Aller au contenu
Encyclopédie informatique Édition 2026

La haute disponibilité

Partie 5 sur 5

Niveau de lecture :

11Concevoir un système qui accepte la panne

La redondance du matériel ne suffit pas : les applications doivent elles-mêmes se comporter intelligemment face à une panne partielle. Voici les principes de conception les plus utiles.

11.1Délais maximaux et nouvelles tentatives raisonnables

Un appel à un service distant doit toujours avoir un délai maximal (timeout) : sans lui, un client attend indéfiniment une réponse qui ne viendra pas et bloque ses propres ressources. Quand un appel échoue, il est tentant de le retenter, ce qui est bon pour les pannes passagères. Mais si des milliers de clients retentent en même temps vers un service déjà en difficulté, ils l’achèvent : c’est la « tempête de nouvelles tentatives ». On limite donc le nombre d’essais, on espace les essais de façon croissante (backoff exponentiel : 1 s, 2 s, 4 s…) avec un peu de hasard pour que les clients ne se synchronisent pas.

11.2Le disjoncteur

Le disjoncteur (circuit breaker) s’inspire de celui d’une installation électrique : quand un service appelé échoue trop souvent, le client cesse de l’appeler pendant un moment et répond tout de suite par une erreur ou une valeur de repli, au lieu d’attendre. Il en teste de temps en temps la remise en état. Cela protège le client d’attentes inutiles et le service en difficulté d’une surcharge supplémentaire, et coupe la cascade.

11.3La dégradation gracieuse

Mieux vaut un service amoindri qu’un service arrêté : c’est la dégradation gracieuse (graceful degradation). Si le moteur de recommandations d’une boutique en ligne est en panne, la boutique affiche une liste générique de produits ; si le service de photos de profil est lent, on affiche une image par défaut ; si la base d’écriture est indisponible, on peut laisser consulter sans permettre de modifier. Cette façon de penser consiste à classer les fonctions en « vitales » et « confortables », et à décider à l’avance ce que l’on sacrifie en cas de crise.

11.4Opérations idempotentes et files d’attente

Une opération est dite idempotente si la répéter plusieurs fois a le même effet que la faire une seule fois (« mettre le statut à payé » l’est, « ajouter 10 euros au solde » ne l’est pas). Dans un système réparti, les messages peuvent être livrés en double après une panne ; il faut que ce soit sans conséquence. De même, les files d’attente permettent à un service de recevoir du travail même quand celui qui doit le traiter est momentanément arrêté : les demandes attendent leur tour au lieu d’être perdues.

11.5Déployer sans casser

Puisque les changements sont une cause majeure de panne, on les rend plus sûrs : déploiements progressifs (d’abord sur un petit pourcentage des serveurs ou des utilisateurs, puis de plus en plus), retour arrière rapide, indicateurs surveillés automatiquement pendant le déploiement, mises à jour d’une zone à la fois, pas toutes les zones d’un coup. Les mises à jour sans interruption (rolling updates) remplacent les serveurs un par un derrière le répartiteur, sans jamais en retirer plus qu’il n’en faut.

11.6Tester la panne : l’ingénierie du chaos

La seule manière d’être certain qu’un système tient face à une panne est de la provoquer. L’ingénierie du chaos (chaos engineering) consiste à injecter volontairement des pannes (arrêter un serveur, couper un lien, ralentir un service) pour vérifier que le système réagit comme prévu, d’abord dans des environnements de test, puis, avec prudence, en production. On commence par poser une hypothèse (« si ce serveur s’arrête, les utilisateurs ne remarquent rien »), on l’éprouve, on corrige ce qui a cédé. Les « journées de jeu » (game days) rassemblent les équipes pour simuler un sinistre en conditions réelles. Elles révèlent des défauts d’organisation autant que de technique : qui prévenir, qui décide, où se trouve la fiche de procédure.

11.7Voir pour réagir

La haute disponibilité suppose de savoir ce qui se passe : sans mesure, on ne sait ni qu’un doublon est déjà tombé (et que l’on fonctionne donc sans filet), ni que le basculement a eu lieu. La supervision et l’observabilité (voir l’observabilité) fournissent les alertes sur les symptômes que vivent les utilisateurs, et les objectifs de service (SLO) qui permettent de décider à quel niveau de disponibilité on vise. Un cluster dont un nœud est en panne depuis trois semaines sans que personne ne le sache n’est plus hautement disponible : il est à une panne de l’arrêt.

