Un incident est une interruption non planifiée ou une réduction de la qualité de service, détectée et suivi par des systèmes de monitoring, qui nécessite un diagnostic et une résolution. En opérations informatiques, les incidents vont de la dégradation des performances aux pannes complètes ; en sécurité, ils représentent des violations ou des menaces aux politiques de sécurité.
Les incidents sont généralement détectés par des mécanismes de Health Check, de monitoring de disponibilité, ou par des systèmes d'alerte qui observent les métriques, les journaux ou les événements de sécurité. Quand un seuil d'alerte est dépassé—comme des taux d'erreur en hausse, un service devenant inaccessible, ou un accès non autorisé—un incident est créé dans un système d'astreinte (PagerDuty, Opsgenie, etc.) avec un niveau de sévérité assigné.
Le cycle de vie des incidents suit un modèle standard :
- Détection : Les règles de monitoring ou la détection d'anomalies déclenchent une alerte
- Triage : L'agent d'astreinte évalue la sévérité et l'impact
- Atténuation : Actions prises pour restaurer le service (rollback, redémarrage, basculement)
- Analyse des causes racines : Examen post-incident documentant ce qui s'est passé et pourquoi
- Fermeture : Ticket résolu avec les leçons apprises documentées
Exemple : Votre système de monitoring détecte qu'une application retourne des erreurs HTTP 500 pour 10 % des requêtes. Une alerte se déclenche, un incident SEV-2 est auto-créé, et une notification est envoyée à l'ingénieur d'astreinte, qui commence à investiguer l'épuisement du pool de connexions à la base de données.
WarningToute alerte n'est pas un incident. La fatigue d'alerte provenant de seuils trop sensibles peut faire que les incidents réels soient manqués. Implémentez une déduplication appropriée des alertes, une classification de sévérité et une logique d'escalade pour vous assurer que seuls les véritables problèmes de service deviennent des incidents suivis.
Concepts connexes : DNS Failover pour la récupération automatique, MTTR pour mesurer la vitesse de résolution, et Status Page pour communiquer les incidents aux utilisateurs.