Les systèmes réels ne tombent pas en panne poliment. Ils lâchent à 2 h du matin, sous une tempête de retries, avec des caches froids, pendant qu'une zone de disponibilité est dans le noir. Pourtant, la façon dont on évalue d'ordinaire une architecture — en revue de conception comme en entretien — consiste à regarder le diagramme des jours où tout va bien. Les presets de stress et les défis de diagnostic de RodGrid existent pour combler cet écart : casser la conception volontairement et voir qui sait la diagnostiquer.
Douze façons de malmener un système sain
Le simulateur de trafic accepte un scénario de stress par-dessus la charge que vous réglez. Les presets à l'échelle du Grid frappent d'un coup toute une classe de nœuds :
- Pic de trafic ×3 et Affluence ×10 — trois ou dix fois le trafic que vous avez défini : la conception encaisse-t-elle le pic grâce à sa marge, ou lui faut-il des files d'attente, du délestage ou de l'autoscaling ?
- Ruée sur le cache — chaque lecture devient un défaut de cache, dans tous les caches à la fois, et les stockages situés derrière héritent de la charge de lecture.
- Cache froid — la version de tous les jours, après un déploiement : 30 % du taux de succès normal.
- Perte d'AZ — les tiers que vous exploitez perdent les réplicas qu'ils avaient dans la zone perdue, et le routage entre zones ajoute de la latence.
- Tiers lent — toutes vos dépendances externes passent une mauvaise journée en même temps ; la leçon, c'est l'isolation.
- Tempête de retries — les échecs engendrent des retries qui engendrent de la charge, la boucle de rétroaction qui transforme un simple accroc en panne.
Les presets ciblant un nœud attachent la panne à un composant que vous choisissez :
- Perte de nœud — il s'éteint complètement.
- OOM kill — il manque sans cesse de mémoire et redémarre : la capacité s'effondre, la latence explose, les erreurs montent.
- Pool de threads épuisé — les requêtes font la queue derrière des workers bloqués.
- Partition réseau — environ la moitié de ses appels échouent, après avoir consommé la latence du timeout.
- Partition chaude — un shard déséquilibré absorbe l'essentiel de la charge.
Diagram components: Web App, Load Balancer, Application Service, Redis, PostgreSQL.
Une pile saine, orientée lecture. Ouvrez un Grid comme celui-ci dans RodGrid, lancez le simulateur et activez Ruée sur le cache — la base de données hérite de toutes les lectures que le cache absorbait ; regardez si c'est elle, ou autre chose, qui atteint sa limite.
Défis de diagnostic
Certains défis vous remettent un système qui est déjà défaillant : une conception de départ préparée, un SLO annoncé et un scénario de stress armé. Votre travail est celui de l'astreinte — comprendre pourquoi il échoue sous ce scénario et le repenser jusqu'à ce que le SLO tienne. Quand vous soumettez, le serveur reconstruit le scénario et relance la simulation sur votre Grid final : la note reflète donc ce que votre conception fait réellement sous le feu, et non ce qu'en dit une description.