SplunkLive! Paris 2016 - Customer Presentation - Generali
Service Performance & Industrialisation
Splunk au service de la
performance applicative
10 mai 2016
Présenté par :
Cyril Thenon
Responsable du Service Performance & Industrialisation
Service Performance & Industrialisation
Groupe Generali
Présentation société 2
A propos de Generali France
Fondé il y a plus de 180 ans à Trieste, Generali s’installe
dès 1832 en France, sa plus ancienne implantation
étrangère.
Le chiffre d’affaires de Generali France
atteint 12,3 milliards d’euros en 2014.
La Compagnie s’appuie sur 7500 collaborateurs pour offrir
des solutions d’assurances à 7 millions de clients,
particuliers ou bénéficiaires de garanties dans le cadre de
leur activité, ainsi que 800 000 entreprises et
professionnels.
Service Performance & Industrialisation
Moi
Présentation 3
11 mai 2016
Cyril Thenon
Responsable du Service
Performance & Industrialisation
cyril.thenon@generali.com
Service Performance & Industrialisation
Direction Production et Services
Une équipe transverse au sein de la DSI Generali France
Présentation 4
Etudes
Conception
Maintenance
Intégration Applicative Exploitation
Accompagnement
Mise en Production
Homologation
Gestion des
environnements
Performance &
Industrialisation
Gestion de
l'infrastructure
Gestion de la qualité
du service rendus
aux métiers
Service Performance & Industrialisation
Rôles et missions
Présentation 5
11 mai 2016
Gestion de la
performance délivrée
aux utilisateurs
Industrialisation des
processus de
déploiement
11 000 Utilisateurs
4 000 Agents et Commerciaux Generali
7 000 Courtiers et Partenaires
430 applications
4 500 serveurs
1 000 JVM
600 bases de données
Service Performance & Industrialisation
2011
Contexte historique
Incidents de
performance applicative
croissants
Impact important au
niveau Projet /
Métier
Phase de diagnostic longue
mobilisant des moyens
importants
Comment FACTUALISER un ressenti utilisateur et
LOCALISER l’origine d’une lenteur en < 30 minutes ?
SOA
Web
2.0
CitrixVM…
7
Service Performance & Industrialisation
2012 : Stratégie & Déploiement
Projet APM
Création d’une démarche de gestion de la performance
applicative
POC et Choix d’outillages APM
Généralisation des outils APM sur les applications Generali
---
---
---
Constitution d’une cellule dédiée et transverse
8
Service Performance & Industrialisation
Fonctionnalités majeures
Projet APM
Mesure de bout en bout
Internet/Intranet, Web, Mobile,
Citrix, …
Triage Niveau 1
Java Code Performance
Troubleshooting
Intégration dans le cycle de vie
User Experience
In Browser
CICS
Transaction
End-to-End
Performance
Measurement
9
Service Performance & Industrialisation
Situation fin 2014
Projet APM 10
Factualiser les problèmes de lenteur par
tiers
ApplicationRéseau Backend
Poste de
travail
Mesure de temps de réponse de bout en bout
Production et Hors Production
Sur une centaine d’applications critiques
(~400 JVM)
Service Performance & Industrialisation
Axes d’amélioration
Projet APM 11
10 Février 2014 Presentation Title
< 30 minutes
Entre le constat des
lenteurs et
l’identification du
tiers responsable
L’isolation de la cause
des lenteurs peut
demander
X jours
Service Performance & Industrialisation
Comment ?
Projet APM 12
FAIS SIGNE
QU’ON A PAS
D’OUTILS
Chez Generali, nous avons beaucoup d’outils
Comment corréler les informations entre elles?
