Aller au contenu
Cabinet d'expertise en transformation technologique · ARDIANE Group Innover, sécuriser, réussir

Cloud et plateformes

Observabilité et SRE : piloter la fiabilité par des objectifs de niveau de service

La fiabilité ne se décrète pas et ne se mesure pas au nombre de voyants verts. Nous vous aidons à la définir du point de vue de vos utilisateurs, à la mesurer et à en faire un critère d'arbitrage entre évolutions et stabilité.

Nos principes

  • Des objectifs de service négociés avec les métiers
  • Des alertes qui appellent une action, et seulement celles-là
  • Des incidents dont l'organisation tire des enseignements
L'essentiel

Le SRE (Site Reliability Engineering) applique des méthodes d'ingénierie à l'exploitation pour tenir un niveau de fiabilité convenu, et l'observabilité fournit les signaux qui permettent de comprendre l'état réel d'un système. Management Square aide les organisations à définir leurs objectifs de niveau de service, à instrumenter leurs applications et à structurer la gestion d'incident.

Périmètre

Nos interventions

  1. Définition des SLI et des SLO

    Choix des parcours utilisateurs critiques, des indicateurs qui en reflètent la qualité et des objectifs à tenir, arrêtés avec les responsables de produit et non par la seule exploitation.

  2. Politique de budget d'erreur

    Règle écrite, acceptée par les métiers et la technique, qui dit ce qui se passe lorsque le budget est entamé ou épuisé : ralentir les évolutions, renforcer les tests, traiter la cause.

  3. Instrumentation et observabilité

    Collecte cohérente des métriques, des journaux et des traces, avec un standard ouvert tel qu'OpenTelemetry, et corrélation des trois signaux pour raccourcir le diagnostic.

  4. Refonte des alertes

    Revue des alertes existantes, suppression de celles qui n'appellent aucune action, alignement des autres sur la consommation du budget d'erreur.

  5. Gestion d'incident

    Niveaux de gravité, rôles pendant l'incident, canal de coordination, communication vers les utilisateurs, organisation d'une astreinte soutenable.

  6. Post-mortems sans blâme

    Méthode de retour d'expérience centrée sur les faits et les causes contributives, avec des actions attribuées, datées et suivies jusqu'à leur clôture.

Sommaire de la page

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.

Travaux types

Ce à quoi nos consultants contribuent

Catalogue des SLO

Pour chaque service critique : indicateurs, objectifs, fenêtre de mesure, propriétaire et source des données.

Politique de budget d'erreur

Les seuils et les décisions qu'ils déclenchent, validés par les responsables métier et technique.

Guide de gestion d'incident

Rôles, niveaux de gravité, procédures d'escalade et modèles de communication.

Modèle de post-mortem et registre des actions

Le format de retour d'expérience et le suivi des actions qui en découlent.

Insights

À lire sur le sujet

Tous les insights
Les meilleures pratiques de résilience cyber, jugées sur ce qu'un essai a prouvé

Pour Management Square, les meilleures pratiques de résilience cyber sont celles qu'un essai a éprouvées : sauvegardes réellement restaurées, plans de continuité et de reprise joués, dépendances connues jusqu'aux prestataires, décisions de crise préparées. L'article propose un diagnostic en temps calme : les signes qui séparent une résilience éprouvée d'une résilience déclarée, et ce que chaque écart appelle.

Lire l'analyse
L'observabilité de l'IA générative ajoute à la latence le coût, la qualité des réponses et la dérive

L'observabilité de l'IA générative désigne les mesures relevées sur une application fondée sur un modèle de langage en production : latence, coût par demande, qualité des réponses évaluée, taux d'échec des appels d'outils, dérive. Management Square expose ici la manière d'établir chaque mesure, le lecteur qu'elle sert et l'angle mort qu'elle laisse.

Lire l'analyse
Engager une démarche de numérique responsable en entreprise, étape par étape

Une démarche de numérique responsable en entreprise mesure d'abord l'empreinte environnementale de ses équipements et services, puis agit sur leur durée de vie, leur conception, leur hébergement et leurs achats avant d'en rendre compte. Management Square propose cet ordre et indique ce que livre chaque étape, en s'appuyant sur la loi REEN et le RGESN.

Lire l'analyse

Management Square en chiffres

+ 300
projets menés
+ 43
clients accompagnés
Depuis2015
au service de nos clients
  • Allianz
  • Euler Hermes
  • Groupe BPCE
  • ODDO BHF
  • Candriam
  • Ledger
  • Saur
  • Veolia
  • Voltalia
  • emeis
  • Bonpoint
  • Legal Suite

FAQ

Questions fréquentes

Une autre question ? Posez-la-nous

Quelle différence entre SLI, SLO et SLA ?

Le SLI (indicateur de niveau de service) est une mesure de la qualité perçue par l'utilisateur, par exemple la proportion de requêtes servies correctement. Le SLO (objectif de niveau de service) est la cible fixée en interne pour cet indicateur sur une période donnée. Le SLA (accord de niveau de service) est un engagement contractuel envers un client, généralement moins exigeant que le SLO et assorti de conséquences en cas de manquement.

Qu'est-ce qu'un budget d'erreur ?

Le budget d'erreur est la part de défaillance qu'un objectif de niveau de service tolère sur une période. Si l'objectif est que 99,9 % des requêtes aboutissent, le budget d'erreur est de 0,1 % des requêtes. Tant qu'il n'est pas consommé, l'équipe peut livrer des évolutions. Lorsqu'il est épuisé, la priorité revient à la fiabilité.

Que signifie un post-mortem sans blâme ?

Un post-mortem sans blâme est un retour d'expérience qui cherche à comprendre comment le système et l'organisation ont rendu l'incident possible, et non à désigner un fautif. Les personnes décrivent leurs actions sans crainte de sanction, ce qui donne une chronologie exacte. Sans blâme ne veut pas dire sans suite : chaque action corrective a un responsable et une échéance.

Faut-il créer une équipe SRE dédiée ?

Pas nécessairement. Les pratiques SRE peuvent être portées par les équipes produit avec l'appui de quelques spécialistes, par une équipe centrale, ou par un modèle mixte. Le choix dépend du nombre de services critiques et de la maturité des équipes. Une équipe d'exploitation rebaptisée SRE sans changement de mandat n'apporte aucun des bénéfices attendus.

Un projet à faire aboutir ?

Un premier échange suffit pour situer votre enjeu, identifier les bons interlocuteurs et vous dire franchement ce que nous pouvons apporter.