# Change-Kontrolle & Blast Radius > Plan-Review, gestaffelte Ausbringung und Rollback gegen Roll-forward abwägen. Track: [Cloud Infrastructure & Platform Engineering](https://physar.tech/learn/cloud-infra) Kanonische Fassung: https://physar.tech/learn/cloud-infra/change-control-blast-radius Stand: 2026-09-13 Interaktiver Teil: 8 Checks (nur im Browser) ## Änderungen nach Wirkung und Rückweg steuern ### Die einzige Größe, die zählt: Blast Radius Die meisten Ausfälle in Plattformen entstehen nicht aus Hardwaredefekten, sondern aus **absichtlichen Änderungen** — Deployments, Konfigurationsänderungen, Zertifikatswechsel. Daraus folgt keine Änderungsangst, sondern eine Entwurfsfrage: Wie viel darf eine einzelne Änderung höchstens kaputt machen, bevor jemand es merkt und sie stoppt? Diese Größe heißt **Blast Radius**, und sie ist entwerfbar: über die Reichweite der Änderung (eine Zone, eine Umgebung, ein Mandant), über die Zeit zwischen den Stufen und über die Frage, ob es zwischen den Stufen ein **Signal** gibt, das die Ausbringung anhalten kann. Ohne dieses Signal ist eine gestaffelte Ausbringung nur eine langsame vollständige Ausbringung. _[Abbildung: Ausbringen, beobachten, entscheiden: ohne Rückkopplung ist Staffelung nur Verzögerung.]_ > **Merksatz:** Wer nicht sagen kann, welches Signal die Ausbringung stoppen würde, hat kein Gate — er hat einen Zeitplan. ### Infrastrukturänderungen sind keine Anwendungsdeployments Für Anwendungscode ist die Werkzeugkiste gut ausgebaut: mehrere Instanzen, Verkehrslenkung, Rückschwenk in Sekunden. Infrastruktur verhält sich anders — drei Eigenschaften machen den Unterschied. | | | | --- | --- | | Zustand | Eine Datenbank, ein Speicher, ein Netz **hat** Zustand. Zurückrollen heißt nicht, ein altes Artefakt zu starten. | | Einmaligkeit | Viele Infrastrukturobjekte existieren pro Umgebung genau einmal — es gibt keine zweite Instanz zum Vergleich. | | Zerstörende Operationen | `replace`, `delete`, Umbenennungen: Der Rückweg führt über Wiederherstellung, nicht über einen Schalter. | Deshalb ist die erste Frage vor jeder Infrastrukturänderung nicht „wie rollen wir sie aus?“, sondern „ist sie **additiv**?“. Additive Änderungen — neue Ressource daneben, neue Regel zusätzlich, neuer Parameter mit altem Default — lassen sich fast immer folgenlos zurücknehmen. Ersetzende und löschende Änderungen brauchen ein anderes Verfahren. - Erweitern, migrieren, umschalten, aufräumen — vier getrennte Änderungen statt einer, mit jeweils eigenem Rückweg. - Löschungen laufen zeitversetzt hinterher, nicht im selben Vorgang wie die Umstellung. - Wenn eine Änderung nicht additiv gemacht werden kann, gehört sie in ein Fenster mit vorbereiteter Wiederherstellung. ### Rollback oder Roll-forward? Die reflexhafte Antwort im Incident lautet „zurückrollen“. Sie ist oft richtig — aber nicht immer, und die Unterscheidung ist eine Urteilsfrage. | | | | --- | --- | | Rollback wählen, wenn | der vorherige Zustand nachweislich gut war, die Änderung keine irreversiblen Nebenwirkungen hatte und der Rückweg **geprobt** ist. | | Roll-forward wählen, wenn | die Änderung Daten migriert oder Schemata verändert hat, oder wenn der alte Stand die Ursache nicht behebt. | | Immer falsch | Rollback als Annahme, ohne zu prüfen, ob er in