Démarrer l'essai gratuit
Tendances Nouveau Genres Auteurs
EnglishEnglish
EspañolSpanish
简体中文Chinese
繁體中文Chinese (Traditional)
FrançaisFrench
DeutschGerman
日本語Japanese
PortuguêsPortuguese
ItalianoItalian
한국어Korean
РусскийRussian
NederlandsDutch
العربيةArabic
PolskiPolish
हिन्दीHindi
Tiếng ViệtVietnamese
SvenskaSwedish
ΕλληνικάGreek
TürkçeTurkish
ไทยThai
ČeštinaCzech
RomânăRomanian
MagyarHungarian
УкраїнськаUkrainian
IndonesiaIndonesian
DanskDanish
SuomiFinnish
БългарскиBulgarian
עבריתHebrew
NorskNorwegian
HrvatskiCroatian
CatalàCatalan
SlovenčinaSlovak
LietuviųLithuanian
SlovenščinaSlovenian
СрпскиSerbian
EestiEstonian
LatviešuLatvian
فارسیPersian
മലയാളംMalayalam
தமிழ்Tamil
اردوUrdu
Recherche en cours...
SoBrief
Observability Engineering

Observability Engineering

Quand la production tombe en panne d’une manière qu’aucune alerte n’avait prévue, apprenez à enquêter sans faire de suppositions.
par Charity Majors 2022 318 pages
3.72
319 évaluations
Écouter
Immersif
V2.3
Amazon Kindle Audible
Essayez l'accès complet pendant 3 jours
Débloquez l'écoute et bien plus !
Continuer

Points clés

Concevoir l’observabilité pour répondre aux questions imprévisibles avant un incident

Prévoir l’inconnu. En théorie du contrôle, l’observabilité décrit dans quelle mesure il est possible de déduire l’état interne d’un système à partir de ses sorties. Appliquée aux logiciels, elle signifie que les ingénieurs peuvent examiner des comportements inhabituels du système à partir des données de production, sans avoir à prévoir la défaillance ni à déployer du nouveau code pour la décrire. L’objectif n’est pas simplement de collecter de la télémétrie. Il s’agit de faire en sorte que le système puisse répondre aux nouvelles questions à mesure qu’elles se posent.

Plus qu’une catégorie d’outils. Un tableau de bord, un ensemble de métriques, de journaux et de traces, ou l’emploi du mot « observabilité » par un fournisseur ne garantit pas cette capacité. Les ingénieurs ont besoin de données riches en contexte qu’ils peuvent explorer selon de nombreuses dimensions. C’est une exigence élevée, surtout pour les services complexes, mais elle déplace l’objectif: au lieu de vérifier des conditions connues, on cherche à comprendre ce qui s’est réellement passé.

Analyse

La distinction est autant épistémique que technique : la supervision vérifie si une condition connue est présente, tandis que l’observabilité permet de découvrir quelles conditions sont importantes. La qualité d’un système tient donc en partie à la qualité de l’investigation qu’il rend possible. Cette définition est puissante, mais ne doit pas être interprétée comme la promesse que n’importe quel état peut être reconstitué à partir de n’importe quelle télémétrie. Une instrumentation manquante, les limites imposées par la confidentialité et des données incomplètes peuvent laisser de véritables angles morts. Le test pratique consiste à vérifier si les ingénieurs peuvent poser de nouvelles questions utiles sans devoir reconstruire les éléments nécessaires à l’enquête après l’incident.

Confier à la supervision les risques connus de l’infrastructure et à l’observabilité les surprises logicielles

Combiner les deux approches. La supervision agrège des mesures et déclenche des alertes lorsque des conditions connues dépassent certains seuils. Elle convient bien aux problèmes relativement stables de l’infrastructure, comme la capacité ou l’utilisation des ressources. L’observabilité permet d’examiner sans a priori le comportement des logiciels, qui évolue fréquemment et peut connaître des défaillances inattendues. La distinction ne signifie pas que les métriques sont inutiles, mais que les métriques agrégées, à elles seules, expliquent rarement un nouveau problème rencontré par un client.

Adapter les outils aux responsabilités. Une équipe qui exploite son propre matériel a besoin d’une supervision détaillée de l’infrastructure. Une équipe qui s’appuie sur des plateformes gérées peut en avoir beaucoup moins besoin. Les équipes logicielles tirent néanmoins profit de mesures de l’infrastructure de plus haut niveau, comme l’utilisation du processeur, de la mémoire et du disque, lorsqu’elles révèlent l’effet d’une modification du code sur les performances. Conservez les métriques qui éclairent les décisions, plutôt que de garder chaque graphique par habitude.

Analyse

Cette répartition est utile parce qu’elle part des responsabilités opérationnelles, et non d’une taxonomie d’outils à la mode. Elle évite aussi un faux dilemme : un service peut avoir besoin à la fois d’alertes fiables fondées sur des seuils et de moyens souples d’investigation. La question plus difficile est de savoir à partir de quand une dépendance à l’infrastructure fait partie de l’expérience produit. Une base de données gérée peut relever de la responsabilité opérationnelle d’un tiers, mais sa latence affecte tout de même les clients. Les équipes devraient distinguer la responsabilité du système sous-jacent de celle des conséquences pour l’utilisateur.

