Surveillance des applications Kotlin : métriques et alertes avancées

Surveillance des applications Kotlin : métriques et alertes avancées

Dans le développement logiciel moderne, la surveillance n'est plus une option — c'est un élément obligatoire de l'infrastructure de production. Pour les applications Kotlin fonctionnant sous forte charge, une simple journalisation ne suffit pas. Une observabilité complète est nécessaire : collecte de métriques, configuration d'alertes et visualisation des données en temps réel. Dans cet article, nous analyserons les techniques avancées de surveillance des applications Kotlin en utilisant la pile Prometheus, Grafana et Micrometer.

1. Outillage : Micrometer et Prometheus

La meilleure façon d'intégrer la surveillance dans une application Kotlin est d'utiliser la bibliothèque Micrometer. Elle fournit une façade pour différents systèmes de surveillance, y compris Prometheus. Micrometer prend en charge à la fois les métriques JVM et les indicateurs métier personnalisés.

Ajoutons les dépendances dans build.gradle.kts :

dependencies {    implementation("io.micrometer:micrometer-core:1.12.0")    implementation("io.micrometer:micrometer-registry-prometheus:1.12.0")    implementation("io.ktor:ktor-server-metrics-micrometer:2.3.7")}

Pour une application Ktor, la configuration ressemble à ceci :

import io.ktor.server.engine.*import io.ktor.server.netty.*import io.ktor.server.application.*import io.ktor.server.metrics.micrometer.*import io.micrometer.prometheus.PrometheusMeterRegistryimport io.micrometer.prometheus.PrometheusConfig

fun main() {    val meterRegistry = PrometheusMeterRegistry(PrometheusConfig.DEFAULT)

    embeddedServer(Netty, port = 8080) {        install(MicrometerMetrics) {            registry = meterRegistry            // Ajout des métriques JVM standard            meterRegistry.config().commonTags("application", "my-kotlin-app")        }        routing {            get("/metrics") {                call.respond(meterRegistry.scrape())            }        }    }.start(wait = true)}

Ce code collecte automatiquement les métriques des requêtes HTTP, du pool de threads et de la JVM. Le point de terminaison /metrics fournit les données au format Prometheus.

2. Métriques personnalisées : indicateurs métier

Les métriques standard ne suffisent souvent pas. Pour une surveillance avancée, il est nécessaire de collecter des indicateurs métier : nombre de commandes, temps de traitement des paiements, fréquence des erreurs de validation.

Exemple de création d'un compteur et d'un minuteur personnalisés :

import io.micrometer.core.instrument.Counterimport io.micrometer.core.instrument.MeterRegistryimport io.micrometer.core.instrument.Timerimport java.util.concurrent.TimeUnit

class OrderMetrics(private val registry: MeterRegistry) {    private val orderCounter: Counter = Counter.builder("orders.created")        .description("Total number of created orders")        .register(registry)

    private val processTimer: Timer = Timer.builder("orders.processing.time")        .description("Time to process an order")        .publishPercentiles(0.5, 0.95, 0.99)        .register(registry)

    fun recordOrderCreation() {        orderCounter.increment()    }

    fun measureProcessingTime(block: () -> Unit) {        processTimer.record(block)    }}

Utilisation dans le service :

class OrderService(private val metrics: OrderMetrics) {    fun createOrder(order: Order): Order {        metrics.recordOrderCreation()        return metrics.measureProcessingTime {            // logique métier            Thread.sleep(100) // simulation            order        }    }}

Notez les percentiles : ils permettent de suivre non seulement le temps moyen, mais aussi les "queues" (p99), ce qui est critique pour les SLA.

3. Configuration des alertes dans Prometheus

La collecte de métriques est inutile sans système de notification. Les alertes sont configurées dans la configuration de Prometheus (fichier alert.rules.yml).

Exemple de règles pour Kotl