Quand la supervision est au vert et que les utilisateurs se plaignent
Le besoin de SRE et d’observabilité apparaît le plus souvent à l’occasion d’une scène bien connue. Les tableaux de supervision n’affichent aucune anomalie, les serveurs répondent, les disques ne sont pas pleins. Pendant ce temps, le support reçoit des appels : les paiements échouent, les pages mettent trop longtemps à s’afficher, un traitement n’a pas produit son résultat.
L’écart vient de ce que l’on mesure. La supervision classique regarde les composants. L’utilisateur, lui, vit un parcours qui traverse de nombreux composants, et aucun voyant ne décrit ce parcours. Tant que la fiabilité n’est pas définie de son point de vue, l’exploitation et les métiers ne parlent pas de la même chose.
Une seconde difficulté s’ajoute : l’arbitrage. Les responsables de produit veulent livrer vite, l’exploitation veut de la stabilité. Sans critère commun, chaque mise en production se négocie au rapport de force.
SLI, SLO, budget d’erreur : le vocabulaire qui change la conversation
Le SRE apporte ce critère commun. Trois notions suffisent pour commencer. Notre fiche de lexique sur la définition du SRE les présente en détail.
L’indicateur de niveau de service (SLI) mesure ce que vit l’utilisateur. Sa forme la plus utile est un rapport : le nombre d’événements satisfaisants divisé par le nombre d’événements valides. Par exemple, la proportion de demandes de paiement abouties en moins d’une seconde.
L’objectif de niveau de service (SLO) fixe la valeur à tenir pour cet indicateur sur une fenêtre de mesure définie. Il se négocie. Un objectif trop bas mécontente les utilisateurs, un objectif trop haut coûte cher et interdit toute évolution. Un objectif de 100 % n’a pas de sens : il suppose de ne jamais rien changer.
Le budget d’erreur est le complément de l’objectif. Avec un objectif de 99,9 %, le budget est de 0,1 % des événements sur la fenêtre. Ce budget se consomme, par les incidents comme par les mises en production risquées. Il transforme une querelle de principe en règle de gestion : tant qu’il reste du budget, on livre ; quand il est épuisé, on stabilise.
Métriques, journaux, traces : ce que l’observabilité ajoute
Mesurer un objectif ne suffit pas. Lorsqu’il se dégrade, il faut comprendre pourquoi, vite. C’est le rôle de l’observabilité, qui repose sur trois signaux complémentaires.
| Signal | Ce qu’il apporte | Sa limite | Usage principal |
|---|---|---|---|
| Métriques | Des valeurs numériques agrégées dans le temps, peu coûteuses à conserver | Aucun détail sur une requête particulière | Tendances, alertes, calcul des SLO |
| Journaux | Le détail horodaté de chaque événement | Volume et coût élevés, exploitation difficile s’ils ne sont pas structurés | Diagnostic fin, preuve, audit |
| Traces | Le parcours d’une requête à travers les services | Demande d’instrumenter le code, échantillonnage nécessaire | Localiser une lenteur ou une erreur dans un système distribué |
La valeur vient de la corrélation. Une alerte sur une métrique doit mener à la trace d’une requête fautive, puis aux journaux du service en cause, sans changer trois fois d’outil ni recopier un identifiant à la main. Un standard ouvert tel qu’OpenTelemetry facilite cette cohérence et limite la dépendance à un éditeur.
Gérer l’incident, puis en tirer quelque chose
Un incident mal conduit dure plus longtemps qu’il ne devrait, pour des raisons d’organisation plus que de technique : personne ne coordonne, dix personnes interviennent sur le même composant, la direction interroge les ingénieurs occupés à réparer.
Nos consultants aident vos équipes à installer un cadre sobre. Une échelle de gravité dit qui est mobilisé. Trois rôles sont distingués : la personne qui coordonne, celle qui conduit le diagnostic technique et celle qui communique. Un canal unique concentre les échanges et tient lieu de chronologie. Ce cadre complète sans les remplacer les processus de gestion des incidents et des problèmes issus d’ITIL, lorsqu’ils sont en place.
Après l’incident vient le post-mortem sans blâme. Il établit les faits, cherche les causes contributives plutôt qu’une cause unique, et se conclut par des actions attribuées et datées. L’absence de blâme est une condition d’exactitude : une personne qui craint la sanction ne raconte pas ce qu’elle a réellement fait.
Notre approche SRE et observabilité : partir d’un parcours
Nos consultants travaillent au sein de vos équipes ; les décisions restent les vôtres.
Choisir un parcours critique. Nous partons d’un service dont l’indisponibilité se voit, avec un responsable de produit prêt à s’engager. Deux ou trois indicateurs suffisent pour le décrire.
Mesurer avant de fixer. Nous relevons le niveau réellement atteint sur une période passée. L’objectif est fixé à partir de ce constat et des attentes des utilisateurs, pas d’un chiffre repris ailleurs.
Écrire la règle du budget d’erreur. Qui décide de ralentir les livraisons, et sur quel signal ? La règle est signée par le métier et par la technique avant le premier dépassement.
Aligner les alertes. Les alertes sont reconstruites autour de la vitesse de consommation du budget. Celles qui ne déclenchent aucune action sont supprimées.
Étendre, puis réduire le travail répétitif. Les services suivants adoptent le même modèle, intégré aux chemins balisés de la plateforme décrite dans notre offre DevOps et platform engineering. Les tâches manuelles récurrentes sont recensées et automatisées par ordre de fréquence.
Ce qui vide une démarche SRE de son sens
- Des objectifs partout. Fixer un SLO pour chaque composant recrée la supervision que l’on voulait dépasser. Les objectifs portent sur ce que voit l’utilisateur.
- Un objectif sans conséquence. Un SLO dont le dépassement ne change aucune décision est un indicateur de plus.
- L’outil pris pour la pratique. Acheter une suite d’observabilité ne produit ni indicateurs pertinents ni instrumentation du code.
- La fatigue d’alerte. Une astreinte réveillée pour des alertes sans suite finit par ne plus les lire, y compris la bonne.
- Des post-mortems sans suivi. Un retour d’expérience dont les actions ne sont jamais réalisées enseigne aux équipes que l’exercice est formel.
Les incidents majeurs, qui engagent la continuité de l’activité et la communication de crise, relèvent d’un dispositif plus large décrit dans notre page sur la cyber-résilience.
Comment mesurer le progrès
Nous suivons avec vous des signes observables, sans promettre de valeur cible :
- la part des services critiques dotés d’un SLO, d’un propriétaire et d’une règle de budget d’erreur ;
- la part des incidents détectés par une alerte avant d’être signalés par un utilisateur ;
- la part des alertes qui ont donné lieu à une action ;
- l’évolution du délai de détection et du délai de rétablissement ;
- le nombre de sollicitations de l’astreinte hors des heures ouvrées ;
- la part des actions de post-mortem closes à l’échéance prévue.
Le signe le plus parlant n’est pas chiffré : c’est le moment où un responsable de produit consulte de lui-même le budget d’erreur avant de planifier une mise en production.