Ne faites pas croître un système plus vite que votre capacité à le comprendre

Affronter de front la complexité de Parse. Parse, une plateforme de backend mobile, est passée de l’hébergement de plus de 60 000 applications au moment de son acquisition à plus d’un million environ deux ans et demi plus tard. Ses premiers processus Ruby ne pouvaient pas traiter les requêtes simultanément. Lorsqu’un backend ralentissait, les tâches en attente remplissaient le pool de processus et toute la plateforme pouvait se bloquer. L’équipe disposait de nombreux tableaux de bord et alertes, mais beaucoup de défaillances résultaient de combinaisons inédites qu’elle n’avait pas pensé à surveiller.

Rendre l’investigation reproductible. Après avoir adopté le système d’analyse Scuba de Facebook, l’équipe a pu explorer des données d’événements à forte cardinalité selon des dimensions arbitraires. Des diagnostics qui prenaient autrefois des jours, ou restaient sans réponse, pouvaient désormais être établis en quelques minutes ou secondes. Le changement ne se résumait pas à un gain de vitesse: le débogage est devenu une méthode que les collègues pouvaient partager, plutôt qu’un talent individuel réservé à l’ingénieur ayant le plus d’ancienneté.

Analyse

L’histoire de Parse montre que la croissance ne concerne pas seulement le débit. Elle augmente aussi le nombre d’interactions que l’équipe doit comprendre, surtout lorsque les clients peuvent générer des charges de travail imprévisibles. Le passage de l’intuition héroïque à une investigation partagée évoque le passage d’un savoir-faire artisanal à une discipline reproductible. Une meilleure visibilité ne peut toutefois pas, à elle seule, réparer une architecture limitée. L’observabilité aide à localiser le goulot d’étranglement et à évaluer les changements ; la plateforme a tout de même nécessité des travaux d’ingénierie, dont une réécriture coûteuse, pour remédier à ses limites fondamentales.

Enregistrez chaque requête sous forme d’événement consultable, et non de fragments épars

Préserver le contexte de la requête. Un événement structuré est un enregistrement consultable par une machine, qui décrit ce qui s’est passé pendant une unité de travail, souvent une requête adressée à un service. Il peut inclure des entrées, des identifiants d’utilisateur ou de requête, des détails sur l’environnement d’exécution, des appels à d’autres services, la durée et le résultat. Les champs doivent être assez flexibles pour accueillir des détails utiles qui n’avaient pas été anticipés lors de la conception du système. Une instrumentation mature peut enregistrer des centaines de dimensions par événement.

Préserver les détails avant l’agrégation. Une métrique condense de nombreuses requêtes en une valeur établie au fil du temps, ce qui rompt le lien entre les requêtes individuelles. Les journaux textuels traditionnels peuvent répartir le récit d’une seule requête sur de nombreuses lignes. Les événements structurés conservent ce contexte reliant les éléments. Une trace distribuée relie les événements associés pour montrer le cheminement d’une requête à travers plusieurs services, y compris le temps consacré à chaque unité de travail.

Analyse

Le modèle événementiel traite la télémétrie comme un ensemble d’éléments qui renseignent sur le travail effectué, plutôt que comme un inventaire de mesures sans lien entre elles. On peut ainsi passer d’une tendance agrégée aux requêtes particulières qui la composent. En contrepartie, des événements riches peuvent coûter cher et contenir des informations sensibles. Une instrumentation étendue exige donc une gouvernance délibérée des données : collecter assez de contexte pour enquêter, tout en définissant des protections concernant l’identité, la conservation, l’accès et les champs à ne pas enregistrer.

Déboguez les anomalies en comparant les éléments observés, plutôt qu’en vous fiant à l’intuition des vétérans

Suivre une démarche d’investigation reproductible. La boucle d’analyse centrale (Core Analysis Loop) part du symptôme signalé, vérifie à quel moment le comportement du système a changé et examine les dimensions des événements pour déterminer ce qui distingue les cas inhabituels de la situation de référence. Si la première comparaison n’explique pas le problème, il faut restreindre les données et poser une autre question. L’analyse automatisée peut comparer l’anomalie sélectionnée aux événements ordinaires et classer les champs qui diffèrent le plus.

Se laisser guider par les indices sans les prendre pour des conclusions. Dans un exemple, 98 % des événements anormaux étaient associés à une zone de disponibilité, contre seulement 17 % des événements de référence. Cela a orienté les enquêteurs vers un problème de réseau chez le fournisseur de cloud. Ce schéma leur a fourni une piste sérieuse, mais ne constituait pas une preuve en soi. Les ingénieurs devaient encore vérifier l’hypothèse et déterminer si cette corrélation apparente expliquait les conséquences pour les utilisateurs.

Analyse

Cette méthode transforme le débogage en raisonnement scientifique itératif : isoler une observation, la comparer à une référence, puis réviser l’explication à mesure que les éléments s’accumulent. L’automatisation est précieuse, car elle peut examiner les dimensions plus vite qu’une personne. Mais une différence classée en tête ne constitue pas une explication causale. Un champ peut être corrélé à un incident parce qu’il identifie la région, le groupe de clients ou le déploiement touché, sans révéler le mécanisme en cause. De bons outils accélèrent la formulation d’hypothèses ; une investigation rigoureuse les met à l’épreuve.

