Set-OPS-Public/roles/client_sante/templates/setops-sante.sh.j2

#jinja2: comment_start_string:'{=#', comment_end_string:'#=}'
#!/bin/bash
# GENERE par Set-OPS (role client_sante). Ne pas editer a la main.
#
# (Le gabarit redefinit le delimiteur de commentaire Jinja : `${#tableau[@]}` contient
#  la sequence `{#`, que Jinja lirait comme un debut de commentaire — et le rendu
#  echouait sur « Missing end of comment tag ». Le shell a besoin de `${#...}` ; c'est
#  donc a Jinja de s'ecarter.)
#
# CE NOEUD RAPPORTE SES UNITES EN ECHEC — parce que personne d'autre ne peut le voir.
#
# CE QUI A REVELE LE BESOIN (2026-09-09). `openipmi.service` echouait a CHAQUE demarrage
# sur les quatorze machines depuis le 2026-09-02. `systemctl --failed` rendait pourtant
# ZERO partout — non parce qu'elles allaient bien, mais parce qu'aucune n'avait REDEMARRE
# depuis. Six jours et vingt heures pour la premiere. Il a fallu qu'un humain redemarre
# une machine pour que le defaut existe aux yeux de quelqu'un.
#
# Un controle qui ne peut echouer qu'au demarrage ne mesure rien tant que rien ne demarre.
#
# POURQUOI UN RAPPORT PASSIF, ET PAS UN CONTROLE ACTIF. Un controle actif ne voit pas la
# machine MUETTE : si elle ne repond plus, la sonde echoue et on croit a un probleme de
# reseau. Ici c'est le noeud qui parle, avec un `ttl` : sans nouvelle, Icinga perime le
# service tout seul. Le silence alerte autant que l'echec — et le silence est precisement
# ce qui n'a alerte personne.
set -uo pipefail

API="{{ client_sante_icinga_url }}"
TTL={{ client_sante_ttl_icinga }}
MOI="{{ inventory_hostname }}"
MOTDEPASSE="$(cat /etc/setops/icinga-api.pass)"
# Compte des envois refuses : l'unite systemd doit finir en echec si le rapporteur n'a
# pas pu parler, sinon rien ne distingue « tout va bien » de « personne n'ecoute ».
ECHECS_RAPPORT=0

rapporter() {  # $1=service $2=code $3=texte[|metriques] $4=ttl
  local charge reponse
  # LES METRIQUES SONT SEPAREES DU TEXTE, parce que le contrat des greffons Nagios les
  # separe : `TEXTE | cle=valeur;avert;crit;min;max`. Tout pousser dans `plugin_output`
  # afficherait une ligne illisible a l'ecran ET priverait Icinga de donnees qu'il sait
  # tracer. C'est en adoptant le contrat qu'on herite de ce qu'il porte.
  charge=$(python3 -c 'import json,sys
texte, _, perf = sys.argv[3].partition("|")
charge = {"type": "Service", "service": sys.argv[1], "exit_status": int(sys.argv[2]),
          "plugin_output": texte.strip() or "(aucun message)", "ttl": int(sys.argv[4])}
if perf.strip():
    charge["performance_data"] = perf.split()
print(json.dumps(charge))' \
    "${MOI}!$1" "$2" "$3" "$4")
  reponse=$(curl -sS --cacert "{{ client_sante_ca_verification }}" --max-time 20 \
    -u "{{ client_sante_icinga_utilisateur }}:${MOTDEPASSE}" \
    -H 'Accept: application/json' -H 'Content-Type: application/json' \
    -X POST "${API}/v1/actions/process-check-result" -d "${charge}" 2>&1)
  if ! printf '%s' "${reponse}" | grep -q '"code": *200'; then
    # ON N'INTERROMPT PAS — mesure du 2026-09-09.
    #
    # `exit 1` ici faisait taire TOUTES LES SONDES SUIVANTES. Une sonde inconnue d'Icinga
    # (deposee mais pas declaree, donc refusee par le filtre d'API) suffisait a supprimer
    # le rapport de toutes les autres — y compris `sante`. Le tableau ne devenait pas
    # rouge : il devenait VIDE, et le `ttl` le perimait des heures plus tard sans que rien
    # ne dise pourquoi.
    #
    # Un rapporteur qui ne peut pas dire UNE chose doit quand meme dire les autres.
    echo "ECHEC du rapport Icinga pour « $1 » : ${reponse}" >&2
    ECHECS_RAPPORT=$((ECHECS_RAPPORT + 1))
    return 1
  fi
}

