Aller au contenu
Encyclopédie informatique Édition 2026

L'observabilité : journaux, métriques et traces

Partie 3 sur 4

Niveau de lecture :

5Relier les signaux : OpenTelemetry

Le plus grand progrès de l’observabilité n’est pas d’avoir trois signaux, mais de pouvoir passer de l’un à l’autre. Une alerte sur une métrique (« 8 % d’erreurs depuis 14 h 00 ») doit conduire en deux clics à des traces d’exemple de requêtes en échec, puis aux journaux des services concernés pour ces mêmes requêtes. Cela suppose que les trois signaux partagent des identifiants communs : l’identifiant de trace est recopié dans chaque ligne de journal, et certains systèmes attachent à une métrique des « exemples » (des identifiants de traces représentatives d’une valeur anormale).

5.1La norme ouverte OpenTelemetry

Pendant des années, chaque fournisseur d’outils avait son propre format et ses propres bibliothèques : changer d’outil obligeait à réécrire l’instrumentation. En mai 2019, deux projets concurrents (OpenTracing et OpenCensus) ont annoncé leur fusion en un seul, OpenTelemetry, hébergé par la Cloud Native Computing Foundation (CNCF, une fondation qui héberge les grands projets libres de l’informatique en nuage). OpenTelemetry fournit :

  • des spécifications et un format commun pour les journaux, les métriques et les traces ;
  • des bibliothèques (kits de développement) pour la plupart des langages de programmation, avec instrumentation automatique pour les composants courants ;
  • un collecteur : un programme intermédiaire qui reçoit les signaux, les trie, les enrichit, en échantillonne une partie et les envoie vers un ou plusieurs outils de stockage ;
  • un protocole d’échange, OTLP (OpenTelemetry Protocol), compris par un très grand nombre d’outils.

L’intérêt majeur est l’indépendance : on instrumente une fois, et l’on peut changer d’outil de stockage ou de visualisation sans toucher au code des applications. Selon l’annonce de la fondation, OpenTelemetry a atteint en mai 2026 le niveau « diplômé » de la CNCF, qui désigne un projet jugé mûr et largement adopté.

5.2Une architecture type

Une chaîne d’observabilité courante, y compris avec des outils entièrement libres, ressemble à ceci : les applications émettent leurs signaux grâce aux bibliothèques OpenTelemetry ; un collecteur par machine ou par groupe de machines les reçoit ; il les envoie à trois stockages spécialisés (par exemple Loki ou OpenSearch pour les journaux, Prometheus ou un système compatible pour les métriques, Jaeger ou Tempo pour les traces) ; un outil de visualisation (Grafana, par exemple) interroge les trois et offre des tableaux de bord où l’on passe de l’un à l’autre. Les services en ligne des grands fournisseurs de nuage proposent la même chose clé en main, contre abonnement. Entre les deux, le choix est celui de toute infrastructure : on achète du confort ou l’on investit du temps de compétence (voir l’infrastructure décrite par du code pour déployer et reproduire ces outils).

6Mesurer ce qui compte : indicateurs et objectifs de service

Avec des centaines de métriques disponibles, la question devient : lesquelles regarder, et à partir de quand s’inquiéter ? Les équipes qui exploitent de grands services ont mis au point un vocabulaire, popularisé notamment par les ingénieurs de fiabilité de Google, pour répondre en partant de ce que vivent les utilisateurs plutôt que des machines.

6.1SLI, SLO et SLA

  • Un SLI (Service Level Indicator, indicateur de niveau de service) est une mesure de la qualité vécue : la part des requêtes qui réussissent, la part qui répondent en moins de 300 millisecondes.
  • Un SLO (Service Level Objective, objectif de niveau de service) est la cible fixée sur cet indicateur, sur une période : « 99,9 % des requêtes réussissent, sur 30 jours glissants ». C’est un engagement interne.
  • Un SLA (Service Level Agreement, accord de niveau de service) est le contrat avec le client, qui prévoit généralement des pénalités ou des remboursements si le niveau n’est pas respecté. Il est plus souple que le SLO interne, pour laisser une marge.

Un bon SLO n’est jamais 100 %. Atteindre 100 % est impossible (la panne d’un réseau d’opérateur, par exemple, ne dépend pas de vous) et ruineux. Il vaut mieux choisir le niveau que les utilisateurs perçoivent réellement. Pour la disponibilité et les autres notions voisines, voir l’article sur la haute disponibilité.

6.2Le budget d’erreur

Le budget d’erreur est la part d’échec que le SLO autorise. Avec un objectif de 99,9 % sur 30 jours, on accepte 0,1 % d’échecs, soit, pour un service qui reçoit 10 millions de requêtes sur la période, 10 000 requêtes en échec. Ce budget a un effet pratique remarquable : tant qu’il en reste, l’équipe peut déployer des nouveautés et prendre des risques ; quand il est épuisé, elle ralentit et consacre son temps à la fiabilité. Il transforme un débat sans fin entre « aller vite » et « ne rien casser » en une décision chiffrée. Il suit aussi le rythme de consommation : un budget consommé en une heure appelle une réaction immédiate, un budget qui s’épuise sur trois semaines mérite une discussion dans la semaine.

