Public cible
Débutants, étudiants et professionnels qui souhaitent acquérir une pratique structurée dans ce domaine.
Mesurer la disponibilité d’un service, détecter les dégradations et tester une procédure de reprise après incident.
Débutants, étudiants et professionnels qui souhaitent acquérir une pratique structurée dans ce domaine.
Comprendre les notions essentielles et les appliquer dans un projet vérifiable.
Aucune connaissance préalable n’est strictement obligatoire ; les prérequis détaillés sont précisés dans les ateliers.
Bac+2
La validation repose sur les évaluations actives et les livrables pratiques du cours.
Un ordinateur, un navigateur et les outils indiqués dans le premier atelier sont suffisants pour commencer.
Configurer des indicateurs et une alerte pour un service critique.
Obligatoire ConsulterÉvaluer la supervision, la reprise et l'analyse des incidents.
Obligatoire ConsulterConstruire un tableau de bord et un plan de reprise testé.
Livrables :
Configurer des indicateurs et une alerte pour un service critique.
Obligatoire ConsulterÉvaluer la supervision, la reprise et l'analyse des incidents.
Obligatoire ConsulterConstruire un tableau de bord et un plan de reprise testé.
Livrables :
Mesurer la santé d’un service, détecter les dégradations et préparer une continuité de service testée plutôt que théorique.
Le cours articule indicateurs, alertes, continuité et retour d’expérience.
Prérequis : Bases de monitoring, réseau et sauvegardes.
Commencer par le service vu par l’utilisateur : disponibilité, latence, taux d’erreur, saturation et fraîcheur des données. Un processeur chargé n’est un incident que si une capacité métier est affectée : 95 % de charge à trois heures du matin pendant la sauvegarde n’appelle personne, 95 % à neuf heures un lundi matin si.
Un indicateur se définit par cinq éléments : une unité, une source de mesure, une fenêtre de calcul, un seuil et une action décidée à l’avance. Sans action associée, la mesure remplit un graphique et ne sert à rien.
Fixer la fenêtre et la fréquence de mesure avant de comparer quoi que ce soit : une latence relevée sur une minute et une latence relevée sur cinq minutes ne se comparent pas. Les mesures doivent être historisées, sinon une dérive lente reste invisible et seul le pic se voit.
Indicateur .. disponibilite du service applicatif
Source ..... sonde HTTPS toutes les 60 s, deux points de mesure
Fenetre ..... 5 minutes glissantes
Seuil ...... taux d erreur superieur a 2 % sur 5 min consecutives
Action ..... ticket P2 vers l equipe d exploitation
| Indicateur | Source de mesure | Seuil | Action associée |
|---|---|---|---|
| Disponibilité du service | Sonde HTTPS toutes les 60 s depuis deux points de mesure | Moins de 99,5 % sur 30 jours | Ouvrir un incident et informer le responsable de service |
| Latence | Temps de réponse de la sonde, 95e centile sur 5 min | Au-delà de 300 ms | Avertissement, contrôle du lien et de la charge |
| Taux d’erreur | Codes HTTP 5xx des journaux du serveur web | Plus de 2 % pendant 5 min | Alerte et ouverture d’un ticket d’incident |
| Saturation | Occupation disque, mémoire, sessions du pare-feu | Au-delà de 85 % de la capacité | Alerte et plan d’extension avant la date butoir |
| Fraîcheur des données | Horodatage du dernier lot importé | Plus de 30 min de retard | Contrôle du traitement puis relance manuelle |
Une alerte qui ne demande aucune action est un journal, pas une alerte. Si la seule conduite possible est « attendre et voir », il faut la supprimer ou la transformer en tableau de bord : sinon elle use le crédit des vraies alertes.
La disponibilité se calcule sur une période donnée : Disponibilité = (durée totale − durée d’indisponibilité) / durée totale. La formule est élémentaire ; c’est le choix de la période qui décide du résultat. Douze heures d’arrêt étalées sur un mois pèsent moins que deux heures d’arrêt un mardi matin, alors que le ratio est identique.