# `--plain` et `--no-legend` : la sortie doit etre analysable, pas jolie. Sans eux,
# systemd insere une puce « ● » en tete de ligne, qui devient le premier champ.
# SA PROPRE UNITE EST EXCLUE, ET CE N'EST PAS SE MENAGER.
#
# Mesure du 2026-09-09 sur le site : le pare-feu a bloque les rapports pendant une heure,
# `setops-sante.service` a donc echoue, et cinq machines se sont mises a rapporter
# CRITIQUE en citant... leur propre rapporteur. Le blocage corrige, l'accusation restait :
# systemd garde l'etat `failed` jusqu'a un `reset-failed`. Un rapporteur qui trebuche une
# fois s'accuserait indefiniment.
#
# La sante du rapporteur est DEJA mesuree, et mieux : par la FRAICHEUR de ses envois. S'il
# ne peut plus parler, Icinga perime le service tout seul (`ttl`) — ce qui se voit
# precisement quand il ne peut PAS ecrire, alors que sa propre unite en echec ne se voit
# que quand il le peut. Se compter soi-meme, c'est mesurer deux fois la meme chose, dont
# une fois mal.
mapfile -t echecs < <(systemctl list-units --state=failed --plain --no-legend 2>/dev/null \
                      | awk '{print $1}' | grep -vx 'setops-sante.service')

{% if client_sante_unites_tolerees %}
# UNITES TOLEREES, NOMMEES UNE PAR UNE. Jamais un motif large : un filtre qui cache une
# unite en cache d'autres, et on ne s'en apercoit que le jour ou l'on cherche pourquoi
# rien n'a alerte.
tolerees=({% for u in client_sante_unites_tolerees %}"{{ u }}" {% endfor %})
restantes=()
for u in "${echecs[@]}"; do
  garder=1
  for t in "${tolerees[@]}"; do [[ "$u" == "$t" ]] && garder=0 && break; done
  [[ $garder -eq 1 ]] && restantes+=("$u")
done
echecs=("${restantes[@]}")
{% endif %}

# LES SONDES DES ROLES, APRES LA SIENNE.
#
# Chaque role depose SA sonde dans ce repertoire ; le porteur ne sait pas ce qu'elles
# mesurent, et c'est le but : ajouter une sonde n'oblige pas a toucher a ce script.
# Contrat : une ligne sur stdout, 0/1/2 en code de sortie
# (docs/supervision-conception.md).
#
# UNE SONDE QUI JETTE N'EST PAS UNE SONDE VERTE. Sans ce traitement, un script casse
# sortirait en 127 et Icinga recevrait un code hors bornes — ou rien. On rapporte donc
# CRITIQUE, en le disant : le pire serait qu'un script mort produise un service muet, que
# le `ttl` finirait par perimer sans que personne sache pourquoi.
sondes() {
  local f nom sortie code
  for f in /usr/local/lib/setops/sondes/*.sh; do
    [[ -x "$f" ]] || continue
    nom=$(basename "$f" .sh)
    # DELAI DE GARDE SUR CHAQUE SONDE — mesure du 2026-09-09.
    #
    # Sans lui, une sonde qui BOUCLE fige le rapport entier, toutes les quinze minutes,
    # indefiniment. Ce n'est pas theorique : `check_disk` 2.4.0-3+deb13u1 tourne sans fin
    # sur `mon-01`, quels que soient ses arguments (etat `R`, pas un blocage d'E/S).
    # Un greffon STANDARD, sur une machine saine.
    #
    # Une sonde qui n'a pas rendu son verdict en 20 s n'a pas de verdict : on rapporte
    # INCONNU (3) en le disant, plutot que de laisser le porteur mourir en silence.
    sortie=$(timeout {{ client_sante_delai_sonde }} "$f" 2>&1); code=$?
    if (( code == 124 )); then
      rapporter "$nom" 3 "Sonde ${nom} sans reponse apres {{ client_sante_delai_sonde }} s — aucun verdict." "{{ client_sante_ttl_sondes }}"
      continue
    fi
    if (( code > 3 )); then
      rapporter "$nom" 2 "Sonde ${nom} en erreur (code ${code}) : ${sortie:0:160}" "{{ client_sante_ttl_sondes }}"
    else
      rapporter "$nom" "$code" "${sortie:-(aucun message)}" "{{ client_sante_ttl_sondes }}"
    fi
  done
}

n=${#echecs[@]}
if [[ $n -eq 0 ]]; then
  rapporter "sante" 0 "Aucune unite systemd en echec." "${TTL}"
  sondes
  exit $(( ECHECS_RAPPORT > 0 ? 1 : 0 ))
fi

# CRITIQUE des la premiere, et non un seuil. Une unite en echec est soit un vrai
# probleme, soit du bruit qu'il faut retirer : dans les deux cas il faut agir. Un seuil
# ferait vivre le bruit indefiniment, et c'est exactement ce qu'on vient de corriger.
rapporter "sante" 2 "$n unite(s) systemd en echec : ${echecs[*]}" "${TTL}"
sondes
exit $(( ECHECS_RAPPORT > 0 ? 1 : 0 ))