Le symptôme était flou : de temps en temps, une résolution DNS échouait. Un navigateur qui hésite, un script qui part en erreur, puis tout refonctionne. En regardant de plus près, les échecs tombaient surtout à l’heure pile. Voici comment nous avons trouvé la cause, et surtout comment nous l’avons prouvée.
Le contexte
Le réseau est découpé en plusieurs VLAN. Tous les clients utilisent comme serveur DNS AdGuard Home, qui filtre les requêtes et résout les noms internes. Côté supervision, Prometheus et Grafana étaient déjà en place, mais rien ne mesurait le DNS lui-même.
Première étape : mesurer depuis chaque VLAN
Plutôt que de chercher à la main, nous avons installé blackbox_exporter dans deux VLAN différents. Il interroge le DNS toutes les 5 secondes et Prometheus enregistre chaque réponse ou chaque échec :
modules:
dns_interne:
prober: dns
timeout: 2s
dns:
query_name: "adguard.exemple.lan"
query_type: "A"
valid_rcodes: [NOERROR]
Deux précautions :
- Interroger un nom interne. Il est servi par une réécriture d’AdGuard, donc sans dépendre d’Internet : un échec vient forcément d’AdGuard ou du réseau.
- Sonder les résolveurs publics en direct (1.1.1.1, 9.9.9.9), pas au travers d’AdGuard. Avec le cache optimiste d’AdGuard, une sonde qui passe par lui répond toujours, même quand l’amont est en panne.
Une étiquette vlan sur chaque cible permet de comparer les réseaux sur le même graphique.
L’hypothèse : la limite de débit
Les journaux de requêtes d’AdGuard ont donné la piste. À l’heure pile, le serveur domotique lance ses tâches planifiées et envoie une rafale de requêtes. Sur un autre VLAN, un seul client montait jusqu’à 28 requêtes par seconde.
Or AdGuard Home applique par défaut une limite de 20 requêtes par seconde par sous-réseau /24 (ratelimit: 20). Au-delà, les requêtes sont ignorées sans réponse : le client attend, puis abandonne. Tous les clients d’un même /24 partagent ce quota, donc une rafale d’une seule machine pénalise tout le VLAN.
Nous avons mis ratelimit: 0, sans limite. C’est acceptable ici : le serveur n’est joignable que depuis le réseau interne. Sur un DNS exposé à Internet, il faudrait au contraire garder une limite, ou au moins exempter les clients connus. Les heures pile suivantes sont passées sans échec.
La preuve : reproduire la panne
Quelques heures sans incident ne prouvent pas grand-chose pour un problème intermittent. Nous avons donc fait le test inverse : remettre volontairement une limite à 10, puis à 3 requêtes par seconde, pendant quelques minutes.
Le résultat est net : le taux d’échec des sondes suit la limite, sur les deux VLAN, et les alertes se déclenchent. Une autre alerte, sur les paquets UDP perdus par le noyau, reste silencieuse : les requêtes sont bien reçues, c’est AdGuard qui les ignore. Le lien entre la limite et les timeouts est établi.
Données du graphique
| Minute | Échecs VLAN 8 | Échecs VLAN 10 |
|---|---|---|
| 13:38 | 0 | 1 |
| 13:40 | 0 | 1 |
| 13:41 | 0 | 1 |
| 13:42 | 0 | 2 |
| 13:43 | 2 | 2 |
| 13:44 | 1 | 4 |
| 13:45 | 5 | 1 |
| 13:46 | 3 | 3 |
| 13:47 | 1 | 2 |
| 13:48 | 2 | 4 |
| 13:49 | 2 | 2 |
| 13:50 | 3 | 2 |
| 13:51 | 3 | 1 |
| 13:52 | 2 | 5 |
| 13:53 | 2 | 2 |
Toutes les autres minutes : 0 échec sur 12 sondes.
Ce qui reste en place
- La limite est dans le code. Le rôle Ansible lit la configuration par l’API d’AdGuard (
GET /control/dns_info) et ne la modifie (POST /control/dns_config) que si elle diffère. Le changement est pris à chaud, sans redémarrage, et un réglage fait à la main dans l’interface ne survit pas au prochain déploiement. - Des alertes Grafana sur les échecs de sonde, avec un seuil court et un seuil prolongé.
- Un tableau de bord qui croise les sondes, les métriques d’AdGuard et son journal de requêtes. Ce journal est envoyé dans Loki par Grafana Alloy, ce qui donne le volume de requêtes par client et par minute.
- Une seconde instance AdGuard, synchronisée toutes les dix minutes, distribuée par le DHCP comme DNS secondaire.
Deux pièges rencontrés en route
L’exportateur de métriques ralentit le DNS. L’exportateur Prometheus pour AdGuard lit le journal de requêtes par l’API à chaque cycle. En corrélant des sondes à 100 ms avec ces appels, nous avons mesuré environ 70 ms de latence DNS supplémentaire pendant 300 ms. Nous l’avons réglé sur un cycle de 2 minutes au lieu de 30 secondes.
Ne jamais mettre la passerelle en DNS secondaire. Le DHCP d’un VLAN distribuait la passerelle comme second serveur DNS. Elle répond, mais ne connaît pas les noms internes et renvoie NXDOMAIN. Pendant le test à 3 requêtes par seconde, un Mac a basculé sur elle et y est resté : dig, qui interroge le serveur indiqué, fonctionnait, mais le navigateur et curl ne trouvaient plus aucun nom interne. Un serveur secondaire doit donner les mêmes réponses que le principal, d’où la seconde instance AdGuard.
À retenir
- Pour un problème intermittent, commencez par mesurer en continu, depuis chaque réseau concerné.
- Une limite de débit qui ignore des requêtes ne laisse aucune trace côté client : seule une mesure le montre.
- Une correction n’est prouvée que si l’on sait reproduire la panne à volonté.
Outils cités
- AdGuard Home : serveur DNS filtrant.
- adguardhome-sync : synchronise les deux instances AdGuard.
- adguard-exporter : métriques Prometheus d’AdGuard Home.
- blackbox_exporter : sondes DNS, HTTP et TCP.
- Prometheus : collecte et stockage des métriques.
- Grafana : tableaux de bord et alertes.
- Loki : centralisation des journaux.
- Grafana Alloy : collecteur de journaux et de métriques.
- Ansible : configuration des machines.