大数据平台红蓝对抗 - 磨利刃，淬精兵！ | 京东云技术团队
一、背景
目前大促备战常见备战工作：专项压测（全链路压测、内部压测）、灾备演练、降级演练、限流、巡检（监控、应用健康度）、混沌演练（红蓝对抗），如下图所示。随着平台业务越来越复杂，红蓝对抗的作用愈来愈明显，下面将详细介绍大数据平台在本次11.11大促备战工作中是如何开展红蓝对抗的。
图1.大促备战常见工作示意
首先我们先了解一下什么是红蓝对抗，它都有哪些好处？
二、红蓝对抗介绍
红蓝对抗是网络安全领域常见的一种对抗性演练方法，是指为发现并整改企业内外网资产及业务数据深层次安全隐患，在确保业务平稳运行的前提下，整合平台安全威胁监测能力、应急处置能力和防护能力，以真实网络环境开展实兵红蓝对抗演练，提高并完善安全防护技术与管理体系。
蓝方代表攻击方，红方代表防守方。红蓝对抗模拟了真实的网络攻击和防御过程，在受控的环境中进行，蓝方通过模拟各类威胁和攻击手段，对红方进行攻击，测试其防御能力和系统高可用情况。红方则负责防御和应对，寻找并修复系统中的问题，并且收集关于攻击者的信息。
图2.红蓝对抗
三、红蓝对抗的好处
1.保证监控告警有效性
红蓝对抗可帮助产研验证监控告警的配置有效性，通知及时性，信息准确性。
2.增强系统可靠性
红蓝对抗通过识别可能导致系统发生错误的潜在问题，帮助提高系统的可靠性。
3.降低风险
红蓝对抗通过识别可能被恶意攻击者利用的潜在弱点，帮助降低发生线上问题的相关风险。
4.经济高效的测试
红蓝对抗模拟了生产环境的场景，但却不会对生产环境产生风险，从测试角度来看保障系统的质量。
图3.红蓝对抗的好处
四、红蓝对抗实践
红蓝对抗演练实践主要包括：演练公告、人员指定与任务分配、演练前场景梳理、红蓝对抗过程、演练结果收集、演练复盘共6个部分。
图4.红蓝对抗实践主要包括六个部分
4.1 演练公告
主要包括两个部分：
第一、本次红蓝对抗主负责人组织对抗演练启动会、确定对抗演练时间范围、指定实时/离线演练接口人。
第二、实时/离线产品提前邮件/内部办公app通知业务用户将进行红蓝对抗演练。
图5.红蓝对抗演练公告
4.2 人员指定与任务分配
首先，指定本次红蓝对抗的主负责人。负责整个红蓝对抗演练的统筹工作，包括方案制定、演练对抗文档落地、场景收集通知及复核、组织攻击方发起及防守方防御过程、演练复盘工作。
其次，分别指定实时和离线侧备战接口人。充当蓝方攻击方，主要是指定演练攻击场景、发起系统攻击。
再次，分别指定实时和离线侧backup兜底人员。一般为核心研发人员，由于发起攻击的具体时间是不确定，为避免蓝方发起攻击后，红方由于各种特殊原因不能及时处理故障导致影响线上正常业务，backup兜底人员可快速的恢复系统。
最后，分别指定实时和离线侧演练监测员。一般为测试人员，主要是记录演练过程中发出的告警信息（mdc、ump）以及复核演练记录文档。
图6.红蓝对抗人员指定与任务分配
4.3 演练前场景收集
该部分是演练前最重要的环节，主要包括确定演练应用范围、确定攻方演练场景。
4.3.1 确定演练应用范围
演练应用建议优先选取应用等级L0和L1的应用，具体可根据业务需要进行选取。另外，在京东可通过以下两种方式快速查询对应的应用：
http://XXX.jd.com/dashboard/4/node/XXX
http://XXX.jd.com/health
详细演练应用列表由实时/离线接口人（经过C3领导复核通过）提供，输出：攻方批量注入场景收集
图7.演练应用范围
4.3.2 收集演练故障场景
jdos应用 主要是借助【混沌工程】平台进行故障注入，采用以下演练场景：
cpu使用率高、内存使用率高、磁盘使用率高、网络延迟、网络丢包、进程终止、mysql请求延迟异常、jimdb请求延迟异常等。
底层集群 主要是运维人员通过脚本、命令等方式进行故障注入。主要包括以下演练场景：
数据库实例CPU打高、hdfs队列打满、计算任务pending、RSS集群繁忙、zk节点宕机异常等。
4.4 红蓝对抗过程
有了演练场景，产品也发送了演练通知邮件后，就可以进行红蓝对抗了。这里要说明几点：
① 不能将具体的攻击时间“透露”给蓝方；
② 建议选择生产环境应用或集群进行攻击，尽可能真实的模拟线上问题。
4.4.1 【主负责人】演练前通知
主负责人在蓝方攻击方正式演练前提前在群里发消息，模板如下：
