Sprint 5 Report — Frontend & Polish

Période : 2026-06-22 à 2026-07-04 Release : merge develop vers main (fin de sprint) Équipe : 1 ingénieur DevOps (Youssef Kadi) Repo : gitlab.com/yk-devops/fastapi-eks-project

---

Executive Summary

À l'entrée du Sprint 5, la plateforme était observable et opérée en GitOps (Sprint 4), mais restait une API sans visage : pas d'interface utilisateur, des UIs d'exploitation (ArgoCD, Grafana) accessibles uniquement en interne ou par mot de passe, et un cluster mono-nœud dont la validation live allait révéler les limites. Ce sprint a livré quatre chantiers : l'accès plateforme (ArgoCD exposé publiquement, SSO OIDC GitLab sur ArgoCD et Grafana), la capacité (requests mesurées, gouvernance LimitRange, split en deux node groups core on-demand / observability Spot, ~-70 % sur la part Spot), le tracing distribué (auto-instrumentation OpenTelemetry de FastAPI + SQLAlchemy, Tempo + OTel Collector, service graph dans Grafana), et surtout un frontend complet en trois itérations : V1 vertical slice (SPA React durcie à 0 CVE, déploiement GitOps, app.devopsyouss.com, CORS strict prouvé), V2 (auth JWT, création de posts, votes, recherche, pagination), V3 (édition/suppression de ses posts, détail inline, footer stack DevOps).

La signature de ce sprint : 55 % du scope est né en cours de route (11 issues sur 20), presque toujours à partir de findings de validation live transformés en issues tracées le jour même — et livrées dans le sprint, sans rien reporter en silence.

Quatre URLs vitrines live pour les entretiens : app.devopsyouss.com (nouveau), api.devopsyouss.com, grafana.devopsyouss.com, doc.devopsyouss.com. Dernière validation end-to-end from-scratch : 2026-07-04 (bootstrap 22 min, 10/10 Applications ArgoCD Synced/Healthy, V2 et V3 validées en conditions réelles, service graph visible).

---

Bilan des actions de la rétrospective Sprint 4

Nouveau dans ce rapport : avant de dérouler le sprint, on rend compte des 3 actions que la rétro du Sprint 4 s'était engagée à mener. Une rétro dont personne ne vérifie les actions est un rituel vide.

Action Sprint 4	Verdict	Détail
Lancer le multi-environnements dev/staging/prod	❌ Non fait — re-cadrage assumé	Décision explicite du 2026-06-22 : le sprint pivote sur le thème « Frontend & Polish » (la vitrine entretien d'abord). Le multi-env devient un sprint dédié (Sprint 6), pas un report silencieux.
Poursuivre le vuln management (Phase 1 : cron Trivy ECR)	✅ Fait — et dépassé	Phases 1 et 2 livrées (scan registry planifié + Renovate sur les dépendances), suivies dans le projet transverse vuln management.
resource_group sur les jobs infra + finaliser le schéma d'architecture	⚠️ Moitié fait	Schéma : ✅ rafraîchi en diagram-as-code (#127). resource_group : ❌ non fait, avec récidive — la collision schedule teardown / session live s'est reproduite le 2026-06-26. Repart en action n°1 du Sprint 6.

---

Stories livrées

Accès plateforme (SSO)

#	Description	Taille	Statut
#105	ArgoCD exposé publiquement via le Gateway (argocd.devopsyouss.com), admin password via ESO (ADR 022/023)	M	Livré
#106	SSO OIDC GitLab sur ArgoCD (Dex) et Grafana (auth.gitlab natif), RBAC par groupe (ADR 024)	L	Livré
#111	Fix SSO : rôle Grafana via env var, scope Dex read_user corrigé	S	Livré
#113	ADR 022/023/024 marqués validés live + findings SSO documentés	S	Livré

Capacité & gouvernance des ressources

#	Description	Taille	Statut
#112	Requests/limits mesurés (fini le pifomètre), LimitRange par namespace créé au bootstrap (avant les pods), gouvernance validée from-scratch (INC-060, ADR 025)	L	Livré
#114	Split en 2 node groups : core (on-demand, chemin de trafic) / observability (Spot tainté, ~-70 % de coût), stack obs pinnée dessus (ADR 026)	L	Livré
#115	metrics-server injoignable sous overlay Cilium → hostNetwork (INC-061, jumeau d'INC-058) ; le HPA fastapi était cassé en silence depuis 6 jours	M	Livré

