Une équipe crée vingt SLO en une après-midi, un par métrique disponible. Trois mois plus tard, personne ne les regarde : ils sont tous verts pendant que les utilisateurs se plaignent. Le problème n’est pas l’outil, c’est la méthode pour choisir ses SLI.
Objectif de ce tutoriel : appliquer une méthode en cinq étapes pour choisir ses SLI à partir du parcours utilisateur, les écrire en DQL, mesurer leur historique et en déduire des objectifs réalistes. Les requêtes visent Dynatrace SaaS (Grail) ; la démarche vaut aussi pour Dynatrace Managed, avec des expressions de métriques à la place du DQL.
Pour le contexte SRE général, voir IA et fiabilité : ce que les SRE doivent savoir.
Ce qu’est un bon SLI
Un bon SLI coche trois cases :
- il reflète ce que l’utilisateur ressent (une page qui ne charge pas), pas l’état d’une machine (un CPU à 90 %) ;
- il s’exprime en ratio : événements bons / événements valides, entre 0 et 100 % ;
- il bouge quand le service se dégrade, et seulement dans ce cas.
Le CPU, la mémoire ou le nombre de pods restent utiles pour le diagnostic. Ce ne sont pas des SLI.
Prérequis
- SaaS : accès à Notebooks et lecture des spans et des métriques de service dans Grail.
- Managed : accès au Data Explorer et aux métriques
builtin:service.*. - Au moins 14 jours de données sur le service étudié, pour couvrir deux cycles hebdomadaires.
- Une heure avec le product owner : la méthode commence par une conversation, pas par une requête.
Choisir ses SLI en 5 étapes
Étape 1 — Lister les parcours critiques
Demandez : « Si cette action échoue, qui appelle le support ? » Gardez trois à cinq parcours au maximum. Exemple pour une boutique :
| Parcours | Service d’entrée | Ce que l’utilisateur attend |
|---|---|---|
| Rechercher un produit | search | Des résultats rapides |
| Ajouter au panier | cart | Une action qui réussit |
| Payer | checkout | Un paiement confirmé, sans erreur |
Étape 2 — Associer un type de SLI à chaque parcours
- Disponibilité : requêtes sans erreur / requêtes valides.
- Latence : requêtes sous un seuil / requêtes valides.
- Qualité : réponses complètes (pas de résultat dégradé) / réponses.
- Fraîcheur (traitements asynchrones) : données mises à jour depuis moins de N minutes / données.
Pour la recherche : latence. Pour le panier : disponibilité. Pour le paiement : disponibilité et latence.
Étape 3 — Définir précisément les événements valides et bons
C’est l’étape la plus souvent bâclée. Écrivez noir sur blanc :
- valide : requête serveur sur l’endpoint de paiement, hors health checks et hors trafic synthétique ;
- bon : réponse sans erreur serveur (une erreur 4xx due au client reste « bonne » côté service).
Cette définition décide de ce qui consomme l’error budget. Faites-la valider par l’équipe produit.
Étape 4 — Mesurer l’historique en DQL
Disponibilité par jour sur 14 jours, à partir des spans :
fetch spans, from: now() - 14d
| filter service.name == "checkout" and span.kind == "server"
| filterOut contains(url.path, "/health")
| makeTimeseries {
total = count(),
erreurs = countIf(span.status_code == "error")
}, interval: 1d
| fieldsAdd dispo = 100 * (total[] - erreurs[]) / total[]
Distribution de la latence, pour choisir le seuil :
fetch spans, from: now() - 14d
| filter service.name == "search" and span.kind == "server"
| summarize p50 = percentile(duration, 50),
p90 = percentile(duration, 90),
p99 = percentile(duration, 99)
Lignes critiques : filterOut écarte les health checks du dénominateur. Le champ url.path dépend de votre instrumentation ; adaptez-le. Si vos services sont instrumentés par OneAgent, la métrique dt.service.request.count et son pendant dt.service.request.failure_count donnent le même résultat plus vite (noms à vérifier dans la documentation Dynatrace). Sur 14 jours, une requête sur les spans peut être coûteuse : lancez-la une fois, pas en boucle.
En Managed, ouvrez le Data Explorer avec builtin:service.errors.server.rate et builtin:service.response.time (percentiles), split par jour.
Étape 5 — Déduire des objectifs réalistes
Règle simple : partez de ce que le service fait déjà, légèrement en dessous, puis resserrez si les utilisateurs l’exigent.
- Disponibilité mesurée entre 99,82 % et 99,97 % par jour : un objectif de 99,5 % sur 28 jours est tenable et laisse un budget utilisable.
- Latence p90 à 320 ms, p99 à 1,1 s : un seuil de 500 ms avec un objectif de 95 % reflète l’expérience courante sans alerter sur la queue de distribution.
Un objectif à 100 % interdit tout changement. Un objectif au-dessus de la performance actuelle est en alerte permanente. Les deux sont inutiles.
Le piège des SLI d’infrastructure
Un nœud Kubernetes peut tomber sans qu’aucun utilisateur ne le remarque, grâce aux réplicas. À l’inverse, une base saturée peut ralentir chaque paiement alors que tous les pods sont « healthy ». Gardez donc les signaux d’infrastructure dans vos tableaux de bord et vos alertes de diagnostic, et réservez les SLI aux signaux vus par l’utilisateur. Cette séparation réduit le bruit d’astreinte et rend l’error budget crédible auprès du produit.
Comment vérifier que ça fonctionne
- Rejouez un incident passé : sur sa journée, le SLI doit chuter nettement. S’il reste plat, le SLI ne mesure pas ce que vivent les utilisateurs.
- Vérifiez qu’une journée calme reste au-dessus de l’objectif : sinon, l’objectif est trop haut.
- Créez le SLO et regardez l’error budget restant sur 28 jours : il doit être positif sans être à 100 % en permanence.
La création des SLO eux-mêmes est détaillée dans créer un SLO OpenTelemetry en DQL.
Bonnes pratiques
- Trois à cinq SLI par service au maximum : au-delà, plus personne ne les lit.
- Mesurez au plus près de l’utilisateur (load balancer, service d’entrée, RUM) plutôt qu’en base de données.
- Documentez la définition de chaque SLI à côté de sa requête, avec la date de revue.
- Revoyez les objectifs chaque trimestre avec le produit, en blameless : un SLO raté est une donnée, pas une faute.
- Branchez ensuite des alertes burn rate SLO pour être prévenu avant l’épuisement du budget.
Questions fréquentes
Faut-il un SLI différent par endpoint ?
Non. Regroupez les endpoints d’un même parcours. Isolez seulement un endpoint critique dont le comportement diffère fortement (le paiement, par exemple).
Percentile ou ratio pour la latence ?
Le ratio « requêtes sous le seuil » se cumule proprement sur une fenêtre et donne un error budget. Le percentile reste utile pour choisir le seuil, à l’étape 4.
Que faire sans 14 jours d’historique ?
Démarrez avec un objectif prudent, marquez-le « provisoire » et révisez-le après deux semaines de données.
Conclusion
Choisir ses SLI, c’est partir de l’utilisateur, définir précisément les bons événements, mesurer l’historique, puis fixer un objectif tenable. Une après-midi de méthode vaut mieux que vingt SLO que personne ne lit.
span.observer est un blog indépendant de la communauté, non affilié à Dynatrace LLC. Dynatrace est une marque de Dynatrace LLC. Les fonctionnalités SaaS évoluent vite : vérifiez leur disponibilité dans votre environnement et dans la documentation officielle.