RousselTMLEARNING

Observabilité

Le budget d'erreur : décider avec les SLO

Calculer et suivre un budget d'erreur, rédiger une politique de budget d'erreur et l'utiliser pour arbitrer entre nouvelles fonctionnalités et fiabilité.

1. Calculer le budget #

Ce qu'on a le droit de rater.

Formule #

Le budget d'erreur est la part d'événements autorisés à échouer : 1 - SLO. Avec un SLO de 99,9 % sur 30 jours et 10 millions de requêtes, le budget est de 10 000 requêtes en erreur.

GrandeurCalculExemple
Budget total(1 - SLO) × requêtes0,001 × 10 000 000 = 10 000
Budget consomméerreurs observées / budget total4 000 / 10 000 = 40 %
Budget restant1 - consommé60 %
Taux de consommation (burn rate)taux d'erreur observé / (1 - SLO)0,3 % / 0,1 % = 3
À savoir : Un burn rate de 1 consomme exactement le budget sur la fenêtre du SLO. Un burn rate de 3 l'épuise en 10 jours au lieu de 30.

2. La politique de budget d'erreur #

Un accord écrit entre produit et exploitation.

Exemple de politique #

Le budget n'a de valeur que s'il déclenche des décisions, décidées à l'avance et signées par les équipes produit et techniques :

Budget restantDécision
> 50 %Livraisons normales, expérimentations autorisées
20 à 50 %Livraisons normales, revue des incidents du mois
0 à 20 %Priorité aux tâches de fiabilité, déploiements à risque reportés
ÉpuiséGel des fonctionnalités : seuls les correctifs et la fiabilité sont livrés jusqu'au retour dans l'objectif
Bonne Pratique : Le budget fonctionne dans les deux sens : un budget jamais consommé signifie que l'objectif est trop prudent ou que l'équipe pourrait livrer plus vite.

3. Fenêtres glissantes ou calendaires #

Sur quelle période mesurer ?

Choisir #

FenêtreAvantageInconvénient
Glissante (28 ou 30 jours)Reflète l'expérience récente, pas d'effet « remise à zéro »Un incident pèse pendant 30 jours
Calendaire (mois)Alignée sur les SLA et les rapportsLe budget se remet à zéro le 1er, comportements opportunistes

En pratique : fenêtre glissante de 28 ou 30 jours pour piloter, rapport calendaire pour le SLA. 28 jours contiennent exactement quatre semaines, ce qui neutralise l'effet des week-ends.

Articles liés

SRE : SLI, SLO et SLA expliqués simplement

Les fondamentaux de l'ingénierie de la fiabilité (SRE) : différence entre SLI, SLO et SLA, choix des indicate…

Mesurer des SLI avec Prometheus

Implémenter des SLI de disponibilité et de latence avec Prometheus : métriques nécessaires, requêtes de ratio…

Alertes sur le taux de consommation du budget (burn rate multi-fenêtres)

Pourquoi alerter sur le burn rate plutôt que sur un seuil, et comment construire les alertes multi-fenêtres m…

Pour aller plus loin