Alertez sur les préjudices subis par les clients, puis utilisez l’observabilité pour en trouver la cause

Mesurer l’expérience des utilisateurs. Un indicateur de niveau de service (SLI) classe les résultats du service comme bons ou mauvais. Un objectif de niveau de service (SLO) fixe la cible interne à atteindre pour ces résultats. Par exemple, une équipe peut définir comme réussie une requête de page d’accueil qui s’exécute dans un délai donné. Un budget d’erreur correspond à la quantité de défaillances tolérée tout en respectant l’objectif. Les mesures fondées sur les événements évaluent les requêtes individuellement et fournissent ainsi plus de détails que le fait de déclarer bonne ou mauvaise une période entière.

Rendre les alertes fiables. Une alerte devrait signaler de manière fiable une dégradation de l’expérience utilisateur et donner aux personnes d’intervention une raison d’agir. Chez Honeycomb, une alerte fondée sur un SLO a détecté une panne partielle récurrente que les sondes traditionnelles n’avaient pas repérée. L’investigation a relié le problème à une fuite de mémoire introduite par un déploiement, que l’équipe a annulé. Les alertes concernant des conditions de ressources isolées peuvent être utiles, mais des alertes trop bruyantes apprennent souvent aux gens à ne plus tenir compte des alarmes.

Analyse

Distinguer le symptôme de sa cause est un choix de conception judicieux. Cela ancre le degré d’urgence dans la finalité du service, tout en laissant le diagnostic s’appuyer sur les éléments observés plutôt que sur des suppositions intégrées à chaque alerte. Les mesures au niveau des événements représentent aussi les défaillances partielles plus fidèlement qu’un signal global et grossier. Cette approche suppose toutefois de définir un SLI qui reflète un parcours utilisateur significatif. Si la mesure est mal choisie, des données événementielles précises peuvent tout de même produire un objectif trompeur, et les personnes d’intervention risquent d’optimiser un indicateur indirect plutôt que l’expérience.

Intégrez les retours de production au développement logiciel, au lieu d’en faire une réflexion après coup

Les tests et la production répondent à des questions différentes. Le développement piloté par les tests vérifie si le code respecte un comportement spécifié dans un environnement contrôlé. Le développement guidé par l’observabilité (Observability-Driven Development) ajoute la capacité de voir comment le logiciel se comporte avec de vrais utilisateurs, des charges de travail changeantes et des dépendances distribuées. Il ne remplace ni les tests ni le débogueur de code. Il aide à repérer le composant, la requête ou la condition à examiner de plus près.

Raccourcir la boucle de rétroaction. Chaque modification du code devrait inclure un moyen d’en évaluer l’effet après le déploiement. Les équipes peuvent comparer les versions, surveiller les résultats pour les utilisateurs et recourir à des indicateurs de fonctionnalité ou à une exposition limitée pour évaluer les changements en réduisant les risques. Le livre soutient que les ingénieurs doivent assumer la responsabilité de leurs logiciels en production, notamment en recevant rapidement des retours lorsque leurs changements provoquent des problèmes. Cette responsabilité est présentée comme une occasion d’apprendre, et non comme une punition.

Analyse

L’idée essentielle est que la visibilité en production doit faire partie du processus de développement, et non seulement de la boîte à outils d’une équipe des opérations. Les tests établissent le comportement attendu dans des conditions choisies ; l’usage réel révèle les conditions absentes du modèle de test. Ces deux formes d’éléments se complètent au lieu de se concurrencer. Cependant, confier aux développeurs la responsabilité de la production ne fonctionne que s’ils disposent du temps, de l’autorité et de mécanismes de déploiement sûrs. Sans ces conditions, la prise en charge peut devenir un autre nom pour le transfert de la charge opérationnelle.

Échantillonnez prudemment le trafic courant, mais préservez les erreurs et le contexte de leurs traces

Réduire le volume sans effacer les tendances. L’échantillonnage consiste à conserver certains événements plutôt que de les enregistrer tous. Une probabilité fixe est simple à mettre en œuvre, mais peut manquer des défaillances rares ou laisser les clients qui génèrent le plus de trafic dominer l’échantillon. Des approches dynamiques peuvent ajuster les taux en fonction du trafic ou des champs des événements, afin d’augmenter les chances de conserver les erreurs, les latences inhabituelles ou les groupes sous-représentés. Il faut enregistrer le taux d’échantillonnage de chaque événement échantillonné pour pouvoir estimer précisément les nombres et les distributions d’origine lors de l’analyse.

Préserver la cohérence des traces. Une requête génère souvent des événements dans plusieurs services. Si chaque service échantillonne indépendamment, les fragments conservés risquent de ne pas former une trace exploitable. Un identifiant d’échantillonnage partagé permet aux services en aval de prendre des décisions cohérentes. L’échantillonnage en tête décide tôt, à partir des informations déjà connues; l’échantillonnage en queue décide une fois la requête terminée, lorsque des résultats tels que les erreurs et la latence sont disponibles, mais nécessite de mettre les segments en mémoire tampon.

