Mémoire OpenTelemetry
Mon mémoire de master sur l'observabilité. Faut-il passer une équipe sur OpenTelemetry et relier logs, métriques et traces ? Réponse courte, oui, mais pas n'importe comment.
La question
Dans le cursus LeadDev, le mémoire de validation technique pose une question simple : est-ce que tu saurais défendre une décision technique devant une équipe, avec des preuves plutôt qu’avec ton intuition ?
Notre sujet : une équipe de 5 à 20 développeurs fait tourner une douzaine de microservices. Pendant un incident, la métrique dit que la latence explose, la trace dit dans quel service, le log dit pourquoi, mais chacun vit dans son outil. On les recoupe à la main en alignant des horaires. Faut-il tout standardiser sur OpenTelemetry et relier les trois signaux par un même trace_id ?
Ce qu’on a cherché à prouver
On est partis sur trois hypothèses, chacune avec ce qui la rendrait fausse :
- Un seul standard coûte moins cher à maintenir. Changer de fournisseur ne demande plus de réécrire le code, seulement de reconfigurer le pipeline. Validée.
- Corréler les signaux fait gagner au moins 30 % sur le temps de résolution des incidents. La recherche annonce jusqu’à 75 %, mais en conditions idéales. On a gardé une cible prudente et écrit noir sur blanc qu’on ne l’avait pas mesurée nous-mêmes. Validée avec réserve.
- C’est moins cher que Datadog. Soutenue comme validée sous conditions, avec 46 % d’économie par an à partir de la deuxième année. C’était faux, voir plus bas.
Le moment où on s’est trompés
Pour confronter tout ça au terrain, on a interviewé un responsable R&D qui fait tourner ces outils en production. On s’attendait à parler de maturité des SDK et de coût du stockage.
Il nous a surtout dit ça :
« Le plus compliqué, c’est la posture observabilité. Les gens font l’observabilité par contrainte. La bonne posture, c’est de faire de l’observabilité comme tu t’obliges à faire des tests. »
Notre matrice de risques était quasiment 100 % technique. On avait oublié le principal : une équipe qui n’ajoute de la télémétrie qu’après une panne échouera, même avec les meilleurs outils. On a ajouté un volet formation et acculturation au plan d’adoption, au même niveau que le déploiement. C’est sans doute ce que je retiens le plus du mémoire : le modèle était propre, et il manquait l’essentiel.
L’erreur que j’ai trouvée en relisant
En refaisant le document pour ce site, j’ai repris le modèle de coût ligne par ligne. Les 12 000 $ de formation initiale à Datadog étaient recomptés chaque année. Une fois l’erreur corrigée, les coûts récurrents sont à égalité : 13 512 $ par an pour Datadog, 13 680 $ pour OpenTelemetry. Les 36 000 $ de migration ne se remboursent donc jamais à 10 hôtes.
L’analyse de sensibilité était fausse elle aussi. Avec nos propres tarifs, plus de logs avantage Datadog, pas OpenTelemetry. Le seul levier qui compte, c’est le nombre de serveurs, parce que Datadog facture à l’hôte. En recalculant, la migration ne devient rentable qu’à partir de 30 à 40 hôtes.
La recommandation tient toujours, mais pour d’autres raisons : la portabilité et un diagnostic plus rapide, pas les économies. Le PDF garde la conclusion d’origine, puis montre la correction.
La recommandation
Un go conditionnel. Adopter OpenTelemetry progressivement sur six mois, en commençant par deux services sans enjeu, avec Grafana Cloud en service géré pour ne pas avoir à opérer le stockage. Chaque phase a une porte de sortie chiffrée : si le surcoût de latence dépasse 3 %, si le temps de résolution ne baisse pas d’au moins 20 %, ou si les coûts réels dérapent, on s’arrête ou on revoit le plan. Depuis la correction, la deuxième condition porte toute la décision : si le diagnostic ne va pas plus vite, rien ne justifie la migration.
Les choix d’architecture sont documentés dans neuf ADR (Architecture Decision Records) : un Collector sur deux niveaux, un échantillonnage qui garde toutes les traces en erreur, un masquage des données personnelles avant qu’elles ne quittent la machine, et d’autres.
Ma part
J’ai porté le mémoire de bout en bout : la rédaction du document principal, sept des neuf ADR, les annexes (matrice de risques, modèle de coût, protocole de validation, comparatif d’instrumentation), l’intégration de l’entretien dans l’analyse, puis la mise en page et le support de soutenance.
J’en retiens une chose concrète : écrire « je changerais d’avis si… » à la fin de chaque argument oblige à savoir ce qu’on défend vraiment. Et la relecture le confirme : la condition qu’on avait écrite pour H3, « si OpenTelemetry reste plus cher après 24 mois », était déjà remplie par nos propres chiffres.
Le document
Le rendu original suivait le format imposé par l’école, avec beaucoup de tableaux. J’en ai fait une version d’une dizaine de pages, plus lisible et sans le nom des autres personnes, avec un schéma d’architecture, le modèle de coût corrigé et les sources.