diesem Fall überhaupt zurückführt. | Der teuerste Fehler ist der **untestete** Rollback: Er wird zum ersten Mal unter Zeitdruck ausprobiert und scheitert dann an einer Kleinigkeit — einer inkompatiblen Datenbankmigration, einem bereits gelöschten Objekt, einer abgelaufenen Version. Ein Rückweg, der nie geübt wurde, ist eine Hoffnung, kein Plan. > **Merksatz:** Rollback ist keine Eigenschaft des Systems, sondern eine Eigenschaft der **Änderung**. Jede Änderung bringt ihren eigenen Rückweg mit — oder sie hat keinen. ### Review: was ein Plan-Review leisten kann Ein Vorschau-Plan ist die stärkste Kontrolle in deklarativer Infrastruktur, weil er die **beabsichtigte** Änderung mit der **tatsächlichen** vergleicht. Er zeigt, was ein Mensch nicht ableiten kann: dass eine harmlose Parameteränderung eine Ersetzung auslöst, oder dass ein Refactoring 40 Ressourcen anfasst statt 2. Was er **nicht** leistet: eine Aussage über fachliche Richtigkeit, über Auswirkungen auf Verkehr und Latenz, oder über Reihenfolgeabhängigkeiten zu anderen Systemen. Ein Review, das nur „Plan sieht ok aus“ vermerkt, ist ein Ritual. Ein nützliches Review beantwortet drei Fragen: Enthält der Plan Zerstörendes? Ist die Zahl der berührten Ressourcen erklärbar? Und gibt es einen benannten Rückweg? > **Antipattern:** Freigabeprozesse, die Zeit kosten, aber keine dieser drei Fragen stellen, verlagern nur die Verantwortung — sie senken das Risiko nicht. ### Notfalländerungen Jeder Prozess braucht einen dokumentierten Weg für den Fall, dass er zu langsam ist. Fehlt dieser Weg, wird er improvisiert — in der Konsole, ohne Spur, ohne Review. Ein brauchbarer Notfallpfad hat drei Eigenschaften: Er ist **vorher** definiert, er **protokolliert** automatisch, und er hat eine **Nachbereitungspflicht**, die die Änderung binnen kurzer Frist in den regulären Vertrag überführt. - Ohne Nachbereitungspflicht wird der Notfallpfad zum Normalweg — die Ausnahme frisst die Regel. - Wenn der Notfallpfad regelmäßig gebraucht wird, ist der Normalprozess falsch dimensioniert, nicht der Notfall zu häufig. - Notfalländerungen erzeugen Drift per Definition; der Abgleich gegen den deklarierten Zustand ist Teil der Nachbereitung. > **Gleich im Check:** In den folgenden Entscheidungen bewertest du einen Plan mit unerwartetem Umfang, wählst zwischen Rollback und Roll-forward und legst die Staffelung einer riskanten Änderung fest. ### Der Betriebsvertrag braucht messbare Invarianten **Betriebsinvariante:** Eine Aussage über eine geplante Änderung an gemeinsam genutzter Plattforminfrastruktur, die vor und nach einem erlaubten Übergang nachweisbar wahr sein muss. Ein technisches Feature wird erst dann zu einem Betriebsvertrag, wenn Sollzustand, Verantwortlicher, Messpunkt und Reaktion zusammenpassen. Für eine geplante Änderung an gemeinsam genutzter Plattforminfrastruktur besteht der prüfbare Kern aus **Change-Satz, maschinenlesbarer Plan, Risikoannahmen, Kohortenfolge und Rückweg**. Der Vertrag nennt außerdem den gültigen Scope und die Bedingungen, unter denen ein Übergang abgebrochen wird. Das verhindert, dass Teams dieselben Wörter verwenden, aber unterschiedliche Garantien erwarten. der Change-Owner mit einem unabhängigen Reviewer und dem Betriebsverantwortlichen bestätigt nicht nur eine