Un veilleur HORS de Prometheus — le silence de trois jours devient du bruit en ≤ 8 min #39

Merged

arcodange merged 3 commits from arcodange/veilleur-prometheus into main 2026-09-07 10:55:17 +02:00

Conversation 0 Commits 3 Files Changed 6

+905

3 Commits

Author	SHA1	Message	Date
arcodange	040712c736	CI — le runner ne résout pas gitea.arcodange.lab : repli sur l'adresse que Gitea lui donne ... MESURÉ (run 6728, étape « RELEVÉ ») : GITHUB_SERVER_URL=http://192.168.65.254:43000 --- gitea.arcodange.lab --- PAS DE RÉSOLUTION (getent code 2) curl: (6) Could not resolve host: gitea.arcodange.lab --- prometheus-community.github.io --- 2606:50c0:8000::153 … http=404 Le runner résout parfaitement les registres publics et PAS le nom interne. SEPT charts sur dix déclarent le registre Helm interne en dépendance — crowdsec, grafana, hashicorp-vault, pgbouncer, pgcat, prometheus, redis : depuis que #32 a énuméré les charts, leurs jobs mouraient TOUS à la même seconde, avant la moindre étape utile. C'est un trou d'infrastructure que #32 a rendu visible, pas un défaut d'un lot. Le repli n'est essayé QU'APRÈS avoir constaté que le nom d'origine ne répond pas, et la réécriture des URLs de l'index ne se fait QUE si l'on est effectivement en repli : sur un runner qui sait résoudre, rien ne change — vérifié en local, code 0, deux dépendances téléchargées, aucune ligne de repli. Lecture anonyme du registre vérifiée (HTTP 200) : aucun jeton n'entre ici. ⚠ Piège évité au passage : `[[ … ]] && url=…` sous `set -e` AVORTE le script quand la condition est fausse. C'est un `if`. Refs: arcodange-org/tools#36	2026-09-07 10:48:20 +02:00
arcodange	d03b323394	CI — le banc passe AVANT le téléchargement des dépendances, et un relevé nomme l'hôte qui ne se résout pas ... Le tout premier run du job `Application charts prometheus` — le premier depuis que #32 a énuméré les charts — est mort à l'étape `helm_install_dependencies`, `curl` code **6** (hôte non résolu), en **7 s**, AVANT toute étape utile. Le banc du veilleur en est sorti `Skipped` : ni rouge, ni absent, rien ne dépasse. C'est la forme même du gate qui n'existe pas. Deux changements, tous deux minimaux : 1. Le banc du veilleur remonte JUSTE APRÈS le checkout. Il n'a besoin ni du réseau ni du registre Helm interne (stdlib Python, plus `yq`/`jq` déjà là), donc il s'exécute et rend un verdict quoi qu'il arrive ensuite. 2. Un RELEVÉ (jamais une gate : `exit 0` en dur) nomme lequel des deux hôtes tombe. **7 charts sur 10 dépendent du registre interne `gitea.arcodange.lab`** — crowdsec, grafana, hashicorp-vault, pgbouncer, pgcat, prometheus, redis. Si c'est bien lui que le runner ne résout pas, alors sept jobs sur dix ne peuvent PAS passer, quel que soit leur contenu : un trou d'infrastructure que #32 vient de rendre visible, pas un défaut de ce lot. À retirer quand le trou est bouché. Refs: arcodange-org/tools#36	2026-09-07 10:42:49 +02:00
arcodange	88e0f5e862	Prometheus n'a rien enregistré pendant 3 jours, et rien ne pouvait le dire ... Du 2026-09-04 02:41 au 2026-09-07 07:37, le WAL de Prometheus était sur un système de fichiers passé en lecture seule. Pendant 3 j 5 h il a continué de scruter ses 23 cibles et de JETER le résultat. Les 11 règles d'alerte du dépôt n'ont rien dit — elles vivent DANS ce Prometheus, elles évaluent des requêtes contre le TSDB qui ne recevait plus rien, et sans échantillon frais une règle ne se déclenche pas : elle SE TAIT. Sur Telegram, le silence d'une alerte est indiscernable du bon fonctionnement. ⚠⚠ AJOUTER UNE RÈGLE « PROMETHEUS VA MAL » NE CORRIGE RIEN : elle serait muette exactement quand il faudrait qu'elle parle. C'est le gate incapable d'échouer, celui qui rassure. Ce lot pose donc un guetteur HORS de Prometheus. Ce qui est livré ---------------- 1. `prometheus/veilleur/veilleur.py` + un CronJob `*/5` (templates/veilleur.yaml, rendu tel quel par ArgoCD comme vault-telegram.yaml). Il interroge Prometheus depuis dehors et POUSSE LUI-MÊME sur Telegram, sans passer par Alertmanager. Jeton et salon viennent du Secret `alertmanager-telegram` DÉJÀ synchronisé depuis Vault — aucun second chemin de secret, aucun jeton en clair. 