Six experts, un seul verdict. SRE les convoque.

Réseau, infrastructure, applicatif, logs, hôtes et vulnérabilités : chaque expert lit ses outils, l'agent orchestrateur rassemble les rapports. Tout en lecture seule.

Découvrir Agents

Agent orchestrateur

Hypothèses · chronologie · rapport

Logs : 14 erreurs de timeout à 13:41 sur l'index du magasin. Je joins les lignes.

Exemple illustratif · chaque requête aux outils reste dans le journal d'audit

Une enquête, de l'alerte au rapport.

Personne n'a à ouvrir six consoles l'une après l'autre : l'agent le fait pour la personne d'astreinte et rapporte ce qu'il a trouvé.

  1. 13:42

    L'alerte arrive.

    Un message, par exemple sur Teams, lance l'enquête : il dit ce qui ne fonctionne pas et où.

  2. 13:42

    Un conteneur isolé s'ouvre.

    Chaque enquête travaille dans son propre environnement, séparé du reste de l'infrastructure.

  3. 13:43

    Les experts lisent.

    Réseau, infrastructure, applicatif, logs, hôtes et vulnérabilités : chacun n'interroge que ses outils, en lecture seule.

  4. 13:46

    L'orchestrateur raisonne.

    Il aligne les événements dans une chronologie, cherche la cause avec les 5 Pourquoi et formule des hypothèses.

  5. 13:48

    Le rapport arrive.

    Les hypothèses avec leur niveau de confiance et une solution proposée, pour la personne d'astreinte. Son retour revient à l'agent.

Exemple illustratif

Chaque réponse, un nouveau pourquoi.

L'orchestrateur ne suit pas un script : après chaque réponse des outils, il décide quoi demander ensuite. Il descend d'un pourquoi à la fois, écarte les pistes qui ne tiennent pas et s'arrête sur la cause.

Magasin : caisses lentes depuis 13h40

  1. Pourquoi ?Pourquoi les caisses sont-elles lentes ?

    Le magasin signale des caisses lentes depuis 13h40. Je pars du symptôme : quelle est la lenteur de l'application, et depuis quand ?

    Applicatif

    dynatrace.response_time(service="checkout", window="60m")

    Temps de réponse en hausse depuis 13h38. Les requêtes s'accumulent en file d'attente.

    Piste écartée · Réseau

    J'écarte d'abord la cause la plus simple : est-ce le réseau vers le magasin ?

    wug.packet_loss(site="store", window="30m")

    Aucun paquet perdu, latence normale. Le réseau n'explique pas le ralentissement.

  2. Pourquoi ?Pourquoi l'application ralentit-elle ?

    Si l'application ralentit et que le réseau est sain, quelque chose échoue en arrière-plan. Je cherche les erreurs vers 13h38.

    Logs

    splunk.search(index="store", query="timeout", window="30m")

    14 erreurs de timeout à 13h41, toutes vers la base de données.

    Piste écartée · Infrastructure

    Des timeouts vers la base de données. Le serveur est-il sous tension ?

    checkmk.host_status(host="db-01")

    Joignable, CPU et mémoire sous les seuils. Ce n'est pas un problème de ressources.

  3. Pourquoi ?Pourquoi les requêtes vers la base de données expirent-elles ?

    Serveur sain mais requêtes en timeout : pourquoi ? Je regarde les connexions ouvertes, avec une commande de la liste autorisée.

    Hôtes

    ssh.run(host="app-01", cmd="ss -s")

    Le pool de connexions est à sa limite depuis le redémarrage du service à 13h35.

    Piste écartée · Vulnérabilités

    Un doute subsiste : une vulnérabilité peut-elle l'expliquer ? Je ne cherche que des ID et des versions, rien d'autre n'est envoyé.

    cve.lookup(product="app-runtime", version="installed")

    Aucune CVE critique sur les versions utilisées. Hypothèse sans rapport.

Cause racine

Cause la plus probable : le pool de connexions à la base de données est saturé après la mise en production. Confiance élevée. Je prépare le rapport avec la chronologie et la solution, et j'attends le retour de la personne d'astreinte.

Exemple illustratif · chaque action est une requête en lecture seule et reste dans le journal d'audit

La personne d'astreinte reçoit une hypothèse, pas une alarme.

Le rapport ne s'arrête pas au symptôme : il énumère les causes possibles par ordre de confiance, montre la chronologie et propose une solution. La personne d'astreinte décide quoi faire et dit à l'agent s'il avait raison.

Découvrir Agents

Rapport d'incident

Hypothèses de cause racine

  • Pool de connexions à la base de données saturé après la mise en productionConfiance élevée
  • Pic de requêtes sur le service applicatifMoyenne
  • Latence réseau vers le magasinFaible
  • CVE sur une bibliothèque applicativeSans lien

Solution proposée

Relever la limite du pool et redémarrer le service dans la fenêtre convenue.

Retour de la personne d'astreinteCause confirmée

Exemple illustratif

Il voit tout, il ne change rien.

Sur une infrastructure qu'on ne peut pas risquer de toucher, l'agent est conçu pour lire, et rien d'autre.

Lecture seule
Chaque expert n'utilise que les outils d'une liste autorisée. Aucun de ces outils ne modifie, ne redémarre ni ne configure.
Conteneur isolé
Chaque enquête tourne dans son propre environnement, séparé du reste.
Tout dans le journal d'audit
Chaque requête aux outils est enregistrée.
Aucun accès à internet
Seuls font exception les ID et les versions de CVE, vers des domaines autorisés.
Modèle AION en local
Le raisonnement est celui d'un modèle AION sur les PGX : les données de l'incident restent où elles sont.

Amenons AION SRE sur vos outils de supervision.

Dites-nous quels outils vous utilisez : nous vous montrons comment les experts les lisent et ce qui sort d'une enquête.

Siège
Corso Vercelli 89, 28100 Novara

Vos données sont traitées selon notre Politique de Confidentialité et ne seront pas cédées à des tiers.