Tracing distribué

#	Description	Taille	Statut
#107	Auto-instrumentation OpenTelemetry de FastAPI + SQLAlchemy (env-gated, zéro invasif) + egress NetworkPolicy vers le collector	M	Livré
#108	Tempo + OTel Collector déployés via ArgoCD, datasource Grafana tracesToLogsV2 (ADR 027) ; 2 fixes OOM (limite puis ballast Go du chart)	L	Livré
#117	Service graph : Tempo metrics-generator → remote_write Prometheus → Node Graph Grafana (fastapi → fastapi_db visible live)	M	Livré
#125	OOM Tempo au boot sous burst de spans : OTEL_PYTHON_EXCLUDED_URLS=healthz,metrics (probes exclues à la source) — tempo-0 et otel-collector à 0 restart au boot suivant	M	Livré

Frontend (V1 → V2 → V3)

#	Description	Taille	Statut
#109	SPA React+Vite minimale, image nginx-unprivileged durcie (apk upgrade : 31 CVE → 0), chaîne CI dédiée (kaniko, double gate Trivy, SBOM), repo ECR fastapi-eks/frontend (ADR 028)	L	Livré
#110	Vertical slice : endpoint public /posts/public + CORS strict, deploy GitOps (ns frontend PSA restricted), HTTPRoute app.devopsyouss.com, promote-by-digest + write-back dédiés — validée live (CORS prouvé par test négatif evil.com)	L	Livré
#124	Feed style LinkedIn sur la page publique (CSS/JSX pur, zéro changement back)	S	Livré
#128	V2 : login/register JWT (mémoire + sessionStorage), création de posts, votes (état déduit des codes 201/409), recherche, pagination, détail — 3 MR, 100 % sur les endpoints existants	L	Livré
#130	V3 : édition/suppression de ses posts (l'API fait autorité, 403), détail inline sous le post, footer stack DevOps (logos SVG inline, aucun chargement externe)	M	Livré

Documentation & maintenance

#	Description	Taille	Statut
#103	Backfill des rapports de clôture Sprint 0/1/2	M	Livré
#104	Image déployée protégée de la lifecycle rule ECR 3 jours : promote-by-digest candidate- → deployed- (ADR 021)	M	Livré
#127	Schéma d'architecture rafraîchi (frontend, tracing, expo ArgoCD, NLB) en diagram-as-code + texte adjacent réaligné	S	Livré
#38	Knowledge base searchable	XS	Fermée par analyse : l'existant couvre le besoin (recherche full-text MkDocs, dashboard incidents interactif, ADR en nav) ; le classement par technologie reste une amélioration possible, documentée dans l'issue

---

Stories non livrées / reportées

#	Description	Raison	Suite
#116	Exposer Hubble UI via Gateway + SSO	Née en cours de sprint (2026-06-25), non prioritaire vs frontend ; le port-forward couvre le besoin day-2	Backlog (triage du 2026-07-04), candidate au cadrage Sprint 6
#126	topologySpreadConstraints sur le frontend	Née d'un finding live (#110) ; sans effet tant que le node group core est mono-nœud	Backlog
#129	Rate limiting Envoy	Née du choix assumé « écriture publique » de la V2 (démo)	Backlog
#96	Bump starlette ≥ 1.3.1	Toujours bloqué par un tiers (prometheus-fastapi-instrumentator), CVE couvertes par VEX + risk acceptance (#101)	Backlog (se débloque quand l'upstream bouge)

---

Vélocité

Baseline Sprint 4 = 32 éléments livrés. Sprint 5 = 20 éléments (dont 1 fermé par analyse), portés par 44 MR mergées (!185 → !239).

Taille	Nb éléments	Description
XS	1	Trivial, moins de 2 heures
S	4	Simple, demi-journée
M	8	Moyen, 1 à 2 jours
L	7	Complexe, 3 jours ou plus
Total	20

Scope ajouté en cours de sprint : 11 issues sur 20 (55 %). Cadrage initial du 2026-06-22 = 9 issues (#103→#110 + #38). Le reste est né pendant le sprint, de deux sources : les findings de validation live (#111 SSO, #112/#114/#115 toute la filière capacité déclenchée par INC-060, #117 service graph) et les décisions produit en cours de route (#124 feed, #125 OOM boot, #127 schéma, #128 V2, #130 V3). Chaque ajout a été tracé en issue avec milestone le jour même — le scope a bougé, la discipline non.

---

Incidents majeurs et résolutions

Le sprint a capitalisé 2 incidents formels (INC-060, INC-061) — moins qu'au Sprint 4 (7), mais denses — plus deux incidents de process CI capitalisés en quirks.

