为了支持海量用户和多元化的业务，基础设施和系统会趋于复杂。业务的高速发展的同时，对于稳定性也有非常高的要求。从 2011 年到 2015 年，电商域遇到了很多有代表性的故障，积累了非常多的高可用保障经验和解决方案。然而任何基础设施、系统、人、流程都可能出问题，且问题一直在发生。2016 年，我们研发了故障演练系统，把故障以场景化的方式沉淀到系统中，在线上主动回放故障，验证监控报警、限流降级、故障迁移、容灾策略、故障处理的有效性。在双 11 备战中，设计了数百个演练场景设计，通过几十次的演习，发现并解决了大量的问题。

本次分享会探讨经典的故障类型，剖析故障成因，提出解决方案，介绍故障演练系统的设计和演进，提出故障演练的原则和经验。

听众收益

• 整体了解阿里技术架构和稳定性治理情况，获取构建高可用系统和故障演练的一些经验。
• 阿里技术架构、稳定性治理的背景介绍：
  • 依赖治理：依赖故障分析、模式总结，电商依赖治理经验及强弱依赖系统演进；
  • 灰度发布：如何通过流量控制、灰度发布、自动化测试提前发现故障；
  • 故障演练：向故障要红利，故障演练的系统设计和演练最佳实践。