Monitorer une application web avec Datadog

Dans ce chapitre nous allons voir le fonctionnement de l'intégration des logs avec Datadog. Nous allons voir les deux méthodes d'intégration des logs (fichier vs écoute de flux). Puis nous verrons comment faire émettre des logs au format JSON à votre application. Et enfin comment activer et configurer la collection des logs dans l'agent pour que vos logs apparaissent en ligne dans l'interface de DataDog.

Les bibliothèques de logs en fonction de votre language:

Python : https://docs.datadoghq.com/fr/logs/log_collection/python/?tab=json_logformatter

Go : https://docs.datadoghq.com/fr/logs/log_collection/go/#configure-your-logger

Java : https://docs.datadoghq.com/fr/logs/log_collection/java/?tab=log4j#configurer-votre-logger

Nodejs : https://docs.datadoghq.com/fr/logs/log_collection/nodejs/?tab=winston30#impl%C3%A9mentation

PHP : https://docs.datadoghq.com/fr/logs/log_collection/php/?tab=phpmonolog#impl%C3%A9mentation

Ruby : https://docs.datadoghq.com/fr/logs/log_collection/ruby/#configuration

Csharp : https://docs.datadoghq.com/fr/logs/log_collection/csharp/?tab=serilog#configurer-votre-logger

Pour activer l'agent, la ligne a modifier dans le fichier de configuration est logs_enabled: true, la variable d'environnement associées est DD_LOGS_ENABLED.

Dans ce chapitre nous allons voir comment configurer notre logger applicatifs pour recevoir les logs dans DataDog via un fichier de log. A la fin de ce chapitre vous pourrez consulter vos logs sur DataDog.

Dans ce chapitre nous allons voir comment utiliser les fonctionnalités avancées des logs dans Datadog. Nous verrons notamment comment mapper des attributs, utiliser la fonctionnalité de patterns, ajouter des méta données à vos logs et comment les transformer en facettes. Enfin nous verrons comment créer et sauvegarder des recherches personnalisées.

Dans ce chapitre nous verrons comment configurer votre application pour remonter des informations de traces a DataDog. Ces traces seront l'exploitable dans la section APM, un des outils au centre de DataDog.

Documentation sur la mise en place du tracing : https://docs.datadoghq.com/fr/tracing/setup/

Dans ce chapitre nous couvrirons les fonctionnalités avancées de l'APM:

- Annoter un span existant

- Créer un span

- Gérer la liste des intégrations

La documentation associée:

Annoter un span : https://docs.datadoghq.com/fr/tracing/guide/adding_metadata_to_spans/?tab=python#ajouter-des-tags-%C3%A0-une-span

Créer un span : https://docs.datadoghq.com/fr/tracing/manual_instrumentation/python/?tab=gestionnairedecontextes

Liste des intégrations gérées en Python : http://pypi.datadoghq.com/trace/docs/advanced_usage.html?highlight=falcon#trace-search-analytics

Dans ce chapitre nous verrons comment créer des métriques personnaliser et créer une alerte simple si une métrique dépasse un seuil donné. L'alerting se fait par email, vous retrouverez comment recevoir des alertes via Slack dans le chapitre sur les Synthetics.

Documentation sur les types de métriques : https://docs.datadoghq.com/fr/developers/metrics/types/?tab=count

Dans ce chapitre nous allons voir comment corréler les logs aux traces de l'APM. Cela permettra une fois dans l'APM de voir les logs qui ont été émis durant le cycle requête/réponse.

La documentation associée : https://docs.datadoghq.com/fr/tracing/connect_logs_and_traces/?tab=java#injection-automatique-d-id-de-trace

Dans ce chapitre nous allons voir comment contrôler et nettoyer les logs avant leur envoi a Datadog. Avec la fonctionnalité de log scrubbing vous pouvez décider de marsquer certaines informations dans les logs avant leur envoi à Datadog. Nous verrons aussi comment exclure de l'envoi les logs qui contiennent un mot ou une expression.

Dans ce chapitre nous verrons comment créer des événements personnalisés via DogStastD et via API. Nous verrons ensuite un cas pratique pour afficher ses événements sur un tableau de bord simple pour pouvoir corréler l’événement et le nombre de log erreurs.

Dans ce chapitre nous verrons comment utiliser la fonctionnalité de Synthetics de DataDog pour tester son application depuis l'extérieur de son infrastructure. Nous verrons aussi comment utiliser ces tests pour recevoir des alertes via Slack en cas de problèmes sur votre site.

Dans ce chapitre nous allons voir comment monitorer l'usage en CPU et en RAM de tous les processus de vos serveurs que cela soit des applications ou bien des taches de fonds comme des crons.

Dans ce chapitre nous allons voir comment profiller du code avec DataDog. Il s'agit pour l'instant d'une fonctionnalité encore en beta chez DataDog, a utiliser avec précaution donc.

Pour Java il faudra lancer son programme en utilisant la syntaxe suivante:

java -javaagent:dd-java-agent.jar -Ddd.profiling.enabled=true -Ddd.profiling.api-key-file=<API_KEY_FILE> -jar <YOUR_SERVICE>.jar <YOUR_SERVICE_FLAGS>

Et en Go il faut gérer le profiler manuellement, comme ceci :

err := profiler.Start(

    profiler.WithAPIKey("<DATADOG_API_KEY>")

    profiler.WithService("<SERVICE_NAME>"),

    profiler.WithEnv("<ENVIRONMENT>"),

    profiler.WithTags("version:<APPLICATION_VERSION>"),

)

if err != nil {

    log.Fatal(err)

}

defer profiler.Stop()

Plus de détails dans la page de documentation associée : https://docs.datadoghq.com/fr/tracing/profiling/?tab=java

Dans ce chapitre nous allons voir les commande principale de l'agent DataDog afin de mieux appréhender toutes ses possibilités. Ces informations vous aideront aussi en cas de problème de configuration.

En savoir plus : https://docs.datadoghq.com/fr/agent/basic_agent_usage/ubuntu/?tab=agentsv6etv7

Dans ce chapitre nous verrons comment simuler du traffic sur un serveur web avec deux outils: AB et Siege.

Voici les procédures d’installation de ces deux outils

AB :

Ubuntu :  apt-get install apache2-utils

MacOS: Directement embarqué avec MacOS

Siege :

Ubuntu : sudo apt install siege

CentOS: yum install siege

Autres linux: https://www.linode.com/docs/tools-reference/tools/load-testing-with-siege/#download-and-configure-siege