¿Cómo pruebas la fiabilidad de un servicio?

Respuesta directa

Qué debe cubrir una buena respuesta

Cómo funciona

La fiabilidad se prueba provocando fallos a propósito bajo observación. Las pruebas de carga y estrés encuentran el punto de ruptura y la primera dependencia que se satura. La inyección de fallos mata instancias, tumba una zona, añade latencia a una dependencia o devuelve errores desde ella, y comprueba que timeouts, reintentos, circuit breakers y respaldos se comportan como se diseñaron y no como se supone. Las restauraciones de copias demuestran el tiempo de recuperación. Los game days ensayan el lado humano: avisos, runbooks y comunicación. Cada experimento define antes de empezar la señal de estado estable que debe mantenerse, el radio de impacto y la condición de aborto, y corre primero en staging y luego en producción con alcance pequeño.

Ejemplo

Un game day inyectó 500 ms de latencia en el servicio de recomendaciones en producción para el 2 por ciento del tráfico; el comportamiento esperado era un timeout de 300 ms con respaldo a artículos populares, pero el cliente tenía un valor por defecto de 5 segundos y la página se ralentizó para esos usuarios. El experimento se abortó al alcanzar el umbral de latencia, el timeout se corrigió esa misma semana y la repetición pasó. Una prueba de pérdida de zona al mes siguiente confirmó la capacidad en las zonas restantes.

Errores frecuentes

• Probar la fiabilidad solo en staging, donde el tráfico y los datos no son realistas.
• Ejecutar experimentos de caos sin condición de aborto definida.
• Suponer que los reintentos y circuit breakers funcionan porque están configurados.

Una estructura útil para responder

Responde desde tu propia experiencia.

No memorices un guion: usa solo ejemplos que puedas explicar con honestidad en preguntas posteriores.