La télémétrie est la collecte automatisée de données à partir d'un système distant et leur transmission vers un autre système de réception à des fins de surveillance et d'analyse. 

En informatique et en génie logiciel, ces données comprennent généralement des métriques, des événements, des journaux et des traces provenant de serveurs, d'applications, de réseaux et de services cloud. La télémétrie est ce qui permet de connaître le comportement d'un système sans être physiquement présent auprès de celui-ci.

Le mot provient de racines grecques : télé (“ distant ”) et métron (“ mesure ”). Cette origine décrit encore bien l'idée centrale : mesurer quelque chose à distance et envoyer le résultat là où il peut être utilisé.

Que signifie la télémétrie pour la surveillance des TIC et des logiciels ?

Pour les équipes informatiques, la télémétrie est le processus de collecte et de transmission de données sur l'activité d'un système afin que les tableaux de bord, les alertes et l'analyse des causes profondes disposent d'éléments sur lesquels s'appuyer. Sans elle, ces outils n'ont rien à afficher ni à analyser.

Un système distribué s'étendant sur des serveurs sur site, une infrastructure cloud, des conteneurs et des API tierces génère constamment de l'activité. La télémétrie est le mécanisme qui capture cette activité et l'achemine là où une personne ou un système peut l'utiliser.

C'est important parce que la plupart des incidents ne proviennent pas d'un seul endroit évident. Le ralentissement d'une page de paiement peut trouver son origine dans une requête de base de données, un répartiteur de charge mal configuré, une API de paiement tierce ou un problème DNS situé ailleurs dans le réseau.

Les équipes ne peuvent diagnostiquer des problèmes de ce type que si elles disposent d'une télémétrie en continu provenant de l'ensemble de la pile, et pas seulement de l'application elle-même.

Les équipes logicielles s'appuient également sur la télémétrie en dehors de la gestion des incidents. Les équipes produit et d'ingénierie instrumentent les applications pour voir quelles fonctionnalités sont utilisées, combien de temps dure une session avant qu'un utilisateur ne décroche, ou à quelle fréquence une erreur spécifique se produit sur un parc d'appareils — des données qui aident les équipes à décider ce qu'elles doivent développer ou corriger ensuite, indépendamment du fait que quelque chose soit actuellement en panne.

Comment fonctionne la télémétrie ?

La télémétrie passe par trois étapes : l'instrumentation capture les données, la transmission les achemine, et le stockage ainsi que l'analyse les rendent exploitables. Chacune d'elles repose sur des technologies spécifiques, et comprendre le rôle de ces technologies permet d'évaluer ou de dépanner plus facilement un pipeline de télémétrie.

Instrumentation : capteurs, agents, SDK et API

L'instrumentation est le processus qui permet à une application de collecter des données de télémétrie en ajoutant du code, des bibliothèques ou des agents logiciels. Ces composants capturent des informations telles que des métriques, des journaux et des traces, offrant une vue continue du comportement de l'application lors de son fonctionnement normal.

Dans les systèmes physiques, cela signifie des capteurs qui mesurent des propriétés telles que la température, la pression ou la tension. Dans les systèmes logiciels, l'instrumentation prend généralement la forme d'agents logiciels installés sur un hôte, de kits de développement (SDK) intégrés dans le code applicatif, ou d'API qui exposent l'état interne à un collecteur externe.

Par exemple, un serveur Linux peut exécuter un agent collecteur qui signale l'utilisation du processeur et de la mémoire toutes les 60 secondes. En même temps, une application peut utiliser un SDK pour émettre une trace chaque fois qu'un utilisateur termine un processus de paiement. Tous deux constituent de l'instrumentation ; ils opèrent simplement à des couches différentes de la pile.

Transmission : Obtenir des données de la source à la destination

Une fois les données capturées, elles doivent voyager du système source vers l'endroit où elles seront stockées et analysées. La transmission s'effectue via une gamme de protocoles et de méthodes de transport, notamment le Wi-Fi, la téléphonie mobile, le satellite et les connexions filaires pour les appareils physiques, ainsi que des files d'attente de messages ou des plateformes de streaming telles que Kafka pour la télémétrie logicielle à haut volume.

OpenTelemetry (OTel) est devenu ce qui se rapproche le plus d'une norme partagée par l'industrie pour la collecte et la transmission des données de télémétrie. Il s'agit d'un cadre neutre vis-à-vis des fournisseurs pour l'instrumentation, la génération et la transmission des données de télémétrie, ce qui signifie qu'une équipe peut changer de plateforme d'analyse sans avoir à réinstrumenter chaque application à partir de zéro. 

