Les enseignements des readiness probes
Une sonde mal réglée coupe le trafic d'un pod sain, et ça arrive plus souvent qu'on ne le croit. Retour sur les réglages qui comptent vraiment.
Personne ne déploie une readiness probe par plaisir. On la recopie d'un chart Helm, on change le port, et on n'y revient que le jour où la moitié du cluster renvoie des 503 alors que les pods affichent fièrement « Running ».
J'ai passé assez d'incidents à lire des kubectl describe pod pour avoir un avis tranché : c'est le réglage le plus sous-estimé d'un cluster Kubernetes, et le plus dangereux quand il est faux. Voici ce que dix-huit mois de production m'ont appris.
Un pod sain peut sortir du trafic en trente secondes
Scénario réel, cluster de staging qui encaisse du trafic client : une application Go dont l'endpoint /health exécute un SELECT 1 sur PostgreSQL avant de répondre 200. La base subit un pic de latence, 1,2 seconde au lieu de 15 millisecondes.
Le kubelet déclare les trois pods non prêts au bout de trente secondes, le Service n'a plus aucun endpoint, l'Ingress renvoie 503. Les conteneurs n'avaient pas crashé : ils répondaient, simplement plus lentement que le seuil déclaré.
Le trafic a été coupé alors que la capacité de traitement était intacte. C'est exactement l'inverse de ce qu'on attend d'un load balancer. Le correctif a tenu en deux lignes de YAML — sortir la dépendance base de la readiness — mais l'incident a coûté vingt minutes de production.
Readiness et liveness ne répondent pas à la même question
La confusion est si répandue qu'elle mérite d'être posée noir sur blanc. La liveness demande « dois-je redémarrer ce conteneur ? », la readiness se contente de « dois-je lui envoyer du trafic maintenant ? ».
La documentation officielle le dit sans détour, mais le réflexe reste de pointer les deux sondes sur le même endpoint. Résultat : une dépendance qui tousse fait redémarrer des conteneurs parfaitement fonctionnels, ou pire, fait sortir du trafic des pods qui n'ont rien demandé.
Ma règle est simple. La liveness ne teste que le processus et son runtime, jamais un voisin. La readiness peut tester les dépendances strictement nécessaires à la requête, et rien d'autre.
Le couple periodSeconds × failureThreshold est un multiplicateur de panne
Les valeurs par défaut de Kubernetes — une période de dix secondes, trois échecs tolérés — signifient trente secondes avant retrait. Sur une seule réplique, c'est une demi-minute d'indisponibilité.
Sur trente répliques derrière une sonde partagée, c'est la moitié de ta flotte qui bascule en même temps, puisque toutes interrogent la même dépendance au même rythme. Le problème n'est pas la valeur, c'est la corrélation.
Concrètement, je décale les périodes (12, 13, 17 secondes) pour désynchroniser les sondes, et je monte le failureThreshold à 4 ou 5 sur les services dont la latence est naturellement en dents de scie. Un retrait de trafic doit être une décision lente, un retour doit être rapide : successThreshold: 1 systématiquement.
Les démarrages lents ne sont pas des pannes
Une JVM qui met quatre-vingt-dix secondes à charger ses classes, une application Python qui importe des modèles lourds, un cache froid : trois situations où la readiness échouera au démarrage pour de mauvaises raisons.
Beaucoup d'équipes compensent avec un initialDelaySeconds généreux, ce qui retarde aussi la détection réelle de panne plus tard dans la vie du pod. La startupProbe existe précisément pour ça : elle désactive les deux autres sondes tant qu'elle n'a pas réussi.
Sur un service d'inférence qui charge 2 Go de poids, je pose periodSeconds: 10 et failureThreshold: 18 : trois minutes de budget de démarrage, puis les sondes normales reprennent la main avec des seuils serrés. Le pod n'est jamais retiré du trafic pour cause de lenteur initiale.
L'objection : « une probe bien réglée suffit »
L'argument revient à chaque revue d'architecture. Si la sonde est correcte, dit-il, le Service fait déjà le tri et l'observabilité devient un luxe. J'ai défendu cette position, puis je l'ai abandonnée.
Une readiness probe est binaire et locale. Elle sait dire « prêt » ou « pas prêt », jamais « je réponds en 400 millisecondes au 99e centile ». Elle ne voit ni les erreurs 500, ni la saturation d'un pool de connexions, ni un pod qui répond 200 à toutes les requêtes fonctionnelles.
C'est pour cette raison que je couple systématiquement les sondes à des indicateurs de niveau de service, du type de ceux décrits dans le SRE Workbook. La probe protège la disponibilité immédiate, les SLO disent si le service rend vraiment le service attendu. Les deux couches ne se remplacent pas, elles se complètent.
Même raisonnement pour le déploiement progressif : une readiness probe valide un pod, pas une version. Le vrai filet reste le canary avec analyse de métriques, comme je le détaille dans mon tour d'horizon des stratégies de déploiement.
Trois vérifications à faire avant le prochain déploiement
La première tient en une question : que se passe-t-il si la dépendance testée ralentit de dix fois ? Si la réponse est « tout le service sort du trafic », la sonde est trop ambitieuse.
La deuxième concerne les ressources : une readiness probe consomme du CPU et des connexions. Sur un service à 2 000 requêtes par seconde, un endpoint qui interroge la base toutes les dix secondes par pod finit par peser dans les métriques de la base elle-même.
La troisième est une mesure, pas une intuition : provoque la panne en staging. Coupe la base, observe le temps de retrait, compte les 503. Ce test de quinze minutes révèle plus de choses que n'importe quelle revue de YAML.
Un dernier point, souvent oublié : la readiness doit échouer proprement à l'arrêt. Sans preStop et sans grâce suffisante, le pod répond encore « prêt » pendant que le processus s'éteint. Ce détail, comme les autres briques d'un déploiement Kubernetes en production, ne pardonne pas l'approximation.
Les readiness probes ne sont pas un détail de configuration. Ce sont des contrats de disponibilité écrits en YAML, et la plupart des clusters que j'audite en ont signé un qu'ils n'ont jamais lu.