„Second Outage“ nach Recovery vermeiden (SRE Best Practices)

„Second Outage“ nach Recovery vermeiden ist eine der wichtigsten SRE-Disziplinen, weil der gefährlichste Moment eines Incidents oft nicht der Ausfall selbst ist, sondern die Phase danach: Sobald Systeme wieder „grün“ erscheinen, steigt der Druck, Traffic zurückzuschalten, Backlogs abzuarbeiten, Deployments nachzuholen und Business-Funktionalität vollständig zu reaktivieren. Genau dann passieren Folgeausfälle – etwa durch Retry-Stürme, Cache-Warmups, überlastete…

Observability für DNS/TLS/Ingress: Hidden Layers, die SLOs zerstören

Observability für DNS/TLS/Ingress ist ein unterschätzter Erfolgsfaktor für zuverlässige Systeme, weil genau diese „Hidden Layers“ häufig außerhalb des Applikations-Stacks liegen und dennoch direkt die Nutzererfahrung bestimmen. Viele Teams messen sauber auf Layer 7: Request-Latenz, 5xx-Rate, P95/P99, Traces. Trotzdem werden SLOs gerissen – nicht wegen der Business-Logik, sondern weil davor etwas klemmt: DNS-Resolution ist langsam oder…

P95 vs. P99 Latenz: Warum Tail Latency für SRE entscheidend ist

P95 vs. P99 Latenz ist eine der wichtigsten Diskussionen im SRE-Alltag, weil sie direkt bestimmt, ob ein System „für die meisten“ schnell wirkt oder ob es auch unter Last für nahezu alle Nutzer verlässlich bleibt. Durchschnittswerte oder sogar P50 (Median) können hervorragend aussehen, während einzelne Prozentpunkte der Requests so langsam sind, dass sie Supportfälle auslösen,…

Gesunde On-Call-KPIs: Noise reduzieren und systemische Fixes fördern

Gesunde On-Call-KPIs sind ein wirksames Steuerungsinstrument für SRE-, Plattform- und Betriebsteams, wenn sie nicht als „Performance-Messung von Menschen“, sondern als Gesundheitsindikatoren für Systeme und Prozesse verstanden werden. In vielen Organisationen ist On-Call jedoch ein Dauerstress: Pager-Duty-Noise, wiederkehrende Alarme ohne klare Aktion, zu viele Eskalationen und ein permanentes Gefühl, „hinterherzulaufen“. Das Problem ist selten fehlender Einsatz,…

OSI-basiertes Incident-Runbook-Template (Copy-Paste-ready)

Ein OSI-basiertes Incident-Runbook-Template ist für SRE-, SecOps- und Plattformteams besonders wertvoll, weil es in Stresssituationen eine klare Reihenfolge vorgibt: erst Konnektivität und Transport verifizieren, dann TLS/Session, dann HTTP/Anwendung, und dabei jederzeit Hypothesen sauber dokumentieren. Das Hauptkeyword „OSI-basiertes Incident-Runbook-Template“ steht für einen Ansatz, der die häufigste On-Call-Falle verhindert: sofort in Applikationslogs zu springen, obwohl das Problem…

Cloud Networking 101: VPC/VNet, Subnetze, Route Tables (praxisnah erklärt)

Cloud Networking 101 wirkt auf den ersten Blick wie „nur ein paar IP-Bereiche“, ist in der Praxis aber die Grundlage für Verfügbarkeit, Sicherheit und Performance fast jeder Cloud-Architektur. Ob AWS, Azure oder Google Cloud: Ohne ein solides Verständnis von VPC/VNet, Subnetzen und Route Tables entstehen typische Produktionsprobleme wie unerklärliche Timeouts, fehlende Erreichbarkeit von Abhängigkeiten, unerwartete…

Root Cause von „Timeouts“ in Produktion mit dem OSI-Modell bestimmen

Die Root Cause von „Timeouts“ in Produktion mit dem OSI-Modell bestimmen zu können, ist eine der wichtigsten Fähigkeiten für SRE-, Plattform- und Backend-Teams. „Timeout“ ist dabei kein Fehlergrund, sondern ein Symptom: Ein Client hat innerhalb eines definierten Zeitfensters keine erwartete Antwort erhalten. Die Ursache kann nahezu überall liegen – von DNS-Auflösung über Routing und TCP-Retransmits…

Route Tables in der Cloud troubleshooten (Step-by-Step + Checkliste)

Route Tables in der Cloud troubleshooten ist eine Kernkompetenz für Betrieb, SRE und Security, weil viele „mysteriöse“ Verbindungsprobleme am Ende auf Routing-Logik zurückgehen – nicht auf die Applikation. Wenn ein Service plötzlich nicht mehr erreichbar ist, Deployments hängen, ein Datenbankzugriff sporadisch fehlschlägt oder Egress unerwartet über das Internet statt über private Pfade läuft, ist die…

Was ist ein Retry Storm? Ursachen, Impact und Prävention (SRE Guide)

Ein Retry Storm ist eine der gefährlichsten Fehlerspiralen in verteilten Systemen: Aus einem zunächst kleinen Problem – etwa einem einzelnen langsamen Downstream, einem kurzfristigen Netzwerk-Jitter oder einer partiellen Überlast – entsteht durch automatisierte Wiederholungsversuche ein massiver Lastanstieg, der das Gesamtsystem destabilisiert. Das Hauptkeyword „Retry Storm“ beschreibt genau dieses Phänomen: Clients oder Services schicken bei Fehlern…

NAT-Gateway-Bottleneck: Symptome, Ursachen und Lösungen (AWS/GCP/Azure)

Ein NAT-Gateway-Bottleneck ist einer der häufigsten, aber am schwersten zu erkennenden Gründe für sporadische Timeouts, Verbindungsabbrüche und „plötzlich langsame“ Abhängigkeiten in Cloud-Umgebungen. Der Grund: NAT sitzt oft als stiller Single-Exit für viele private Subnetze zwischen Ihren Workloads und dem Internet oder externen APIs. Sobald dieses Nadelöhr an seine Grenzen kommt, wirkt das Problem wie eine…