Skip to content

Site Reliability Engineering (SRE)

"SRE is what happens when you ask a software engineer to design an operations team." - Ben Treynor (Google).

Le SRE n'est pas un nouveau nom pour "Admin Sys". C'est une discipline qui traite les opérations comme un problème logiciel.

SRE Golden Signals

1. Les Concepts Clés

SLI, SLO, SLA : Ne plus jamais confondre

C'est la base de la discussion entre le Business et la Tech.

Acronyme Nom Définition Exemple Qui décide ?
SLI Service Level Indicator La Mesure. Ce que le monitoring voit. "Latence moyenne des requêtes HTTP" Les Ingénieurs
SLO Service Level Objective L'Objectif. Le seuil à ne pas dépasser. "99% des requêtes doivent répondre en < 200ms" Le Produit (PO)
SLA Service Level Agreement Le Contrat. La pénalité financière si on rate l'objectif. "Si < 99%, on rembourse 10% de l'abo" Les Avocats/Ventes

Règle d'or : Ne réveillez jamais quelqu'un (astreinte) pour un SLA, mais pour un SLO qui brûle trop vite.

Error Budget (Budget d'Erreur)

C'est la tolérance à la panne. Si votre SLO est de 99.9%, votre Error Budget est de 0.1%.

  • Sur un mois (43 200 minutes) : vous avez le droit à 43 minutes de panne.
  • Tant qu'il reste du budget : On peut déployer, innover, prendre des risques.
  • Si le budget est épuisé : On gèle les mises à jour (Code Freeze) et on travaille uniquement sur la stabilité.

Toil (Le Labeur)

Le "Toil", c'est le travail : 1. Manuel 2. Répétitif 3. Automatisable 4. Sans valeur durable (ex: redémarrer un service à la main chaque jour).

Objectif SRE : Plafonner le Toil à 50% du temps. Les autres 50% doivent servir à coder des outils pour supprimer ce Toil.

2. L'Incident Management

Blameless Post-Mortem

Après un crash, on ne cherche pas "Qui a fait l'erreur ?" (c'est inutile, l'humain fait toujours des erreurs), mais "Pourquoi le système a permis cette erreur ?".

  • Mauvais : "Michel a supprimé la prod."
  • Bon : "La commande de suppression n'avait pas de confirmation, et Michel avait les droits root sans 2FA."

MTTR vs MTTF

  • MTTF (Mean Time To Failure) : Temps moyen entre deux pannes. (On essaie de l'augmenter).
  • MTTR (Mean Time To Recovery) : Temps moyen pour réparer. (C'est le KPI le plus important !).
    • Mieux vaut casser souvent mais réparer en 1 minute, que casser une fois par an et mettre 3 jours à réparer.

3. Les 4 Signaux Dorés (Golden Signals)

Quoi monitorer si on part de zéro ? (Livre SRE Google)

  1. Latency : Temps pour servir une requête. (Succès vs Échec).
  2. Traffic : Demande sur le système (Req/sec, I/O).
  3. Errors : Taux d'échec (HTTP 500).
  4. Saturation : "A quel point sommes-nous pleins ?" (CPU, RAM, File d'attente).