Le raisonnement doit aussi se mener à l’envers : quel budget d’indisponibilité l’engagement autorise-t-il ? Un service tenu à 99,9 % ne tolère que 43 minutes d’arrêt par mois de 30 jours. Au-delà, la pénalité s’applique et le client le voit. On surveille donc le cumul consommé, pas seulement l’incident en cours.
Les arrêts planifiés entrent dans le calcul : soit la fenêtre de maintenance est déclarée dans l’engagement et sort du périmètre, soit elle est ignorée et le chiffre annoncé est faux. Cette décision s’écrit dans le contrat de service, elle ne se devine pas le jour du litige.
Sur 30 jours (720 h) avec 4 h 20 d indisponibilite :
Disponibilite = (720 - 4,33) / 720 = 99,40 %
Objectif 99,9 % -> budget de 43 minutes par mois
Objectif 99,5 % -> budget de 3 h 36 par mois
Objectif 99 % -> budget de 7 h 12 par mois
| Niveau de service | Indisponibilité par mois (30 jours) | Indisponibilité par an | Ce que cela représente |
|---|---|---|---|
| 90 % | 72 heures | 36,5 jours | Service interne non critique, contournement accepté |
| 99 % | 7 h 12 | 87,6 heures | Service interne avec un contournement organisé |
| 99,5 % | 3 h 36 | 43,8 heures | Objectif courant pour un service de gestion |
| 99,9 % | 43 minutes | 8 h 45 | Engagement contractualisé fréquent |
| 99,99 % | 4 min 22 s | 53 minutes | Équipements redondés et changements à chaud |
Un chiffre de disponibilité calculé sur une seule journée flatte toujours le résultat : 23 h de service sur 24 donnent 95,8 %, ce qui ressemble à une catastrophe alors que l’incident a duré une heure. Mesurer sur 30 jours et publier le cumul consommé face au budget.
Un seuil n’est pas une valeur technique, c’est une décision : à partir de quand quelqu’un doit-il être dérangé ? Il se règle selon trois principes. Premier principe : le seuil est relatif au service concerné — 80 % d’occupation sur un lien de 100 Mbit/s et 80 % sur un lien de 1 Gbit/s ne racontent pas la même histoire, et 85 % de disque sur un serveur de fichiers n’a pas le même poids que sur un serveur de sauvegarde.
Deuxième principe : une durée minimale, de trois à cinq minutes consécutives, pour absorber les pics. Une sauvegarde nocturne fait monter le disque et le processeur pendant deux minutes : ce n’est pas un incident. Troisième principe : l’escalade par palier — avertissement à 80 %, alerte à 90 %, critique à 100 % — chaque palier ayant son destinataire et son délai de traitement.
Le piège le plus courant est le seuil trop bas. Il fabrique trente alertes par jour, l’équipe coupe les notifications sonores, puis toutes les notifications. Une alerte que personne ne lit ne protège plus rien : c’est la fatigue d’alerte, et elle transforme la supervision en bruit de fond. À l’inverse, un seuil trop haut arrive après l’incident et ne sert plus qu’à le raconter.
Regle ......... processeur du commutateur B2
Declencheur .. charge superieure a 80 %
Duree ........ 5 minutes consecutives
Severite ..... AVERTISSEMENT
Destinataire . equipe-reseau@centre-formation.fr
Action ....... ouvrir un ticket P2, ne pas deranger l astreinte
Escalade ..... plus de 95 % pendant 10 min -> ASTREINTE + telephone
Une alerte doit être peu nombreuse, contextualisée et routée vers un propriétaire. Elle porte le service concerné, la période, la valeur mesurée, le seuil franchi et le lien vers le runbook. Une alerte sans propriétaire ni runbook produit une discussion, pas une réparation.
Corréler métriques, journaux et traces avant de conclure : commencer par la portée — un seul service ou tout le site ? — puis mesurer la propagation dans le temps, puis rechercher la première anomalie. La première anomalie n’est presque jamais celle qui a déclenché l’alerte.
