Budget d'erreur

Ce que c'est

Un budget d'erreur est la quantité de défaillances qu'un service
peut connaître sur une période donnée, calculée à partir de son
objectif de niveau de service. Si l'objectif exige la réussite de
99,99 % des requêtes ce trimestre, les 0,01 % restants constituent
le budget : des requêtes qui peuvent échouer, par accident ou à la
suite d'un risque délibéré, sans que personne ait manqué à une
promesse. Il se compte dans la même unité que l'objectif,
généralement en requêtes échouées, et se consomme dès que les
utilisateurs rencontrent une défaillance.

L'idée vient du livre _Site Reliability Engineering_ de Google. Dans
le chapitre sur l'acceptation du risque, la gestion de produit fixe
l'objectif, la supervision agit comme un tiers neutre qui mesure ce
qui s'est réellement produit, et l'écart entre les deux représente
la marge de défaillance encore disponible pour le trimestre.
Développement produit et SRE conviennent ensemble de ce budget à
l'avance. L'exemple du livre se situe dans le haut de l'échelle
d'exigence : un service devant répondre à 99,999 % des requêtes
dispose d'un budget de 0,001 %. Un seul problème faisant échouer
0,0002 % des requêtes du trimestre en consomme donc un cinquième.

Le budget ne demande pas à qui la défaillance est imputable. Le
livre précise qu'une panne réseau ou la défaillance d'un centre de
données le consomme exactement comme une mauvaise mise à
disposition, et que le reste du trimestre peut dès lors comporter
moins de livraisons. Les utilisateurs ont subi la défaillance ; elle
compte donc. Savoir qui doit agir est une autre question, dont la
réponse doit figurer dans une politique écrite et convenue avant le
premier problème.

Pourquoi c'est important

Les personnes qui livrent des fonctionnalités et celles qui
maintiennent un service en fonctionnement n'ont pas les mêmes
objectifs. Sans chiffre partagé, leur débat est remporté par la
partie qui négocie le mieux. Le livre SRE estime que ces décisions
ne devraient reposer ni sur la politique, ni sur la peur, ni sur
l'espoir, et rappelle la devise officieuse des SRE de Google :
« L'espoir n'est pas une stratégie. » Le budget remplace le débat
par un chiffre accepté au préalable par les deux parties. Tant qu'il
reste du budget, les mises à disposition se poursuivent. Lorsqu'il
est épuisé, elles s'arrêtent et l'effort se porte sur les tests et
la résilience. Le livre décrit aussi des variantes plus progressives
de cette boucle : ralentir les mises à disposition ou revenir en
arrière à l'approche de l'épuisement. Une note appelle la version
binaire une commande tout ou rien, ou bang/bang control.

L'effet le plus intéressant porte sur les comportements. Quand le
budget est large, les développeurs peuvent prendre des risques :
livrer plus souvent, tenter l'expérience. Quand il est presque
épuisé, observe le livre, les développeurs demandent eux-mêmes plus
de tests et des livraisons plus lentes, car personne ne veut bloquer
son propre lancement. L'équipe se régule d'elle-même. Le livre pose
une condition : cela ne fonctionne que si les SRE ont réellement
l'autorité d'arrêter les lancements une fois l'objectif enfreint.

Le budget gouverne principalement les mises à disposition parce que
ce sont surtout elles qui provoquent les pannes : l'exemple de
politique du _SRE Workbook_ attribue environ 70 % des interruptions
de Google aux changements. Le budget indique donc où porter
l'effort. Le chapitre du Workbook sur la mise en œuvre des SLO
étudie un service avec un objectif de 97 % et un budget sur quatre
semaines de 109 897 requêtes échouées. Une mauvaise version d'API
faisant échouer toutes les requêtes pendant quatre heures en coûte
14 066, soit environ 13 %. Un serveur de base de données qui tombe
en panne et demande 20 heures de restauration depuis une sauvegarde
en coûte environ 72 000, soit 65 %. La panne du serveur paraît bien
pire. Mais l'entreprise de l'exemple n'en subit qu'une en cinq ans,
contre deux ou trois mauvaises mises à disposition par an : en
moyenne, ces dernières coûtent donc environ deux fois plus de
budget. Corriger d'abord le processus de mise à disposition est plus
rentable.

Un budget qui n'est jamais consommé dit aussi quelque chose. Le
livre note qu'il révèle le coût d'un objectif excessivement élevé en
rigidité et en lenteur d'innovation. Une équipe qui peine à lancer
peut choisir d'assouplir son objectif, ce qui agrandit le budget.

