在互联网业务高并发、高可用的需求下，混沌工程与全链路压测成为保障系统稳定性的关键手段。混沌工程通过主动注入故障（如硬件、中间件、业务层故障）验证系统韧性，而全链路压测通过模拟真实流量发现性能瓶颈，两者结合可构建稳定、可观测、可自愈的系统。

混沌工程落地需解决业务方接受度、风险控制及与监控/SRE体系的协同问题，其核心技术包括自动化演练与恢复机制。全链路压测则依赖流量染色、影子库等核心技术，需应对突发流量、数据库慢查询等典型问题，并通过常态化压测与AI预测实现智能优化。

二者的互补性体现在：混沌工程验证容错能力，全链路压测验证承载能力。通过结合使用，企业能提前发现并修复潜在问题，为业务连续性提供坚实保障。未来，自动化、智能化与全流程整合将是技术演进的核心方向。

本次演讲我将介绍小米在百万 QPS 场景下，如何通过混沌工程故障注入与全链路压测的协同体系，构建系统韧性防线，探讨自动化演练与 AI 预测驱动的稳定性持续优化路径。

演讲提纲

1. 背景 & 价值

• 行业趋势与挑战
  • 互联网业务高并发、高可用的需求
  • 故障不可避免，如何提前发现并优化
• 混沌工程与全链路压测的核心价值
  • 混沌工程：主动注入故障，验证系统韧性
  • 全链路压测：模拟真实流量，发现性能瓶颈
  • 两者结合：构建稳定、可观测、可自愈的系统

2. 混沌工程：从理论到实践

• 混沌工程平台建设
  • 故障注入类型（基础硬件故障、容器故障、中间件故障、业务应用故障等）
  • 自动化演练与监控恢复机制
  • 混沌工程核心技术架构与技术挑战
• 混沌工程的落地挑战
  • 如何说服业务方接受故障演练？
  • 如何控制演练风险？
  • 如何与监控、告警、SRE 体系结合？

3. 全链路压测：真实业务场景下的性能验证

• 全链路压测的核心技术
  • 全链路压测核心技术架构与技术挑战
  • 流量染色：区分压测流量与真实流量
  • 影子库/影子表：避免污染生产数据
  • 压测场景建模（突发流量、热点请求、异常情况）
• 大促保障实战经验
  • 如何设计压测方案（逐步加压 vs. 极限施压）
  • 典型性能问题与优化手段（DB慢查询、缓存击穿、线程池耗尽）
• 压测的常态化与自动化
  • 如何让压测成为研发流程的一部分？
  • 智能压测：结合AI预测流量高峰

4. 混沌工程 + 全链路压测：构建高可用系统

• 两者的互补关系
• 混沌工程验证系统容错能力
• 全链路压测验证系统承载能力
• 结合使用：提前发现并修复潜在问题

您认为，这样的技术在实践过程中有哪些痛点？

• 故障注入和压测需要的数据准备
• 混沌及压测的流程编排

演讲亮点

• 流程编排是独有的，符合真实业务的场景
• 应用落地了最新的开发技术，比如 Java 21 等

听众收益

• 小米公司是如何在开展多个高度复杂业务场景下的稳定性保障，哪些可以借鉴
• 探讨小米公司面向未来，应对更大流量更复杂流程场景的下的技术保障规划
• 了解前沿开发技术在真实高并发场景下的落地情况