Indisponibilité

Ce que c'est

L'indisponibilité est le temps pendant lequel un service ne
fonctionne pas pour les personnes qui en dépendent. On parle aussi
d'interruption ou de panne. Son contraire est le temps de
fonctionnement ; la part du temps pendant laquelle un service
fonctionne est sa disponibilité, généralement exprimée en
pourcentage sur un mois ou une année.

Le cas simple est une interruption totale : le site ne se charge
pas, l'API refuse les connexions, la base de données est hors
service. Le cas courant est moins net. Un passage en caisse qui
échoue faute de réponse dans le délai imparti alors que le catalogue
fonctionne, une page de connexion qui se charge mais rejette tous
les mots de passe, une API qui ne répond qu'à une requête sur
trois : chacun constitue une indisponibilité pour la personne qui a
besoin de ce parcours, même si un contrôle de bon fonctionnement
visant la page d'accueil reste au vert. Une définition utile compte
ce que les utilisateurs peuvent faire, plutôt que de vérifier
seulement si un processus tourne.

Il existe deux types d'indisponibilité. L'indisponibilité non
planifiée est l'interruption que personne n'a choisie : une panne de
disque, un mauvais déploiement, un certificat expiré, une dépendance
tombée en panne en premier. L'indisponibilité planifiée est décidée
à l'avance, généralement dans une fenêtre de maintenance, pour
mettre à niveau, migrer ou déplacer un élément qui ne peut pas
changer tout en servant du trafic. Elle est plus facile à supporter,
puisque les utilisateurs peuvent être avertis, mais elle réduit tout
de même la disponibilité, sauf exclusion explicite dans l'accord.

HTTP possède un vocabulaire pour l'interruption elle-même. La RFC
9110 définit la classe de codes d'état 5xx pour un serveur qui sait
avoir commis une erreur ou ne pas pouvoir exécuter la demande. Trois
de ces codes ont des sens distincts pendant une interruption. 502
Bad Gateway signifie qu'un proxy a reçu une réponse invalide du
serveur situé derrière lui. 504 Gateway Timeout signifie que le
proxy a attendu cette réponse trop longtemps. Et 503 Service
Unavailable est celui à envoyer délibérément : la spécification
l'associe à une surcharge temporaire ou à une maintenance planifiée
et permet au serveur d'indiquer quand revenir :

```http
HTTP/1.1 503 Service Unavailable
Retry-After: 120
```

Cela indique aux navigateurs, aux clients d'API et aux robots des
moteurs de recherche que la situation est temporaire et suggère
d'attendre deux minutes. Le message est très différent de celui
d'une page défectueuse servie avec un code de succès.

Pourquoi c'est important

On décrit les objectifs de disponibilité par leur nombre de
« neuf », et ces « neuf » se traduisent en temps. Sur une année de
365 jours, soit 8 760 heures, chaque objectif autorise cette durée
d'indisponibilité :

  * 99 % : 87,6 heures par an, soit environ trois jours et demi ;

  * 99,9 % : 8,76 heures par an, ou 43,2 minutes sur un mois de 30
jours ;

  * 99,95 % : 4,38 heures par an, ou 21,6 minutes sur un mois de 30
jours ;

  * 99,99 % : 52,56 minutes par an ;

  * 99,999 % : environ 5,26 minutes par an.

Chaque neuf supplémentaire divise la marge par dix, et le coût
nécessaire pour l'obtenir augmente fortement. À 99,9 %, on peut
réveiller quelqu'un, lui laisser le temps de se connecter, de
trouver le problème et de le corriger dans le budget mensuel. À
99,99 %, l'année entière autorise moins d'une heure, ce qui laisse
peut-être la place à un seul incident ; la reprise doit donc être
automatique. À 99,999 %, même un redémarrage courant doit se
dérouler sans que les utilisateurs s'en aperçoivent.

Les disponibilités des dépendances se multiplient. Une requête ayant
besoin d'un répartiteur de charge, d'une application et d'une base
de données, disponibles chacun 99,9 % du temps et tombant en panne
indépendamment, n'est servie que lorsque les trois fonctionnent :
0,999³, soit environ 99,7 %, ce qui représente à peu près 26 heures
d'indisponibilité par an au lieu de 8,76. Un service ne peut pas
être plus disponible que la chaîne de ses dépendances, à moins d'en
supprimer ou d'en doubler des maillons.

La planification commence par les besoins de l'activité. Le guide du
NIST sur la planification de secours des systèmes fédéraux, SP
800-34, nomme trois chiffres à fixer avant la première panne. La
durée maximale d'interruption tolérable (MTD) est la durée totale
que le responsable du système accepte. L'objectif de délai de
reprise (RTO) est le temps pendant lequel un système peut rester
indisponible avant que les conséquences deviennent inacceptables ;
il doit être inférieur à la MTD. L'objectif de point de reprise
(RPO) indique jusqu'où les données peuvent être ramenées dans le
passé à partir de la dernière sauvegarde. Il mesure donc une perte
de données tolérable, plutôt qu'une durée d'interruption. Une fois
ces trois valeurs écrites, le calendrier des sauvegardes et la
conception de la bascule répondent à une question au lieu de reposer
sur des suppositions.