À quoi cela ressemble en pratique

La consommation a une vitesse aussi bien qu'un total. Le chapitre du
Workbook sur les alertes appelle cette vitesse le taux de
consommation, ou burn rate : la rapidité avec laquelle le service
consomme son budget, relativement à l'objectif. À un taux de 1, le
budget s'épuise exactement à la fin de la fenêtre. Pour un objectif
de 99,9 % sur 30 jours, son tableau donne ceci :

```text
Taux de consommation   Taux d'erreur   Budget épuisé après
1                      0,1 %          30 jours
2                      0,2 %          15 jours
10                     1 %            3 jours
1 000                  100 %          43 minutes
```

Alerter sur le taux de consommation vaut mieux que déclencher une
alerte d'astreinte dès que les erreurs dépassent 0,1 %, ce qui
réveillerait quelqu'un à chaque pointe brève. Le Workbook recommande
de surveiller plusieurs taux à la fois, chacun sur une fenêtre
longue et une courte. Son point de départ pour un objectif de 99,9 %
déclenche une alerte d'astreinte lorsque 2 % du budget de 30 jours
est consommé en une heure, soit un taux de 14,4, ou 5 % en six
heures, soit un taux de 6. Il ouvre un ticket lorsque 10 % est
consommé en trois jours, soit un taux de 1. La fenêtre courte, égale
au douzième de la longue, permet à l'alerte de s'arrêter peu après
le problème. Dans l'exemple du Workbook, les erreurs cessent et,
cinq minutes plus tard, la moyenne sur la fenêtre courte repasse
sous le seuil, tandis que la moyenne sur une heure reste au-dessus
pendant une heure entière.

Dans un fichier de règles Prometheus, les deux conditions d'alerte
d'astreinte s'écrivent ainsi. Les ratios sont des règles
d'enregistrement nommées comme dans le Workbook ; chacune contient
la part des requêtes échouées sur la fenêtre indiquée dans son nom :

```yaml
groups:
  - name: orders-error-budget
    rules:
      - alert: OrdersErrorBudgetBurn
        expr: |
          (
            job:slo_errors_per_request:ratio_rate1h{job="orders"}
              > (14.4 * 0.001)
            and
            job:slo_errors_per_request:ratio_rate5m{job="orders"}
              > (14.4 * 0.001)
          )
          or
          (
            job:slo_errors_per_request:ratio_rate6h{job="orders"}
              > (6 * 0.001)
            and
            job:slo_errors_per_request:ratio_rate30m{job="orders"}
              > (6 * 0.001)
          )
        labels:
          severity: page
```

Suivons un mauvais déploiement à travers ces règles. À 14:00, une
mise à disposition commence à faire échouer 2 % des requêtes liées
aux commandes, soit un taux de consommation de 20. Le ratio sur cinq
minutes dépasse le seuil de 1,44 % en quatre minutes au plus. Celui
sur une heure ne l'atteint toutefois qu'après environ 43 minutes
d'erreurs ; l'alerte d'astreinte part donc vers 14:43. À ce moment,
exactement 2 % du budget mensuel est consommé. C'est le compromis de
la règle : un bref incident ne réveille personne et une consommation
soutenue ne peut pas se cacher. Rétablissez la version précédente à
14:50 : le ratio sur cinq minutes repasse sous le seuil en deux
minutes au plus et met fin à l'alerte. Le seul ratio sur une heure
l'aurait maintenue jusqu'à environ 15:07.

Maintenir des alertes d'astreinte proportionnées est aussi l'idée
derrière la supervision des erreurs et le traçage développés en
propre pour la plateforme de l'entreprise, travail réalisé dans le
cadre d’un poste occupé depuis 2025. Cette solution détecte les
pointes et les régressions avec une temporisation qui limite la
répétition des alertes pour qu'un mauvais déploiement ne déclenche
pas quarante alertes d'astreinte. Ses règles d'alerte ont été
adaptées à cette plateforme plutôt qu'à un cas générique, et l'une
de ses 11 vues destinées aux opérateurs est consacrée aux objectifs
de niveau de service.