12Combien ça coûte, et quel niveau choisir ?

La haute disponibilité a un prix : matériel et logiciels doublés ou triplés, réseaux plus complexes, compétences, tests, astreintes, temps de conception. Le coût monte plus vite que la disponibilité. D’où la démarche de bon sens :

  1. Chiffrer le coût d’un arrêt : perte de ventes, d’image, de productivité, pénalités, risques pour les personnes. Ce chiffre varie énormément d’un service à l’autre.
  2. En déduire un objectif (disponibilité visée, RTO, RPO) par service, pas pour tout le système d’information. Beaucoup de systèmes internes se contentent d’un niveau de 99 % ou 99,5 %.
  3. Choisir les moyens les moins chers qui atteignent l’objectif : de bonnes pratiques et une réparation rapide avant tout, puis de la redondance là où elle rapporte le plus (les points de défaillance uniques les plus critiques), puis les sites multiples.
  4. Mesurer la disponibilité réelle et comparer à l’objectif ; réviser si l’écart persiste.

Une erreur courante est de payer cher un niveau de disponibilité que personne n’a demandé, ou au contraire de promettre des niveaux de service sans aucun moyen de les tenir. Le niveau de service annoncé aux clients (contrat, voir l’observabilité) doit toujours être plus modeste que l’objectif interne, pour garder une marge.

13Ce qui a changé depuis

  • Les définitions tiennent. Sûreté de fonctionnement, faute, erreur, défaillance, haute disponibilité, tolérance aux pannes, redondance, remplacement à chaud, sauvegarde, équilibrage de charge, cluster : ce vocabulaire est toujours en usage.
  • Une valeur du tableau était inexacte : 99,9 % de disponibilité laisse 8 heures 45 minutes 36 secondes par an, non 8 heures 48. La confusion entre fiabilité et « continuité de service » est à nuancer.
  • La réparation compte autant que la fiabilité. On ne cite souvent que MTBF et MTTF ; on y ajoute le MTTR, qui donne la formule de la disponibilité, et les objectifs RTO et RPO.
  • La haute disponibilité est passée du matériel au logiciel. Autrefois, on pensait doubles alimentations, disques à chaud, grappes de serveurs coûteux. Aujourd’hui, on pense instances remplaçables, plateformes d’orchestration, services répartis sur plusieurs zones, tolérance dès la conception de l’application.
  • Les répartiteurs de charge sont devenus des logiciels et des services de cloud, avec des niveaux 4 et 7, des tests de santé et des algorithmes variés ; l’équilibrage global entre régions est courant.
  • Les clusters se sont banalisés, avec des protocoles de consensus pour éviter le split brain et des plateformes qui automatisent le maintien du nombre d’exemplaires voulu.
  • Nouveaux risques. Les rançongiciels ont montré que la réplication ne remplace pas la sauvegarde, les pannes en cascade et les dépendances cachées sont mieux comprises, et les sauvegardes immuables se généralisent.
  • De nouvelles pratiques sont apparues : objectifs de service et budget d’erreur, ingénierie du chaos, déploiements progressifs, comptes rendus d’incident sans recherche de coupable.
Sécurité de l’information

Le coin cyber

Cet article décrit comment un service résiste aux pannes et comment on protège ces dispositifs. Il ne contient aucune méthode pour attaquer un service ni pour contourner ses défenses.

C.1La disponibilité, un des trois piliers de la sécurité

La sécurité de l’information repose classiquement sur trois propriétés : la confidentialité (seules les personnes autorisées lisent les données), l’intégrité (les données ne sont pas altérées) et la disponibilité (les données et les services sont accessibles quand il le faut). La haute disponibilité relève donc de la sécurité. Les textes sur la sécurité des réseaux et des systèmes d’information (voir la directive NIS2) exigent des mesures de continuité d’activité, de gestion de crise et de sauvegarde. Le risque est mesuré par l’analyse de risques (voir la gestion des risques), dont la disponibilité est une des dimensions.

C.2Haute disponibilité et déni de service

Une attaque par déni de service cherche à épuiser les ressources d’un service pour le rendre inaccessible (voir le déni de service). La redondance et l’équilibrage de charge ajoutent de la capacité, ce qui aide, mais ne suffisent pas face à une attaque massive : l’attaquant peut disposer de plus de capacité que le défenseur. Les parades sont complémentaires : services de filtrage et d’absorption fournis par des opérateurs spécialisés, limitation du débit par client, mise en cache, et dimensionnement qui prévoit un fonctionnement dégradé. Il faut aussi éviter que l’automatisme de la haute disponibilité devienne un amplificateur : un système qui crée sans limite de nouvelles instances face à une charge artificielle fait exploser la facture.

