Télémétrie orientée modèle (model-driven telemetry)
La télémétrie moderne remplace le polling SNMP traditionnel (l'outil de supervision interroge périodiquement chaque équipement) par un modèle de publication continue (l'équipement pousse lui-même ses données en streaming) — un changement fondamental de paradigme pour la supervision à grande échelle.
Le problème du polling SNMP traditionnel
POLLING SNMP (pull) STREAMING TELEMETRY (push)
[NMS] ──GET (toutes les 5 min)──► [Équipement] ──publie en
CONTINU (dès qu'une
[NMS] ◄──── réponse ──── donnée change, ou à
intervalle très court,
→ données au MIEUX vieilles de ex. 1s) ──►
plusieurs minutes (résolution
temporelle limitée par la [Collecteur de
fréquence de polling) télémétrie]
→ charge CPU côté équipement à → quasi TEMPS RÉEL,
CHAQUE requête (multiplié par charge CPU réduite
le nombre d'objets supervisés (un seul flux continu
× le nombre d'équipements) plutôt que des requêtes
répétées)
Le polling SNMP classique pose un problème de scalabilité : superviser des milliers d'objets sur des centaines d'équipements avec une résolution fine (ex. toutes les secondes) génère une charge de requêtes proportionnelle au produit (objets × équipements × fréquence) — souvent impraticable. Le streaming inverse le modèle : l'équipement publie lui-même, en continu, uniquement ce qui change.
YANG : le modèle de données commun
Comme vu en CCNA 3, YANG (RFC 7950) décrit la STRUCTURE des
données de configuration/état — la télémétrie orientée modèle
s'appuie sur les MÊMES modèles YANG que NETCONF/RESTCONF,
garantissant une COHÉRENCE entre configuration et supervision :
la structure de données pour "lire l'état d'une interface" est
la MÊME que celle utilisée pour la CONFIGURER.
Protocoles de transport de la télémétrie
| Protocole | Principe |
|---|---|
| gRPC / gNMI (gRPC Network Management Interface) | Standard ouvert (issu de Google), transport binaire performant, de plus en plus dominant |
| NETCONF avec souscription dynamique | Extension de NETCONF (RFC 5277) permettant une souscription à des notifications périodiques |
| gNOI (gRPC Network Operations Interface) | Complète gNMI pour des opérations (reboot, mise à jour de certificats) plutôt que de la simple lecture |
! Exemple simplifié (syntaxe indicative, varie selon la plateforme)
Router(config)# telemetry ietf subscription 100
Router(config-mdt-subs)# encoding encode-kvgpb
Router(config-mdt-subs)# filter xpath /interfaces-ios-xe-oper:interfaces/interface
Router(config-mdt-subs)# stream yang-push
Router(config-mdt-subs)# update-policy periodic 1000 ! publication toutes les 1000 centisecondes (10s)
Router(config-mdt-subs)# receiver ip address 192.168.1.50 57500 protocol grpc-tcp
Cisco DNA Center Assurance
DNA Center collecte la télémétrie de TOUT le réseau (câblé et
sans fil) et applique du MACHINE LEARNING pour :
- Établir une BASELINE de comportement normal par équipement/
application (ex. latence habituelle d'un lien, débit type
d'une application)
- Détecter des ANOMALIES par rapport à cette baseline
(dégradation progressive, pic anormal) AVANT qu'elles ne
deviennent des pannes complètes signalées par les utilisateurs
- Fournir un score de SANTÉ RÉSEAU agrégé, avec analyse de
cause racine (root cause analysis) suggérée automatiquement
Cas d'usage concret : DNA Center Assurance détecte qu'un AP spécifique présente un taux de retransmission Wi-Fi progressivement croissant sur plusieurs jours (signal d'une dégradation matérielle imminente, ex. antenne défaillante) — une alerte proactive permet un remplacement planifié avant une panne complète perçue par les utilisateurs, alors qu'un monitoring SNMP classique n'aurait probablement montré qu'un statut "up" jusqu'à la panne effective.
Ce qu'il faut retenir
- La télémétrie orientée modèle remplace le polling SNMP (pull, périodique, coûteux à grande échelle) par un streaming continu (push), s'appuyant sur les mêmes modèles YANG que NETCONF/RESTCONF.
- gRPC/gNMI est le transport dominant émergent pour ce streaming.
- DNA Center Assurance exploite cette télémétrie avec du machine learning pour établir des baselines, détecter des anomalies et suggérer des causes racines de façon proactive.