Supervision et alertes

Ce que surveille navin-manager

Portée	Définition	Condition (seuils par défaut avertissement / critique)
Hôte	host_heartbeat_lost	Aucun signal depuis 60 / 120 secondes. Résolue dès que l'agent envoie à nouveau un signal.
Hôte	host_disk_usage	Système de fichiers le plus rempli parmi la racine et les répertoires Navin (/etc/navin, /opt/navin, /var/lib/navin, /var/log/navin) à 80 / 90 pour cent. Les autres montages restent visibles dans les métriques de l'hôte.
Hôte	host_memory_usage	Mémoire utilisée à 85 / 95 pour cent.
Hôte	host_load	Charge sur 5 minutes divisée par le nombre de CPU à 1,5 / 3.
Hôte	host_preflight_failed	Un contrôle préalable de l'hôte a échoué.
Hôte	agent_version_mismatch	La version de l'agent diffère de celle du serveur.
Composant	component_down	Un composant qui doit tourner ne tourne pas.
Composant	component_health	Les contrôles de santé d'un composant démarré échouent.
Composant	config_stale	La configuration a changé et le composant tourne encore avec la précédente.
Cluster	certificate_expiry	Un certificat émis par la console expire dans 30 / 7 jours.
Cluster	operation_failed	Une opération du cluster a échoué au cours des dernières 24 heures.
Console	manager_engine_lag	Dernier passage du moteur d'opérations il y a 30 / 120 secondes.
Console	manager_database	Aller-retour vers la base de la console de 200 / 1000 millisecondes.

Chaque définition peut être désactivée, et ses seuils et son intervalle modifiés, dans Alertes, Définitions. Une alerte conserve son historique (changements d'état avec la valeur mesurée), peut être acquittée avec une note et se résout d'elle-même quand la condition disparaît. Les hôtes en maintenance ne déclenchent aucune alerte.

Notifications

Alertes, Destinataires envoie les alertes qui atteignent la sévérité minimale d'un destinataire :

Type	Détails
Courriel	SMTP de Administration, Réglages (STARTTLS et authentification pris en charge).
Webhook	POST HTTPS avec l'en-tête X-NM-Signature: t=<unix>,v1=<hex>, où v1 est le HMAC-SHA256 de <t>.<corps> avec le secret du destinataire. Refusez un horodatage de plus de 5 minutes.
Syslog	Messages RFC 5424 en UDP, TCP ou TLS vers le syslog de Administration, Réglages (le SIEM de la banque).

Les envois en échec sont retentés, puis marqués en échec après 5 tentatives. Tester envoie une notification de test.

Auto-supervision de la console

Système affiche la santé de la console : latence de la base, retard du moteur d'opérations, tâches en attente, agents connectés et perdus, dernière exécution et dernière erreur de chaque tâche périodique. Les mêmes données sont servies par GET /api/v1/system/health (permission system:read).

GET /metrics sert les métriques Prometheus. Il exige Authorization: Bearer <NM_METRICS_TOKEN> ; en production, le jeton est obligatoire.

Métrique	Étiquettes	Signification
nm_build_info	version	Version de la console.
nm_hosts	cluster, state	Hôtes par cluster et par état.
nm_host_components	state	Instances de composants par état.
nm_operations	status	Opérations par état.
nm_tasks_queued		Tâches en attente d'un agent.
nm_alerts	severity	Alertes ouvertes par sévérité.
nm_engine_lag_seconds		Secondes depuis le dernier passage du moteur d'opérations.
nm_database_latency_ms		Aller-retour vers la base de la console.
nm_scheduler_job_errors	job	1 quand la dernière exécution d'une tâche périodique a échoué.
nm_agents_online		Agents qui ont envoyé un signal pendant la dernière minute.

La disponibilité du processus se lit sur GET /readyz (base joignable) et sa vivacité sur GET /healthz.

Supervision de la plateforme gérée

Le catalogue contient une chaîne d'observabilité complète que navin-manager installe comme n'importe quel service : Prometheus, Alertmanager, OpenSearch, OpenSearch Dashboards, Jaeger, Opik, Alloy, l'OpenTelemetry Collector et les exportateurs (nœud, Redis, PostgreSQL, blackbox). La plateforme ne livre pas de serveur de tableaux de bord (ADR-0169) : les machines et les services se suivent dans la console elle-même (onglet de supervision des services avec son historique en base, métriques des machines, export de télémétrie vers ClickHouse), les journaux dans OpenSearch Dashboards, les traces dans Jaeger et Opik, les métriques et les alertes dans Prometheus et Alertmanager, dont les règles d'alerte et d'enregistrement restent en place. Un Grafana déjà exploité par le client peut toujours être branché sur ces sources ; la plateforme ne le déploie jamais (licence AGPL, ADR-0101).

Prometheus découvre les composants à interroger auprès de la console : GET /api/v1/clusters/<id du cluster>/sd/prometheus renvoie un groupe de cibles par instance de composant qui expose des métriques, avec les étiquettes nm_cluster, nm_service, nm_component et nm_host. Le service Prometheus du catalogue configure cette découverte avec un jeton d'API stocké dans un fichier de mode 0640 : créez un jeton restreint à cluster:read dans Profil, Jetons d'API et donnez-le au paramètre du service Prometheus.

Alloy envoie le journal des unités navin-* et les fichiers de /var/log/navin en OTLP au collecteur OpenTelemetry, qui les écrit dans OpenSearch, où OpenSearch Dashboards les lit.