C.3La réplication copie aussi l’attaque

Les rançongiciels (voir les rançongiciels) chiffrent les données ; une réplication synchrone ou asynchrone recopie fidèlement cet état chiffré sur les copies. Une architecture « hautement disponible » peut donc être entièrement détruite en quelques minutes. La parade est la sauvegarde isolée et immuable, hors de portée des comptes d’administration courants, avec des tests de restauration (voir les sauvegardes). Les attaquants ciblent d’ailleurs en priorité les sauvegardes et les consoles d’administration : elles doivent être protégées par une authentification forte et des comptes séparés.

C.4Les éléments de secours doivent être aussi sécurisés

Un site de secours ou un nœud passif sont parfois moins bien tenus que la production : correctifs de sécurité en retard, mots de passe par défaut, règles de filtrage plus lâches, supervision absente. L’attaquant n’a pas besoin de forcer la porte principale s’il trouve la porte de service ouverte, et le basculement en production d’un système mal configuré expose tout le monde. Les éléments redondants doivent être configurés, mis à jour et surveillés à l’identique. De même, les réseaux internes des clusters (battements de cœur, réplication) transportent des données sensibles et des ordres de contrôle : on les isole, on les authentifie et on les chiffre.

C.5Le basculement peut contourner les contrôles

Pendant un incident, la pression pousse à « faire vite » : ouvrir des accès exceptionnels, désactiver un filtrage, partager un mot de passe d’urgence. C’est un moment de grande vulnérabilité. Les procédures de crise doivent prévoir des accès d’urgence encadrés (comptes spéciaux, journalisés, à durée limitée, revus ensuite) plutôt que de laisser chacun improviser. Les clés et certificats nécessaires à la reprise doivent eux-mêmes être protégés et sauvegardés hors du système qu’ils servent à relancer, faute de quoi la reprise est impossible.

C.6Idée reçue

« Nous avons deux serveurs et deux disques en miroir : nous sommes protégés contre tout. » Faux. Cela protège d’une panne de matériel, pas d’une erreur de suppression, d’un logiciel malveillant, d’une mauvaise mise à jour, d’un incendie du local, ni d’une panne de l’élément qui n’est pas doublé (réseau, nom de domaine, électricité du bâtiment). La protection complète associe redondance, sauvegardes isolées, sites multiples et exercices réels.

C.7Bonnes pratiques

Particulier et petite structure

  • Garder une sauvegarde hors ligne ou hors site de ses données importantes, en plus d’un éventuel disque en miroir.
  • Connaître les dépendances de son site ou de son activité (hébergeur, nom de domaine, messagerie) et avoir un moyen de les récupérer.
  • Tester la restauration au moins une fois par an.

Organisation

  • Fixer un objectif de disponibilité, un RTO et un RPO par service, et en déduire l’architecture et les moyens.
  • Chasser les points de défaillance uniques, répliquer dans plusieurs zones, sécuriser les éléments de secours comme la production.
  • Garder des sauvegardes immuables et isolées ; exercer régulièrement les bascules et les restaurations ; apprendre de chaque incident sans chercher de coupable.

Référentiels : ANSSI, Guide d’hygiène informatique et guides sur la continuité d’activité · ISO 22301 (continuité d’activité) · ISO/IEC 27001 (annexe sur la continuité de la sécurité de l’information) · Directive (UE) 2022/2555 (NIS2) · Règlement (UE) 2022/2554 (DORA, résilience opérationnelle numérique du secteur financier).

Références

  1. J.-C. Laprie (dir.), Dependability: Basic Concepts and Terminology, Springer, 1992.
  2. B. Beyer, C. Jones, J. Petoff, N. R. Murphy (dir.), Site Reliability Engineering, O’Reilly / Google, 2016.
  3. D. Ongaro, J. Ousterhout, In Search of an Understandable Consensus Algorithm (Raft), 2014.
  4. Amazon Web Services, comptes rendus d’incident : S3 (février 2017) et DynamoDB (octobre 2025).
  5. ANSSI, Guide d’hygiène informatique.

Voir aussi

Citer cet article

« La haute disponibilité », Encyclopédie informatique, révision du 4 novembre 2026.