Regle ......... erreurs HTTP 5xx du service applicatif
Declencheur .. plus de 2 % des reponses sur 5 minutes consecutives
Severite ..... alerte
Destinataire . equipe-exploitation@centre-formation.fr
Action ....... ouvrir un ticket P2 puis appliquer le runbook RUN-APP-01
Une alerte sans propriétaire ni runbook produit une conversation, pas une réparation. Le propriétaire est une équipe nommée, pas « l’informatique ».
SNMP, Simple Network Management Protocol, est le langage de la supervision réseau. Un manager interroge des agents installés sur les équipements. Chaque indicateur est identifié par un OID, une suite de nombres dans une arborescence mondiale : 1.3.6.1.2.1.1.3.0 donne la date de démarrage de l’équipement.
Quatre opérations suffisent à décrire le protocole. GET lit une valeur, GET-NEXT parcourt la table suivante, SET modifie une valeur — ce qui peut déclencher un redémarrage à distance, usage à réserver aux cas documentés — et TRAP pousse une alerte de l’équipement vers le manager sans confirmation de réception. INFORM est la version confirmée du trap : l’agent retransmet jusqu’à acquittement.
L’écart entre les versions est décisif. En v1 et v2c, la communauté circule en clair sur le réseau : une simple capture sur le segment la révèle. En v3, USM apporte l’authentification par utilisateur et le chiffrement de la charge utile. La communauté public laissée par défaut est l’anomalie la plus signalée dans les audits.
snmpwalk -v3 -l authPriv -u supervision -a SHA -A MOTDEPASSE -x AES -X MOTDEPASSE 10.10.20.60 1.3.6.1.2.1.1.3.0
iso.3.6.1.2.1.1.3.0 = Timeticks: (12938400) 36 days, 3:56:24
show snmp user
snmpv3 supervision grpname Supervision v3 auth sha priv aes 128
| Version | Authentification | Chiffrement | Décision d’exploitation |
|---|---|---|---|
| v1 | Communauté en clair | Aucun | À désactiver, aucun usage acceptable |
| v2c | Communauté en clair | Aucun | À désactiver, la communauté se lit par capture réseau |
| v3 noAuthNoPriv | Aucune | Aucun | Uniquement en laboratoire isolé |
| v3 authNoPriv | Utilisateur, SHA ou MD5 | Aucun | Acceptable si seule la lecture compte |
| v3 authPriv | Utilisateur, SHA | AES | Le standard en production |
La communauté public en lecture n’est « que » de la lecture : elle révèle pourtant les versions installées, les interfaces, les tables de routage et la topologie. C’est exactement le relevé dont un indiscret a besoin. On la renomme, on passe en v3 authPriv et on restreint l’accès par une liste de contrôle au seul serveur de supervision.
La règle 3-2-1 est le minimum : trois copies des données, sur deux supports de nature différente, dont une copie hors site. La copie hors site est celle qui protège d’un sinistre local — incendie, inondation, vol du châssis. Une sauvegarde branchée en permanence sur le serveur qu’elle protège ne survit pas à un rançongiciel qui chiffre aussi les partages montés.
Trois stratégies se combinent. La sauvegarde complète copie tout et restaure vite, mais coûte du temps et de l’espace. L’incrémentale ne copie que ce qui a changé depuis la dernière sauvegarde, complète ou incrémentale : elle est rapide, mais la restauration doit rejouer toute la chaîne. La différentielle copie ce qui a changé depuis la dernière complète : compromis entre les deux, avec une restauration en deux étapes.
Ces choix se traduisent par deux engagements. Le RPO, quantité maximale de données que l’on accepte de perdre, fixe la fréquence. Le RTO, durée maximale de rétablissement acceptée par le métier, fixe la méthode. Un RPO d’une heure annoncé avec une sauvegarde quotidienne est une promesse que la sauvegarde ne tient pas.