Analyse

L’échantillonnage est un compromis pratique entre fidélité et coût, et non une réduction gratuite du volume de données. Sa conception traduit un jugement sur les événements importants ; une politique qui traite toutes les requêtes comme interchangeables peut donc masquer systématiquement des utilisateurs ou des défaillances rares. La pondération et la cohérence des décisions prises pour les traces contribuent à préserver la valeur analytique, sans toutefois éliminer les biais si les critères de sélection sont erronés. Les équipes devraient examiner régulièrement ce que leur politique d’échantillonnage exclut, surtout lorsque les tendances du trafic ou le comportement du produit changent.

Favorisez l’adoption en résolvant le problème le plus pénible, puis mesurez le temps gagné

Démontrer la valeur là où elle se voit. Le livre recommande de commencer par un service ou un problème qui frustre déjà ses responsables, plutôt que par un système facile qui offre peu à apprendre. Instrumentez-le, examinez le problème et communiquez le résultat. Ajoutez une instrumentation utile à mesure que les incidents révèlent des lacunes, tout en prévoyant un effort final pour couvrir les parties négligées de la pile. Acheter un outil peut être judicieux si le fait de le construire et de le maintenir détournerait les ingénieurs des activités essentielles de l’entreprise.

Suivre les résultats, pas les insignes. Le modèle de maturité de l’observabilité (Observability Maturity Model) regroupe les capacités autour de la résilience de la réponse aux incidents, de la qualité du code, de la complexité technique, de la cadence des mises en production et de la compréhension du comportement des utilisateurs. C’est un outil de planification, et non une échelle universelle. Les auteurs rapportent que, parmi les équipes interrogées, celles qui adoptaient l’observabilité étaient trois fois plus susceptibles de se sentir confiantes quant à la qualité de la production; les équipes qui ne l’avaient pas adoptée consacraient plus de la moitié de leur temps à des tâches qui ne livraient pas de fonctionnalités produit. Mesurez dans votre propre contexte si la détection, la résolution et la livraison s’améliorent.

Analyse

Commencer par un problème réel permet une démonstration crédible et donne aux sceptiques quelque chose de plus concret qu’un déploiement de plateforme. Le modèle de maturité élargit utilement la notion de réussite, au-delà de la couverture de la télémétrie, en prenant en compte les méthodes de travail des équipes et l’expérience des clients. Les résultats de l’enquête sont suggestifs, mais ne prouvent pas que l’observabilité, à elle seule, a causé ces différences. La taille de l’organisation, le leadership et les pratiques d’ingénierie peuvent aussi jouer un rôle. L’argumentaire commercial le plus solide combine donc les grandes dimensions du modèle à des mesures de référence locales, à une répartition claire des responsabilités et à des changements mesurables du temps nécessaire pour détecter et résoudre les incidents.

Analyse

Le livre propose avant tout de redéfinir l’observabilité: non plus comme un ensemble de types de données, mais comme une capacité d’investigation. Ce changement de perspective relie l’architecture, l’instrumentation, l’analyse et les pratiques organisationnelles. Les événements structurés préservent assez de contexte pour poser des questions après un imprévu; les traces conservent les liens entre les services; l’analyse transforme ces enregistrements en une démarche d’investigation reproductible. La conséquence sociale est aussi importante que la conséquence technique: le savoir quitte le domaine de l’intuition des ingénieurs chevronnés pour devenir un ensemble d’éléments partagés que davantage de personnes peuvent examiner.

Le récit de Parse donne du poids à cet argument, car il montre une transformation de la nature des défaillances, et pas simplement un manque de tableaux de bord. Une plateforme en forte croissance, soumise à des charges de travail définies par ses clients, ne pouvait pas s’appuyer sur une liste stable de modes de défaillance connus. De meilleures capacités d’interrogation ont accéléré le diagnostic, mais n’ont pas supprimé la nécessité de repenser une architecture limitée. Cette distinction maintient l’observabilité à sa juste place: elle aide les équipes à comprendre et à réagir, sans rendre les systèmes intrinsèquement fiables.

La synthèse opérationnelle la plus solide consiste à séparer la détection du diagnostic. Les SLO définissent à quel point la dégradation de l’expérience utilisateur doit être importante pour nécessiter une intervention; les données événementielles aident les enquêteurs à en déterminer la cause. Cette approche peut réduire le bruit des alertes sans prétendre que les défaillances sont évitables ou entièrement prévisibles. Elle repose néanmoins sur des indicateurs pertinents pour les utilisateurs et sur des seuils mûrement réfléchis. Un SLI inexact peut susciter des interventions assurées, mais mal orientées.

Les auteurs s’expriment aussi en tant que fournisseurs de solutions d’observabilité; leurs critiques des outils existants doivent donc être mises en regard de leur plaidoyer pour des concepts indépendants des outils. Le critère le plus durable est la capacité, et non la marque: les ingénieurs peuvent-ils explorer un contexte à forte cardinalité, relier les événements entre différentes unités de travail et mettre rapidement à l’épreuve de nouvelles explications? Les coûts ne se limitent pas au stockage: ils comprennent aussi la protection de la vie privée, la gouvernance et l’effort cognitif nécessaire pour interpréter l’abondance des données. Une bonne pratique exige à la fois des éléments riches et de la retenue. La leçon profonde du livre n’est pas de tout collecter sans discernement, mais de concevoir des systèmes et des équipes capables d’apprendre de la production sans dépendre de la prévoyance ni de prouesses individuelles.