Service Performance & Industrialisation
Objectifs APM 2.0
Project APM 2.0 13
10 Février 2014 Presentation Title
Élargir la collecte
d’informations de
performance au niveau
des sous composants
Automatiser l’analyse
corrélée des
informations de
performance
Optimiser la qualité des
informations collectées
au niveau utilisateur
Accélérer le processus d’isolation de la cause des lenteurs
Service Performance & Industrialisation
14
11 mai 2016
Project APM 2.0
Finalité
Un accès unique aux
informations IT de Generali
Service Performance & Industrialisation
Architecture APM 2.0
Project APM 2.0 15
10 Février 2014 Presentation Title
Moteur d’analyse
et de corrélation
Élargir la collecte des informations de performance à
l’ensemble des composants du SI
Interface
d’analyse
RUM
dynaTrac
e
Serena
ezOptim
a
Service Performance & Industrialisation
Couverture technologique avec Splunk
Project APM 2.0 16
10 Février 2014 Presentation Title
Service Performance & Industrialisation
Exemples de réalisation
Project APM 2.0 17
11 mai 2016
Cartographie applicative Performance applicative
Performance Géolocalisée Performance Serveur et Oracle
Service Performance & Industrialisation
Exemples de réalisation
Project APM 2.0 18
11 mai 2016
Cartographie applicative Performance applicative
Performance Géolocalisée Performance Serveur et Oracle
Service Performance & Industrialisation
Approches BigData
Perspectives 20
10 Février 2014
BigData
Moteur d’analyse
Analyse manuelle assistée
Corrélation selon des
règles
Présentation plus
visuelle
Analyse automatique
Détection automatique
d’origine d’incident
Modélisation et
simulation pour trouver
des pistes d’amélioration
Source de données multiples
(APM, Serena, Infrastructure, VPM, etc.)
1 2
Service Performance & Industrialisation
Briques déjà posées
Perspectives 21
10 Février 2014
2013 2015
Information sur les
changements
Information sur les
Performances
applicatives
Information de
performance
Infrastructure
Moteur BigData
2011
2016
Créer de la
valeur à partir
des données
Étape 1
Étape 2
Étape 3
Service Performance & Industrialisation
Challenges futurs
Perspectives 22
10 Février 2014
Système d’information Generali
Prise de mesure
Stockage des mesures et analyse manuelle
Analyse automatique
Data
Scientist
Notre domaine de
compétences acquis
Service Performance & Industrialisation
Les leçons à retenir
Retour d’expérience 23
11 mai 2016
Innover la façon dont
nous traitons la
performance de notre SI
Faciliter le partage et le
travail collaboratif
Avoir à la fois une
vision macro et micro
avec un historique plus
important
Splunk est puissant mais pas magique.
Il faut le maitriser :
Tout ne fonctionne pas tout seul : bien concevoir l’architecture et les requêtes
pour gagner en rapidité d’analyse.
Les tableaux de bord sont inutiles sans l’analyse humaine.
Splunk reste un « outil », c’est à nous de créer de la valeur avec.
Attention à l’utilisation des composants de la communauté, ils ne sont pas
supportés par l’éditeur …
Avant 2012: expertise externe
-> délais longs
Direction nous a demandé de regarder APM
Stratégie définie en 2012
Infrastructure -> application
1 objectif : Casser analyse en silo – créer une démarche transverse
Très vite:
4 fonctionnalités majeures
Outils et démarche jouent un rôle dans le temps (pas uniquement pompier) -> amélioration continue
Synthèse des 4.
Généralisé sur ensemble des applications GENERALI
Hors:
Moins de pb applicatifs -> progressé.
Avec APM : Moins de boite noire.
Maintenant nous souhaitons faire la même chose coté infra
Détecter et localiser la « vraie » origine du pb (sur tout type de composant).
Constat différent d’avant :
Beaucoup outils -> outils spécialisés (SILO techniques) + architectures complexes
-> Difficile de fonctionner avec une dizaine d’expert entre eux. Comment fonctionner en mode SILO ??
-> nécessité de relier différents silos avec Vision Globale pour adresser problématiques de Perf.
1 choix : concentrer l’information (vs remplacer outils existants) -> approche Big Data -> Splunk
Information juste au bon moment (pour les sachant aussi bien que pour les nouveaux)
Décision de chercher information en production - Vraie vie (information de première fraicheur)
1 choix : MAJ automatisée (vs manuelle)
Pourquoi Splunk :
Agents collectes existants
Admin et paramétrage centralisé
Possibilité de créer nos interfaces (analogie avec Excel)
Splunk pas réellement Big Data
Splunk a simplifié collecte, affichage
Aujourd'hui : tjs démarche réactive (alertes, remontée utilisateurs)
Demain : créer plus de valeur via analyse automatisée
-> Big Data mais sur l’aspect analyse (plus que volume – que nous traitons déjà)
Créer valeur
A partir données -> sortir des informations pertinentes
Pro activité :
avant : tests de Perf
Mais SOA + devOps (agilité + amélioration continue) -> production vie et change trop vite.
Aujourd’hui : humainement impossible à suivre
-> nécessité de trouver autre solution/outil pour faire cela.
-> Expérimental sur Big Data
Ajouter dimension analyse
-> sujets passionnant pour l’équipe.
Ouvre nouvelles perspectives
Accompagne évolution de l’entreprise