Nach dem Ausfall: ein Postmortem, das etwas verändert
Zeitlicher Ablauf, belegte Auswirkungen und konkrete Maßnahmen. Ein hilfreicher Incident-Bericht bringt mehr als die Suche nach Schuldigen.
Ein Blog über zuverlässigen Betrieb.
Praxiswissen über Ausfälle, Server und Monitoring. Was Sie beobachten sollten, wo Sie Fehler suchen und wie der Dienst wieder läuft.
Ausfälle
Die Website ist ausgefallen. Was tun in den ersten 15 Minuten?
Ein klarer Ablauf vom ersten Alarm bis zur Wiederherstellung. Umfang prüfen, Änderungen stoppen und zufällige Neustarts vermeiden.
Weitere Artikel
9
Wenn wiederholte Anfragen einen Ausfall verschärfen
Timeouts, begrenzte Wiederholungen und Idempotenz. So breitet sich eine kleine Störung nicht durch das gesamte System aus.
Die API liefert 200. Funktioniert sie deshalb wirklich?
Vom erreichbaren Endpunkt zum nutzbaren Dienst. Prüfen Sie Inhalt, Antwortzeit und Abhängigkeiten zusätzlich zum Statuscode.
Cron schweigt. Ist der nächtliche Job überhaupt gelaufen?
Die Website kann funktionieren, während Backups und Importe stehen. Heartbeats überwachen den Abschluss von Hintergrundaufgaben.
Sie haben ein Backup. Können Sie den Dienst wiederherstellen?
Ein erfolgreicher Sicherungslauf ist erst der Anfang. RPO, RTO und Wiederherstellungstests zeigen den tatsächlichen Schutz Ihrer Daten.
Monitoring, das Sie nicht wegen jeder Kleinigkeit weckt
Unterscheiden Sie echte Incidents von kurzen Schwankungen und richten Sie verlässliche Benachrichtigungen ein.
Das SSL-Zertifikat erneuert sich automatisch. Was, wenn nicht?
DNS, Berechtigungen und Konfiguration können die Erneuerung stoppen. Prüfen Sie das Zertifikat, das Besucher tatsächlich erhalten.
Der Server läuft, die Website nicht. Liegt es am DNS?
DNS-Fehler von Anwendungsfehlern unterscheiden und Einträge ohne vermeidbare Ausfälle ändern.
Der Server wird langsam. Welche Zahlen erklären warum?
CPU ist nur ein Teil des Bildes. Verbinden Sie Antwortzeiten, Fehler, Arbeitsspeicher, Datenträger und Warteschlangen bei der Diagnose.