Résumé en 30 secondes
La supervision détecte les risques connus, tandis que des données de production riches aident les ingénieurs à enquêter sur les défaillances imprévues. Enregistrer chaque requête avec un contexte consultable et relier son activité entre les services préserve des indices que les métriques agrégées et les journaux épars font disparaître. Comparez les requêtes anormales aux requêtes ordinaires pour dégager des pistes, puis vérifiez la cause. Déclenchez des alertes en fonction des objectifs de service qui concernent les clients, et utilisez les données d’investigation pour orienter les corrections. Échantillonnez soigneusement le trafic courant tout en conservant les erreurs et des traces cohérentes.
Contient des spoilers

Dernière mise à jour:

Signaler un problème

Résumé des avis

3.72 sur 5
Moyenne de 319 évaluations de Goodreads et Amazon.

Observability Engineering reçoit des critiques mitigées, avec une note moyenne de 3,78 sur 5. Les lecteurs apprécient l’introduction aux concepts de l’observabilité et l’accent mis sur les systèmes sociotechniques. Cependant, beaucoup trouvent le livre répétitif, pauvre en exemples pratiques et trop axé sur la distinction entre observabilité et supervision. Certains saluent ses idées révolutionnaires, tandis que d’autres critiquent sa longueur et son manque de profondeur technique. Le livre est considéré comme un bon point de départ pour comprendre l’observabilité, mais il ne fournit pas de conseils détaillés de mise en œuvre à l’intention des ingénieurs.

Votre note :
4.29
290 évaluations
Envie de lire le livre complet ?

Glossaire

observabilité

Déduire l’état interne d’un système

Dans ce livre, l’observabilité est une propriété des systèmes logiciels : elle désigne la capacité des ingénieurs à comprendre et à expliquer l’état interne du système à partir de ses sorties, y compris des états qu’ils n’avaient pas anticipés. Elle dépend à la fois de la télémétrie et de la possibilité d’explorer ces données de manière flexible, plutôt que de vérifier uniquement des conditions prédéfinies.

événement structuré

Enregistrement exploitable par recherche d’une unité de travail

Un événement structuré est un enregistrement consultable par machine de ce qui s’est passé pendant une unité de travail, souvent une requête de service. Il peut inclure les entrées de la requête, des identifiants, le contexte d’exécution, les appels en aval, la durée et le résultat. En conservant ces détails ensemble, on permet aux enquêteurs de filtrer et de comparer les événements selon des dimensions qui n’étaient pas nécessairement connues à l’avance.

cardinalité

Nombre de valeurs distinctes

La cardinalité est le nombre de valeurs uniques d’un champ. Un champ tel que l’identifiant de requête a une cardinalité élevée, car chaque requête peut avoir une valeur différente ; un champ dont l’ensemble de valeurs est limité a une cardinalité faible. Les champs à cardinalité élevée aident à isoler des utilisateurs, des requêtes, des hôtes ou d’autres conditions inhabituelles précises pendant une enquête.

trace distribuée

Événements liés entre plusieurs services

Une trace distribuée relie les événements générés lorsqu’une requête traverse plusieurs services ou unités de travail. Les spans liés enregistrent leur durée et leurs relations parent-enfant, ce qui permet de voir où le temps a été passé et comment le travail a circulé d’un système à l’autre.

boucle d’analyse centrale (Core Analysis Loop)

Enquête itérative sur une anomalie

La boucle d’analyse centrale (Core Analysis Loop) est une méthode d’investigation du comportement d’un système qui ne repose pas sur une connaissance préalable de celui-ci. Commencez par le symptôme signalé, vérifiez où les performances ont changé, comparez les dimensions des événements anormaux à une référence, puis affinez les données en fonction de ce que révèle la comparaison. Répétez jusqu’à ce que les éléments recueillis étayent une explication utile.

objectif de niveau de service (SLO)

Cible interne de fiabilité

Un objectif de niveau de service (SLO) est une cible interne de qualité pour un service, exprimée à l’aide de mesures portant sur des résultats importants pour les utilisateurs. Il est généralement évalué au moyen d’indicateurs de niveau de service, qui classent les résultats, par exemple les requêtes réussies et traitées dans les délais. Les SLO aident les équipes à décider quand une dégradation mérite leur attention.

budget d’erreur

Défaillance tolérée du service

Un budget d’erreur est la quantité de défaillances qu’un service peut subir tout en respectant son SLO sur une période définie. À mesure que les événements négatifs s’accumulent, le budget restant diminue. Les équipes utilisent son taux de consommation pour déterminer si les performances actuelles menacent l’objectif et avec quelle urgence enquêter.

développement guidé par l’observabilité (Observability-Driven Development)

Développement logiciel éclairé par la production

Le développement guidé par l’observabilité intègre l’instrumentation et l’analyse de la production au processus de développement logiciel. Il complète les tests en montrant le comportement des changements avec de vrais utilisateurs, des charges de travail réelles et des dépendances réelles. Son objectif est de raccourcir les boucles de rétroaction et d’aider les ingénieurs à localiser les problèmes dans le système, et non de remplacer un débogueur au niveau du code.

