Ce qui se cache derrière la supervision
Un dashboard n'est pas une supervision. Derrière le mot, quatre couches et une facture qui dépend d'un seul chiffre : la cardinalité.
Demande à dix personnes ce que fait un outil de supervision. Tu obtiendras dix réponses : des graphes, des alertes, un « truc qui surveille les serveurs ». Aucune ne décrit ce qui tourne réellement derrière. Et c'est exactement là que les budgets explosent.
Le mot « supervision » cache au moins quatre métiers
Un outil comme Prometheus ou Zabbix ne « supervise » pas. Il collecte, stocke, évalue et notifie. Quatre fonctions distinctes, quatre coûts distincts.
- Collecte : un agent ou un exporter expose des métriques sur un port HTTP. Rien de magique, c'est du texte.
- Stockage : une TSDB compresse et indexe les séries temporelles. C'est là que la facture se joue.
- Évaluation : les règles d'alerte tournent à intervalle fixe, sur toutes les séries, tout le temps.
- Notification : routage, déduplication, silence. La partie que tout le monde bâcle.
Quand quelqu'un dit « la supervision rame », il parle en général de la couche 2 ou 3, pas de celle qu'il regarde à l'écran. Exemple vécu : un cluster dont le dashboard restait fluide alors que les règles d'alerte mettaient quarante secondes à s'évaluer, parce que 600 000 séries traînaient dans la TSDB.
La cardinalité est le seul chiffre qui compte vraiment
Une métrique n'est pas une ligne, c'est un ensemble de séries. Chaque combinaison de labels crée une série unique, stockée et indexée séparément.
Prends un histogramme classique, http_request_duration_seconds, avec 12 buckets — donc 14 séries par combinaison (12 buckets plus _sum et _count). Ajoute trois labels : path (500 valeurs), method (5), status (8).
500 × 5 × 8 × 14 = 280 000 séries pour une seule métrique. Multiplie par un échantillon toutes les 15 secondes sur 30 jours de rétention, et tu as la réponse à « pourquoi le disque est plein ».
Le piège mortel : un label à forte cardinalité. user_id, request_id, trace_id dans un label de métrique. Ça passe en préprod avec 40 utilisateurs de test. En prod, ça tue la TSDB en une nuit. La règle de nommage de Prometheus le dit noir sur blanc : les labels doivent décrire des dimensions bornées, pas des identifiants.
Ce qui monte en ce moment (et qui change la donne)
Trois mouvements que je vois arriver partout, et qui méritent ton attention cette semaine.
- OpenTelemetry comme contrat unique. Métriques, traces et logs sortent du même SDK, dans le même format. Tu changes de backend sans réinstrumenter. C'est le gros basculement de l'année, et il est déjà là.
- eBPF pour la collecte sans agent applicatif. Le noyau observe les syscalls et le réseau, tu récupères des latences par service sans toucher au code. Zéro instrumentation, mais une nouvelle surface à sécuriser.
- Le profiling continu. Les métriques disent « c'est lent », le profil dit « c'est cette fonction ligne 214 ». La boucle se ferme enfin entre alerte et cause racine.
Concrètement, un pipeline OTel qui reçoit du Prometheus existant, ajoute du profiling et renvoie tout vers un backend unique, ça se monte en une journée avec le collector. Le vrai travail, c'est de décider ce qu'on jette avant de l'envoyer.
Mon avis tranché : arrête d'ajouter des dashboards
Un dashboard de plus ne rend personne plus fiable. Il rend une panne plus jolie à regarder.
Ce qui rend un système supervisable, c'est un SLO écrit et un budget d'erreur assumé. « 99,5 % des requêtes sous 300 ms sur 30 jours glissants » est une phrase qui oblige à choisir des métriques, à définir un seuil et à décider quand on dort mal. Un mur de 40 graphes ne t'oblige à rien.
Deuxième conviction : la supervision doit être testée comme du code. Une règle d'alerte qui n'a jamais déclenché en test va déclencher pour la première fois pendant un incident, à 3 h du matin, avec un template cassé. Injecte une panne volontaire une fois par trimestre, vérifie que l'alerte arrive et qu'elle dit quoi faire. Le reste, c'est de la décoration.
Si tu veux la base open source pour démarrer sans budget licence, j'ai détaillé les options dans les projets open source de supervision. Et si ton problème n'est pas l'outil mais le modèle — métriques, logs, traces, SLO — commence par les alternatives au monitoring.
Les sources qui valent le détour
Trois références que je relis régulièrement, toutes accessibles.
- La convention de nommage Prometheus : courte, et elle règle à elle seule la moitié des problèmes de cardinalité.
- La page signaux métriques d'OpenTelemetry : la distinction instrument synchrone / asynchrone, à connaître avant de coder.
- Le whitepaper observabilité de la CNCF : le seul document qui remet les quatre couches dans le bon ordre.
Derrière le mot « supervision », il y a une architecture et une facture. Regarde les deux avant de regarder les graphes.