Verfügbarkeit von Serversystemen und -diensten
Redundanz
Redundanz bedeutet, kritische Komponenten mehrfach vorzuhalten, damit der Ausfall einer einzelnen Komponente den Betrieb nicht unterbricht. Beispiele: redundante Netzteile, redundante Netzwerkanbindungen, redundante Storage-Controller. Wichtig: Redundanz auf Komponentenebene schützt nur vor dem Ausfall dieser spezifischen Komponente — ein Server mit zwei Netzteilen ist dadurch nicht automatisch gegen einen vollständigen Stromausfall im Rechenzentrum abgesichert; dafür braucht es zusätzlich eine unterbrechungsfreie Stromversorgung (USV) und ggf. ein Notstromaggregat.
Clustering und Failover
Ein Cluster fasst mehrere Server zu einem logischen System zusammen:
| Architektur | Merkmal |
|---|---|
| Active-Active | alle Knoten sind im Normalbetrieb gleichzeitig aktiv und teilen sich die Last; fällt ein Knoten aus, übernehmen die verbleibenden Knoten dessen Last |
| Active-Passive (Failover) | ein oder mehrere Knoten stehen im Normalbetrieb ungenutzt bereit (Standby) und übernehmen erst beim Ausfall des aktiven Knotens |
Active-Active nutzt die vorhandene Hardware effizienter, Active-Passive ist oft einfacher zu konfigurieren, hält aber Kapazität ungenutzt bereit.
SLA-Verfügbarkeitsklassen
Dienstleistungsvereinbarungen (SLA) garantieren häufig eine Verfügbarkeit in Prozent pro Jahr. Der Zusammenhang zur zulässigen Ausfallzeit lässt sich direkt berechnen:
$$\text{Ausfallzeit} = (1 - \text{Verfügbarkeit}) \times \text{Gesamtzeit}$$
| Verfügbarkeitsklasse | Ausfallzeit pro Jahr (365 Tage) |
|---|---|
| 99 % | ca. 3.65 Tage (87.6 Stunden) |
| 99.9 % ("drei Neunen") | ca. 8.76 Stunden |
| 99.95 % | ca. 4.38 Stunden (262.8 Minuten) |
| 99.99 % ("vier Neunen") | ca. 52.6 Minuten |
Je mehr Neunen, desto überproportional aufwendiger und teurer wird es in der Regel, die entsprechende Verfügbarkeit technisch sicherzustellen (mehr Redundanz, mehr Automatisierung, mehr Testing).
Planung der Verfügbarkeit
Gemeinsam mit den Stakeholdern wird festgelegt, welche Verfügbarkeit ein System oder Dienst tatsächlich benötigt (nicht jedes System braucht 99.99 %). Bestehende Systeme werden anhand dieser Vorgabe überprüft, Lücken identifiziert und mit begründeten Optimierungsmassnahmen (z. B. zusätzlicher Cluster-Knoten, Load Balancer) geschlossen — unter Berücksichtigung der Wirtschaftlichkeit.
Verfügbarkeit berechnen
- Verfügbarkeit ist die Wahrscheinlichkeit, dass ein System im festgelegten Zeitraum funktioniert; sie wird in Prozent angegeben und im SLA zwischen Betreiber und Kunde festgeschrieben. Der Zeitraum (zum Beispiel nur Handelszeiten) wird meist im SLA definiert, Hochverfügbarkeit muss also nicht rund um die Uhr gelten.
- Geplante Wartung ausserhalb des vereinbarten Zeitraums zählt nicht als Ausfall; Arbeiten innerhalb eines vereinbarten Wartungsfensters werden nicht an die zulässige Ausfallzeit angerechnet, überzogene Zeit schon. Bei 7×24-Verfügbarkeit zählt jede Betriebsunterbrechung als Ausfall. Beispiel: Betrieb 5 Wochentage zu je 12 Stunden (3120 Stunden im Jahr) lässt $8760 - 3120 = 5640$ Stunden für Wartung.
