06 / Reliability

Erkennen, was fehlt. Wissen, was zu tun ist.

Wir machen den Zustand verteilter Anwendungen nachvollziehbar und entwickeln überprüfbare Reaktionen auf Fehler. Observability verbindet Messdaten mit Diagnosefähigkeit; Resilienz ergänzt die Architektur und die praktischen Verfahren, mit denen ein Dienst Ausfälle begrenzt und sich wiederherstellen lässt.

Architekturgespräch anfragen

Vom Nutzererlebnis zu technischen Signalen

Wir beginnen mit den Abläufen, die für Ihre Nutzer und Fachbereiche entscheidend sind. Für eine Suche können Antwortzeit und verwertbare Treffer relevant sein, für eine Verarbeitung Durchsatz und Rückstand. Daraus werden geeignete Messgrößen und mit dem Team vereinbarte Ziele abgeleitet. Ein technisches Verfügbarkeitssignal bleibt sinnvoll, wird aber durch die Anwendungsperspektive ergänzt. So lässt sich unterscheiden, ob ein Dienst lediglich erreichbar ist oder seine Aufgabe in der erwarteten Qualität erfüllt. Diese Unterscheidung hilft bei Priorisierung und Alarmierung.

Metriken, Logs und Traces verbinden

Metriken machen Entwicklungen und Ausreißer sichtbar. Strukturierte Logs beschreiben Ereignisse; verteilte Traces können deren Zusammenhang über mehrere Dienste zeigen. Wir prüfen Instrumentierung, Zeitbezug und Korrelationsinformationen, damit aus einzelnen Datenquellen ein nachvollziehbarer Diagnoseweg entsteht. Menge und Detailgrad müssen zum Nutzen passen. Hohe Kardinalität, zu umfassende Protokollierung und unkontrollierte Aufbewahrung können Kosten und Datenschutzrisiken erzeugen. Wir planen deshalb Auswahl, Zugriff und Aufbewahrung zusammen mit dem Messkonzept.

Alarme an Entscheidungen und Handlungen binden

Ein Alarm soll auf einen Zustand hinweisen, der eine Reaktion erfordert. Wir prüfen Schwellenwerte, Beobachtungsfenster und die Trennung von dringenden Ereignissen und planbarer Arbeit. Symptome einer Störung werden möglichst so gebündelt, dass sie die Diagnose erleichtern. Empfänger, Eskalation und Runbook gehören zum Alarm. Der erste Schritt muss auch unter Zeitdruck verständlich sein: betroffenen Nutzungspfad prüfen, relevante Änderung bestimmen oder einen fehlerhaften Verarbeitungsschritt eingrenzen. Unbeantwortbare Alarme werden überarbeitet, statt dauerhaft ignoriert.

Ausfälle gezielt und begrenzt durchspielen

Wir prüfen gemeinsam, welche Ausfallszenarien die Architektur tragen muss. Dazu gehören beispielsweise ein geplanter Node-Wechsel, eine nicht erreichbare Datenquelle oder der Verlust eines Zugangsmittels. Die Übung erhält einen begrenzten Umfang und klare Abbruchbedingungen. Bewertet wird die gesamte Reaktion: Fehlererkennung, Auswirkungen, Zugriff auf Hilfsmittel und Wiederherstellung. Architekturmechanismen wie Replikation oder automatischer Neustart werden so im Zusammenhang geprüft. Eine erfolgreiche Einzelübung ist dabei kein pauschaler Nachweis gegen beliebige Ausfälle.

Aus Störungen konkrete Verbesserungen ableiten

Nach einem Vorfall werden zeitlicher Verlauf, Wirkung und getroffene Entscheidungen rekonstruiert. Wir betrachten technische Ursache und Bedingungen ebenso wie die Qualität der Erkennung und die Verfügbarkeit nötiger Informationen. Verbesserungen erhalten Verantwortliche und überprüfbare Ergebnisse. Das kann eine gezielte Instrumentierung, ein angepasster Timeout, ein ergänzter Wiederherstellungsschritt oder die Entkopplung einer Abhängigkeit sein. So liefert die Auswertung einen konkreten Arbeitsvorrat für Plattform und Anwendung.

