```

La línea `del` es la importante y debe formar parte de un paso de
limpieza que se ejecute tanto si el experimento termina bien como si
falla o se interrumpe a la mitad. Netem también admite un `seed`
para poder reproducir las pérdidas aleatorias, y su manual advierte
que, para obtener resultados de rendimiento TCP realistas, netem
debe situarse en la entrada del host receptor.

En cuanto a máquinas completas, Chaos Monkey muestra cómo son unos
valores predeterminados prudentes. De fábrica, `enabled` es false y
`leashed` es true, lo que significa que las terminaciones solo se
simulan y registran. Cuando se activa, trabaja con grupos de
instancias, por aplicación, stack o clúster, con un tiempo medio
entre terminaciones de dos días por grupo y un mínimo de un día,
solo en días laborables, entre las 09:00 y las 15:00 en su zona
horaria configurada. Se pueden excluir cuentas, regiones y stacks, y
su configuración tiene un lugar para un comprobador que indique si
hay una caída en curso; las implementaciones incluidas no hacen
nada, por lo que corresponde al operador proporcionar esa
comprobación. La lista de pruebas de fallos en producción del libro
SRE es igual de concreta: reducir el número de tareas deprisa o
despacio, perder de golpe la capacidad equivalente a un clúster y
hacer que los backends no respondan, incluidos los no críticos cuyo
silencio aún puede bloquear un frontend.

En este sitio, el caso práctico sobre cómo se demostró que el
bloqueo de intrusiones funciona en cada ejecución, de septiembre de
2026, no es un experimento de caos en sentido pleno, pero tiene la
misma estructura. Cada ejecución de endurecimiento bloquea una
dirección del bloque que los estándares reservan para documentación,
lee la regla resultante directamente del núcleo en lugar de confiar
en el estado que comunica el servicio y retira el bloqueo en un
bloque de limpieza que se ejecuta tanto si la comprobación termina
bien como si falla. Como la dirección de prueba no pertenece a
nadie, un bloqueo residual que sobreviva a una ejecución fallida no
puede dejar fuera a una red real, y la página explica el coste:
escribir una regla en producción en cada ejecución es una
intervención real en un sistema activo, aceptada porque ya se había
demostrado que la alternativa era peor. La implementación de copias
de seguridad y pruebas de restauración aplica esa idea a la
recuperación en su diseño: un flujo de trabajo mensual restaura un
archivo conocido en una ubicación temporal y compara sus bytes. El
registro de implementación fechado el 2026-10-27 indica que los
temporizadores estaban desactivados sin un repositorio configurado y
no documenta ninguna restauración completada en el entorno
operativo. El flujo de trabajo existe en código; un ejercicio de
recuperación satisfactorio sigue siendo una entrega aparte.

Dónde surgen los problemas

Romper cosas sin una hipótesis. Terminar un servidor aleatorio y
observar lo que ocurre es una demostración, no un experimento.
Escriba primero el estado estable, la hipótesis y la condición de
cancelación. Si el equipo no puede ver su estado estable en un panel
en tiempo real, eso es lo primero que debe corregir, y el
experimento puede esperar.

Observar los detalles internos en lugar de la salida. El uso de CPU
de un host o la longitud de una cola dicen poco sobre si los
usuarios lo han notado. Los Principles piden una salida medible del
sistema completo, como la tasa de procesamiento, las tasas de
errores y los percentiles de latencia, porque de eso trata la
hipótesis.

Un alcance de daños sin límites. Los Principles aceptan cierto
impacto negativo a corto plazo, pero hacen responsable al ingeniero
de contener sus efectos. Empiece con una instancia o un pequeño
porcentaje del tráfico, mantenga un interruptor de cancelación que
funcione sin la herramienta que causó el daño y nunca ejecute un
experimento mientras ya hay un incidente en curso.

No salir nunca de preproducción. Un entorno de preproducción es un
primer paso sensato y un mal último paso, porque su tráfico, sus
datos y los sistemas vecinos no son los de producción. Pase a una
pequeña parte del tráfico real cuando el experimento haya funcionado
correctamente antes de pasar a producción, en lugar de dar por
definitivos los resultados de preproducción.

Ejecutarlo una sola vez. Un sistema que superó un experimento en
marzo ha cambiado muchas veces desde entonces. Los Principles
consideran que los experimentos manuales exigen mucho trabajo y
acaban siendo insostenibles, y piden automatizarlos para que se
ejecuten continuamente y una regresión en la resistencia aparezca la
misma semana en que se introduce.

Limitarse siempre a terminar máquinas. Los fallos que detienen un
proceso de forma clara son el caso fácil, porque algún componente
los detecta. Los Principles también enumeran fallos de software como
respuestas malformadas y sucesos que no son fallos, como un pico de
tráfico o un evento de escalado, y el libro SRE añade un backend que
acepta solicitudes y nunca responde, lo que aún puede perjudicar a
un frontend cuando las solicitudes tienen plazos de espera largos.
Priorice las variables según su impacto probable o su frecuencia.

Hallazgos que no llevan a ninguna parte. Una hipótesis refutada es
una debilidad con nombre. Asígnele responsable y prioridad en el
mismo sistema de seguimiento que todo lo demás y vuelva a ejecutar
el experimento una vez publicada la corrección para confirmar que
ahora se mantiene el estado estable.

Lecturas adicionales

  * Principios de la ingeniería del caos — la definición, los cuatro
pasos de un experimento y los cinco principios avanzados,
actualizados por última vez en marzo de 2019.

  * Chaos Monkey — la documentación de Netflix para su herramienta
de terminación de instancias, que requiere Spinnaker.

  * Chaos Monkey: configurar el comportamiento mediante Spinnaker —
frecuencia de terminación, agrupación y excepciones, con sus valores
predeterminados.

  * Chaos Monkey: formato del archivo de configuración — todos los
ajustes y sus valores predeterminados, incluidos el modo leashed y
el horario de funcionamiento.

  * Abordar los fallos en cascada — el capítulo 22 del libro Site
Reliability Engineering de Google, incluidas las pruebas hasta el
fallo y las pruebas de fallos en producción.

  * tc-netem(8) — el manual de Linux del emulador de red utilizado
para introducir retraso, pérdida y corrupción.

hEsta página en la web	URL:https://engineer.company/es/glossary/chaos-engineering/	engineer.company	70