6.3Les quatre signaux d’or

Pour un service qui répond à des requêtes, quatre mesures suffisent à savoir si tout va bien (les ingénieurs de Google les appellent les « quatre signaux d’or ») :

  1. La latence : le temps de réponse (en distinguant les requêtes réussies et celles en échec, souvent très rapides) ;
  2. Le trafic : la demande qui arrive (requêtes par seconde) ;
  3. Les erreurs : la part de requêtes qui échouent, explicitement (code d’erreur) ou implicitement (réponse correcte mais vide ou fausse) ;
  4. La saturation : à quel point le service est proche de sa limite (mémoire, processeur, file d’attente).

Deux méthodes simples en découlent. La méthode RED (Rate, Errors, Duration : débit, erreurs, durée) s’applique à chaque service qui répond à des requêtes. La méthode USE (Utilization, Saturation, Errors : utilisation, saturation, erreurs) s’applique à chaque ressource (processeur, disque, réseau). Avec RED pour les services et USE pour les ressources, un tableau de bord de quelques graphiques par composant donne une première image fiable.

Pour s’exercer

Exercice 7 : que mettre dans un journal ?

Pour la phrase de journal « Connexion réussie de jean.dupont@example.org avec le mot de passe Soleil2026! depuis 203.0.113.5 », identifiez ce qu’il ne faut pas écrire et réécrivez-la.

Voir la réponse

Le mot de passe ne doit jamais apparaître dans un journal, réussi ou non. L’adresse électronique et l’adresse réseau sont des données personnelles : on peut les garder si elles sont nécessaires à la sécurité, pour une durée limitée et avec un accès restreint, ou les remplacer par un identifiant interne. Version correcte, structurée : {"niveau":"INFO","evenement":"connexion_reussie","utilisateur_id":4021,"origine":"203.0.113.0/24"} (adresse réduite à son réseau). Une tentative en échec peut être journalisée sans le mot de passe, avec le nombre d’essais.

7Alerter sans épuiser les équipes

Une alerte est un message envoyé à une personne (ou à un système) lorsqu’une condition est remplie : « le taux d’erreurs dépasse 2 % depuis cinq minutes ». Mal conçues, les alertes sont le premier ennemi de l’observabilité : trop nombreuses, elles sont ignorées, c’est la fatigue d’alerte. Bien conçues, elles réveillent la bonne personne pour un vrai problème, avec de quoi commencer l’enquête.

7.1Alerter sur les symptômes, pas sur les causes

Le principe central est d’alerter sur ce que l’utilisateur ressent (taux d’erreurs élevé, lenteur, budget d’erreur qui fond) plutôt que sur chaque cause possible (processeur à 90 %, disque à 85 %). Un processeur à 90 % ne gêne personne tant que le service répond vite ; un site qui répond en dix secondes gêne tout le monde, quelle que soit la cause. Les alertes sur les causes (ressources) restent utiles comme informations ou comme avertissements non urgents, qui peuvent attendre le lendemain. Le test d’une bonne alerte urgente est à trois questions : elle est importante (un utilisateur est touché ou le sera bientôt), actionnable (une personne peut faire quelque chose maintenant) et nouvelle (elle n’est pas la répétition d’une autre).

7.2Le contenu d’une bonne alerte

Une alerte doit dire en quelques lignes : quel service et quelle mesure, depuis quand, quelle gravité, le lien vers le tableau de bord concerné et un lien vers la fiche de procédure (runbook) : un document court qui explique comment vérifier, qui prévenir, quelles actions sûres tenter en premier. Quand elle est déclenchée à trois heures du matin, la fiche est ce qui sépare une réaction efficace d’une panique. Les astreintes (périodes pendant lesquelles une personne peut être appelée en dehors des heures de travail) doivent être partagées, indemnisées et limitées en fréquence : une équipe épuisée est une équipe qui commet des erreurs.

7.3La boucle complète

DU SIGNAL À LA CORRECTION Mesurer collecter journaux, métriques, traces Alerter seuil dépassé, objectif menacé Diagnostiquer relier signaux, trouver la cause Corriger réparer et vérifier Apprendre compte rendu, nouvelle mesure Chaque incident améliore les mesures de la fois suivante.
Figure 3. La boucle de l’observabilité : chaque incident enrichit les mesures de la fois suivante.

L’observabilité n’est pas une photo mais une boucle. On mesure en continu ; une alerte signale un symptôme ; on diagnostique en passant de la métrique à la trace puis au journal ; on corrige et l’on vérifie, avec les mêmes mesures, que le problème est bien résolu ; on apprend en rédigeant un compte rendu et en ajoutant la mesure ou l’alerte qui aurait permis de découvrir le problème plus tôt. Cette dernière étape est la plus négligée, et c’est elle qui fait progresser.

7.4Le compte rendu après incident, sans chercher de coupable

Après un incident important, de nombreuses équipes rédigent un compte rendu (en anglais post-mortem, mot emprunté à la médecine). Il décrit la chronologie, l’impact, les causes, ce qui a bien fonctionné, ce qui a manqué, et les actions décidées avec un responsable et une échéance. Sa règle d’or est d’être sans blâme : on cherche à comprendre comment le système a permis l’erreur, pas qui l’a commise. Si l’on punit la personne qui a fait une fausse manipulation, tout le monde cachera ses erreurs, et l’organisation perdra la source d’information la plus précieuse. L’article sur la réponse aux incidents de sécurité reprend cette démarche avec la même logique.