À quoi cela ressemble en pratique

Sur une plateforme de streaming IPTV et OTT ayant des clients en
Chine, aux États-Unis et en Allemagne, chaque heure était l'heure de
grande écoute de quelqu'un ; il n'existait donc pas d'heure creuse
pour la maintenance. L'assistance fonctionnait jour et nuit pour
environ un millier de serveurs, auxquels s'ajoutait un nombre
appréciable de systèmes appartenant aux clients. Une grande partie
du travail consistait à repérer une dérive avant qu'elle ne devienne
une interruption : sur un flux en direct, une interruption, c'est la
télévision de quelqu'un qui s'arrête. La plateforme est restée
disponible en continu pour son public mondial.

Dans une entreprise de taille moyenne, dix serveurs de bases de
données PostgreSQL et SQL Server ont fonctionné avec une
disponibilité de 99,9 %. Selon le calcul ci-dessus, cela représente
une marge de 8,76 heures par an pour chacun. Derrière ce chiffre se
trouvaient des sauvegardes automatisées par `pg_dump` et des tâches
SQL Server Agent, avec des politiques de rétention et un stockage
hors site, une supervision dans Prometheus et Grafana, ainsi que des
procédures de reprise après sinistre documentées pour les
restaurations à un instant donné et les bascules.

Et sur un parc de trente serveurs Ubuntu dont la configuration
s'était développée au gré des circonstances, le volet reprise après
sinistre a été reconstruit autour de sauvegardes et de procédures de
restauration effectivement testées. La configuration réseau est
devenue un socle durci commun à toutes les instances. Le risque
d'indisponibilité a diminué grâce à des parcours de reprise testés
avant que quiconque en ait besoin.

Où les problèmes surviennent

La supervision se trouve à l'intérieur de la panne. Un contrôle de
bon fonctionnement exécuté sur le même serveur ou dans le même
centre de données continue d'annoncer du vert alors que les
utilisateurs rencontrent un certificat TLS expiré, un enregistrement
DNS cassé ou un répartiteur de charge qui ne pointe vers rien.
Sondez depuis l'extérieur, depuis plusieurs endroits et en suivant
le parcours d'un utilisateur réel, puis déclenchez les alertes
d'après ce que cette sonde constate.

La page d'erreur répond 200. Un framework qui affiche une page
d'erreur accueillante avec un code d'état de succès dissimule
l'interruption à la supervision, aux clients qui auraient réessayé
et aux robots, qui risquent d'indexer la page d'erreur à la place de
la vraie. Les erreurs devraient porter un code d'erreur ; une
maintenance planifiée devrait répondre 503 avec un en-tête
Retry-After.

La sauvegarde n'a jamais été restaurée. Une sauvegarde prouve
seulement que des octets ont été copiés. Tant qu'une restauration
n'a pas été exécutée, chronométrée et vérifiée par comparaison avec
les données, le délai de reprise n'est qu'une estimation ; il est
souvent bien supérieur au RTO écrit. Restaurez à intervalles
réguliers, dans un environnement distinct, et consignez le temps
nécessaire. Il en va de même pour la bascule : un serveur de secours
qui n'a jamais pris le relais n'est qu'un espoir, et répéter la
bascule dans le calme aide à découvrir les problèmes avant un
incident.

Les mises à disposition provoquent les interruptions qu'elles
devaient éviter. Un déploiement qui arrête l'ancienne version avant
que la nouvelle soit prête laisse une interruption à chaque mise à
disposition. Une modification de schéma qui réécrit une grande table
sous verrou exclusif bloque toutes les requêtes la visant jusqu'à la
fin. Déployez les nouvelles instances avec un contrôle vérifiant
qu'elles sont prêtes, avant d'arrêter les anciennes. Répartissez les
modifications de schéma entre une étape d'ajout et une étape de
retrait ultérieure pour que l'ancien et le nouveau code fonctionnent
entre les deux. Définissez sur Kubernetes un PodDisruptionBudget
pour qu'un drainage de nœud ne puisse pas arrêter toutes les
répliques en même temps.

Pour aller plus loin

  * RFC 9110 : sémantique HTTP, section 15.6 — les codes d'état 5xx,
dont 503 et son indication Retry-After.

  * NIST SP 800-34 rév. 1 : guide de planification de secours des
systèmes d'information fédéraux — les définitions de la durée
maximale d'interruption tolérable, du RTO et du RPO.

  * PostgreSQL : haute disponibilité, répartition de charge et
réplication — serveurs de secours et bascule, décrits par le manuel
de la base de données elle-même.

  * PostgreSQL : archivage continu et restauration à un instant
donné — la sauvegarde de base et l'archive WAL dont dépend la
restauration à un instant donné.

  * Kubernetes : interruptions — les interruptions volontaires et
les PodDisruptionBudgets qui les limitent.

hCette page sur le Web	URL:https://engineer.company/fr/glossary/downtime/	engineer.company	70
