1. Vue d'ensemble #
Une plateforme SaaS, plusieurs produits.
Architecture #
Datadog est une plateforme SaaS : il n'y a rien à héberger côté serveur. Les données arrivent par l'agent (installé sur les hôtes et les nœuds Kubernetes), par les intégrations cloud (lecture des API AWS, Azure, GCP), par les SDK (APM, RUM, mobile) ou par OpenTelemetry. Tous les produits partagent le même modèle : des données horodatées et des tags.
2. Sites et organisations #
Où vivent les données.
Sites #
| Site | Domaine | Région |
|---|---|---|
| US1 | datadoghq.com | États-Unis |
| US3 | us3.datadoghq.com | États-Unis |
| US5 | us5.datadoghq.com | États-Unis |
| EU1 | datadoghq.eu | Europe (Allemagne) |
| AP1 | ap1.datadoghq.com | Japon |
| US1-FED | ddog-gov.com | Administration américaine |
Erreur Courante : Le site se choisit à la création de l'organisation et ne se change pas ensuite. Pour des données soumises au RGPD, choisissez EU1 dès le départ, et configurez DD_SITE=datadoghq.eu partout : un agent configuré sur le mauvais site envoie ses données dans le vide.Une organisation regroupe utilisateurs, données et facturation. Les grandes entreprises utilisent des organisations enfants par entité, rattachées à une organisation parente pour la facturation.
3. Les clés #
Sécuriser l'accès.
Clés et jetons #
- Une clé d'API par usage (production, préproduction, CI), pour pouvoir en révoquer une sans tout casser.
- Les clés d'application héritent des droits de leur utilisateur : préférez des service accounts pour l'automatisation, avec des scopes limités.
- Le client token est public par nature (il est dans le code JavaScript) : il ne permet que l'envoi de données RUM et logs navigateur.
4. Le modèle de données #
Tout passe par les tags.
Tagging unifié #
Le tagging de service unifié repose sur trois tags réservés, posés partout de la même façon : env, service, version. Ce sont eux qui relient une métrique, un log, une trace et une session RUM du même service.
| Produit | Ce qui est facturé (ordre d'idée) |
|---|---|
| Infrastructure | Hôtes supervisés, conteneurs au-delà du quota, métriques personnalisées |
| APM | Hôtes APM, spans indexés au-delà du quota |
| Logs | Volume ingéré et volume indexé (par rétention) |
| RUM, Synthetics | Sessions, exécutions de tests |
À savoir : Chaque produit a son modèle de facturation : l'article « Coûts et gouvernance » de cette formation détaille comment suivre et maîtriser la consommation.
Mon suivi
Connectez-vous pour suivre votre progression et prendre des notes. Se connecter
💬 Discussions récentes de la formation
- Datadog : relier traces, logs et métriques du même service✓ résolu · 1 réponse(s)
Poser une question sur cette leçon →Voir toutes les discussions de la formation
Articles recommandés
Datadog sur Kubernetes : Operator, Cluster Agent et Autodiscovery
Superviser Kubernetes avec Datadog : Datadog Operator et ressource DatadogAgent, Cluster Agent, A...
Monitors, SLO, dashboards et Datadog as code
Créer des monitors efficaces (métriques, logs, APM, composites, anomalies), des SLO, des dashboar...
Dashboards et notebooks Datadog : widgets, template variables et bonnes pratiques
Concevoir des dashboards Datadog utiles : types de widgets, template variables, groupes, Powerpac...
Incidents et automatisation avec Datadog : On-Call, Incident Management et Workflow Automation
Gérer les incidents dans Datadog : monitors bien conçus, astreinte avec On-Call, déclaration et s...
Installer l'agent Datadog et configurer les intégrations
Installer l'agent Datadog sur Linux, Docker et Kubernetes (Datadog Operator), comprendre datadog....
Sécurité avancée Elasticsearch : TLS, certificats, clés d'API, FLS, DLS et audit
Sécuriser Elasticsearch en profondeur : TLS transport et HTTP, gestion des certificats avec elast...
Métriques Datadog avancées : types, agrégations, cardinalité et Metrics without Limits
Maîtriser les métriques Datadog : types (count, rate, gauge, histogram, distribution), agrégation...
Logs Datadog avancés : index, filtres d'exclusion, Flex Logs, archives et Sensitive Data Scanner
Maîtriser coût et conformité des logs Datadog : pipelines et processeurs, index et rétention, fil...
Logs dans Datadog : collecte, pipelines, index et maîtrise du volume
Collecter les logs avec l'agent, les structurer avec pipelines et processeurs (grok), utiliser fa...