--- politique de sauvegarde : SERVEUR-APP-01 ---
complete ........... dimanche 02:00, 6 h, 1,2 To
differentielle ...... mercredi 02:00, 1 h 30
incrementale ........ du lundi au samedi 02:00, 20 min
copie hors site ..... vendredi, bande deconnectee apres ecriture
conservation ........ 4 semaines en ligne, 12 mois hors site
rpo vise ............ 24 h rto a respecter ...... 4 h
| Type | Ce qui est copié | Restauration | Emploi typique |
|---|---|---|---|
| Complète | Toute la sélection | Une seule étape | Hebdomadaire, sert de référence |
| Incrémentale | Ce qui a changé depuis la dernière sauvegarde | Rejoue la complète puis toutes les incrémentales | Quotidienne ou horaire, coût minimal |
| Différentielle | Ce qui a changé depuis la dernière complète | Rejoue la complète puis une différentielle | Quotidienne, compromis rapidité et espace |
Une sauvegarde n’est une garantie que si elle a été restaurée au moins une fois. Une restauration réussie prouve trois choses : la sauvegarde est lisible, elle est complète, et l’équipe sait la rejouer dans le délai annoncé.
Définir RPO, RTO, périmètre, fréquence et durée de conservation. Une sauvegarde non testée ne constitue pas une garantie de reprise.
Préparer une restauration isolée, valider les données et applicatifs après reprise, puis documenter les accès et la décision de bascule.
Le RAID assemble plusieurs disques pour gagner en tolérance de panne ou en performance. RAID 1 met en miroir deux disques : la panne de l’un est transparente, mais la moitié de la capacité est perdue. RAID 5 répartit données et parité sur au moins trois disques et survit à une panne. RAID 6 porte deux parités et survit à deux pannes simultanées. RAID 10 combine miroir et répartition : excellent en écriture, coûteux en capacité.
Le RAID protège d’une panne de disque, et de rien d’autre. Une suppression volontaire ou accidentelle se réplique instantanément sur tous les disques du volume, miroir compris. Un rançongiciel qui atteint le volume monté chiffre aussi la copie synchronisée. Un disque qui se remplit n’est pas une panne : c’est une saturation qui arrête le service sans qu’aucun disque ne soit en défaut.
Un contrôle SMART signale une dégradation naissante bien avant la panne : secteurs réalloués, erreurs de lecture en hausse. Une reconstruction de volume RAID 5 sur un disque de grande capacité prend plusieurs heures et laisse le volume fragilisé : une deuxième panne pendant la reconstruction perd le volume. C’est l’argument principal pour RAID 6 sur les baies de forte capacité.
cat /proc/mdstat
md0 : active raid5 sda1[0] sdb1[1] sdc1[2] 1953378816 blocks level 5
smartctl -a /dev/sda | grep -i reallocated
5 Reallocated_Sector_Ct 0x0033 100 100 036 Pre-fail Always - 24
mdadm --detail /dev/md0
State : clean, degraded, reconstructing Rebuild Status : 43 % complete
| Niveau | Disques minimum | Tolérance en panne | Capacité utile | Emploi |
|---|---|---|---|---|
| RAID 1 | 2 | 1 disque | 50 % | Système, petite base |
| RAID 5 | 3 | 1 disque | n − 1 disques | Serveurs de fichiers, coût optimisé |
| RAID 6 | 4 | 2 disques | n − 2 disques | Baies de forte capacité |
| RAID 10 | 4 | 1 disque par miroir | 50 % | Bases transactionnelles, écriture intensive |
Un RAID ne remplace jamais une sauvegarde. Suppression, rançongiciel, remplissage, formatage par erreur, mise à jour ratée : aucune de ces situations n’est réparée par la redondance disque, parce que la faute est logique, pas matérielle.
Une mise à jour constructeur se prépare comme une intervention : on sait ce que l’on installe, pourquoi, et comment on revient en arrière. Le bulletin de correctif se lit avant : ce qu’il corrige, ce qu’il casse, les versions sources acceptées et les prérequis. Une mise à jour appliquée « parce qu’elle est récente » n’est pas une raison.
La fenêtre de maintenance est le cadre contractuel du changement : créneau annoncé, périmètre, durée prévue, mode dégradé accepté et communication aux utilisateurs. On y ajoute une sauvegarde fraîche de la configuration et du système, prise juste avant l’intervention et non la veille.
