1. Ingérer n'est pas indexer #
Le levier principal de coût.
Cycle de vie #
| Étape | Ce que l'on paie | Levier |
|---|---|---|
| Ingestion | Volume ingéré | Filtrer à la source (agent) ce qui ne sert jamais |
| Indexation | Volume indexé × rétention | Filtres d'exclusion, index à rétention courte |
| Flex Logs | Stockage long à coût réduit | Données consultées rarement mais à garder |
| Archives | Stockage objet chez vous | Conserver tout, réhydrater en cas d'enquête |
2. Index et exclusion #
Plusieurs index, plusieurs rétentions.
Configuration #
- Un index
audità 30 jours pour la sécurité, un indexappà 7 jours, un indexdebugà 3 jours. - Les index sont évalués dans l'ordre : un log va dans le premier index dont le filtre correspond.
- Les filtres d'exclusion d'un index retirent tout ou partie (échantillonnage) des logs qui correspondent, par exemple 90 % des logs
status:infodes health checks. - Les logs exclus restent visibles dans Live Tail, utilisables par Logs to Metrics et envoyés aux archives.
Bonne Pratique : Avant d'exclure, créez une métrique à partir des logs (Logs to Metrics) : vous gardez le comptage des erreurs sur 15 mois sans indexer les logs eux-mêmes.
3. Données sensibles #
Conformité.
Sensitive Data Scanner #
Le Sensitive Data Scanner détecte des motifs (cartes bancaires, e-mails, clés d'API, IBAN, numéros de sécurité sociale) dans les logs, traces et événements, et les masque, hache ou remplace à l'ingestion, avant indexation.
Erreur Courante : Le masquage côté Datadog intervient après l'envoi : pour les données qui ne doivent jamais quitter votre réseau, masquez dans l'agent (log_processing_rulesde typemask_sequences).
logs:
- type: file
path: /var/log/app/app.log
service: shop
source: python
log_processing_rules:
- type: mask_sequences
name: masquer_emails
replace_placeholder: "[email]"
pattern: '[A-Za-z0-9._%+-]+@[A-Za-z0-9.-]+\.[A-Za-z]{2,}' 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...
Infrastructure avancée avec Datadog : réseau, cloud, conteneurs et bases de données
Superviser l'infrastructure au-delà des hôtes : Network Performance Monitoring, intégrations AWS,...
Grail : le data lakehouse de Dynatrace et le langage DQL
Grail stocke toutes les données d'observabilité de Dynatrace SaaS (logs, métriques, traces, événe...
Métriques Datadog avancées : types, agrégations, cardinalité et Metrics without Limits
Maîtriser les métriques Datadog : types (count, rate, gauge, histogram, distribution), agrégation...
Sensitive Data Center dans Dynatrace
Traiter les demandes RGPD (export, effacement) et supprimer les données sensibles ingérées par er...
RUM et Synthetic Monitoring avec Datadog : synthetic transaction monitoring et expérience utilisateur
Mesurer l'expérience utilisateur avec Datadog : RUM navigateur et mobile, Core Web Vitals, Sessio...
La rétention des données dans Dynatrace : Grail, buckets et durées par type de données
Comprendre combien de temps Dynatrace conserve logs, traces, métriques, sessions et événements, g...
Architecture de la plateforme Datadog : sites, organisations, clés et modèle de données
Comprendre l'architecture de Datadog : sources de données (agent, intégrations cloud, SDK, OpenTe...