Compute-Modell wählen

Die Achse ist nicht Technik, sondern Betriebslast

Virtuelle Maschine, Container-Plattform, verwalteter Anwendungsdienst, Function — die übliche Darstellung ist eine Leiter von „alt“ nach „modern“. Das ist irreführend. Die tragfähige Achse ist: Welche Betriebsarbeit übernimmt der Anbieter, und welche bleibt bei dir? Jede Stufe nach oben gibt Arbeit ab und nimmt dafür Kontrolle weg. Beides ist ein Preis, und welcher der teurere ist, hängt vom Workload ab.

Virtuelle Maschine

Du behältst: Betriebssystem, Patches, Laufzeit, Skalierung, Verfügbarkeitsdesign. Du gewinnst: volle Kontrolle, beliebige Software, planbares Verhalten.

Container-Plattform

Du behältst: Images, Ressourcenzuschnitt, teils die Knoten. Du gewinnst: einheitliches Ausbringungsmodell über viele Dienste.

Verwalteter Anwendungsdienst

Du behältst: Anwendung und Konfiguration. Du gewinnst: Laufzeit, Skalierung und Patches als Anbieterleistung — im Rahmen seines Modells.

Function

Du behältst: eine Funktion. Du gewinnst: Skalierung bis null. Du akzeptierst: Laufzeitgrenzen, Kaltstarts, ein enges Ausführungsmodell.

Die vier Eigenschaften, die die Wahl bestimmen

• Lastprofil: dauerhaft und gleichmäßig, schubweise, oder selten mit langen Pausen? Bezahlung nach Ausführung lohnt bei Lücken, wird bei Dauerlast teurer als eine Reservierung.
• Ausführungsdauer und Zustand: Kurz, zustandslos, unterbrechbar? Oder lange laufend mit Zustand im Speicher, offenen Verbindungen oder lokalem Datenträger?
• Anforderungen an die Umgebung: Kernelmodule, spezielle Hardware, Lizenzbindung an Hosts, Agenten, ungewöhnliche Netzanforderungen — jede davon schließt Stufen aus.
• Betriebsfähigkeit des Teams: Wer patcht, wer ist erreichbar, wer versteht das Skalierungsverhalten? Eine Option, die niemand betreiben kann, ist keine Option.

Diese vier Fragen entscheiden häufiger als jede Grundsatzdiskussion. Ein Batch-Job, der nachts eine Stunde läuft, gehört selten in eine Function-Umgebung mit Laufzeitgrenze; eine API mit gleichmäßiger Last rund um die Uhr gewinnt durch Skalierung bis null nichts.

Was höhere Abstraktion nicht abnimmt

Verwaltete Dienste verschieben Arbeit, sie beseitigen sie nicht vollständig. Drei Dinge bleiben immer bei dir — unabhängig von der Stufe:

• Die Anwendung selbst: Fehler, Abhängigkeiten, Ressourcenverbrauch, Verhalten unter Last.
• Die Konfiguration: Grenzwerte, Skalierungsparameter, Zeitüberschreitungen, Netzanbindung, Identität und Rechte.
• Die Daten: Verantwortung für Inhalte, Zugriff, Aufbewahrung — und in der Regel für die Wiederherstellbarkeit, wenn der Fehler von deiner Seite kommt.

Neu hinzu kommen dafür Grenzen, die man kennen muss: Ausführungszeit, Nutzlastgrößen, Nebenläufigkeitslimits, Kaltstartverhalten, unterstützte Laufzeitversionen und deren Abkündigungsrhythmus. Der letzte Punkt ist der leiseste: Ein verwalteter Dienst zwingt dich, Laufzeitversionen im Takt des Anbieters zu aktualisieren — das ist Betriebsarbeit, die man abgegeben zu haben glaubte.

Die Wahl ist keine Einbahnstraße — aber der Rückweg kostet

Je höher die Abstraktion, desto stärker prägt das Modell des Anbieters die Anwendung: Ereignisformate, Zustandsbehandlung, Nebenläufigkeit, Beobachtbarkeit. Das ist kein Argument gegen verwaltete Dienste — der Ertrag ist real —, aber es ist ein Argument dafür, die Bindung bewusst einzugehen und dort zu begrenzen, wo sie am teuersten wird: in der Geschäftslogik.