INC-060 : saturation du nœud unique — un redéploiement Grafana fait tomber tout l'ingress (2026-06-23)

Pendant la validation live du SSO, le redéploiement de Grafana rend les 3 hôtes publics injoignables ~10 min : le nœud unique t3.medium était sur-engagé (limits mémoire cumulées = 168 % de la capacité), et le pic de boot de Grafana (préinstallation de plugins re-téléchargés à chaque démarrage, storage emptyDir) a fait basculer le nœud — rafale de liveness failures, dont le plan de données Envoy, backend du NLB. Leçon dans la leçon : la stack d'observabilité, co-localisée et sans persistance, a redémarré avec le nœud et laissé un trou de données exactement pendant l'incident — la chronologie vivait dans kubectl get events.

Fix en 3 étages : le déclencheur (GF_PLUGINS_PREINSTALL_DISABLED), la discipline (requests mesurées + LimitRange à l'admission, donc créé au bootstrap avant les pods), et le vrai fix : le split core / observability (#114) — un pic obs ne peut plus toucher le chemin de trafic, par construction.

Leçon : un nœud sur-engagé tient jusqu'au premier pic transitoire. Dimensionner sur le pic, isoler les workloads gourmands du chemin critique, et ne pas attendre d'un autoscaler qu'il voie l'overcommit runtime (il ne voit que le Pending).

INC-061 : metrics-server injoignable sous Cilium — le HPA cassé en silence pendant 6 jours (2026-06-24)

kubectl top → Metrics API not available : l'APIService agrégé metrics.k8s.io est servi par un pod en IP overlay, que le control plane EKS managé ne sait pas router — jumeau exact d'INC-058 (webhooks), transposé aux APIServices, diagnostiqué en minutes grâce à la capitalisation du Sprint 4. L'effet de bord vicieux : le HPA fastapi, privé de métriques, avait cessé de scaler sans aucune erreur visible depuis la migration Cilium. Fix : hostNetwork + port dédié (10262). Validé live : APIService Available=True, HPA avec TARGETS chiffrées.

Leçon : tout composant que l'API server doit appeler (webhook ou APIService) doit être joignable depuis le VPC. Et une dépendance qui échoue en silence (HPA sans métriques) est invisible sans surveillance active — d'où l'action Sprint 6 sur l'alerte APIService.

Incidents de process CI (capitalisés en quirks, pas d'INC formel)

• Pipeline doublé (#128) : un git push de branche sans MR ouverte déclenche déjà un pipeline complet ; redéclencher via l'API après création de la MR fait un doublon inutile sur le runner self-hosted. Règle : vérifier le head_pipeline existant avant d'en forcer un.
• Course de write-back GitOps (2026-07-03) : 4 MR Renovate mergées en rafale → 4 write-back en parallèle se disputent le git push sur develop, un seul gagne (les changements étant cumulatifs, le gagnant portait tout ; les retries des perdants rejouent un push périmé, inutiles). Règle codifiée : merger une MR à la fois, en attendant la fin complète du pipeline, write-back inclus.

---

Décisions d'architecture (ADRs)

ADR	Décision	Résumé
021	Lifecycle ECR deployed vs candidate	Promote-by-digest candidate- → deployed-, l'image en prod échappe à l'expiration 3 jours
022	ArgoCD admin password via ESO	Secret bcrypt géré par ESO (stratégie Merge), plus de mot de passe généré-perdu
023	Exposition publique ArgoCD	argocd.devopsyouss.com via le Gateway partagé, TLS wildcard
024	SSO OIDC GitLab	Un IdP unique (GitLab) pour ArgoCD (Dex) et Grafana, RBAC par groupe, admin local en secours
025	Gouvernance des ressources	Requests mesurées (pas devinées), LimitRange par namespace créé au bootstrap (l'admission n'agit pas rétroactivement)
026	Node groups core / observability	Chemin de trafic on-demand, observabilité sur Spot tainté : isolation des pics + ~-70 % de coût
027	Tracing distribué Tempo + OTel	Auto-instrumentation env-gated, collector central, sampling 100 % assumé (démo), service graph via metrics-generator
028	Frontend SPA supply chain	2e workload avec la même exigence que le back : image durcie 0 CVE, double gate Trivy, SBOM, promote-by-digest, GitOps

---

Rétrospective

Ce qui a bien fonctionné

Le cycle « validation live → finding → issue → livré dans le sprint ». INC-060 a déclenché toute la filière capacité (#112/#114/#115), la validation #110 a produit #125/#126, la validation V2 a produit #130 — et presque tout a été livré dans le sprint même. La validation live n'est pas une formalité de fin de chantier : c'est elle qui a généré la moitié du scope.

