1. Installer l'agent #
Linux, Docker, Kubernetes.
Linux #
DD_API_KEY=<cle_api> DD_SITE="datadoghq.eu" \
bash -c "$(curl -L https://install.datadoghq.com/scripts/install_script_agent7.sh)"
sudo datadog-agent status | head -40Docker #
docker run -d --name dd-agent \
-e DD_API_KEY=<cle_api> -e DD_SITE=datadoghq.eu \
-e DD_LOGS_ENABLED=true -e DD_LOGS_CONFIG_CONTAINER_COLLECT_ALL=true \
-e DD_APM_ENABLED=true -e DD_APM_NON_LOCAL_TRAFFIC=true -e DD_DOGSTATSD_NON_LOCAL_TRAFFIC=true \
-v /var/run/docker.sock:/var/run/docker.sock:ro \
-v /proc/:/host/proc/:ro -v /sys/fs/cgroup/:/host/sys/fs/cgroup:ro \
-p 8126:8126 -p 8125:8125/udp \
gcr.io/datadoghq/agent:7Kubernetes avec l'opérateur #
helm repo add datadog https://helm.datadoghq.com && helm repo update
helm install datadog-operator datadog/datadog-operator -n datadog --create-namespace
kubectl -n datadog create secret generic datadog-secret --from-literal api-key=<cle_api>apiVersion: datadoghq.com/v2alpha1
kind: DatadogAgent
metadata: { name: datadog, namespace: datadog }
spec:
global:
site: datadoghq.eu
clusterName: prod-eu
credentials:
apiSecret: { secretName: datadog-secret, keyName: api-key }
features:
logCollection: { enabled: true, containerCollectAll: true }
apm: { instrumentation: { enabled: true } }
liveProcessCollection: { enabled: true }2. Les intégrations #
Activer un check.
Fichier de configuration #
# /etc/datadog-agent/conf.d/nginx.d/conf.yaml
init_config:
instances:
- nginx_status_url: http://localhost:81/nginx_status
tags: [service:front, env:prod]sudo datadog-agent check nginx # exécuter le check une fois
sudo systemctl restart datadog-agentAutodiscovery des conteneurs #
Pour les conteneurs, la configuration se met dans des annotations (Kubernetes) ou des labels (Docker) : l'agent applique le check à chaque conteneur correspondant, où qu'il tourne.
metadata:
annotations:
ad.datadoghq.com/nginx.checks: |
{"nginx": {"instances": [{"nginx_status_url": "http://%%host%%:81/nginx_status"}]}}
ad.datadoghq.com/nginx.logs: '[{"source": "nginx", "service": "front"}]'Bonne Pratique : La variable %%host%% est remplacée par l'adresse du conteneur : la même annotation fonctionne pour tous les pods.3. Diagnostiquer l'agent #
Les commandes utiles.
Commandes #
sudo datadog-agent status # état des checks, logs, APM, erreurs
sudo datadog-agent configcheck # configurations chargées (dont autodiscovery)
sudo datadog-agent flare <ticket> # paquet de diagnostic pour le support
kubectl -n datadog exec ds/datadog-agent -- agent statusMon suivi
Connectez-vous pour suivre votre progression et prendre des notes. Se connecter
Articles recommandés
Comprendre la notion de score
Le concept de score va permettre à Elasticsearch de classer vos documents par pertinence lors d u...
Elastic Common Schema (ECS) : le format standard des données Elastic et son rôle dans Elastic SIEM
Comprendre l'Elastic Common Schema (ECS) : format standard des champs dans Elasticsearch, convent...
Grail : Dynatrace Data Lakehouse
Désormais vous disposez dans Dynatrace (SaaS) d'un Data Lakehouse nommé Grail dont vous pouvez co...
C'est quoi l'observabilité
La capacité à connaître l'état interne d'un système à partir des données que cette dernière émet...
Les types de transactions dans les base de données
Cet article détaille les différences entre trois concepts essentiels dans l'exécution des instruc...
Différences entre Technologies et Services dans Dynatrace
Dans Dynatrace, les concepts de 'Technologie' et de 'Services' aident à organiser et surveiller l...
Dynatrace : Différences entre SQL Modifications, SQL Queries or Procedures, et SQL Transactions
Cet article détaille les différences entre trois concepts essentiels dans l'exécution des instruc...
Licences Dynatrace : modèle par unités et consumption-based licensing (DPS)
Comprendre la facturation Dynatrace : l'ancien modèle de licences segmentées par unités (Host Uni...
Les Types de Services Dynatrace : Comprendre et Optimiser Votre Surveillance Applicative
Découvrez les différents types de services que Dynatrace peut surveiller, leur rôle, et comment l...