@全体成员
【重要通知】
今天17:30～21:30大数据平台（实时+离线）进行红蓝对抗演练，不定时进行故障突袭。请各位同学将跟进处理过程在本群进行同步。分三个阶段：问题发现、原因分析诊断、故障处理。
每个环节（问题发现、故障诊断、故障处理）确定后立马发消息，不要最后发总结！
每个环节（问题发现、故障诊断、故障处理）确定后立马发消息，不要最后发总结！
1、问题发现
【问题发现】
产品-服务名称：
（1）收到电话/咚咚告警，告警内容xxx
或
（2）雷达大屏飘红，截图xx 开始排查处理
2、原因分析
【故障诊断】
产品-服务名称：xx问题原因已查到，原因概要描述。
3、故障处理
【故障处理】
产品-服务名称：：xx问题已处理，已恢复，并给出告警恢复/监控截图。
4.4.2 【蓝方】创建&执行演练任务
蓝方在混沌工程平台，按照之前收集的演练场景创建演练任务或批量创建演练任务。如下图：
图8.蓝方创建任务
说明以下几点：
① 底层集群的攻击主要通过命令、脚本实现，这里暂不详细叙述。
② 网络延迟、丢包故障可能演练失败，原因：限制网络故障演练（该宿主机内核版本存已知BUG不能演练） “4.18.0-80.11.2.el8_0.x86_64”。
③ 内存利用率100%场景，因为linux内存满了会触发oom kill，所以建议设置90%。
④ 演练时长建议大于5分钟，原因：有些应用配置的mdc报警周期范围是5分钟内，如果演练时长小于5分钟可能收不到报警。
4.4.3 【红方】防守修复故障
蓝方发起攻击后，红方会收到内部办公app报警，按照既定预案进行故障修复。部分截图如下：
图9、10.内部办公App报警示意
4.4.4 【红方】系统恢复
有些演练场景（进程终止）不会自动恢复，需要红方手动重启系统应用服务，确保生产应用服务均正常。
4.4.5 【红方+蓝方】演练结束
红蓝对抗演练结束后，红蓝双方均填写“红蓝对抗演练场景”文档，蓝方填写：混沌任务链接、混沌演练场景、演练状态、混沌演练执行开始时间、混沌演练执行结束时间。红方填写：排查人、告警信息、根因、排查到原因时间、排查过程描述（包含排查过程，使用工具，辅助决策判断）、计划解决方案&应急预案、预估影响处理时间。如下图所示：
图11.演练结束后文档填写示意
4.5 演练结果收集主负责人复核演练结果、梳理分离演练问题，让红蓝双方尽早完善。主要存在以下问题
-
未及时处理：红方收到告警后， 由于种种原因(开会、未在工位等)未及时处理故障。
-
处理不完整：红方处理完ns失败问题后，未通知用户处理失败任务。
-
未收到报警：
① 未配置报警规则。例，mdc或ump平台未配置报警。
② 未触发告警阈值。例，蓝方攻击时cpu利用率90%但mdc报警规则配置的是95%。
③ mdc平台禁用告警。例，mdc暂时禁用了模版中心的MDC监控与告警。
图12.演练存在问题
4.6 演练复盘
主负责人组织红蓝对抗复盘会议，提供演练结果、问题列表，实时+离线架构师均参加，从演练过程、演练效果等角度对本次演练进行评价或建议。
① 告警级别需要自查修正。目前部分告警级别配置偏低，cpu利用率大于90%时，报【警告】，建议改为【紧急】。
② 延长攻击时间。找某几个应用，攻击时间为30+分钟，验证防守人员是否真正摘流量。
③ 混沌演练常态化。可通过混沌工程平台-常态演练进行，并结合值班表增加演练频次，以战养兵。
④ 分步演练【警告】、【紧急】场景。第一步先攻击10分钟触发【警告】的场景，第二步再攻击10分钟触发【紧急】的场景。
⑤ java方法异常、延迟场景未演练。后续期望测试人员通过forcebot压测来支持流量流入。
期望混沌平台的支持：
① 混沌工程平台支持一次批量选择多个应用创建、启停混沌演练任务。可提高创建任务效率，目前的批量创建演练任务功能，只能一个一个的添加应用进行创建。
② 混沌工程平台提供常态化混沌演练api。方便用户自定义创建常态化演练任务。
③ 混沌工程平台支持在平台内查看mdc、ump告警。减少用户在多个平台系统来回切换。
五、总结
通过本次红蓝对抗演练，既有效的增强了大数据平台系统应用的抗风险能力，降低了生产环境系统发生故障的概率，又大大的提升了研发人员解决问题故障的能力，也沉淀了一套快速高效的演练的方案。
最后感谢混沌工程平台的大力支持！
作者：京东零售 尹伟
来源：京东云开发者社区 转载请注明来源