L'objectif est de détecter les problèmes avant la page — trouver une dégradation tant qu'il y a encore de la marge pour l'absorber. Cela signifie surveiller les indicateurs avancés, définir les SLO avec budgets d'erreurs, et sonder activement le système plutôt que d'attendre qu'il échoue.
Un SLO transforme la fiabilité en nombre (par exemple 99,9 % des requêtes réussissent). Les 0,1 % restants constituent votre budget d'erreurs. Suivre le taux de consommation permet une alerte quand vous dépensez le budget trop vite — bien avant de réellement dépasser le SLO et que les utilisateurs s'en aperçoivent.
SLO 99.9% → 0.1% error budget/month (~43 min of downtime)
burn rate rising fast → you'll exhaust it in 2 days → alert NOW, while it's fixable
SYNTHETIC MONITORING scripted checks hit critical paths on a schedule
(login, checkout) → fails even at 3am with zero real traffic
HEALTH CHECKS /healthz endpoints + dependency checks → load balancer
pulls bad instances before users hit them
RUM (real-user mon.) measure latency/errors from actual browsers/devices →
catches issues only some users/regions see
La surveillance synthétique est puissante car elle ne attend pas un utilisateur — elle exerce continuellement le système, donc un checkout cassé est découvert à 3h du matin, pas quand la ruée matinale se plaint.
Les premiers signes sont dans les ressources, pas encore dans les erreurs visibles aux utilisateurs. Alertez sur la tendance, pas juste une ligne statique.
LEADING INDICATORS saturation (CPU/mem climbing), queue depth growing,
connection-pool nearing limit, latency CREEPING up
ANOMALY DETECTION flag deviation from the normal baseline / seasonality
TREND ALERTS "disk will fill in 4h at this rate" → act before it's full
Un p99 lentement croissant ou une file d'attente qui grandit est un signal d'avertissement : en agissant sur la dérive, vous évitez l'incident vers lequel la dérive se dirigeait.
La surveillance réactive signifie que les utilisateurs sont votre système d'alerte — quand ils se plaignent, l'incident est déjà en direct et votre budget d'erreurs est épuisé. La détection proactive (taux de consommation SLO, synthétiques, vérifications de santé, RUM, indicateurs avancés, alertes de tendance/anomalie) achète du temps : vous corrigez une file d'attente saturée ou une latence croissante avant qu'elle ne devienne une alerte à 2h du matin et un client en colère. Ce temps d'avance est la différence entre une correction silencieuse et une panne.