Le retour arrière se décide avant, pas pendant : on écrit le critère d’échec — par exemple le service métier injoignable trente minutes après l’installation — et le délai au-delà duquel on restaure. Sans critère écrit, la fenêtre se prolonge et la décision se prend à trois heures du matin, fatigué.
--- fenetre de maintenance : commutateur relais B3 ---
Perimetre ........ site B uniquement
Horaire ......... samedi 06:00 a 08:00
Sauvegarde ...... conf B3 + systeme, prise a 05:40 et verifiee a 05:52
Version .......... 15.2(7)E7 -> 15.2(7)E9
Critere d echec .. relais DHCP injoignable 30 min apres installation
Retour arriere ... restaurer B3-15.2.7E7.cfg puis reload
Communication ... mel aux utilisateurs vendredi 16:00
Une mise à jour qui impose un redémarrage s’annonce comme un arrêt de service, même si le redémarrage ne dure que trois minutes. L’utilisateur qui travaillait à cet instant ne distingue pas un redémarrage planifié d’une panne.
L’astreinte ne fonctionne que si l’astreint peut agir depuis l’extérieur, sans être sur place et sans qu’on ait à installer un pont de connexion. Le canal se sécurise par un VPN — IPsec ou TLS — qui n’ouvre que les réseaux d’administration, puis par SSH version 2 avec compte nominatif et authentification à deux facteurs.
Telnet est à proscrire sans discussion : il transmet mot de passe et commandes en clair, et une capture sur le segment suffit à prendre la main sur l’équipement. La console HTTP d’administration se remplace par HTTPS, et SNMP par la version 3.
Deux gestes sont interdits en intervention. Supprimer un objet « pour voir si c’est la cause » : la session est coupée, la cause disparaît avec le journal et l’on ne sait plus ce que l’on a modifié. Redémarrer « pour débloquer » : c’est une modification, pas un diagnostic, et elle détruit les indices qui permettraient de comprendre. La séquence correcte est lecture complète de l’état, corrélation, puis action mesurée.
show users | include vty
Line User Host(s) Idle Location
* 2 vty 0 nferrand idle 00:00:12 10.10.99.24
clear line vty 2
ip ssh version 2
ip ssh time-out 60
line vty 0 4
transport input ssh
| Élément | Exigence | Conséquence si absent |
|---|---|---|
| Canal | VPN IPsec ou TLS, jamais d’accès direct | Le trafic d’administration circule en clair |
| Identité | Compte nominatif et second facteur | Le compte partagé est intraçable par personne |
| Portée | Le VPN n’ouvre que les réseaux d’administration | Le tunnel donne accès à tout le réseau |
| Traçabilité | Journalisation des sessions et des commandes | On ignore qui a modifié la configuration |
| Repli | Procédure si le VPN ne monte pas | Personne ne peut intervenir à distance |
Un accès distant ouvert « pour une intervention » puis jamais refermé est le début de la plupart des compromissions. L’accès se ferme à la fin de l’intervention et la fermeture se vérifie dans le registre, pas dans la mémoire de l’intervenant.
La documentation d’exploitation décrit l’état en service, pas l’état livré. Elle répond à une question précise : un collègue qui n’était pas là peut-il reprendre lundi matin sans moi ? Si la réponse est non, la documentation est incomplète, quelle que soit sa taille.
Trois documents portent l’essentiel. La cartographie donne le schéma physique et logique, les réseaux locaux virtuels et le plan d’adressage : sans elle, un diagnostic part à l’aveugle. Le runbook donne, par équipement ou par service, les commandes de diagnostic, la procédure de redémarrage et le retour arrière. Les registres — accès, changements, incidents — donnent la mémoire de ce qui a été fait.
Une documentation se met à jour à un moment défini : à chaque changement pour la cartographie, après chaque incident pour le runbook, à chaque création pour le registre des accès. Un runbook écrit pendant une panne puis jamais relu décrit un état qui n’existe plus, et fait perdre du temps le jour où il servira.
