1. CI, CD et CD #
Trois pratiques, souvent confondues.
Définitions #
| Pratique | Définition | Condition |
|---|---|---|
| Intégration continue (CI) | chaque modification est intégrée à la branche principale, construite et testée automatiquement, plusieurs fois par jour | tests automatisés rapides, branches courtes |
| Livraison continue (Continuous Delivery) | chaque version qui passe le pipeline est déployable en production à tout moment, en un clic | déploiement automatisé et reproductible |
| Déploiement continu (Continuous Deployment) | chaque version qui passe le pipeline part automatiquement en production | confiance totale dans les tests, déploiements progressifs, retour arrière automatique |
La CI répond à « mon code s'intègre-t-il avec celui des autres ? », la livraison continue à « puis-je livrer maintenant ? », le déploiement continu supprime la question.
Pourquoi c'est rentable #
- Des lots plus petits : chaque déploiement change peu de choses, donc casse peu et se diagnostique vite.
- Un retour rapide : un développeur apprend en minutes qu'il a cassé quelque chose, pas en semaines.
- Un processus reproductible : la mise en production devient un non-événement.
- Des métriques DORA meilleures : fréquence de déploiement, délai, taux d'échec et temps de restauration.
2. Anatomie d'un pipeline #
Les étapes du commit à la production.
Les étapes #
| Étape | Contenu | Durée cible |
|---|---|---|
| Commit stage | compilation, tests unitaires, lint, analyse statique, détection de secrets | < 10 min |
| Package | construction d'un artefact unique et versionné (image, binaire, paquet) | quelques minutes |
| Tests d'acceptation | tests d'intégration et de bout en bout sur un environnement éphémère ou de staging | < 30 min |
| Déploiement | promotion du même artefact vers staging puis production | minutes |
| Vérification | smoke tests, analyse des métriques, retour arrière automatique si dégradation | minutes |
Les briques techniques #
| Notion | Rôle |
|---|---|
| Déclencheur | push, pull request, tag, planification, déclenchement manuel |
| Runner / agent | machine (souvent un conteneur éphémère) qui exécute les jobs |
| Job / étape | unité de travail ; les jobs d'un même stage tournent en parallèle |
| Cache | dépendances réutilisées d'un build à l'autre pour gagner du temps |
| Artefact | résultat produit par un job et transmis aux suivants ou publié |
| Environnement | cible de déploiement (staging, production) avec ses secrets et ses règles d'approbation |
| Secrets | identifiants injectés au moment de l'exécution, jamais écrits dans le dépôt |
3. Les principes fondamentaux #
Ce qui rend un pipeline fiable.
Build once, deploy many #
On construit l'artefact une seule fois, on lui donne une version immuable (le SHA du commit), et c'est ce même artefact qui est testé puis promu de staging en production. Reconstruire pour la production, c'est déployer quelque chose qui n'a jamais été testé.
Erreur Courante : Une image taguée latest ou reconstruite par environnement casse la traçabilité : impossible de savoir exactement ce qui tourne en production ni de revenir à la version précédente.Les autres règles #
- Pipeline as code : la définition du pipeline est versionnée avec le code (
.github/workflows,.gitlab-ci.yml,Jenkinsfile). - Échouer vite : les contrôles rapides d'abord, les plus longs ensuite.
- Le pipeline rouge est prioritaire : on répare (ou on annule le commit) avant de continuer.
- Configuration externe : l'artefact est identique partout, seule la configuration change (variables, secrets, 12 facteurs).
- Reproductibilité : versions d'outils et de dépendances figées, runners éphémères.
- Tout passe par le pipeline, y compris les correctifs urgents : sinon le pipeline cesse d'être la source de vérité.
4. Un premier pipeline #
La même logique avec deux outils.