2. Le témoin toujours allumé `Veilleur` (`expr: vector(1)`) et sa route vers un récepteur VIDE : il ne sonne jamais, il est là pour être CONSTATÉ dans /api/v2/alerts par le guetteur. ⚠ Il ne lit aucune série : il aurait continué de tirer pendant les 3 j 5 h. Il prouve la chaîne d'alerte, jamais le TSDB. 3. `VeilleurMuet`, l'auto-plainte : le guetteur pousse un battement au Pushgateway ; la règle crie quand il vieillit de plus de 20 min. ⚠⚠ LE PIÈGE, ÉCRIT DANS LE CODE À L'ENDROIT OÙ ON VOUDRA SIMPLIFIER : pendant la panne, /-/healthy rendait 200, /api/v1/targets annonçait 23 cibles presque toutes `up`, le pod était Running 2/2 avec 0 redémarrage, Longhorn se disait `healthy` — et `count(up)` ne rendait AUCUNE SÉRIE. Un veilleur branché sur /-/healthy n'aurait rien vu ; un veilleur qui lit `resultat[0]` sans regarder serait tombé dans la branche « rien à signaler ». LE VECTEUR VIDE EST L'ALARME. Et il l'est structurellement : `--query.lookback-delta` vaut 5 min, donc au-delà de 5 min de retard `up` ne rend PLUS RIEN — la branche « âge > seuil » ne peut mesurer qu'entre 0 et 5 min, jamais une panne de trois jours. La propriété gardée, et son arithmétique ---------------------------------------- « Si Prometheus cesse d'enregistrer, une notification arrive en ≤ 8 min 10 s. » seuil de fraîcheur 180 s (3 × `scrape_interval: 1m`) période du CronJob 300 s (*/5, pire cas : on vient de manquer un tour) tolérance au roulement 180 s (2 × 90 s — un redéploiement ne réveille personne) exécution ~7 s (mesuré) ------------------------------ au pire 487 s contre 4 620 minutes de silence réel. Les deux premiers termes ne s'additionnent pas : le seuil est absorbé par le vecteur vide dès la première observation. MESURÉ, deux fois, sur la planification RÉELLE et avec le cas (c) armé dans le CronJob déployé : du top de la planification au « Telegram a accepté », **187 s** (08:20:00 → 08:23:07, puis 08:30:02 → 08:33:09). Les 300 s d'attente du tour suivant ne sont PAS mesurées — elles dépendent de la phase à laquelle la panne commence ; elles sont bornées par le `schedule`. SABOTAGES — le banc unitaire (`python3 -m unittest discover -s prometheus/veilleur`) ------------------------------------------------------------------------------------ Il rejoue les réponses HTTP MESURÉES pendant l'incident. ⚠ Ce qu'il ne rejoue PAS : la couche ext4/Longhorn qui a causé la panne — il rejoue la SURFACE que la panne présentait, c'est-à-dire tout ce qu'un guetteur extérieur peut voir. | sabotage | code | ce qui rougit | ce qui reste vert | |---------------------------------------------------|------|----------------------------------|-------------------| | (aucun) | 0 | — | 8/8 | | S-A : on ignore le vecteur vide dans `observer()` | 1 | cas (c), auto-plainte | le silence nominal | | S-B : `age > -1` — il crie tout le temps | 1 | le silence nominal, la tolérance | les 6 alarmes | | S-C : route `Veilleur` → telegram au lieu de néant| 1 | l'assertion jq de la CI | — | | promtool `exp_alerts: []` sur le témoin | 1 | le test de règle | — | ⚠ La première tentative de S-A n'a PAS mordu comme prévu : elle a rougi sur une erreur de schéma