Observabilité et SRE : SLO, budget d'erreur, post-mortem

Informatique de gestion · Master 1

Mesurer la fiabilité : SLI, SLO, budget d'erreur, observabilité et retours d'expérience.

Introduction

Livrer vite n'a de sens que si le service reste fiable. L'ingénierie de la fiabilité des sites (SRE) traite l'exploitation comme un problème d'ingénierie mesurable. On choisit des indicateurs de niveau de service (SLI), par exemple la part de requêtes réussies ou la latence, on fixe des objectifs (SLO) et on distingue ces objectifs des engagements contractuels (SLA), assortis de pénalités.

L'écart entre 100 % et le SLO définit le budget d'erreur : la quantité d'indisponibilité acceptable sur une période. Tant que le budget n'est pas épuisé, l'équipe peut livrer et prendre des risques ; s'il l'est, elle priorise la fiabilité. Ce mécanisme arbitre entre vitesse et stabilité sans conflit entre développeurs et exploitants.

Pour comprendre un système en production, l'observabilité s'appuie sur trois signaux complémentaires : journaux (logs), métriques et traces distribuées. Après un incident, un post-mortem sans blâme cherche les causes systémiques et définit des actions correctives plutôt que des coupables.

Objectifs d'apprentissage

Distinguer SLI, SLO et SLA
Calculer un budget d'erreur à partir d'un SLO
Expliquer les trois piliers de l'observabilité
Définir des alertes fondées sur l'impact utilisateur
Conduire un post-mortem sans blâme

Concepts clés

SLI, SLO, SLA: Indicateur mesuré, objectif interne visé, engagement contractuel avec le client.
Budget d'erreur: Marge d'indisponibilité ou d'échec tolérée par le SLO ; elle sert à arbitrer entre nouveautés et fiabilité.
Observabilité: Capacité de comprendre l'état interne d'un système à partir de ses logs, métriques et traces.
Alerte sur les symptômes: Alerter sur ce que vivent les utilisateurs (erreurs, lenteur) plutôt que sur chaque cause technique possible.
Post-mortem sans blâme: Analyse écrite d'un incident centrée sur les mécanismes et les actions de prévention, non sur les personnes.

Conclusion

Le SRE remplace les débats d'opinion entre vitesse et stabilité par des chiffres : des SLI mesurés, des SLO réalistes et un budget d'erreur qui arbitre. L'observabilité fournit les moyens de comprendre un système vivant, et le post-mortem sans blâme en fait un levier d'apprentissage.

Pour un informaticien de gestion, ces notions relient la performance technique aux engagements contractuels et à la confiance des utilisateurs.

Cartes

Qu'est-ce qu'un SLI ?: Un indicateur quantitatif du niveau de service, comme le pourcentage de requêtes réussies ou la latence au 95e centile.
Qu'est-ce qu'un SLO ?: L'objectif visé pour un SLI sur une période donnée, par exemple 99,9 % de requêtes réussies sur 30 jours.
Quelle différence entre SLO et SLA ?: Le SLO est un objectif interne ; le SLA est un engagement contractuel avec le client, souvent assorti de compensations.
Comment calcule-t-on le budget d'erreur ?: C'est 100 % moins le SLO : un SLO de 99,9 % laisse 0,1 % d'échecs tolérés sur la période.
À combien d'indisponibilité équivaut 99,9 % sur 30 jours ?: À environ 43 minutes (0,1 % de 43 200 minutes).
Que fait l'équipe quand le budget d'erreur est épuisé ?: Elle ralentit les nouveautés et consacre ses efforts à la fiabilité jusqu'au retour dans l'objectif.
Quels sont les trois piliers de l'observabilité ?: Les journaux d'événements, les métriques numériques agrégées et les traces qui suivent une requête à travers plusieurs services.
À quoi servent les traces distribuées ?: À suivre le parcours d'une requête entre services pour localiser l'étape lente ou défaillante.
Pourquoi éviter les alertes sur chaque métrique technique ?: Elles génèrent de la fatigue d'alerte ; il vaut mieux alerter sur les symptômes qui touchent les utilisateurs et exigent une action.
Que contient un bon post-mortem ?: Chronologie, impact, causes contributives, ce qui a bien fonctionné, et actions correctives avec responsables et échéances.

Glossaire

SLI: Indicateur mesurant un aspect du niveau de service.
SLO: Valeur cible fixée pour un SLI sur une période.
SLA: Accord de niveau de service contractuel avec le client.
Budget d'erreur: Part d'échecs tolérée par le SLO.
Trace distribuée: Enregistrement du parcours d'une requête à travers plusieurs services.
Post-mortem sans blâme: Revue d'incident visant à comprendre les causes systémiques.