1. Les déclencheurs #
Définir un problème.
Expressions #
last(/web-01/vfs.fs.size[/,pused])>90 # dernière valeur
avg(/web-01/system.cpu.util,5m)>80 # moyenne sur 5 min
min(/web-01/net.if.in["eth0"],10m)=0 # aucun trafic depuis 10 min
nodata(/web-01/agent.ping,5m)=1 # plus de données depuis 5 min
count(/web-01/log[/var/log/app.log,ERROR],10m)>20 # plus de 20 erreurs en 10 min
timeleft(/web-01/vfs.fs.size[/,pused],1h,100)<4h # disque plein dans moins de 4 h| Sévérité | Usage conseillé |
|---|---|
| Not classified, Information | Pas de notification |
| Warning, Average | Notification aux heures ouvrées |
| High, Disaster | Astreinte |
Éviter le bruit #
| Technique | Exemple |
|---|---|
| Hystérésis (expression de rétablissement) | Problème si > 90, rétabli seulement si < 80 |
| Fonctions sur une durée | min(...,5m)>90 plutôt que last() |
| Dépendances | Le déclencheur « serveur injoignable » dépend de « routeur du site injoignable » |
| Macros de seuil | {$CPU.UTIL.CRIT} ajustable par hôte |
Bonne Pratique : Une dépendance bien posée évite 200 problèmes « hôte injoignable » quand c'est le lien du site qui est coupé : seul le problème du routeur est notifié.
2. Actions et notifications #
Prévenir les bonnes personnes.
Chaîne de notification #
| Élément | Rôle |
|---|---|
| Type de média (media type) | Canal : e-mail, SMS, webhook (Slack, Teams, Telegram, PagerDuty, Jira...) |
| Média de l'utilisateur | Adresse de l'utilisateur pour ce canal, horaires, sévérités |
| Action de déclencheur | Conditions (groupe d'hôtes, sévérité, tag) et opérations |
| Opérations et escalades | Étape 1 : équipe ; étape 2 après 30 min sans acquittement : responsable |
| Opérations de rétablissement | Prévenir de la résolution |
Les tags sur les déclencheurs (service:paiement, equipe:dba) servent à router les problèmes et à filtrer les vues.
3. Maintenances et acquittements #
Le cycle de vie d'un problème.
Pratiques #
- Acquitter un problème (avec message) indique qu'il est pris en charge et peut arrêter les escalades.
- Fermer manuellement un problème est possible si le déclencheur l'autorise (événements ponctuels).
- Maintenances : périodes planifiées par hôte ou groupe, avec ou sans collecte, qui suspendent les notifications.
- Suppression temporaire d'un problème (suppress) pour quelques heures.
