Percentiles dans CloudWatch

Un percentile indique la position relative d'une valeur dans un ensemble de données. Par exemple, le 95e percentile signifie que 95 % des valeurs sont inférieures à cette valeur, et 5 % sont supérieures. Les percentiles aident à comprendre la distribution réelle d'une métrique et à détecter les queues de distribution.

Pourquoi pas la moyenne ?

• La moyenne lisse les extrêmes et masque les problèmes des queues.
• Le maximum est trop sensible à un seul outlier.
• Les percentiles (p50, p90, p95, p99…) capturent l’expérience de la majorité et des cas dégradés.

Exemple RUM (temps de chargement): viser p95 ≤ 2 s est souvent plus pertinent que viser la moyenne ≤ 2 s.

Pourquoi utiliser les percentiles ?

• Isoler les anomalies : on observe les queues (p95/p99) sans être dominé par quelques outliers.
• Refléter l’expérience : p90/p95 représentent ce que « 9/10 » ou « 19/20 » des utilisateurs vivent.
• Piloter des SLO : on exprime souvent un SLO de latence en p95/p99.

Percentiles dans CloudWatch: points clés

• Activation : pour les métriques personnalisées, publiez des points de données bruts (non pré-agrégés) pour que les percentiles soient calculables.
• Valeurs négatives : CloudWatch ne calcule pas de percentiles pour les métriques ayant des valeurs négatives.
• Granularité : les percentiles sont calculés par période d’agrégation choisie (Period).
• Statistiques disponibles : Average, Sum, Minimum, Maximum, SampleCount, pNN.NN (ex: p50, p90, p95, p99, p99.9).
• Syntaxe des p-values : utilisez pXX ou pXX.X (par ex. p95, p99.9) dans les widgets, requêtes GetMetricData, dashboards et alarmes.

Définitions des statistiques

Les statistiques CloudWatch agrègent des points de données sur une période (Period) :

• Average : moyenne sur la période.
• Sum : somme sur la période.
• Minimum / Maximum : bornes observées sur la période.
• SampleCount : nombre de points.
• p95, p99, etc. : percentile de la distribution sur la période.

Exemple API et alarmes

Supposons une métrique de latence d’API :

• Average = 200 ms
• p95 = 500 ms
• p99 = 1000 ms

Interprétation :

• 95 % des requêtes < 500 ms ; 5 % ≥ 500 ms.
• 99 % des requêtes < 1000 ms ; 1 % ≥ 1000 ms.

Alarme typique sur la dégradation :

• Créer une alarme CloudWatch avec statistique p95 > 700 ms pendant 5 minutes (n périodes consécutives), pour détecter une queue qui s’allonge.

Bonnes pratiques

• Publier des métriques brutes à une résolution adaptée (1 min ou High-Resolution si nécessaire) pour des percentiles pertinents.
• Choisir le percentile en fonction des SLO/UX (p90 pour trafic interne, p95/p99 pour client).
• Éviter les métriques négatives si vous avez besoin de percentiles.
• Utiliser des tableaux de bord avec Average + p95/p99 ensemble pour un diagnostic rapide.

En résumé, les percentiles offrent une vision fidèle des performances réelles, complètent la moyenne et facilitent la détection proactive des dégradations.