Beispiel: langsame Antworten über mehrere Dienste

Ein Nutzer bemerkt eine langsame Seite, während die einzelnen Dienste im Durchschnitt unauffällig wirken. Eine Abfrage kann jedoch mehrere nachgelagerte Aufrufe auslösen, von denen nur einige ungewöhnlich lange dauern. Durchschnittswerte verdecken dieses Verhalten. Wir betrachten Verteilungen und korrelierte Aufrufe, um den kritischen Pfad einzugrenzen. Erst danach wird entschieden, ob etwa die Datenabfrage, Verbindungsverwaltung oder ein synchroner Integrationsschritt geändert werden muss. Die erneute Messung prüft, ob die Maßnahme den betroffenen Nutzungspfad verbessert.

Wiederherstellungsziele praktisch nachweisen

Ein Recovery-Ziel beschreibt eine Anforderung, noch kein vorhandenes Verfahren. Wir prüfen, ob Sicherung, Zugriff, Infrastruktur und Datenstand zusammen eine Wiederherstellung ermöglichen. RPO bezeichnet dabei den tolerierbaren Datenverlust, RTO die angestrebte Wiederanlaufzeit. Ein Restore-Versuch erfasst die tatsächlichen Schritte und Zeiten. Auch benötigte Schlüssel, Abhängigkeiten und die fachliche Prüfung nach dem Start werden berücksichtigt. Abweichungen zum Ziel werden als Maßnahmen sichtbar und fließen in Architektur oder Betriebsverfahren zurück.

Ein Messkonzept als Teil der Weiterentwicklung

Observability muss Änderungen der Anwendung folgen. Neue Schnittstellen, Hintergrundprozesse oder Datenquellen benötigen passende Signale und eine Einordnung in das bestehende Alarmkonzept. Wir berücksichtigen diese Anforderungen bereits bei technischen Änderungen. Ein regelmäßiger Review prüft, welche Daten bei realen Vorfällen geholfen haben, welche Alarme unnötig waren und welche Lücken bestehen. So entwickelt sich die Beobachtbarkeit anhand des Betriebs weiter. Investitionen lassen sich auf konkrete Diagnose- und Wiederherstellungsprobleme zurückführen.

Häufige Fragen

Reicht ein vorhandenes Monitoring-System als Ausgangspunkt?

Es ist eine gute Grundlage, wenn Signale, Zugriffe und Konfiguration nachvollziehbar sind. Wir prüfen zunächst die tatsächlichen Diagnosefragen und die vorhandene Abdeckung. Häufig entsteht der größte Nutzen durch bessere Anwendungssignale, Korrelation und Alarmregeln. Ein vollständiger Werkzeugwechsel ist kein vorausgesetztes Ergebnis.

Wie unterscheiden sich Hochverfügbarkeit und Wiederherstellung?

Hochverfügbarkeit soll den Betrieb bei bestimmten Fehlern fortführen oder eine kurze Unterbrechung ermöglichen. Wiederherstellung bringt einen beeinträchtigten oder verlorenen Zustand zurück. Replikation ersetzt dafür kein Backup, weil fehlerhafte Änderungen ebenfalls weitergegeben werden können. Beide Wege benötigen eigene Ziele und praktische Prüfungen.

Die Aufgabe gezielt weiterführen

Cloud Operations

Verantwortung für Changes, Störungen und Wiederherstellung abgrenzen. Bereiten Sie eine Betriebsübernahme vor oder entwickeln Sie die Arbeit Ihres Teams weiter.

Betriebsmodell entwickeln

Kubernetes & Plattformen

Cluster-Lifecycle, Identitäten und Bereitstellungswege als gemeinsame Plattform gestalten. Anwendungen und laufende Betriebsaufgaben werden zusammen geprüft.

Kubernetes-Plattform planen

Projekt besprechen

Beschreiben Sie Anwendung, Umgebung und das gewünschte Ergebnis. Daraus grenzen wir eine technische Untersuchung oder einen umsetzbaren ersten Schritt ab.

Vorhaben besprechen

Welche Störung lässt sich heute nur schwer erklären?

Bringen Sie einen konkreten Vorfall, einen kritischen Nutzungspfad oder ein noch ungeprüftes Recovery-Ziel mit. Wir grenzen die Instrumentierung und die praktischen Tests ab, die Klarheit schaffen.