Konfiguration, sondern die Fähigkeit, ihre Wirkung zu beobachten und bei Abweichung zu handeln. Invarianten müssen von außen prüfbar sein. Eine Aussage wie **ist sicher** hilft nicht; eine Aussage wie **jede schreibende Operation trägt change-id, stammt aus einer freigegebenen Identität und erzeugt innerhalb des Messfensters einen Auditnachweis** kann getestet werden. Neben dem positiven Pfad gehören negative Fälle in die Abnahme: unzulässiger Scope, fehlende Freigabe, veraltetes Artefakt und nicht erreichbare Kontrollabhängigkeit. Erst diese Gegenproben zeigen, ob die Grenze technisch durchgesetzt oder nur dokumentiert ist. **Kurzcheck:** Welche Beschreibung ist für eine geplante Änderung an gemeinsam genutzter Plattforminfrastruktur als Invariante geeignet? - [x] Jeder erlaubte Übergang ist über change-id, Owner, Scope und Ergebnis korrelierbar - [ ] Das Team arbeitet vorsichtig und hält sich normalerweise an die gemeinsame Dokumentation - [ ] Die eingesetzte Cloudfunktion gilt allgemein als zuverlässig > Die Aussage benennt prüfbare Merkmale und lässt sich automatisiert oder im Review widerlegen. ### Grenzen und Eigentum entscheiden über den Blast Radius Die wirksame Grenze liegt bei **Freigabegate, Zielkohorte und maximal gleichzeitig betroffene Fehlerdomäne**. Sie bestimmt, welche Ressourcen, Daten und Teams von einer fehlerhaften Entscheidung gemeinsam betroffen sein können. Organigramme und Repository-Grenzen sind dafür nur Hinweise. Maßgeblich ist, wo Identitäten, Zustand, Kapazität oder Kontrollpfade tatsächlich geteilt werden. kleine Schritte verlängern die Ausbringung, kaufen dafür Beobachtungszeit und begrenzen gleichzeitigen Schaden Diese Abwägung wird explizit dokumentiert, damit eine spätere Konsolidierung nicht unbemerkt mehrere unabhängige Fehlerbereiche wieder koppelt. Eigentum bedeutet Entscheidungs- und Reaktionspflicht. der Change-Owner mit einem unabhängigen Reviewer und dem Betriebsverantwortlichen legt fest, wer den Sollzustand ändern, wer eine Ausnahme genehmigen und wer im Vorfall handeln darf. Ein RACI ohne technische Rechteprüfung reicht nicht. Regelmäßig wird verglichen, ob Gruppen, Pipeline-Identitäten und Notfallrollen noch zum dokumentierten Modell passen. Gemeinsame Komponenten erhalten einen eigenen Service-Owner, SLO und Eskalationsweg, weil sonst jedes konsumierende Team nur seine lokale Sicht optimiert. > **Grenztest:** Frage für jede gemeinsame Abhängigkeit: Welcher maximale Teil des Dienstes fällt aus, wenn genau diese Abhängigkeit falsche Daten liefert, nicht erreichbar ist oder kompromittiert wird? ### Der Normalablauf wird als kontrollierte Zustandsmaschine beschrieben Wirkung klassifizieren → Plan erzeugen → **Abhängigkeiten prüfen** → Kleine Kohorte ändern → Signale beobachten → Fortsetzen oder abbrechen und Evidenz sichern Der Ablauf ist eine Zustandsmaschine und keine lose Checkliste. Jeder Schritt besitzt Eingangsdaten, einen ausführenden Prinzipal, ein Ergebnis und eine Abbruchbedingung. Ein nachfolgender Schritt darf nur starten, wenn das vorherige Ergebnis unverändert referenziert wird. Dadurch kann ein Review nicht versehentlich ein anderes Artefakt prüfen als die Automatisierung später verwendet. Wiederholungen müssen entweder idempotent sein oder eine eindeutige