YAML, pas sur l'assertion. Refaite pour être un vrai échec d'assertion. Un sabotage dont on ne vérifie pas qu'il mord au bon endroit rend un « rouge » qui ne prouve rien. ⚠⚠ ET LA GATE EST CÂBLÉE : elle tourne dans `.gitea/workflows/helmcharts.yaml`, dans le job qui construit déjà le chart prometheus, à chaque PR qui le touche. Une gate que la CI ne déclenche jamais est la cinquième forme du gate qui rassure. SABOTAGES — en vrai, sur le cluster (vrais Jobs, vrai Telegram) --------------------------------------------------------------- | # | mode | comment | verdict | code | délai | |---|---------------------------|------------------------------------------------|----------------------------------|------|---------| |L6 | nominal | rien | SE TAIT, 0 message | 0 | 18,7 s | |L1 | (a) Prometheus MORT | `scale deploy prometheus-server --replicas=0` | crie « injoignable » | 0 | 50 s | |L4 | (a) variante simple | URL vers un hôte inexistant | crie « injoignable » | 0 | 8,4 s | |L3 | (b) données périmées | requête rendant 277 500 s | crie « retarde », « 3 j 5 h » | 0 | 11,5 s | |L2 | (c) LE DÉFAUT RÉEL | sélecteur vide sur un Prometheus SAIN | crie « n'enregistre RIEN » | 0 | 31,5 s | |L5a| témoin présent | `ALERTE_TEMOIN` = une alerte vraiment active | SE TAIT | 0 | 8,6 s | |L5b| témoin absent | `ALERTE_TEMOIN` = un nom inexistant | crie « chaîne muette » | 0 | 8,4 s | |L7 | auto-plainte | Telegram injoignable + cas (c) | Job **Failed**, AUCUN battement | 2 | 12,6 s | Le message de L2 portait la contradiction elle-même : « 23 cibles actives, 21 annoncées `up` » en face de zéro série — le chiffre exact du matin. ⚠ CE QUE L1 NE REJOUE PAS : descendre le déploiement à 0 rend Prometheus injoignable, pas MENTEUR. Le défaut réel — répondre parfaitement en n'enregistrant rien — n'est PAS reproductible par un `scale` ; il l'est par L2, contre un Prometheus en pleine santé. Prometheus après les essais --------------------------- Remonté à 08:13:50Z, prêt à 08:14:08Z (18 s). Montage `rw`, 0 « input/output error » et 0 `level=ERROR` dans ses journaux, `count(up)` = 23 séries, fraîcheur du dernier point 0,94 s, `kadans_jobs_jobs` = 8 séries. ⚠ EFFET DE BORD ASSUMÉ ET NON RÉPARÉ : le pod a été replanifié de pi3 vers pi1. Le commentaire du groupe `homelab` de ce même fichier affirme « Prometheus vit sur pi3 et Alertmanager sur pi2 : cette chaîne d'alerte survit donc à la perte de pi1 ». Ce n'est plus vrai. Un `kubectl -n tools delete pod` le rejoue, sans garantie d'atterrissage. Le veilleur, lui, est un CronJob : il n'est lié à aucun nœud. Ce que ce lot ne couvre PAS --------------------------- - La CAUSE du passage en lecture seule reste inconnue (issue #36) : ce lot surveille le symptôme, pas le disque. - « Le veilleur en panne ET Prometheus en panne » : les deux moitiés de l'auto-plainte finissent sur Telegram, donc un Telegram cassé les emporte toutes les deux. Il faudrait un second canal, indépendant de ce homelab. - `prometheus/.helmignore` est ajouté au passage : l'étape de publication du chart fait `tar -X <chart>/.helmignore`, qui échouerait sur un chart qui n'en a pas. `grafana` et `redis` sont dans le même cas — pas traités ici. Refs: arcodange-org/tools#36 Remise en état -------------- Tous les objets d'essai ont été retirés du cluster (8 Jobs, le Job planifié, le CronJob, son ConfigMap, le groupe `veilleur-prometheus` du Pushgateway, et les trois fichiers écrits sur le volume Prometheus pour `promtool`). Le veilleur n'est donc PAS en service : c'est la fusion de cette PR qui le déploiera, par ArgoCD. Rien n'a été appliqué avec Tofu, aucun workflow Vault n'a été déclenché.	2026-09-07 10:35:10 +02:00