échantillonnage en tête

Décision d’échantillonnage prise tôt

L’échantillonnage en tête détermine s’il faut conserver une trace au début de son exécution, à partir des informations déjà disponibles. La décision peut être propagée aux services en aval afin que les spans associés soient conservés de manière cohérente. Le choix initial ne peut pas tenir compte de résultats, tels que la latence finale ou la présence d’une erreur, qui ne sont connus qu’après l’exécution.

échantillonnage en queue

Décision d’échantillonnage prise après coup

L’échantillonnage en queue prend la décision de conservation une fois l’événement ou la trace terminé, ce qui permet de tenir compte de critères tels que la latence finale ou la présence d’une erreur. Pour conserver une trace cohérente, il faut généralement mettre les spans en mémoire tampon jusqu’à la prise de décision, ce qui peut nécessiter des ressources supplémentaires du côté du collecteur.

modèle de maturité de l’observabilité (Observability Maturity Model)

Guide des capacités organisationnelles

Le modèle de maturité de l’observabilité est un cadre permettant d’évaluer la manière dont l’observabilité soutient les capacités organisationnelles, notamment la réponse aux incidents, la qualité du code, la gestion de la complexité, la cadence des mises en production et la compréhension du comportement des utilisateurs. Il est conçu comme un outil de planification adaptable, et non comme un parcours universel que chaque organisation devrait suivre.

FAQ

De quoi parle « Observability Engineering » ?

  • L’observabilité au cœur du sujet : Le livre porte sur le concept d’observabilité dans les systèmes logiciels modernes. Il en explique l’importance et les différences avec la supervision traditionnelle.
  • L’expertise des auteurs : Écrit par Charity Majors, Liz Fong-Jones et George Miranda, le livre s’appuie sur leur vaste expérience en génie logiciel et dans les pratiques d’observabilité.
  • Un guide complet : Il propose une analyse détaillée de ce que signifie l’observabilité, de sa mise en œuvre et de ses effets sur la dynamique des équipes et la culture organisationnelle.
  • Des conseils pratiques : Le livre donne des conseils concrets pour instaurer une culture de l’observabilité et aborde les difficultés liées à l’extension de ces pratiques.

Pourquoi lire « Observability Engineering » ?

  • Une pertinence actuelle : À mesure que les systèmes logiciels se complexifient, comprendre l’observabilité est essentiel pour maintenir et améliorer leurs performances.
  • Les conseils d’experts : Les auteurs font figure de référence dans le domaine et proposent des idées pratiques fondées sur leur expérience du terrain.
  • Un changement culturel : Le livre insiste sur les changements culturels nécessaires à l’adoption réussie de l’observabilité, ce qui le rend pertinent pour les postes techniques comme pour les fonctions d’encadrement.
  • Des conseils applicables : Il présente des mesures et des stratégies concrètes pour mettre en œuvre l’observabilité dans une organisation, ce qui en fait une ressource utile aux ingénieurs comme aux responsables.

Quels sont les principaux enseignements de « Observability Engineering » ?

  • Observabilité et supervision : L’observabilité consiste à comprendre en temps réel le comportement d’un système, tandis que la supervision consiste à suivre des problèmes connus.
  • Événements structurés : Le livre souligne l’importance des événements structurés, éléments constitutifs de l’observabilité.
  • L’importance de la culture : Une observabilité efficace exige un changement culturel dans les organisations, fondé sur la collaboration et l’amélioration continue.
  • Évolutivité et efficacité : Le livre examine des stratégies permettant d’étendre les pratiques d’observabilité et de les rendre efficaces, même dans des systèmes vastes et complexes.

Quelles sont les meilleures citations de « Observability Engineering », et que signifient-elles ?

  • « L’observabilité ne porte ni sur les types de données ou les entrées, ni sur les équations mathématiques. Elle porte sur la façon dont les gens interagissent avec leurs systèmes complexes et cherchent à les comprendre. » Cette citation met l’accent sur la dimension humaine de l’observabilité : l’interaction et la compréhension, plutôt que les seules métriques techniques.
  • « L’observabilité est la solution à cet écart. » Cette phrase présente l’observabilité comme un outil essentiel pour combler l’écart entre la conception théorique d’un système et son fonctionnement concret dans le monde réel.
  • « L’observabilité vous permet de comprendre et d’expliquer tous les états que votre système peut atteindre, aussi nouveaux ou étranges soient-ils. » Cette affirmation souligne la portée de l’observabilité, qui permet aux ingénieurs de diagnostiquer et de résoudre des problèmes inattendus.

Comment « Observability Engineering » définit-il l’observabilité ?

