Personnalisez cette formation

Obtenir un certificat — 34,29 $12 $

SRE, observabilité et pipelines CI/CD

SRE, observabilité et pipelines CI/CD

Définir des SLO et budgets d’erreur, instrumenter avec métriques, logs et traces, organiser astreinte et post-mortems, et concevoir des pipelines CI/CD sûrs avec canary et blue-green.

Ce que vous allez apprendre

  • Définir SLI, SLO et budget d’erreur pour un service et s’en servir pour arbitrer entre livrer des fonctionnalités et corriger la fiabilité.
  • Distinguer supervision et observabilité et instrumenter un service avec métriques, logs et traces grâce à OpenTelemetry.
  • Concevoir des alertes exploitables fondées sur les symptômes et le taux de consommation du budget, et organiser une astreinte soutenable.
  • Conduire un incident avec des rôles clairs et rédiger un post-mortem sans recherche de coupable, avec des actions suivies.
  • Concevoir un pipeline CI/CD à retour rapide, avec identifiants protégés et infrastructure as code relue comme du code applicatif.
  • Choisir et exécuter une stratégie de déploiement (rolling, blue-green, canary) avec contrôles automatiques et retour arrière testé.

Modules

  1. Principes du SRE, SLI, SLO et budgets d’erreur
  2. Supervision et observabilité avec OpenTelemetry
  3. Alertes et astreinte
  4. Gestion des incidents et post-mortems
  5. Conception de pipelines CI/CD et infrastructure as code
  6. Stratégies de déploiement et sûreté des livraisons

Fiche de la formation

Durée d’étude estimée
environ 60 minutes
Évaluation finale
40 questions · Seuil de réussite 75%
Disponible en
English, Français, العربية
Prix
Gratuit. Certificat vérifiable en option : 19 $
Dernière mise à jour
Publié par
AMAADOR ACADEMY

À qui s’adresse cette formation

Ingénieurs DevOps, plateforme et cloud, développeurs d’astreinte, administrateurs système évoluant vers le SRE et responsables d’équipe garants de la fiabilité d’un service.

Prérequis

Bases de la ligne de commande Linux, de Git et du fonctionnement d’une application web et d’une API. Une expérience du cloud ou des conteneurs aide, sans être obligatoire.

Contenu de la formation

1. Principes du SRE, SLI, SLO et budgets d’erreur

Le Site Reliability Engineering (SRE) consiste à exploiter des systèmes de production avec des méthodes d’ingénierie logicielle. Il est né chez Google, dont le livre SRE gratuit le décrit. L’idée centrale est simple : la fiabilité est une fonctionnalité, elle a un coût, et il faut la mesurer et l’arbitrer face aux autres chantiers.

SRE et DevOps partagent des objectifs (responsabilité partagée, automatisation, livraison rapide). Le SRE ajoute un outil précis : des objectifs de fiabilité chiffrés acceptés par les développeurs comme par l’exploitation.

Les quatre réflexes d’une équipe SRE.

Pourquoi ne pas viser 100 % ? Les utilisateurs ne distinguent pas 99,99 % de 100 % : leur téléphone, leur Wi-Fi et leur opérateur sont moins fiables que cela. Chaque « neuf » supplémentaire coûte bien plus d’efforts d’ingénierie et ralentit les mises en production. Viser 100 % revient aussi à s’interdire tout changement.

Le toil est un travail manuel, répétitif, automatisable, qui croît avec le service et n’apporte aucune valeur durable, par exemple redémarrer un service à la main chaque nuit. Le livre SRE de Google recommande de le limiter à environ la moitié du temps d’un ingénieur, le reste servant à l’éliminer par l’ingénierie.

2. Supervision et observabilité avec OpenTelemetry

La supervision (monitoring) surveille des modes de panne connus : on décide à l’avance quoi mesurer et quand alerter (« le CPU dépasse-t-il 90 % ? »). L’observabilité est la capacité de poser de nouvelles questions à un système à partir des données qu’il émet, sans livrer de nouveau code (« pourquoi seuls les utilisateurs d’une région sont-ils lents ? »). Il faut les deux.

SignalDéfinitionUtile pourPoint de vigilance
MétriquesValeurs numériques agrégées dans le tempsTableaux de bord, SLO, alertesLes étiquettes à forte cardinalité (identifiant utilisateur) font exploser les coûts
LogsEnregistrements horodatés d’événementsDétail d’un événementTexte non structuré, secrets et données personnelles dans les logs
TracesUne requête suivie à travers les services, sous forme de spansTrouver quel maillon est lentLes choix d’échantillonnage masquent les problèmes rares

Un bon point de départ pour les services est la méthode RED : Rate (débit de requêtes), Errors (erreurs), Duration (durée). Pour les ressources (CPU, disques, files d’attente), utilisez USE : Utilisation, Saturation, Erreurs. Les « quatre signaux d’or » de Google sont la latence, le trafic, les erreurs et la saturation.

3. Alertes et astreinte

Une alerte qui réveille quelqu’un à 3 h du matin doit être urgente, exploitable et causée par un impact réel sur les utilisateurs. La documentation Prometheus et le livre SRE de Google donnent le même conseil : alerter sur les symptômes (les utilisateurs voient des erreurs ou de la lenteur), pas sur chaque cause possible (un disque à 80 %).