Vorgangskennung erkennen, damit ein Timeout nicht zu einer zweiten konkurrierenden Änderung führt. Für Eine neue Netzrichtlinie soll erst in einer nichtkritischen Umgebung und dann zonenweise für Produktion aktiviert werden wird der Ablauf zuerst in einem kleinen, repräsentativen Scope ausgeführt. Die Plattform protokolliert Eingaben und Ergebnis, aber keine Secrets oder unnötigen Nutzdaten. Menschliche Freigaben beziehen sich auf Digest, Plan oder Version, nicht auf einen veränderlichen Namen. So bleibt die Kette auch dann prüfbar, wenn zwischen Review und Ausführung Zeit vergeht oder ein anderer Runner übernimmt. ### Vorbedingungen und Gates stoppen unsichere Übergänge Ein Gate ist nur sinnvoll, wenn sein Ergebnis die Ausführung tatsächlich stoppt. Mindestgates prüfen Identität und Scope, Vollständigkeit des Artefakts, bekannte Richtlinien, verfügbare Kapazität sowie einen beobachtbaren Rückweg. Das Gate liefert **bestanden**, **abgelehnt** oder **befristete Ausnahme** mit maschinenlesbarem Grund. Warnungen, die bei jedem Lauf ignoriert werden, sind keine Kontrolle; sie werden entweder in eine harte Bedingung, einen befristeten Behebungsauftrag oder eine bewusst entfernte Regel überführt. Die Vorbedingungen müssen zum Risiko passen. kleine Schritte verlängern die Ausbringung, kaufen dafür Beobachtungszeit und begrenzen gleichzeitigen Schaden Deshalb wird nicht jede Änderung durch denselben schweren Prozess geschickt. Kleine, reversible Schritte mit engem Scope können automatisiert freigegeben werden. Irreversible Datenänderungen, neue Vertrauensbeziehungen oder eine Vergrößerung der Fehlerdomäne verlangen zusätzliche Evidenz und unabhängiges Review. Die Risikoklasse stammt aus der beobachtbaren Wirkung, nicht aus der Zahl geänderter Codezeilen. - Ist das Ziel eindeutig und der Scope kleiner als die maximal erlaubte Fehlerdomäne? - Sind Eingaben und Abhängigkeiten unveränderlich referenziert? - Existieren Abbruchsignal und benannter Owner? - Ist der Rückweg technisch möglich und mit aktuellen Daten geprobt? - Wird die Wirkung nach dem Übergang gegen eine Baseline geprüft? ### Fehlerbilder werden vor dem Ernstfall operationalisiert Die wichtigsten Fehlerbilder sind **zu große erste Kohorten, blindes Durchwinken von Plänen, ungeprüfte Rollbacks und Notfalländerungen ohne Nachbereitung**. Für jedes Bild wird festgehalten, wie es erkannt wird, welche automatischen Schutzmechanismen greifen und welche manuelle Entscheidung übrig bleibt. Ein Runbook, das erst mit der Ursachenanalyse beginnt, kommt zu spät. Zuerst werden Nutzerwirkung und Ausbreitung begrenzt; danach wird die Hypothese mit möglichst kleinen, reversiblen Tests geprüft. Änderungen an mehreren Grenzen gleichzeitig sind zu vermeiden, weil ihr Ergebnis keine Ursache mehr isoliert. Übungen testen nicht nur den glücklichen Failover. Ein sinnvoller Versuch nimmt zusätzlich eine Kontrollabhängigkeit weg, verzögert Telemetrie oder lässt einen Schritt nach erfolgreicher Außenwirkung mit Timeout enden. Das Team muss dann erkennen, ob die Operation wiederholt, fortgesetzt oder gestoppt werden darf. Beobachtet werden sowohl technische Metriken als auch die Qualität der Entscheidung: Zeit bis zur klaren Führung, Anzahl konkurrierender Änderungen und Vollständigkeit der