Ein pragmatischer Umgang: Anbieterspezifisches an den Rändern halten (Auslöser, Anbindungen, Speicherzugriffe), Kernlogik davon unabhängig. Das ist kein Portabilitätsversprechen, sondern eine Begrenzung des Umschreibaufwands, falls sich die Wahl als falsch erweist.

Der Betriebsvertrag braucht messbare Invarianten

Betriebsinvariante — Eine Aussage über eine ausführbare Workload mit bekanntem Laufzeit-, Zustands-, Netz- und Skalierungsprofil, 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 ausführbare Workload mit bekanntem Laufzeit-, Zustands-, Netz- und Skalierungsprofil besteht der prüfbare Kern aus Entscheidungsmatrix, Lasttest, Verantwortungsmodell, Kostenannahmen und Exit-Bedingungen. 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. das Produktteam für Workload-Verhalten und die Plattform für den angebotenen Betriebsvertrag 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 concurrency-limit, 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.

Grenzen und Eigentum entscheiden über den Blast Radius

Die wirksame Grenze liegt bei Laufzeit-API, Image oder Paket, Datenpfad und Anbieter-Control-Plane. 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. höhere Abstraktion reduziert eigene Plattformarbeit, begrenzt aber Kontrolle, Laufzeitoptionen und häufig den Exit-Pfad Diese Abwägung wird explizit dokumentiert, damit eine spätere Konsolidierung nicht unbemerkt mehrere unabhängige Fehlerbereiche wieder koppelt.

Eigentum bedeutet Entscheidungs- und Reaktionspflicht. das Produktteam für Workload-Verhalten und die Plattform für den angebotenen Betriebsvertrag 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.

Der Normalablauf wird als kontrollierte Zustandsmaschine beschrieben

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 Ein periodischer Bildverarbeiter hat starke Lastspitzen, braucht GPU nur selten und kann Aufträge über eine Queue puffern 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. höhere Abstraktion reduziert eigene Plattformarbeit, begrenzt aber Kontrolle, Laufzeitoptionen und häufig den Exit-Pfad 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 Kubernetes ohne Orchestrierungsbedarf, Serverless für ungeeignete Dauerlast, zustandsvolle Dienste ohne Persistenzplan und Managed Services ohne Quota-Prüfung. 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.

Telemetrie verbindet technische Signale mit Nutzerwirkung

Für den Betrieb werden Startlatenz, Sättigung, Skalierungsverzug, Fehlerquote, Betriebseingriffe, Einheitskosten und Anbietergrenzen 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 concurrency-limit, damit Einsatzleitung, Plattform und Workload-Team nicht drei widersprüchliche Zeitlinien rekonstruieren.

Recovery beginnt mit einem sicheren Kontrollpunkt

Der Recovery-Vertrag lautet: Last drosseln oder puffern, stabile Mindestkapazität sichern, fehlerhafte Version zurücknehmen und Control-Plane-Ausfall im Degradationsmodus überbrücken. 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.

Änderungsevidenz macht Entscheidungen später prüfbar

Evidenz ist ein Produkt des Ablaufs. Entscheidungsmatrix, Lasttest, Verantwortungsmodell, Kostenannahmen und Exit-Bedingungen werden über concurrency-limit verbunden und in einem Speicher abgelegt, den der ausführende Prinzipal nicht nachträglich unbemerkt verändern kann. Die Aufbewahrung richtet sich nach Betriebs-, Sicherheits- und Nachweisanforderungen. Sensible Werte werden minimiert oder maskiert; ein Audit-Log darf nicht selbst zum Secret- oder Personendatenarchiv werden.

Ein Abschlussnachweis beantwortet sechs Fragen: Wer löste den Übergang aus, was wurde freigegeben, welcher Scope war betroffen, welche automatischen und menschlichen Gates griffen, welche Wirkung wurde gemessen und welcher Restfehler blieb? Diese Struktur beschleunigt sowohl Incident-Diagnose als auch regelmäßige Reviews. Sie erlaubt außerdem, wiederkehrende manuelle Ausnahmen, lange Wartezeiten und häufige Abbrüche als Signale für eine schlechte Plattform-Schnittstelle zu erkennen.

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 VM, orchestrierter Container, Managed Runtime und ereignisgetriebenes Compute getrennt betrachtet, weil eine erfolgreiche Probe der einen Klasse keine Aussage über die anderen liefert. Als gemeinsame Referenzen dienen Workload-ID, Lastprofil und Laufzeitklasse. 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 Skalierung und Degradationsmodus unter gemessener Spitzenlast funktionieren. 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.