Où les problèmes surviennent

Le décompte des défaillances se confond avec la recherche d'un
responsable. Tout ce que les utilisateurs subissent consomme le
budget, mais tout ne devrait pas arrêter les mises à disposition de
l'équipe elle-même. L'exemple de politique du Workbook permet de
poursuivre le développement de fonctionnalités lorsqu'un problème
réseau touchant l'entreprise entière a causé l'interruption, ou
lorsqu'un service d'une autre équipe l'a provoquée et que cette
équipe a gelé ses mises à disposition. Quand un bug ou une procédure
de l'équipe elle-même a consommé le budget, la fiabilité passe en
premier. Pour une interruption due à une dépendance gérée par une
autre équipe, le chapitre sur la mise en œuvre des SLO présente deux
approches : continuer ou geler malgré tout. Il estime que le gel
satisfait davantage les utilisateurs. Choisissez à l'avance, écrivez
ce choix dans la politique et désignez qui tranche un désaccord sur
le calcul ; l'exemple de politique confie cette décision au CTO.

Les erreurs sont classées dans la mauvaise catégorie. Un test de
charge en échec ou les requêtes rejetées d'un testeur d'intrusion
consomment du budget alors qu'aucun utilisateur n'a été touché.
L'exemple de politique cite les erreurs mal classées comme une façon
de perdre du budget pour rien. L'inverse est pire : de véritables
défaillances classées comme anodines maintiennent sur le papier le
service dans son objectif alors que les utilisateurs souffrent. La
même politique rend le travail de fiabilité obligatoire quand cette
situation est découverte. Excluez de l'indicateur le trafic que
l'objectif ne couvre pas et vérifiez le classement après tout
incident dont le coût paraissait erroné.

Un incident majeur consomme du budget, puis est oublié. Un gel fait
gagner du temps sans pour autant expliquer ce qui s'est passé.
L'exemple de politique lie les deux : un seul incident consommant
plus de 20 % du budget de quatre semaines exige une analyse après
incident avec au moins une action de la plus haute priorité. Une
catégorie d'interruptions consommant plus de 20 % en un trimestre
doit figurer au programme du trimestre suivant.

L'alerte ne peut jamais se déclencher. Des seuils copiés du tableau
à 99,9 % ne se transposent pas à d'autres objectifs. À 90 % de
disponibilité, souligne le Workbook, une interruption totale ne
consomme que 1,4 % du budget en une heure. Une règle déclenchant
l'astreinte à 2 % par heure reste donc silencieuse pendant toute
l'interruption. À l'autre extrême, un objectif mensuel de 99,999 %
s'épuise en 26 secondes d'interruption totale, avant même que de
nombreux systèmes de supervision aient recueilli un échantillon.
Adaptez les fenêtres et les seuils à l'objectif. Pour les objectifs
très élevés, acceptez la conclusion du Workbook : seule la
conception du système peut permettre de les respecter. Déployez
d'abord un changement auprès de 1 % des utilisateurs, et la même
défaillance laisse 43 minutes avant l'épuisement du budget.

Un faible trafic transforme une seule défaillance en alerte
d'astreinte. À dix requêtes par heure, une requête échouée
représente un taux d'erreur de 10 % sur l'heure. Pour un objectif de
99,9 %, note le Workbook, cette requête déclenche immédiatement
l'astreinte parce qu'elle consomme 13,9 % du budget de 30 jours : le
mois entier n'autorise que sept échecs. Le Workbook propose de
générer du trafic artificiel, de regrouper plusieurs petits services
pour la supervision ou de modifier le produit afin qu'une seule
requête échouée ait moins d'importance.

L'objectif est relevé avant que le service puisse l'atteindre. Une
équipe qui a besoin d'un objectif plus exigeant et l'adopte
immédiatement vit dans l'urgence permanente, avec un budget toujours
épuisé. Le Workbook propose plutôt un objectif à viser : mesuré et
suivi à côté de l'actuel, mais désigné dans la politique comme
n'exigeant aucune action tant que le service n'est pas prêt à
l'atteindre.

Pour aller plus loin

  * Accepter le risque — le chapitre 3 du livre _Site Reliability
Engineering_ de Google, qui présente le budget d'erreur comme moyen
de décider des mises à disposition à partir de données.

  * Alertes sur les SLO — le _SRE Workbook_ sur les taux de
consommation, les alertes à plusieurs fenêtres et les services à
faible trafic.

  * Exemple de politique de budget d'erreur — une politique
complète : arrêt des mises à disposition, interruptions exemptées et
cas exigeant une analyse après incident.

  * Mettre en œuvre les SLO — calculer un budget à partir d'un
objectif et l'employer pour choisir les investissements de
fiabilité.

  * Règles d'alerte — la documentation Prometheus du format de
fichier de règles utilisé ci-dessus.

hCette page sur le Web	URL:https://engineer.company/fr/glossary/error-budget/	engineer.company	70