Ausfallzeit pro Zeitraum
- Ausfallzeit pro Zeitraum: Rechenbeispiele: 99.5 % im Quartal mit 90 Tagen (2'160 Stunden) ergeben $2160 \cdot 0.005 = 10.8$ Stunden; 99.5 % im Monat mit 43'200 Minuten ergeben 216 Minuten; 99.95 % im Jahr mit 525'600 Minuten ergeben 262.8 Minuten. Bei einem Jahr mit 365.25 Tagen (8766 Stunden, 525'960 Minuten): 99.9 % ergeben 8.77 Stunden, 99.99 % rund 52.6 Minuten, 99.999 % («fünf Neunen») 5.26 Minuten. Umgekehrt: 43 Minuten Ausfall in 43'200 Minuten entsprechen $(1 - 43/43200) \cdot 100 \approx 99.9,%$.
- Gesamtverfügbarkeit aufeinander aufbauender Teilsysteme (jedes muss laufen) ist das Produkt der Einzelwerte und liegt unter jedem einzelnen: $0.995 \cdot 0.985 = 0.980075$, also rund 98 %.
- Hochverfügbar ist ein System, das trotz Komponentenausfalls meist weiterläuft (oft 99.99 % oder besser); 99 % gelten heute als normal, von Hochverfügbarkeit spricht man meist ab 99.9 %. Die BSI-Verfügbarkeitsklassen VK 1 bis VK 4 entsprechen 99 % bis 99.999 % (VK 3 = 99.99 %); VK 0 steht für keine zugesicherte Verfügbarkeit.
- MTBF (mittlere Betriebsdauer zwischen zwei Ausfällen) gilt für reparierbare Einheiten, MTTF (Mean Time To Failure) für auszutauschende; ein höherer MTBF-Wert bedeutet, dass das Gerät im Mittel seltener ausfällt. Die Lebensdauerversuche sind nicht standardisiert, MTBF-Werte sind nur innerhalb der Produktreihen eines Herstellers vergleichbar. Bei konstanter Ausfallrate sind nach Erreichen der MTBF-Zeit bereits $1 - 1/e = 63.2,%$ der Geräte ausgefallen, es funktionieren noch rund 37 %.
- Kapazität mit N+1: 700 Anfragen pro Sekunde bei 250 je Server ergeben $700/250 = 2.8$, also 3 Server, mit Reserveserver 4.
Fehlertoleranz, SPOF und Standby
- Single Point of Failure (SPOF): Einzelkomponente ohne Redundanz, deren Ausfall das Gesamtsystem stilllegt (zentraler Switch, einzelnes Netzteil). Die Planung sucht solche Stellen und verdoppelt sie; zwei Netzteile an derselben Steckdosenleiste verschieben die Einzelfehlerstelle nur. Beim Shared-Disk-Failover ist das gemeinsame Speichersystem ein SPOF (Vorteile: kein Synchronisationsaufwand, schneller Wechsel ohne Datenverlust).
- Fehlertoleranz erhöhen unterbrechungsfreie Stromversorgung, mehrfache Netzteile, ECC-Speicher, RAID-Systeme, Serverspiegelung und redundante Cluster.
Standby und Replikation
- Standby-Arten: Hot Standby läuft ständig parallel mit aktuellem Datenstand, übernimmt fast unterbruchsfrei (teurer) und kann Leseabfragen beantworten; Warm Standby beantwortet Leseabfragen erst nach der Beförderung zum Primärserver; Cold Standby ist bereitgestellt, aber nicht laufend, muss beim Ausfall gestartet und aktualisiert werden (längere Ausfallzeit, weniger Kosten). Hot und Warm Standby folgen dem Primärserver über dessen Änderungsprotokoll (WAL, Write-Ahead Log), per Log-Dateien oder Streaming Replication.
- Replikation: Bei synchroner Replikation gilt eine Transaktion erst als abgeschlossen, wenn alle Server sie übernommen haben (kein Datenverlust beim Failover, aber geringere Leistung, vor allem bei langsamen Netzen). Bei asynchroner Replikation können bereits bestätigte Transaktionen beim Wechsel auf den Standby verloren gehen.