GitHub Actions #
# .github/workflows/ci.yml
name: ci
on:
push: { branches: [main] }
pull_request: {}
jobs:
test:
runs-on: ubuntu-latest
steps:
- uses: actions/checkout@v4
- uses: actions/setup-python@v5
with: { python-version: "3.12", cache: pip }
- run: pip install -r requirements.txt
- run: pytest -q
build:
needs: test
if: github.ref == 'refs/heads/main'
runs-on: ubuntu-latest
steps:
- uses: actions/checkout@v4
- run: docker build -t app:${{ github.sha }} .GitLab CI #
# .gitlab-ci.yml
stages: [test, build]
test:
stage: test
image: python:3.12
script:
- pip install -r requirements.txt
- pytest -q
build:
stage: build
image: docker:27
services: [docker:27-dind]
rules: [{ if: '$CI_COMMIT_BRANCH == "main"' }]
script:
- docker build -t $CI_REGISTRY_IMAGE:$CI_COMMIT_SHA .Suite du chapitre : Les quatre leçons suivantes détaillent chaque partie : intégration continue et tests, artefacts et environnements, stratégies de déploiement, puis outils.
Mon suivi
Connectez-vous pour suivre votre progression et prendre des notes. Se connecter
💬 Questions sur cette leçon
Aucune question pour l'instant : soyez le premier à demander de l'aide ou à partager votre configuration.
Glossaire de la formation
DevOps
Culture, mouvement et pratiques visant à unifier le développement logiciel (Dev) et l'administration des infrastructures informatiques (Ops).Découvrir...
DevSecOps
Intégration native de la sécurité (Security) dès la conception et tout au long du cycle de vie DevOps (approche "Shift-Left").Voir comment intégrer la...
AIOps (Artificial Intelligence for IT Operations)
Utilisation de l'intelligence artificielle et de l'apprentissage automatique pour automatiser et améliorer les opérations informatiques (ex: détection...
NoOps
Concept où l'environnement informatique est tellement automatisé et abstrait (ex: Serverless, PaaS) qu'il ne nécessite quasiment plus d'équipe opérati...
GitOps
Pratique de déploiement continu où un dépôt Git sert de source unique de vérité déclarative pour l'infrastructure et les applications.Maîtriser le dép...
FinOps (Financial Operations)
Culture de responsabilité financière du Cloud visant à maximiser la valeur métier en optimisant les coûts. Elle permet une collaboration étroite entre...
SRE (Site Reliability Engineering)
Discipline qui applique les principes de l'ingénierie logicielle aux problématiques d'exploitation. Le but est de créer des systèmes hautement scalabl...
Platform Engineering
Discipline consistant à concevoir et construire des chaînes d'outils et des flux de travail permettant aux développeurs de gérer leur infrastructure e...
Articles recommandés
CI/CD de bout en bout (2/5) : intégration continue, tests et qualité
Réussir l'intégration continue : pyramide des tests, tests unitaires, d'intégration, de contrat e...
CI/CD de bout en bout (3/5) : artefacts, registres et environnements
Livrer en continu : artefacts immuables et versionnés, registres d'images et de paquets, promotio...
CI/CD de bout en bout (5/5) : GitHub Actions, GitLab CI, Jenkins et Argo CD en pratique
Comparer et utiliser les outils CI/CD : GitHub Actions, GitLab CI, Jenkins, Argo CD et Flux ; pip...
CI/CD de bout en bout (4/5) : stratégies de déploiement et retour arrière
Déployer sans interruption et sans risque : recreate, rolling update, blue/green, canary, feature...
Bonnes pratiques DevOps : culture, CI/CD, infrastructure as code et mesure
Bonnes pratiques DevOps : culture et collaboration, intégration et livraison continues, trunk-bas...
DevSecOps : sécuriser la chaîne logicielle de bout en bout
Intégrer la sécurité dans le pipeline DevOps : shift-left, modélisation des menaces, détection de...
Mesurer la performance DevOps : métriques DORA, SPACE et amélioration continue
Mesurer et améliorer la performance de livraison : les métriques DORA (fréquence de déploiement, ...
Observabilité, SRE et gestion des incidents pour les équipes DevOps
Exploiter ce que l'on livre : métriques, logs et traces, golden signals, SLI, SLO et budgets d'er...
Git pour le DevOps : branches, revues de code et versions
Organiser le travail avec Git dans une démarche DevOps : trunk-based development ou GitFlow, bran...