Failure Recovery

Computer fallen aus. Eine Festplatte gibt den Geist auf, ein Programm stürzt ab, ein Bagger kappt ein Kabel. Failure Recovery ist der englische Fachausdruck für alles, was danach passiert, damit das System wieder normal arbeitet. Dazu gehört, verloren geglaubte Daten zurückzuholen und angefangene Arbeit sauber zu Ende zu bringen oder rückgängig zu machen. Der Begriff meint nicht die Reparatur der kaputten Hardware, sondern die geplante Rückkehr in einen verlässlichen Zustand. Entscheidend ist: Diese Rückkehr wird vorher entworfen, nicht im Ernstfall improvisiert.

Warum Ausfälle eingeplant werden statt vermieden

Ein einzelner Server fällt selten aus, vielleicht einmal in mehreren Jahren. Große Rechenzentren betreiben aber hunderttausende Maschinen gleichzeitig. Bei dieser Menge geht statistisch jeden Tag irgendetwas kaputt. Anbieter wie Google oder Amazon gehen deshalb nicht davon aus, dass alles funktioniert. Sie bauen ihre Systeme von Anfang an so, dass ein Ausfall niemand auffällt.

Der wirtschaftliche Schaden macht den Unterschied greifbar. Wenn eine Handelsplattform eine Stunde stillsteht, entgehen ihr Umsätze in Millionenhöhe. Bei einer Bank kann schon eine falsch abgebrochene Überweisung teuer werden. Deshalb sprechen Firmen in Verträgen über zwei feste Kennzahlen. Die eine gibt an, wie lange ein System höchstens ausfallen darf, die andere, wie viele Minuten an Daten schlimmstenfalls verloren gehen dürfen.

Ein häufiger Irrtum ist, dass eine Sicherungskopie allein genügt. Eine Kopie, die nie zurückgespielt wurde, ist nur eine Vermutung. Viele Unternehmen merken erst im Ernstfall, dass ihre Sicherung unvollständig oder unlesbar war. Deshalb gehören regelmäßige Übungsläufe zum Thema dazu.

Protokolle, Kopien und der Punkt, an den man zurückspringt

Das wichtigste Werkzeug ist ein Protokoll aller Änderungen, im Fachjargon Log genannt. Bevor eine Datenbank eine Änderung tatsächlich ausführt, schreibt sie auf, was sie vorhat. Stürzt sie mittendrin ab, liest sie beim Neustart dieses Protokoll. Halb fertige Vorgänge macht sie rückgängig, bereits bestätigte spielt sie erneut ein. So entsteht ein Zustand, in dem keine Überweisung nur zur Hälfte ausgeführt wurde.

Zusätzlich legen Systeme in regelmäßigen Abständen Zwischenstände an, sogenannte Checkpoints. Man kann sie sich wie einen Speicherpunkt in einem Videospiel vorstellen. Ohne Speicherpunkt müsste man das ganze Protokoll seit dem allerersten Tag nachspielen. Mit Speicherpunkt genügt der letzte kurze Abschnitt, und die Wiederherstellung dauert Sekunden statt Stunden.

Die dritte Zutat ist Redundanz, also absichtliches Doppeltvorhalten. Wichtige Daten liegen auf mehreren Maschinen in verschiedenen Gebäuden. Fällt eine aus, übernimmt eine andere sofort. Genau hier trennt sich Failure Recovery von einem verwandten Begriff: Fehlertoleranz bedeutet, dass der Ausfall gar nicht erst spürbar wird. Recovery beschreibt den Weg zurück, wenn er doch spürbar wurde.

Vom Cloud-Ausfall bis zum abgebrochenen KI-Training

In den Nachrichten taucht das Thema meist nach großen Störungen auf. Wenn Amazon Web Services oder Microsoft Azure für einige Stunden ausfallen, sind gleichzeitig tausende Apps offline. Die anschließenden Berichte der Anbieter erklären genau, welcher Mechanismus versagt hat und wie lange die Wiederherstellung dauerte. Solche Berichte sind öffentlich und ein wichtiger Teil des Vertrauens in Cloud-Dienste.

Auch beim Training großer KI-Modelle spielt Recovery eine zentrale Rolle. Ein solcher Trainingslauf beschäftigt tausende Grafikkarten über Wochen. Fällt eine einzige aus, steht rechnerisch der gesamte Lauf still. Deshalb speichern die Systeme alle paar Minuten einen Zwischenstand des Modells. Nach einer Störung startet das Training an dieser Stelle neu, statt bei null zu beginnen.

Im Alltag begegnet dir dasselbe Prinzip in kleiner Form. Ein Textprogramm, das nach einem Absturz die letzte Version anbietet, arbeitet mit Zwischenständen. Ein Handy, das nach einem misslungenen Update automatisch die alte Version lädt, führt eine Rücknahme durch. Der Unterschied zu Rechenzentren ist nur die Größenordnung, nicht die Idee dahinter.