Supervision et alertes

Quelles métriques supervisons-nous ?

Nous assurons une supervision complète des serveurs et des clusters Kubernetes grâce à nos frameworks d'exploitation open source, LinuxAid et KubeAid, basés sur Prometheus.

1. Supervision des serveurs (LinuxAid)

Pour les serveurs, toutes les métriques et règles d'alerte sont définies dans notre stack LinuxAid, ici :

Elles comprennent :

• Les métriques des hôtes et du matériel
• CPU, RAM, E/S, santé des disques
• La supervision des systèmes de fichiers et du stockage
• Les performances réseau

Ces règles sont maintenues en open source et mises à jour régulièrement, et nous avons aussi écrit une suite de tests pour elles.

2. Supervision de Kubernetes (KubeAid)

Pour les environnements Kubernetes, nous utilisons Kube Prometheus comme socle et l'enrichissons de règles et de mixins supplémentaires.

Règles d'alerte de base :

Alertes et mixins supplémentaires :

Nos alertes Kubernetes couvrent :

• Les métriques des nœuds, des pods et des conteneurs
• La santé du plan de contrôle et du serveur d'API
• Les performances et la disponibilité d'etcd
• Les signaux du scheduler et du controller-manager
• La santé de l'ingress, des services et du réseau
• Des alertes applicatives pour une sélection de composants open source
• Des packs d'alertes optionnels basés sur des mixins, activables ou désactivables cluster par cluster

Cette approche en couches garantit une visibilité sur toute la plateforme, avec la souplesse nécessaire pour s'adapter à la stack de chaque client.

Comment nous traitons les alertes et l'escalade des incidents

Prometheus achemine les alertes vers notre point d'ingestion central (avec la possibilité d'exclure des hôtes ou des composants sur demande). Les alertes sont ensuite traitées par notre plateforme d'exploitation interne, qui :

• Crée ou met à jour automatiquement les tickets d'alerte
• Prévient notre équipe d'exploitation 24/7
• Applique votre SLA pour prioriser correctement et fixer les échéances
• Suit en temps réel la prise en compte et l'avancement de la résolution
• Déclenche des escalades automatiques — d'abord vers l'ingénieur d'astreinte, puis vers la direction si nécessaire
• Certaines de nos alertes sont préventives : elles se déclenchent avant que quelque chose ne casse ou ne tombe.

Nous donnons toujours la priorité au rétablissement du service le plus vite possible, puis nous traitons la cause profonde pour éviter que le problème ne se reproduise.