Formation OpenTelemetry : mettre en œuvre l'observabilité de vos applications distribuées.

Programme de formation OpenTelemetry : mettre en œuvre l'observabilité de vos applications distribuées.

De la supervision à l’observabilité

– Monitoring vs observabilité : comprendre les limites du monitoring classique face aux architectures distribuées
– Les trois piliers de l’observabilité : logs, métriques et traces comme fondements de la visibilité applicative
– Les signaux et leurs rôles : comprendre quelles données chaque pilier produit et quand les utiliser
– Traçage distribué : suivre le parcours d’une requête à travers plusieurs services
– Acteurs de l’écosystème : panorama des outils et standards du marché (CNCF, Prometheus, Grafana, Jaeger)

**Exemples d’activités pratiques :**

– Exploration de logs, métriques et traces sur une application microservices existante
– Identification des limites d’un monitoring classique face à un problème de latence inter-services

Découverte d’OpenTelemetry et de son architecture

– Historique d’OpenTelemetry : de la fusion OpenTracing/OpenCensus au standard CNCF
– Architecture du projet : API, SDK, Collector et Exporters comme composants fondamentaux
– Contexte de propagation : mécanisme de corrélation des données de télémétrie à travers les services
– Conventions sémantiques : nommage standardisé des attributs pour garantir l’interopérabilité
– Protocole OTLP : format d’échange natif pour la transmission des données de télémétrie

**Exemples d’activités pratiques :**

– Installation et configuration initiale du SDK OpenTelemetry dans une application
– Mise en place du fil rouge : présentation de l’application distribuée utilisée tout au long de la formation

Collecte des logs avec le Collector OpenTelemetry

– Logs dans OpenTelemetry : modèle de données, mapping avec les formats existants
– Architecture de collecte : rôle du Collector comme point central d’agrégation
– Pipelines du Collector : configuration des récepteurs, processeurs et exportateurs
– Modes de déploiement du Collector : agent local vs gateway centralisée
– Stack LGTM : présentation de Loki, Grafana, Mimir et Tempo comme backend d’observabilité intégré

**Exemples d’activités pratiques :**

– Déploiement du Collector OpenTelemetry et de la stack LGTM
– Configuration d’un pipeline de collecte de logs et export vers Loki
– Visualisation des logs dans Grafana

Instrumentation et export des traces distribuées

– Modèle de données des traces : spans, span events, attributs et statuts
– Instrumentation automatique : collecte de traces sans modification de code applicatif
– Instrumentation manuelle : ajout de spans personnalisés pour une visibilité métier fine
– Propagation de contexte : corrélation des spans à travers les appels inter-services
– Échantillonnage head-based : décision de collecte au démarrage de la trace, impact sur le volume de données
– Échantillonnage tail-based : décision en fin de trace pour conserver les requêtes lentes ou en erreur

**Exemples d’activités pratiques :**

– Instrumentation de l’application fil rouge (automatique puis manuelle)
– Génération de trafic avec Grafana K6 et visualisation des traces dans Tempo
– Configuration de stratégies d’échantillonnage et comparaison de leurs effets

Collecte et exploitation des métriques

– Types de métriques OpenTelemetry : compteurs, histogrammes, gauges et leurs cas d’usage
– Instrumentation synchrone et asynchrone : choisir le bon mode selon le type de mesure
– Metrics API : création de métriques personnalisées dans le code applicatif
– PromQL : langage de requête pour interroger et agréger les métriques dans Prometheus
– Métriques dérivées des traces : génération automatique d’indicateurs à partir des données de traçage
– Méthode RED : Rate, Errors, Duration comme cadre d’analyse de la performance des services

**Exemples d’activités pratiques :**

– Configuration de l’export des métriques vers Prometheus via le Collector
– Création de dashboards Grafana exploitant PromQL
– Analyse de performance d’un service avec la méthode RED

Stratégie d’observabilité et mise en production

– Définir sa stratégie d’observabilité : quelles données collecter, à quelle granularité, pour quels usages
– Bonnes pratiques de collecte : éviter la sur-instrumentation et son impact sur les performances
– Normalisation des données : conventions de nommage et structuration pour maintenir la cohérence à l’échelle
– Diagnostic d’incidents : corrélation logs/traces/métriques pour identifier la cause racine

**Exemples d’activités pratiques :**

– Scénario de diagnostic : analyse d’un incident simulé en corrélant les trois piliers
– Élaboration d’une stratégie d’observabilité adaptée à un cas d’usage donné