Formateur observabilité : métriques, logs et traces sur Kubernetes
Je forme vos équipes à relier logs, métriques et traces sur Kubernetes, pour remonter d'une alerte jusqu'au service et à la requête en cause.
Mon approche
Sur un cluster Kubernetes, une requête traverse plusieurs services, des pods naissent et meurent, et leurs logs disparaissent avec eux. Le monitoring classique dit qu'un service va mal. L'observabilité doit dire pourquoi. Dans mes sessions, on installe une pile complète sur un cluster : kube-prometheus-stack pour les métriques, Loki et Grafana Alloy pour les logs, OpenTelemetry et Jaeger pour les traces, puis on relie les trois dans Grafana.
J'enseigne l'observabilité dans mes formations Kubernetes et Rancher, et j'y consacre plusieurs parties de mon livre Cloud Native Microservices With Kubernetes. Les exercices portent sur de vraies applications : un service Python dont on rend les erreurs lisibles, une application Java tracée sans toucher à son code. Le but est qu'une équipe sache où chercher en premier quand un incident arrive.
Ce que je couvre
Du monitoring à l'observabilité
- Ce que le monitoring mesure et ce que l'observabilité permet de comprendre
- Regarder de l'intérieur ou de l'extérieur : monitoring en boîte blanche, en boîte noire
- Les trois piliers : métriques, logs et traces
- Les quatre signaux d'or et ce que chacun révèle d'un service
Les métriques du cluster
- Prometheus sur Kubernetes et découverte de services (Prometheus seul fait l'objet d'une formation à part)
- Les sources de métriques du cluster, du kubelet et de cAdvisor à kube-state-metrics
- Prometheus Operator, kube-prometheus-stack, ServiceMonitor et PodMonitor
- Dashboards Grafana du cluster
Logs centralisés avec Loki
- La place de Loki face aux autres outils de logs
- Architecture et modes de déploiement, du binaire unique au mode distribué
- Collecte avec Grafana Alloy, qui remplace Promtail
- Brancher Loki dans Grafana comme source de données
LogQL
- Sélecteurs de streams
- Filtres de ligne
- Parsers et filtres sur les labels
- Requêtes de métriques calculées à partir des logs
Écrire des logs exploitables
- logfmt ou JSON : choisir un format
- Une erreur sur une seule ligne plutôt que sur cinquante
- Dashboard communautaire qui met métriques et logs côte à côte
Traces distribuées avec OpenTelemetry
- OpenTelemetry, un standard qui sépare l'instrumentation du backend
- SDK, Collector et exporters : receivers, processors, exporters
- Collector en agent sur chaque nœud ou en passerelle centrale
- Trace, span, propagation de contexte W3C ou B3, baggage et échantillonnage
Instrumenter et corréler
- Instrumentation automatique ou manuelle, langage par langage
- OpenTelemetry Operator et ressource Instrumentation
- Jaeger v2 installé avec Helm, et Grafana Tempo comme autre backend
- Passer d'une trace aux logs et aux métriques du même service dans Grafana
Exemples de travaux pratiques
- Déployer kube-prometheus-stack avec Helm, générer du trafic DNS et des appels à l'API server, puis le suivre dans les dashboards du cluster
- Installer Loki en mode monolithique et collecter les logs des pods avec Grafana Alloy, en comptant les lignes reçues et perdues
- Écrire des requêtes LogQL qui isolent les erreurs et les exceptions d'une application
- Faire tenir une traceback Python sur une seule ligne de log structurée, puis la retrouver dans Grafana
- Tracer une application Java sans modifier son code grâce à l'OpenTelemetry Operator, puis explorer ses spans dans Jaeger
Pour qui
Je m'adresse aux équipes plateforme qui exploitent des clusters Kubernetes ou Rancher, aux SRE qui doivent réduire le temps de diagnostic, et aux développeurs de microservices qui veulent comprendre ce que fait leur code une fois déployé. La formation suppose un cluster déjà connu ; elle ne remplace pas une initiation à Kubernetes.
Prérequis
- Déployer et dépanner une application sur Kubernetes avec kubectl
- Installer un chart avec Helm
- Savoir ce qu'est une métrique Prometheus, sans maîtriser PromQL
Formats
- En entreprise, sur place ou à distance
- Un module observabilité au sein d'une formation Kubernetes
- La partie observabilité d'un parcours d'exploitation Kubernetes avec Rancher
- Des exercices sur un cluster K3s préparé pour la session
Entreprises et organisations formées
Mediagenix · Viadialog · Microsoft · Intel · Société Générale · Michelin · Ministère des Armées · Ministère de l'Éducation nationale · Ministère de l'Intérieur · Orange · EDF · Iliad / Free · Assurance Maladie · Ville de Strasbourg · Groupe Hospitalier du Havre · General Electric · Synechron · Sagemcom · Cryostar · Config · Echosens · Coyote System · RS2i · Amphenol Socapex · 4JS · NTI · GPSEA · CentralPay · Lazeo · Kabia · Vademi · UOC
Mes livres sur le sujet
Questions fréquentes
Jaeger ou Grafana Tempo : quel backend de traces retenir ?
Les deux reçoivent les mêmes données OpenTelemetry, donc le choix reste réversible. Jaeger offre une interface dédiée à l'exploration des traces. Tempo mise sur un stockage objet peu coûteux et s'intègre à Grafana, comme Loki. J'utilise Jaeger dans les exercices et je montre ce qui change avec Tempo.
Nous utilisons encore Promtail. Faut-il migrer ?
Oui, à terme : Promtail est arrivé en fin de vie et Grafana Alloy le remplace. Alloy reprend la découverte de services et le relabeling de Prometheus, appliqués aux logs. La formation utilise Alloy, et les réflexes acquis avec Promtail restent utiles.
Faut-il modifier le code de nos applications pour obtenir des traces ?
Pas toujours. Pour Java, .NET, Python, Node.js ou PHP, l'OpenTelemetry Operator injecte un agent au démarrage du pod, sans toucher au code. L'instrumentation manuelle reste utile pour ajouter des spans métier précis, et nous voyons quand elle vaut l'effort.
Formations proches
Organiser une formation
Décrivez votre équipe, son niveau et vos objectifs. Je vous réponds avec un programme adapté.
Me contacter