RUNBOOK SRV-APP-01
1) systemctl status app etat du service
2) journalctl -u app --since -30 min journaux applicatifs
3) df -h /var occupation disque
4) ss -ltnp | grep 8080 ecoute applicative
retour arriere : restaurer conf-app-01.tar.gz puis systemctl restart app
contacts : responsable applicatif 06 00 00 00 00
| Document | Contenu | Déclencheur de mise à jour |
|---|---|---|
| Cartographie physique et logique | Baies, liens, réseaux locaux virtuels, plan d’adressage | Chaque changement de topologie |
| Tableau des équipements | Référence, version, licence, numéro de série, emplacement | Chaque livraison ou mise à jour |
| Runbook par équipement | Diagnostic, redémarrage, retour arrière, contacts | Après chaque incident |
| Procédures d’exploitation | Ajout d’un utilisateur, ajout d’un réseau local virtuel, extension | Chaque semestre |
| Registre des accès | Qui détient quel accès, depuis quand, pourquoi | Chaque création ou suppression |
| Registre des incidents et changements | Date, cause, action, durée, prévention | Chaque événement |
Avant toute commande, qualifier : quel service est touché, depuis quand, pour qui, et ce qui a changé récemment. Une modification, une mise à jour ou un changement de câblage survenus dans les minutes qui précèdent expliquent la majorité des incidents. Cette question évite des heures de diagnostic dans la mauvaise couche.
Quatre questions structurent l’analyse. Quel est le périmètre exact — un utilisateur, un site, tout le monde ? Qu’est-ce qui fonctionne encore, ce qui réduit le champ ? Quand le symptôme a-t-il commencé et que s’est-il passé juste avant ? Qu’a-t-on changé récemment, même en pensant que c’était sans risque ?
La pile OSI sert alors de guide de dépouillement, de la couche physique vers la couche applicative. On remonte tant que la couche examinée est saine, et l’on s’arrête à la première couche en défaut : c’est elle que l’on corrige, pas celle du dessus ni celle du dessous.
| Couche OSI | Question à se poser | Vérification typique | Symptôme associé |
|---|---|---|---|
| 1 — Physique | Le lien est-il établi ? | Voyant, câble, alimentation, port | Aucune liaison, équipement éteint |
| 2 — Liaison | Adresses et réseaux locaux virtuels sont-ils justes ? | show interfaces, show mac address-table | Voisinage absent, erreurs CRC |
| 3 — Réseau | Routage et adressage sont-ils corrects ? | show ip route, ping de la passerelle | Passerelle injoignable, routage asymétrique |
| 4 — Transport | Le port et la session passent-ils ? | Vérification du port, ss, listes de contrôle | Connexion refusée ou qui expire |
| 5 à 7 — Session, présentation, application | Le service répond-il correctement ? | Journaux applicatifs, sonde HTTPS | Erreurs 5xx, réponse lente |
Le diagnostic raté le plus fréquent consiste à corriger une couche alors que le défaut est ailleurs : on remplace un câble parce que la couche physique est facile à tester, alors qu’une route manquante en couche 3 explique tout. On remonte la pile dans l’ordre et l’on s’arrête à la première couche en défaut.
Après un incident, décrire la chronologie, les signaux manqués, l’impact et les décisions. Chercher les causes de système et les actions qui rendent la détection plus rapide.
Le retour d’expérience ne désigne pas un coupable : il cherche ce qui a permis à l’incident de durer. Un signal était-il disponible et non surveillé ? Le runbook était-il à jour ? La sauvegarde avait-elle été restaurée au moins une fois ?
Mettre à jour les alertes, runbooks, sauvegardes et indicateurs. Une action sans propriétaire ni échéance n’est pas un plan d’amélioration.
Fait : saturation mémoire; Impact : 12 % d’erreurs; Action : seuils mémoire et test de charge avant le 30/06.
Le livrable doit montrer une compréhension personnelle, des choix explicités et une vérification par un cas de test ou une procédure reproductible.
Publié le 29/11/2025