La capitalisation qui paie. INC-061 diagnostiqué en minutes parce que c'est le jumeau d'INC-058, documenté au sprint précédent. C'est la démonstration concrète de l'intérêt des fiches incidents : la 2e occurrence d'une classe de problème coûte 10x moins cher.

La discipline MR tenue malgré le rythme. 44 MR, une à la fois (branche → test → merge → nettoyage), milestone et labels dès la création, doc dans chaque MR. Le scope a explosé (+55 %), le process n'a pas craqué.

Le frontend incrémental sans toucher au back. V1 → V2 → V3 livrées entièrement sur les endpoints existants (promesse « React uniquement » tenue) : la V2 complète n'a nécessité zéro changement d'API. Les limites assumées (JWT sessionStorage, écriture publique) sont documentées en ADR avec leurs issues de suivi (#129).

Ce qui a bloqué ou coûté du temps

Prévoir les bonnes valeurs de requests/limits n'est pas évident — et ne se devine pas. C'est la leçon transverse de toute la filière #112 : les valeurs initiales étaient du pifomètre (168 % d'overcommit), les valeurs justes n'ont pu venir que de mesures live (et encore : metrics-server était cassé, INC-061, il a fallu mesurer via Prometheus). Puis chaque correction a révélé le piège suivant : le LimitRange n'agit qu'à l'admission (livré en GitOps, il arrivait après les pods → déplacé au bootstrap), et les requests honnêtes ont fait surgir Insufficient memory (99 % de réservation, prometheus non planifiable) — résolu par la capacité (#114), pas en retruquant les chiffres. Même l'indicateur est contre-intuitif : la somme des limits monte (168→235 %) quand on borne des pods jusque-là non capés, tout en réduisant le risque réel.

La collision schedule teardown a récidivé (2026-06-26). Le resource_group promis en rétro Sprint 4 n'a pas été fait, et le mur de 21h a de nouveau percuté une session live. Le palliatif (pauser le schedule avant toute session du soir) est une discipline humaine, donc faillible. Deux récidives = priorité n°1 du Sprint 6.

L'horloge du runner ESXi : 4 récidives dans le sprint. Pause VM / shutdown ESXi → horloge guest en retard → seuls les jobs AWS échouent (401 ECR, SignatureDoesNotMatch), symptôme déroutant. Le fix durable a demandé 3 itérations (chrony makestep → mask systemd-timesyncd → hwclock --hctosys + restart chrony quand la référence NTP elle-même était périmée). Leçon : timedatectl et chronyc tracking peuvent tous les deux mentir ; croiser avec le RTC et l'heure réelle.

Les pannes silencieuses. Le HPA sans métriques (INC-061) a cessé de fonctionner 6 jours sans une seule erreur. Ce qui ne crie pas n'est pas forcément sain — il faut de la surveillance active sur les dépendances de contrôle (d'où l'action 3).

3 actions concrètes pour Sprint 6

1. resource_group sur les jobs infra start/stop — vérifiable : deux pipelines infra déclenchés simultanément se sérialisent au lieu de se chevaucher. Deux récidives de collision, plus d'excuse.

2. Cadrer le multi-environnements par un ADR stratégie AVANT tout code (namespaces vs comptes, overlays Kustomize, pipeline de promotion, rôle de main) — vérifiable : ADR mergé en début de sprint, avant la première MR d'implémentation.

3. Alerter sur les pannes silencieuses : PrometheusRule sur l'APIService metrics.k8s.io Unavailable (leçon INC-061) — vérifiable : alerte reçue sur Slack lors d'un test de panne.

---

Validation end-to-end

Dernière validation complète from-scratch : 2026-07-04 (bootstrap 22 min, 2 nodes Ready core/observability).

curl https://api.devopsyouss.com/healthz/ready
→ {"status":"ok"}

• ArgoCD : 10/10 Applications Synced/Healthy (dont frontend)
• Frontend V2 : parcours utilisateur complet en conditions réelles sur app.devopsyouss.com (register → login → création → vote → recherche → pagination → détail)
• Frontend V3 : édition/suppression de ses posts + détail inline + footer stack validés live
• Tracing : tempo-0 et otel-collector à 0 restart depuis le boot (fix #125 confirmé), service graph fastapi → fastapi_db dans le Node Graph Grafana (#117)
• Exposition : app + api + grafana + argocd en HTTPS (cert wildcard), SSO GitLab sur ArgoCD et Grafana

Documentation publique : doc.devopsyouss.com

---

Sprint 5 clôturé le 2026-07-04. Release mergée dans main en fin de sprint.