Evidenz. ### Fehlerprobe mit begrenztem Scope Eine neue Netzrichtlinie soll erst in einer nichtkritischen Umgebung und dann zonenweise für Produktion aktiviert werden **Anforderungen** - Explizite Hypothese und erwartetes Signal - Begrenzter Zielscope mit Abbruchschwelle - Aktueller Rückweg und erreichbarer Owner - Zeitlich korrelierbare technische und fachliche Messung **Schritte** - Baseline sichern - Eine Fehlerannahme auslösen - Schutzreaktion beobachten - Kontrolliert wiederherstellen - Abweichungen als Arbeit erfassen **Merksatz:** Eine bestandene Übung beweist den geprobten Fall unter den beobachteten Bedingungen, nicht die Abwesenheit aller Risiken. ### Telemetrie verbindet technische Signale mit Nutzerwirkung Für den Betrieb werden **Fehlerrate, Sättigung, Control-Plane-Fehler, Abweichung zum Plan und Dauer bis zur Stabilisierung** gemeinsam betrachtet. Einzelne Messwerte ohne Scope und Zeitbezug sind gefährlich: Ein globaler Durchschnitt kann einen vollständigen Ausfall einer Zone verdecken, eine erfolgreiche API-Antwort kann eine verzögerte Wirkung verschleiern. Jede Metrik nennt Quelle, Dimensionen, erwartete Aktualität und Verhalten bei Messlücken. Fehlende Telemetrie gilt bei kritischen Übergängen als eigener Fehlerzustand und kann die Fortsetzung blockieren. Alarme werden an einer konkreten Handlung ausgerichtet. Ein Alarm nennt betroffenen Scope, beobachtete Invariante, wahrscheinlichen Owner und den ersten sicheren Prüfschritt. Tickets eignen sich für langsamen Kapazitäts- oder Complianceabbau; Paging bleibt akuter Nutzerwirkung oder unmittelbar drohendem Kontrollverlust vorbehalten. Dashboards und Auditabfragen verwenden dieselben IDs wie change-id, damit Einsatzleitung, Plattform und Workload-Team nicht drei widersprüchliche Zeitlinien rekonstruieren. > **Messlücke:** Wenn ein Übergang erfolgreich gemeldet wird, seine erwartete Wirkung aber nicht innerhalb des Messfensters beobachtbar ist, bleibt der Zustand unbekannt. Unbekannt ist kein Erfolg. ### Recovery beginnt mit einem sicheren Kontrollpunkt Der Recovery-Vertrag lautet: **weitere Ausbringung stoppen, sicheren Zustand schützen, Rückweg anhand der Datenverträglichkeit wählen und die Änderung kontrolliert rücknehmen oder vorwärts korrigieren**. Er nennt den letzten sicheren Kontrollpunkt, die Reihenfolge der Schritte und die Daten, die nach einer Umschaltung fachlich geprüft werden müssen. Rollback ist nur dann ein Rückweg, wenn alte Software, Konfiguration und Datenzustand noch kompatibel sind. Andernfalls ist ein kontrollierter Roll-forward oft sicherer. Diese Entscheidung wird vor dem Vorfall für die wichtigsten Änderungsklassen getroffen. Backups und Exportdateien zählen erst nach einem Restore-Test als Recovery-Fähigkeit. Ebenso zählt eine sekundäre Umgebung erst, wenn Identität, Quotas, Netzpfade, Schlüssel und Telemetrie dort unter realistischer Last funktionieren. Die Übung protokolliert erreichten Wiederherstellungspunkt, Dauer, Datenabweichung und manuelle Abhängigkeiten. Ein verfehltes Ziel führt zu einer priorisierten Architektur- oder Prozessänderung; das bloße Herabsetzen des Zielwerts benötigt eine fachliche Risikoentscheidung. Schreibende Änderungen stoppen → **Sicheren Kontrollpunkt bestimmen** → Abhängigkeiten und Zielkapazität