  • Origines mathématiques : Le livre retrace les origines mathématiques du terme « observabilité », qui désigne la capacité à déduire des états internes à partir de sorties externes.
  • Adaptation au logiciel : Dans le domaine logiciel, l’observabilité désigne la compréhension de l’état interne d’un système à partir de ses sorties, sans avoir à prévoir les problèmes à l’avance.
  • Caractéristiques clés : L’observabilité repose sur les événements structurés, une cardinalité élevée et la possibilité de poser des questions arbitraires sur le comportement du système.
  • Application pratique : Il s’agit de permettre aux ingénieurs de déboguer les systèmes en temps réel, en se concentrant sur les inconnues inconnues plutôt que sur les seuls problèmes déjà connus.

Quelle différence « Observability Engineering » établit-il entre observabilité et supervision ?

  • Portée de la compréhension : L’observabilité vise à comprendre l’état interne du système, tandis que la supervision consiste à suivre les problèmes et les métriques connus.
  • Proactif ou réactif : L’observabilité permet de résoudre les problèmes de manière proactive en fournissant des informations en temps réel, tandis que la supervision est souvent réactive et déclenche des alertes lorsque des conditions prédéfinies sont réunies.
  • Granularité des données : L’observabilité repose sur des données à cardinalité élevée et des événements structurés, offrant une vue plus détaillée que les métriques agrégées utilisées en supervision.
  • Changement culturel : La mise en œuvre de l’observabilité exige une évolution de la culture organisationnelle, qui favorise la collaboration et l’amélioration continue.

Comment « Observability Engineering » recommande-t-il de mettre en œuvre l’observabilité dans une organisation ?

  • Commencer par les points de friction : Le livre conseille de commencer par les domaines les plus problématiques afin de démontrer rapidement la valeur de l’observabilité.
  • Une instrumentation progressive : Il recommande de développer l’instrumentation par étapes et de profiter de chaque situation de débogage pour améliorer l’observabilité.
  • Participation à la communauté : Rejoindre des groupes communautaires permet de bénéficier des conseils et du soutien de personnes confrontées à des difficultés similaires.
  • Acheter ou développer : Les auteurs suggèrent d’acheter des outils d’observabilité plutôt que de les développer en interne, afin d’en tirer rapidement profit et de se concentrer sur la résolution des problèmes.

Quel rôle les événements structurés jouent-ils dans « Observability Engineering » ?

  • Éléments constitutifs : Les événements structurés sont les éléments fondamentaux de l’observabilité et enregistrent des informations détaillées sur le comportement du système.
  • Granularité des données : Ils fournissent la granularité nécessaire pour comprendre et déboguer les systèmes complexes, et permettent d’effectuer des requêtes à cardinalité élevée.
  • Portée d’un événement : Chaque événement enregistre tout ce qui se passe pendant une requête, ce qui permet aux ingénieurs de reconstituer et d’analyser les états du système.
  • Souplesse : Les événements structurés permettent de découper les données de multiples façons et facilitent l’analyse approfondie des performances du système.

Comment « Observability Engineering » aborde-t-il les difficultés liées à l’extension de l’observabilité ?

  • Stratégies d’échantillonnage : Le livre examine diverses stratégies d’échantillonnage permettant de gérer le volume de données et les contraintes de ressources tout en préservant leur fidélité.
  • Gestion efficace des données : Il souligne l’importance d’un stockage et d’une analyse efficaces pour traiter de grands volumes de données d’observabilité.
  • Considérations culturelles : Étendre l’observabilité implique également des changements culturels : les équipes doivent être outillées et motivées pour utiliser efficacement les outils d’observabilité.
  • Amélioration itérative : Les auteurs préconisent une amélioration continue et une adaptation des pratiques d’observabilité à mesure que les systèmes et les besoins organisationnels évoluent.

Qu’est-ce que le modèle de maturité de l’observabilité dans « Observability Engineering » ?

  • Cadre d’évaluation : Le modèle de maturité de l’observabilité fournit un cadre pour évaluer les capacités d’observabilité d’une organisation et leur progression.
  • Capacités clés : Il identifie des capacités essentielles telles que la résilience, la qualité du code, la gestion de la complexité, la cadence des mises en production et la compréhension du comportement des utilisateurs.
  • Amélioration continue : Le modèle met l’accent sur l’amélioration continue et l’adaptation, reconnaissant que les pratiques d’observabilité ne sont jamais « terminées ».
  • Objectifs axés sur les résultats : Il encourage les organisations à se fixer des objectifs orientés vers les résultats et à donner la priorité aux capacités qui correspondent à leurs objectifs commerciaux.

Quel est le lien entre « Observability Engineering » et les pratiques DevOps et SRE ?

  • Des pratiques complémentaires : L’observabilité est étroitement liée aux pratiques DevOps et SRE, dont elle renforce l’efficacité en apportant une compréhension plus approfondie du comportement des systèmes.
  • Boucles de rétroaction : Elle favorise des boucles de rétroaction plus courtes et l’amélioration continue, principes clés du DevOps comme du SRE.
  • Alignement culturel : L’observabilité s’accorde avec les évolutions culturelles promues par le DevOps et le SRE, notamment la collaboration, la prise en charge et la résolution proactive des problèmes.
  • Fiabilité accrue : En intégrant l’observabilité, les organisations peuvent améliorer la fiabilité et les performances, objectifs fondamentaux des pratiques DevOps et SRE.