En revanche, Prometheus se concentre plus précisément sur la collecte de métriques et comprend son propre système de stockage ainsi qu'une visualisation de base, ce qui en fait un choix courant pour les équipes qui ont principalement besoin de données de séries temporelles numériques plutôt que de traces et de journaux complets.

Stockage et analyse : où résident les données de télémétrie

Après la transmission, les données de télémétrie ont besoin d'un endroit où résider et d'un moyen d'être interprétées. Les bases de données temporelles stockent les métriques efficacement pour l'analyse des tendances au fil du temps. Les data lakes et les data warehouses contiennent des ensembles de données plus vastes et plus variés, y compris des journaux bruts et des traces, pour une analyse plus approfondie ou à plus long terme. 

Observabilité les plates-formes lisent généralement ces systèmes de stockage, en y appliquant de la corrélation, des tableaux de bord et des alertes pour transformer la télémétrie stockée en informations exploitables par une équipe.

C'est également là que l'intelligence artificielle et l'apprentissage automatique interviennent. Une fois la télémétrie centralisée, des modèles peuvent être entraînés sur des schémas historiques pour signaler des anomalies ou prévoir des problèmes de capacité.

Qu'est-ce que les données de télémétrie ?

Les données de télémétrie sont le résultat de ce processus de collecte et de transmission : les mesures réelles et les événements qu'un système rapporte sur son propre état ou comportement. En informatique et en génie logiciel plus particulièrement, ces données sont généralement organisées de deux manières : 

• par type de données, en utilisant le Cadre MELT
• par son origine, telle que la télémétrie des utilisateurs, du réseau, des applications ou du cloud.

Le cadre MELT : Métriques, Événements, Journaux et Traces

MELT est l'abréviation des quatre types principaux de données de télémétrie utilisés dans l'observabilité moderne :

Le traçage distribué est la pratique qui se cache derrière la partie “ traces ” de MELT, et il est particulièrement utile lorsqu'une application est construite à partir de nombreux petits services au lieu d'un seul grand. 

Une seule action d'utilisateur peut traverser une douzaine de services différents, et une trace suit cette action étape par étape, en montrant le temps pris par chaque étape. Sans trace, une équipe peut voir qu'une requête était lente, mais pas lequel de la douzaine de services a réellement causé le retard. 

Données de télémétrie par source : télémétrie utilisateur, réseau, application et cloud

MELT décrit le format des données de télémétrie. Il est également utile de regrouper la télémétrie par source, car différentes sources nécessitent des méthodes de collecte différentes et ont des objectifs différents.

• Télémétrie utilisateur capture la manière dont les utilisateurs interagissent avec une application : clics, durée de session, utilisation des fonctionnalités et rencontres d'erreurs. C'est ce qui alimente surveillance des utilisateurs réels et l'enregistrement de session.
• Télémétrie réseau couvre le trafic, l'utilisation de la bande passante et le comportement de routage, y compris des données telles que BGP modifications de routage pouvant expliquer pourquoi une région entière semble hors service alors que les systèmes internes sont opérationnels.
• Télémétrie d'application inclut les temps de réponse, le débit et les taux d'erreur au niveau du code, généralement collectés par Surveillance de la performance des applications instrumentation.
• Télémétrie cloud suit l'activité spécifique aux environnements cloud : événements de mise à l'échelle automatique, modifications de configuration, modifications de groupes de sécurité et appels d'API vers les services du fournisseur de cloud.

Télémétrie Cloud : Regard de plus près

Les environnements cloud génèrent des données opérationnelles qui n'existent pas dans l'infrastructure locale traditionnelle. Un groupe de sécurité mal configuré, un événement de mise à l'échelle automatique inattendu déclenché par un pic de trafic, ou une modification d'une politique IAM peuvent tous provoquer des pannes ou des incidents de sécurité qui n'apparaissent jamais dans les seules métriques au niveau du serveur. 

Les équipes qui gèrent des environnements multicloud ou hybrides ont généralement besoin de télémétrie qui englobe les services natifs du cloud (tels que les bases de données gérées ou les fonctions sans serveur) ainsi que l'infrastructure sous-jacente, car l'un ou l'autre de ces environnements peut être la source d'un problème.