Type d’alerteExempleDestination
Page (réveiller un humain)Taux d’erreur du paiement qui consomme vite le budget mensuelTéléavertisseur
Ticket (jour ouvré suivant)Certificat qui expire dans 14 joursFile de tickets
Tableau de bord seulCPU à 75 %Personne

Les alertes de taux de consommation (burn rate) relient les alertes au SLO. Le burn rate est la vitesse à laquelle on consomme le budget d’erreur : 1 signifie qu’on utilisera exactement tout le budget à la fin de la période. Le SRE Workbook suggère des alertes multi-fenêtres, par exemple une page quand le burn rate atteint au moins 14,4 sur 1 heure (environ 2 % d’un budget de 30 jours consommé) et une page à 6 sur 6 heures, plus des tickets pour les consommations lentes. Vérifier une fenêtre longue et une courte ensemble évite à la fois la détection tardive et les fausses alertes.

4. Gestion des incidents et post-mortems

Pendant un incident, le but est de rétablir le service d’abord, puis de chercher la cause racine ensuite. Le chaos vient de rôles flous : attribuez-les dès le début. Le livre SRE de Google et le guide public de réponse aux incidents de PagerDuty décrivent la même structure.

RôleMission
Commandant d’incident (IC)Pilote la réponse, décide, délègue. Ne débogue pas.
Responsable des opérationsTravaille sur le correctif technique avec les intervenants.
Responsable communicationInforme les parties prenantes et la page de statut à rythme fixe.
ScribeTient un journal horodaté des actions et des décisions.
  1. Déclarer — ouvrir un canal d’incident, fixer une gravité, nommer l’IC.
  2. Atténuer — revenir en arrière, basculer, désactiver le feature flag, ajouter de la capacité. Une atténuation rapide vaut mieux qu’une correction élégante.
  3. Communiquer — publier un point toutes les 15 à 30 minutes, même s’il est « pas de changement ».
  4. Résoudre — confirmer que les SLI sont revenus à la normale, puis lever l’alerte.
  5. Passer le relais — planifier le post-mortem et désigner un responsable.

5. Conception de pipelines CI/CD et infrastructure as code

L’intégration continue (CI) fusionne souvent de petits changements et vérifie chacun automatiquement. La livraison continue garde chaque build réussi prêt à être publié ; le déploiement continu le publie automatiquement. Le but est un retour rapide et fiable.

  1. Commit et build — compiler une seule fois et produire un artefact immuable (par exemple une image de conteneur étiquetée avec le SHA du commit).
  2. Tests rapides — lint, tests unitaires, analyse statique en quelques minutes.
  3. Contrôles de sécurité — analyse des dépendances et des secrets, des images, SBOM. NIST SP 800-218 (SSDF) décrit les pratiques.
  4. Déploiement en préproduction — le même artefact, puis tests d’intégration et de fumée.
  5. Déploiement en production — progressif, avec une validation ou des contrôles automatiques.

Construire une fois, déployer partout. Ne reconstruisez jamais pour la production : ce qui a été testé doit être l’artefact exact livré. Gardez la configuration hors de l’artefact.

Mesurez le pipeline avec les métriques DORA. DORA en regroupe aujourd’hui cinq : le débit (délai de livraison des changements, fréquence de déploiement, temps de rétablissement après un déploiement échoué) et l’instabilité (taux d’échec des changements, taux de reprise de déploiement).

6. Stratégies de déploiement et sûreté des livraisons

Chaque stratégie de déploiement arbitre entre vitesse, risque, coût et temps de retour arrière. Choisissez selon le coût d’un échec.

StratégiePrincipeAtoutLimite
RecreateArrêter l’ancienne version, démarrer la nouvelleSimpleInterruption de service
RollingRemplacer les instances quelques-unes à la fois (défaut d’un Deployment Kubernetes)Pas de capacité en plus, pas d’interruptionDeux versions coexistent ; retour arrière plus lent
Blue-greenFaire tourner la nouvelle version à côté de l’ancienne et basculer tout le trafic d’un coupRetour arrière instantané en rebasculantCapacité doublée pendant la bascule ; changements de base de données délicats
CanaryEnvoyer une petite part (par exemple 5 %) à la nouvelle version, puis l’augmenterLimite le rayon d’impact ; le trafic réel valide la versionExige de bonnes métriques et un contrôle du trafic

Des outils comme Argo Rollouts et Flagger ajoutent canary et blue-green à Kubernetes. Argo Rollouts peut comparer des métriques issues d’un fournisseur comme Prometheus et promouvoir ou annuler automatiquement.

  1. Déployer à 5 % du trafic.
  2. Comparer taux d’erreur et latence du canary et de la version stable sur une durée fixée.
  3. Promouvoir à 25 %, 50 %, 100 % tant que les SLI restent dans les limites.
  4. Annuler et revenir en arrière automatiquement si un seuil est franchi.

La leçon complète se poursuit dans la formation interactive de cette page.

Sources et références

Formation professionnelle. Elle n’est ni affiliée ni approuvée par Google, la CNCF, la Linux Foundation, GitHub ni aucun éditeur d’outil cité ; les noms de produits sont des marques de leurs propriétaires. Les fonctions et versions des outils évoluent vite : consultez la documentation officielle avant toute application en production et testez d’abord hors production.

Toutes les formations · DevOps & ingénierie de plateforme — Formations gratuites