Guide Pratique SRE : Définir des SLOs pertinents et gérer ses Error Budgets dans GCP & AWS

L’ingénierie de fiabilité des systèmes (SRE) ne consiste pas à viser 100% de disponibilité — ce qui est financièrement et techniquement irréaliste. Il s’agit d’aligner le rythme d’innovation produit avec la tolérance aux pannes acceptée par les utilisateurs.

Les 3 Piliers de la Fiabilité SRE

1. Service Level Indicators (SLI)

Le choix de la métrique mesurable (ex: le pourcentage de requêtes HTTP réussies en moins de 200ms sur une fenêtre de 30 jours).

2. Service Level Objectives (SLO)

L’objectif cible fixé par l’équipe produit et SRE (ex: 99.9% des requêtes).

3. Error Budget

La marge d’erreur autorisée. Si votre SLO est de 99.9%, votre Error Budget est de 0.1%. Tant que le budget est positif, les déploiements de nouvelles fonctionnalités sont autorisés. S’il est épuisé, les déploiements sont gelés au profit d’actions de stabilisation.

# Exemple PrometheusRule pour alerte SLO Burn Rate sur Kubernetes
apiVersion: monitoring.coreos.com/v1
kind: PrometheusRule
metadata:
  name: api-slo-burn-rate
spec:
  groups:
  - name: slo-alerts
    rules:
    - alert: HighErrorBudgetBurnRate
      expr: (sum(rate(http_requests_total{status=~"5.."}[1h])) / sum(rate(http_requests_total[1h]))) > 0.02
      for: 5m
      labels:
        severity: critical
      annotations:
        summary: "Consommation rapide de l'Error Budget (Burn Rate > 2%)"

Intégration Multi-Cloud GCP & AWS