Données de télémétrie par propriété physique

Les données de télémétrie peuvent également être décrites par la propriété physique ou opérationnelle qu'elles mesurent, un cadre plus courant dans les contextes du matériel, industriels et de l'IdO :

• Données environnementales: Température, humidité et pression atmosphérique, par exemple, le suivi de la température du centre de données pour détecter les pannes de refroidissement avant que l'équipement ne soit endommagé.
• Données de performance: Utilisation du processeur, taux d'occupation de la mémoire et débit réseau — les chiffres qui montrent si un système répond à la demande.
• Données opérationnellesDisponibilité, taux d'erreur et volume des transactions — les mesures les plus directement liées au respect des accords de niveau de service (SLA) par un service.

Ce cadrage et le cadrage basé sur MELT/les sources ci-dessus ne sont pas des systèmes concurrents. Une métrique d'utilisation du CPU, par exemple, est à la fois des “ données de performance ” et une “ métrique ” selon MELT. La plupart des équipes utilisent le cadre qui correspond le mieux à la conversation : MELT pour les discussions sur les outils d'observabilité, et environnemental/performance/opérationnel pour les rapports plus larges sur la santé du système.

Télémétrie vs. Surveillance vs. Observabilité : Quelle est la différence ?

Les trois termes décrivent différentes fonctions de la même pile : 

• La télémétrie est la donnée. 
• La surveillance est ce qui compare ces données à des conditions connues. 
• L'observabilité est ce qu'une équipe utilise pour étudier des conditions qu'elle ne savait pas déjà qu'il fallait vérifier.

Les confondre est l'une des sources les plus courantes de mauvaise communication entre les équipes informatiques et les fournisseurs qui leur vendent des solutions.

La surveillance peut détecter un serveur dont l'utilisation de la mémoire atteint 90%, car quelqu'un a défini ce seuil à l'avance. Elle ne peut toutefois pas expliquer pourquoi les temps de réponse se sont progressivement dégradés sur trois semaines sans qu'aucune alerte ne se soit déclenchée — pour cela, il faut recourir à l'observabilité, qui rassemble les métriques, les journaux et les traces afin de mettre en évidence une tendance que personne n'avait songé à vérifier.

Une équipe peut disposer d'une bonne surveillance et manquer néanmoins d'observabilité si sa télémétrie ne couvre que les conditions connues qu'elle a déjà pensé à surveiller. L'inverse se produit également : une équipe peut collecter une grande quantité de télémétrie mais manquer de surveillance si personne n'y a configuré d'alertes pertinentes. Quoi qu'il en soit, les deux dépendent avant tout d'une bonne télémétrie.

Quels sont les avantages de la télémétrie ?

La télémétrie offre aux équipes distribuées un moyen de comprendre le comportement des systèmes et des produits sans avoir besoin d'un accès physique à chaque appareil ou serveur. Pour une application s'exécutant sur des milliers de points de terminaison dans des dizaines de pays, la télémétrie est souvent le seul moyen pratique de connaître ses performances.

• Visibilité en temps réel : Surveiller l'état de santé de l'infrastructure, l'utilisation des ressources et les performances des applications à mesure que les conditions changent.
• Détection et résolution des problèmes plus rapides : La télémétrie signale les plantages, les erreurs et la dégradation des performances au moment où ils se produisent, ainsi que le contexte, tel que les autres processus qui s'exécutaient à ce moment-là. Ce contexte réduit le temps écoulé entre la survenance d'une panne et la compréhension de sa cause par une équipe.
• Aperçu des produits et des fonctionnalités : La télémétrie d'utilisation montre quelles fonctionnalités sont adoptées et lesquelles sont ignorées, ce qui guide les prochaines réalisations d'une équipe au lieu de reposer sur des suppositions ou des enquêtes auprès des utilisateurs peu fréquentes.
• Personnalisation à grande échelle : Les données sur le type d'appareil, la configuration de l'écran et l'utilisation des paramètres permettent aux équipes d'adapter les expériences par défaut à ce que la plupart des utilisateurs préfèrent réellement, plutôt d'appliquer les mêmes paramètres par défaut à tous les utilisateurs quel que soit le contexte.
• Une base pour l'automatisation : Une fois que la télémétrie circule de manière fiable, les équipes peuvent automatiser des réponses à partir de celle-ci — redémarrer un service défaillant, mettre à l'échelle une ressource ou acheminer une alerte vers la bonne équipe — sans qu'une personne n'ait à surveiller manuellement un tableau de bord. 
• Sécurité améliorée avec détection des menaces : Détecte une activité anormale et un comportement réseau suspect pouvant indiquer un incident de sécurité.

