1. 课程导论：故障域隔离的概念、为什么需要自动化演练、Helm在云原生交付中的角色

1.1 故障域隔离的核心概念

故障域隔离是云原生架构中保障系统韧性的基础设计原则。它通过将系统资源、服务实例或数据副本划分到相互独立的故障边界内，确保单一故障（如物理机宕机、网络分区、可用区断电）不会扩散到整个系统。

在 Kubernetes 和 Helm 交付场景中，常见的故障域层级包括：

1.2 为什么需要自动化演练

故障域隔离的设计正确性无法通过静态配置验证。即使 Helm Chart 中声明了 topologySpreadConstraints 和 podAntiAffinity，实际运行时仍可能因调度器行为、资源碎片、节点污点变化等因素导致隔离失效。因此，必须通过自动化演练持续验证。

手动演练存在以下痛点：

• 频率低： 手动演练通常按季度或年度执行，无法覆盖版本迭代间的配置漂移。
• 覆盖窄： 只能验证少数预设场景，难以穷举故障组合。
• 成本高： 每次演练需要 SRE 团队投入数天时间准备、执行和复盘。
• 不可重复： 不同执行者的操作步骤和判断标准不一致，结果难以横向对比。

自动化演练的核心价值体现在：

1.3 Helm 在云原生交付中的角色

Helm 是 Kubernetes 生态中最广泛使用的包管理工具，在云原生交付中承担着"应用定义与编排"的核心角色。它通过 Chart 将一组 Kubernetes 资源打包为可版本化、可参数化、可复用的交付单元。

Helm 在故障域隔离演练中的关键作用体现在三个层面：

1. 配置声明层： Helm Chart 的 values.yaml 和模板语法可以声明式定义故障域隔离策略（如反亲和性、拓扑分布约束、多副本数）。
2. 环境差异化： 通过 --set 或 values 文件覆盖，同一 Chart 可适配不同故障域拓扑（单 AZ、跨 AZ、多集群）。
3. 版本化与回滚： Helm 的版本管理能力让演练可以快速部署特定配置版本，并在演练后回滚到基线状态。

下图展示了 Helm 在故障域隔离演练自动化测试框架中的位置与数据流：

1.4 本课程的核心目标

本课程将构建一套完整的 Helm 应用交付故障域隔离演练自动化测试框架，覆盖以下能力：

• 配置扫描： 自动解析 Helm Chart 中的故障域相关配置（亲和性、拓扑约束、副本数、PDB）。
• 场景生成： 基于配置自动生成故障注入场景（单节点故障、单 AZ 故障、多 AZ 级联故障）。
• 自动化执行： 集成混沌工程工具（如 Chaos Mesh、Litmus）注入故障并采集观测数据。
• 断言与报告： 验证故障期间服务是否仍满足隔离要求（如跨 AZ 副本存活率 ≥ 2/3）。
• CI/CD 集成： 将演练作为发布流水线的质量门禁，实现"配置即验证"。