Failover, RPO und RTO
- Failover und Switchover: Failover ist der Wechsel auf ein Standby-System, wenn der aktive Dienst ausfällt; die Systeme überwachen sich meist per Heartbeat, ein automatisches Failover braucht Cluster-Manager-Software oder einen Loadbalancer. Ein geplanter Wechsel (zum Beispiel vor Wartung) heisst Switchover.
- RPO und RTO: Der verkraftbare Datenverlust ist das Recovery Point Objective (RPO, gemessen in Zeit; daraus folgt der Sicherungsrhythmus: RPO 4 Stunden heisst Sicherung mindestens alle 4 Stunden); die verkraftbare Ausfallzeit ist das Recovery Time Objective (RTO).
Schutzziele
- Schutzziele: Vertraulichkeit (verletzt bei Abhören), Integrität (verletzt bei Veränderung), Verfügbarkeit (verletzt beim Ausfall). Ein Systemunterbruch liegt vor, wenn wichtige Arbeitsschritte nicht mehr ausgeführt werden können, weil Informatikmittel nicht verfügbar sind. Ein Notfallplan umfasst technische oder organisatorische Massnahmen für den ungeplanten Ausfall der üblichen Informatikmittel (Papierprozesse, Ersatzsysteme, manuelle Verfahren).
Lastverteilung (Load Balancing)
Anfragen werden auf mehrere parallel arbeitende Systeme verteilt, für effizientere Gesamtverarbeitung; mit Erkennung und Umleitung bei Ausfall bringt das auch Ausfallsicherheit.
- Statisch vs. dynamisch: Dynamische Algorithmen berücksichtigen die aktuelle Last der Knoten (aufwändiger, gut bei stark variierender Ausführungszeit), statische nicht.
- Round Robin: Anfragen reihum an den ersten, zweiten, weiteren Server, nach dem letzten wieder beim ersten; statisch, kann gewichtet werden (leistungsstärkere Einheiten erhalten mehr Anfragen). DNS Round Robin: Zu einem Hostnamen sind mehrere IP-Adressen hinterlegt und werden abwechselnd geliefert; einfachste Möglichkeit, kennt aber den Zustand der Server nicht.
- NAT-based SLB: Der gesamte Verkehr läuft über den Load Balancer, der zum Engpass werden kann; Vorteil: Er schützt die Server zusätzlich und kann SSL-Sessions terminieren.
- Flat-based SLB mit Direct Server Return (DSR): Der datenreichere Rückverkehr läuft direkt vom Server zum Client und entlastet den Load Balancer; er tauscht nur die MAC-Adresse im Frame gegen die des Zielservers, die IP-Adresse bleibt unverändert.
- Session-Affinität: Alle Anfragen einer Session gehen an denselben Backend-Server (der Warenkorb bleibt erhalten); alternativ speichert die Anwendung die Session zentral, etwa in einer Datenbank.
Betrieb und Abnahme
Nach einer Wartung wird die Systemverfügbarkeit überprüft und die Wartung protokolliert; das Wartungskonzept definiert Aufgaben, Wartungszyklen (wiederkehrende Zeitabstände), Planung, Kommunikation, Protokollierung und Backup-Strategie. Das Betriebshandbuch dokumentiert Infrastruktur, Dienste, Abhängigkeiten, Verantwortungen und das Verfahren für die Wartungs- und Arbeitshistorie. Die Abnahme stützt sich auf klar definierte Abnahmekriterien und das Testkonzept (Funktionalität, Performance und Sicherheit von Infrastruktur und Diensten). Die Skalierbarkeit wird schon bei der Anforderungserhebung berücksichtigt, um künftiges Wachstum abzudecken.
Häufige Fehler
- Redundanz einzelner Komponenten mit vollständiger Hochverfügbarkeit des Gesamtsystems gleichsetzen
- Active-Active und Active-Passive verwechseln
- Bei SLA-Prozentwerten den überproportionalen Aufwandsunterschied zwischen z. B. 99.9 % und 99.99 % unterschätzen
- Für jedes System pauschal die höchste Verfügbarkeitsklasse anstreben, ohne Kosten-Nutzen-Abwägung