Quels sont les défis liés à la mise en œuvre de la télémétrie ?

Les défis liés à la télémétrie concernent moins la collecte de données que les choix de conception qui l'accompagnent pour qu'elle soit menée de manière responsable et durable. Cinq aspects tendent à être particulièrement importants.

• La confidentialité est une décision de conception, pas une case à cocher de conformité : La question n'est pas seulement “ sommes-nous en conformité avec le RGPD ” — c'est ce qui est collecté au départ, quelle quantité est anonymisée ou agrégée avant le stockage, et si les utilisateurs sont inscrits ou désinscrits par défaut. Collecter moins de données identifiables dès le départ est souvent une stratégie de confidentialité plus efficace que de tout collecter et d'en restreindre l'accès plus tard.
• Le volume est un problème d'échantillonnage, de filtrage et de rétention : Les systèmes à fort trafic peuvent générer plus de données de télémétrie qu'il n'est pratique ou abordable de stocker en intégralité. Les équipes gèrent cela par l'échantillonnage (en conservant un sous-ensemble représentatif de traces plutôt que chacune d'entre elles), le filtrage (en éliminant les données de faible valeur telles que les bilans de santé de routine avant leur stockage) et la rétention hiérarchisée (en conservant les données récentes à pleine résolution et en réduisant les données plus anciennes à des résumés). Traiter le volume en se disant “ utilisons simplement plus de stockages cloud ” tend à engendrer des coûts excessifs sans améliorer l'utilité.
• L'interopérabilité est un problème de schéma : Différents outils et fournisseurs formatent les données de télémétrie de manière diverse ; les horodatages, les noms de champs et les niveaux de gravité sont rarement cohérents par défaut. Lorsque des données de télémétrie provenant de sources multiples sont combinées sans normalisation, le résultat est un ensemble de données qui semble complet mais qui est en réalité trompeur, dans la mesure où une gravité “ critique ” dans un outil peut correspondre à un “ avertissement ” dans un autre. 

Des standards comme OpenTelemetry réduisent ce problème en offrant aux différents outils un format commun pour émettre des données, mais les équipes qui récupèrent des données à partir de sources héritées ou propriétaires ont toujours besoin d'une étape de normalisation.

• La latence influe sur l'utilité réelle de la télémétrie : Une métrique qui met 10 minutes à atteindre un tableau de bord n'est pas d'une grande aide pour une alerte censée se déclencher en moins d'une minute. La latence est une contrainte architecturale. C'est une fonction de la méthode de transmission, des conditions réseau et de la surcharge de traitement, et pas seulement une simple nuisance de performance. Les systèmes qui dépendent d'une détection rapide, comme la surveillance des fraudes ou la télémétrie automobile critique pour la sécurité, sont précisément conçus pour minimiser ce délai.
• L'intégrité des données est un problème distinct du volume ou de la confidentialité : La dérive des capteurs, les erreurs de transmission et les lectures incohérentes peuvent toutes produire des données de télémesure qui semblent valides mais ne le sont pas. Un étalonnage régulier, des règles de validation et des contrôles de redondance permettent de détecter ces anomalies avant qu'elles n'entraînent une fausse alerte ou, pire encore, qu'elles ne soient ignorées.
• Le coût à long terme de l'exploitation d'un pipeline de télémétrie est souvent sous-estimé. Le stockage, les licences d'outils et le travail continu d'optimisation de ce qui est collecté et conservé s'accumulent avec le temps, même une fois la configuration initiale terminée. Les équipes qui considèrent la télémétrie comme une implémentation ponctuelle plutôt que comme une responsabilité opérationnelle continue ont tendance à être celles qui sont surprises à la fois par la facture et par le bruit un an plus tard.

Quels sont les usages avancés de la télémétrie ?

Au-delà de la surveillance en temps réel, les flux de télémétrie alimentent des systèmes prédictifs et automatisés qui agissent sur les tendances des données plutôt que de se contenter de les signaler.

Maintenance prédictive

En analysant la télémétrie historique telle que les profils de vibration dans les équipements industriels, les tendances des taux d'erreur dans les logiciels et les fluctuations de température dans un centre de données, les organisations peuvent identifier les signes indiquant qu'une panne est probable avant qu'elle ne se produise. 

Cela signifie que la maintenance peut être effectuée en fonction de l'état réel de l'équipement au lieu d'un calendrier fixe, ce qui réduit à la fois les interventions inutiles 

AIOps et apprentissage automatique

AIOps les plateformes appliquent l'apprentissage automatique aux données de télémétrie pour détecter des anomalies, corréler des signaux associés entre les systèmes et réduire le nombre d'alertes individuelles qu'une équipe doit examiner. 

