Définition du SRE
Le SRE, pour Site Reliability Engineering, se traduit par ingénierie de la fiabilité des sites. C’est une discipline née chez Google au début des années 2000. Elle consiste à traiter l’exploitation des systèmes informatiques comme un problème d’ingénierie logicielle, confié à des ingénieurs qui écrivent du code pour automatiser ce qui était fait à la main.
La définition du SRE repose sur une idée directrice : la fiabilité se spécifie, se mesure et se pilote par des objectifs chiffrés, au lieu d’être recherchée sans limite. Le sigle désigne aussi le métier. Un ou une SRE est l’ingénieur chargé de la fiabilité d’un service.
À quoi sert le SRE
Toute organisation qui exploite des services numériques connaît la même tension. Les équipes de développement veulent livrer vite. Les équipes d’exploitation veulent un service stable, et savent que le changement est la première cause d’incident. Sans règle commune, l’arbitrage se fait au rapport de force.
Le SRE apporte une règle d’arbitrage mesurable, acceptée à l’avance par les deux parties. Il sert aussi deux autres buts : réduire la part de travail manuel dans l’exploitation, et tirer un enseignement durable de chaque incident.
SLI, SLO, SLA : trois notions emboîtées
| Sigle | Signification | Nature | Exemple |
|---|---|---|---|
| SLI | Service Level Indicator | Une mesure | Part des requêtes servies sans erreur |
| SLO | Service Level Objective | Une cible interne fixée sur le SLI | 99,9 % de requêtes réussies sur 30 jours |
| SLA | Service Level Agreement | Un engagement contractuel | Niveau garanti au client, avec pénalités |
Un bon indicateur se mesure du point de vue de l’utilisateur : disponibilité, temps de réponse, exactitude du résultat. Le taux d’occupation d’un processeur n’en est pas un. L’objectif interne est fixé plus haut que l’engagement contractuel, afin de conserver une marge avant la pénalité.
Viser 100 % est une erreur de méthode. Chaque décimale supplémentaire coûte beaucoup plus cher que la précédente, et l’utilisateur ne perçoit plus la différence au-delà d’un certain seuil, puisque son propre réseau ou son terminal sont moins fiables que le service.
Le budget d’erreur
Le budget d’erreur est le complément de l’objectif. Avec un SLO de 99,9 %, il vaut 0,1 % : c’est la part de défaillance que l’organisation accepte sur la période.
Son intérêt est de transformer un débat d’opinions en règle de gestion. Tant que le budget n’est pas consommé, l’équipe produit livre à son rythme et prend des risques mesurés. Lorsqu’il est épuisé, les mises en production risquées sont suspendues et l’effort se reporte sur la fiabilité. La règle est écrite à froid, avant l’incident, et validée par les responsables du produit comme par ceux de l’exploitation.
Les autres pratiques du SRE
- La réduction du travail manuel répétitif. Les tâches d’exploitation sans valeur durable sont mesurées et automatisées en priorité.
- Des alertes fondées sur les SLO. L’astreinte est sollicitée lorsque l’expérience de l’utilisateur est menacée, pas à chaque variation d’une métrique technique.
- L’analyse d’incident sans recherche de coupable. Le compte rendu décrit l’enchaînement des faits et les défauts du système, afin que chacun puisse parler librement.
- Les déploiements progressifs. Une nouvelle version est exposée à une fraction du trafic avant d’être généralisée.
- L’observabilité. Métriques, journaux et traces permettent de comprendre un comportement que personne n’avait prévu.
SRE et DevOps : ne pas confondre
Le DevOps est une culture : rapprocher développement et exploitation, automatiser, mesurer, partager la responsabilité du service. Il ne prescrit pas la manière d’y parvenir. Le SRE est une façon précise de le mettre en œuvre, avec des pratiques codifiées et un métier. Les deux ne s’opposent pas.
Le SRE se distingue aussi de deux notions proches. Le référentiel ITIL décrit les processus de gestion des services informatiques (incidents, changements, problèmes) : il fixe un cadre d’organisation, là où le SRE apporte des pratiques d’ingénierie. Le platform engineering, lui, s’intéresse d’abord à l’outillage offert aux développeurs, alors que le SRE se concentre sur la fiabilité des services en production.
Un exemple concret : le calcul d’un budget d’erreur
Prenons un service de paiement en ligne dont l’objectif de disponibilité est fixé à 99,9 % sur 30 jours. Une période de 30 jours compte 43 200 minutes. Le budget d’erreur, soit 0,1 % de ce total, représente environ 43 minutes d’indisponibilité.
Au dixième jour, un déploiement défectueux provoque une interruption de 30 minutes. Plus des deux tiers du budget sont consommés. La règle convenue s’applique : la mise en production importante prévue la semaine suivante est reportée, et l’équipe traite d’abord la cause de l’incident, en l’occurrence un test manquant dans la chaîne de déploiement. Personne n’a eu à imposer cette décision. Elle découle d’un objectif que le produit et l’exploitation avaient fixé ensemble.
Pour définir vos objectifs de fiabilité et outiller leur suivi, consultez notre page consacrée au SRE et à l’observabilité.