prüfen → Kleinste wirksame Recovery-Maßnahme ausführen → Technische und fachliche Konsistenz messen → Schrittweise in den Normalbetrieb zurückkehren Für die technische Abnahme wird eine kleine Nachweismatrix gepflegt. Ihre Zeilen sind Normalbetrieb, Grenzfall, abgelehnter Fall, Kontrollausfall und Recovery; ihre Spalten sind Eingabe, erwarteter Zustand, Messpunkt, Frist und Owner. Dabei werden **Netz-, Identitäts- und Datenänderung** getrennt betrachtet, weil eine erfolgreiche Probe der einen Klasse keine Aussage über die anderen liefert. Als gemeinsame Referenzen dienen `Change-ID, Plan-Digest und Kohortenname`. Die IDs müssen bereits bei der Ausführung entstehen und durch Telemetrie, Ticket und Auditstrom weitergereicht werden. Nachträgliches Zusammenführen anhand ungefähr gleicher Uhrzeiten ist nur eine schwache Ersatzlösung. Die Matrix wird bei einer neuen Abhängigkeit, einem geänderten Scope oder einer geänderten Wiederherstellungsannahme aktualisiert und als Teil des Changes geprüft. Der wichtigste Abnahmesatz lautet, dass **die nächste Kohorte erst nach bestandenem Beobachtungsfenster startet**. Um ihn zu widerlegen, braucht der Test mindestens einen erlaubten und einen bewusst unerlaubten Fall. Zusätzlich wird geprüft, was bei einem Timeout nach bereits eingetretener Wirkung geschieht. Die Automatisierung darf einen solchen Schritt nicht blind wiederholen. Sie liest zuerst den beobachtbaren Zustand und entscheidet dann zwischen Fortsetzen, kompensierender Aktion und Eskalation. Für schreibende Übergänge existiert ein Idempotenzschlüssel oder ein fachlich gleichwertiger Schutz. Dadurch wird aus einem Transportfehler kein doppelter Infrastruktur-, Daten- oder Berechtigungseingriff. Die regelmäßige Betriebsprüfung nimmt anschließend reale Veränderungen in den Blick. Sie vergleicht dokumentierte Owner mit aktiven Berechtigungen, erwartete mit beobachteten Abhängigkeiten, vereinbarte mit gemessenen Wiederherstellungszeiten und geplante mit tatsächlich genutzten Ausnahmen. Abweichungen werden nach möglicher Nutzerwirkung und verbleibendem Zeitfenster priorisiert. Ein Befund gilt erst als geschlossen, wenn die technische Ursache behoben, die Kontrolle erneut ausgeführt und die Evidenz am selben Objekt verknüpft wurde. Wiederholte manuelle Eingriffe sind ein Signal für eine fehlende Plattformfähigkeit und werden in einen standardisierten Self-Service-Pfad oder eine bewusst akzeptierte Sonderverantwortung überführt. ## Quellen - Google SRE Book: Release Engineering — https://sre.google/sre-book/release-engineering/ - Google SRE Workbook: Canarying Releases — https://sre.google/workbook/canarying-releases/ - AWS Well-Architected Framework, Operational Excellence Pillar — https://docs.aws.amazon.com/wellarchitected/latest/operational-excellence-pillar/welcome.html - AWS Well-Architected Framework, Reliability Pillar — Change management — https://docs.aws.amazon.com/wellarchitected/latest/reliability-pillar/change-management.html - Microsoft Azure Well-Architected Framework: Safe deployment practices — https://learn.microsoft.com/azure/well-architected/operational-excellence/safe-deployments - HashiCorp Terraform: Refactoring and moved blocks — https://developer.hashicorp.com/terraform/language/modules/develop/refactoring