Quels sont les avantages pratiques de l’adoption de l’observabilité selon « Observability Engineering » ?

  • Résolution plus rapide des problèmes : L’observabilité permet de détecter et de résoudre les problèmes plus rapidement, réduisant les interruptions de service et améliorant la fiabilité du système.
  • Satisfaction accrue des clients : En comprenant les problèmes liés à l’expérience des utilisateurs et en y remédiant, les organisations peuvent améliorer la satisfaction et la fidélisation de leurs clients.
  • Capacité d’innovation accrue : En consacrant moins de temps à éteindre des incendies, les équipes peuvent se concentrer davantage sur la livraison de nouvelles fonctionnalités et l’innovation.
  • Transformation culturelle : L’observabilité favorise une culture d’amélioration continue, de collaboration et de résolution proactive des problèmes, qui rend les organisations plus résilientes et adaptables.

À propos de l'auteur

Charity Majors est une figure éminente du domaine de l’observabilité et du génie logiciel. Elle est reconnue pour son expertise en systèmes distribués, en ingénierie de production et en pratiques DevOps. Majors est cofondatrice et directrice technique de Honeycomb, une entreprise spécialisée dans les outils d’observabilité. Elle intervient régulièrement lors de conférences et écrit sur l’observabilité, les microservices et les pratiques modernes de développement logiciel. Majors est très présente sur les réseaux sociaux, notamment sur Twitter, où elle partage ses réflexions et participe à des discussions sur la technologie et la culture de l’ingénierie. Son travail vise à améliorer la fiabilité et les performances des systèmes logiciels complexes grâce à l’observabilité.

Télécharger le PDF

Pour garder le résumé de Observability Engineering pour plus tard, téléchargez gratuitement le PDF. Vous pouvez l’imprimer ou le lire hors ligne quand vous le souhaitez.
Download PDF

Télécharger l'EPUB

Pour lire le résumé de Observability Engineering sur votre liseuse ou dans une application de lecture, téléchargez gratuitement l’EPUB. Le format numérique .epub est idéal pour lire des livres numériques sur téléphone, tablette ou liseuse.
Download EPUB
Envie de lire le livre complet ?
Suivre
Écouter
Accueil
Swipe
Biblio
Appli
Essayez l'accès complet pendant 3 jours
Écoutez, enregistrez, et plus encore
Comparer les fonctionnalités Gratuit Pro
📖 Lire les résumés
Lisez des résumés illimités. Les utilisateurs gratuits en reçoivent 3 par mois
🎧 Écouter les résumés
Écoutez des résumés illimités dans 40 langues
—
❤️ Favoris illimités
Limité à 4 pour les utilisateurs gratuits
—
📜 Historique illimité
Limité à 4 pour les utilisateurs gratuits
—
📥 Téléchargements illimités
Limité à 1 pour les utilisateurs gratuits
—
Calendrier sans engagement
Aujourd'hui : Accès immédiat
Écoutez les résumés complets de plus de 26 000 livres. Soit plus de 12 000 heures d'audio !
Jour 2 : Rappel d'essai
Nous vous enverrons une notification pour vous informer que votre essai se termine bientôt.
Jour 3 : Votre abonnement commence
Vous serez débité le 24 nov.,
annulez à tout moment avant.
Consume 2.8× More Books
2.8× livres de plus Écoute Lecture
Nos utilisateurs nous adorent
1M+ lecteurs
Trustpilot Rating
TrustPilot
4.6 Excellent
Ce site change tout. Je n'ai jamais lu autant de résumés aussi rapidement. Je recommande vivement.
— Dave G
Ça vaut vraiment le coup en temps et en argent, et c'est très bien fait. Je n'ai jamais vu cette qualité de résumés ailleurs. Très utile !
— Em
Hautement recommandé !! Service fantastique. Parfait pour ceux qui veulent plus qu'un aperçu sans tous les détails d'un livre audio complet.
— Greg M
Économisez 62 %
Annuel
$119.88 $44.99/an/an
$3.75/mois
Mensuel
$9.99/mois
Démarrer un essai gratuit de 3 jours
3 jours gratuits, puis $44.99/an. Annulez à tout moment.
Unlock a world of fiction & nonfiction books
Plus de 26 000 livres pour le prix de 2 livres
Lisez n'importe quel livre en 10 minutes
Découvrez de nouveaux livres comme sur Tinder
Demandez n'importe quel livre s'il n'est pas encore résumé
Lisez plus de livres que quiconque
L'appli n°1 pour les amateurs de livres
Lifelike & immersive summaries
Garantie satisfait ou remboursé 30 jours
Téléchargez les résumés en EPUB ou PDF
Annulez à tout moment en quelques clics

Pourquoi un seul résumé ?

Scanner
Trouvez un code-barres à scanner

⭐
⭐
⭐
Nous avons un cadeau spécial pour vous
Ouvrir
38 % de réduction
RÉDUCTION POUR VOUS
⭐
⭐
⭐
$79.99
$49.99/an
Seulement $4.16 par mois
Continuer
2 touches pour commencer, résiliation ultra simple
Paramètres
Général
Widget
Chargement...