Un modèle entraîné sur des mois de télémétrie peut apprendre à quoi ressemble la “ normale ” pour un environnement spécifique et signaler des dérogations qu'un seuil statique raterait ou sur lesquelles il alerterait à tort. 

Au fil du temps, ces modèles s'améliorent à mesure qu'ils traitent davantage de données de télémétrie, c'est pourquoi l'exhaustivité et la qualité du pipeline de données sous-jacent déterminent directement l'utilité de la couche d'IA qui s'y superpose.

Comment la télémétrie est-elle utilisée dans tous les secteurs ?

Voici comment :

• Informatique et logiciels Les fournisseurs de services cloud s'appuient sur la télémétrie pour suivre la disponibilité des serveurs, l'utilisation du processeur et la latence réseau sur des milliers d'hôtes. Combiné avec surveillance de la performance des applications, cette télémétrie permet aux équipes de prédire les pannes et de mettre à l'échelle les ressources automatiquement en amont de la demande plutôt que de réagir une fois qu'un service est déjà dégradé.
• Soins de santé Les dispositifs portables et de télésurveillance transmettent en temps réel les signes vitaux tels que la fréquence cardiaque, la pression artérielle et la saturation en oxygène aux prestataires de soins. Cela permet aux cliniciens d'intervenir lorsqu'une mesure tend vers l'anomalie, plutôt que d'attendre un rendez-vous programmé pour la détecter.
• Automobile Les systèmes de télémétrie des véhicules mesurent le couple, les contraintes et la température sur des composants tels que les arbres de transmission et les freins lors des tests et du fonctionnement. Accumetrics, par exemple, utilise la télémétrie du couple de la chaîne cinématique pour aider les ingénieurs à évaluer les performances et les marges de sécurité dans des conditions de forte contrainte telles que la course ou le transport de charges lourdes.
• Aérospatiale La télémétrie des aéronefs et des engins spatiaux surveille la température des moteurs, les vibrations et les contraintes structurelles afin de détecter les problèmes potentiels avant qu'ils ne se traduisent par des pannes en vol. La NASA a utilisé des pales de rotor télémétrie sur les programmes d'essais en vol d'hélicoptères pour étudier la dynamique du vol et améliorer les marges de sécurité.

Quelle est la prochaine étape pour la télémétrie ?

Quelques tendances modifient la manière dont la télémétrie est collectée et utilisée à l'avenir :

• Croissance de l'IoT multiplie le nombre d'appareils connectés générant des données de télémétrie, en particulier dans les bâtiments intelligents, automatisation industrielle, et véhicules connectés.
• Informatique en périphérie de réseau traite la télémétrie au plus près de son lieu de génération, ce qui réduit le délai entre la survenance d'un événement et la réponse du système — un point crucial pour les cas d'usage sensibles à la latence, tels que les véhicules autonomes.
• Des normes de sécurité plus strictes deviennent une pratique courante à mesure qu'une télémétrie plus sensible, en particulier dans la finance et la santé, circule sur les réseaux, avec un chiffrement plus fort appliqué à la fois en transit et au repos.
• Pipelines de télémétrie pilotés par l'IA sont conçues dès le départ en pensant à l'apprentissage automatique, plutôt que d'ajouter l'analyse par IA à un pipeline initialement conçu uniquement pour des tableaux de bord.

La télémétrie est la fondation

La télémétrie répond à “ qu'est-ce qui se passe ”. À elle seule, elle ne répond pas à “ que devons-nous faire face à cela ” — cela nécessite du monitoring, de l'observabilité et une IA intégrée à un pipeline de télémétrie suffisamment complet pour être digne de confiance.

C'est la couche pour laquelle LogicMonitor est conçu. LM Envision unifie la télémétrie de l'infrastructure, du cloud et de la périphérie en un socle unique ; Catchpoint étend cette visibilité aux performances Internet et à l'expérience utilisateur réelle.

Et Edwin AI utilise ces données télémétriques combinées pour établir des corrélations entre les signaux, hiérarchiser les éléments importants et orienter ou mettre en œuvre la réponse — le tout dans le respect de limites bien définies. Il en résulte un chemin plus court entre “ voici ce que montrent les données télémétriques ” et “ voici ce qui a déjà été fait pour y remédier ”.”

FAQ