L'ingénierie du chaos construit des systèmes résilients en introduisant délibérément des pannes contrôlées. Cette approche proactive permet d'identifier les vulnérabilités avant qu'elles ne provoquent de véritables pannes. Elle est particulièrement cruciale pour les systèmes complexes, distribués et basés sur le cloud, où les tests traditionnels sont insuffisants. Les fonctionnalités de résilience du cloud à elles seules ne garantissent pas la tolérance aux pannes des applications. L'ingénierie du chaos transforme les scénarios du pire des cas "et si" en réponses préparées, favorisant une confiance sereine au sein des équipes. La méthodologie, lancée par Netflix et Google, consiste à définir l'état normal d'un système, puis à exécuter des expériences pour observer sa réaction aux perturbations. Les principes clés incluent l'hypothèse d'états stables, la reproduction de conditions réelles, l'exécution d'expériences en production, l'automatisation des tests et la gestion minutieuse du rayon d'impact. Les pratiques consistent à définir des états stables, à formuler des hypothèses, à utiliser des environnements contrôlés, à injecter des pannes et à automatiser l'exécution pour obtenir des informations exploitables. Les expériences consistent en des procédures planifiées avec des actions, des sondes et des rollbacks pour tester la réponse du système. Des outils tels que Chaos Toolkit et des recettes spécifiques à Google Cloud peuvent aider les équipes à se lancer dans la mise en œuvre de l'ingénierie du chaos.