Schema Registry

In großen IT-Systemen schicken sich Programme ständig Daten zu. Eine Bezahl-App meldet zum Beispiel jede Transaktion an ein anderes Programm, das daraus Statistiken baut. Damit das klappt, müssen beide Seiten wissen, wie so eine Meldung aufgebaut ist: welche Felder es gibt, wie sie heißen und ob darin Text, eine Zahl oder ein Datum steht. Diese Bauanleitung für Datensätze nennt man Schema. Eine Schema Registry ist ein eigener Dienst, der alle diese Bauanleitungen an einer zentralen Stelle speichert und verwaltet. Statt dass jedes Programm seine eigene Kopie pflegt, gibt es eine verbindliche Quelle, bei der alle nachschlagen.

Warum ein falsches Feld ein ganzes System lahmlegt

Ohne zentrale Verwaltung passiert regelmäßig dasselbe Missgeschick. Ein Team benennt ein Feld um, etwa von « betrag » zu « amount », und veröffentlicht die neue Version. Alle Programme, die weiter « betrag » erwarten, finden das Feld nicht mehr. Sie stürzen ab oder rechnen still mit einer Null weiter. Der zweite Fall ist gefährlicher, weil der Fehler erst Wochen später in einer Auswertung auffällt.

Eine Schema Registry kann solche Änderungen blockieren, bevor sie Schaden anrichten. Sie prüft jede neue Version gegen die alte und lehnt sie ab, wenn sie bestehende Empfänger brechen würde. Diese Prüfung heißt Kompatibilitätsregel. Übliche Einstellungen erlauben etwa, neue Felder mit einem Standardwert hinzuzufügen, verbieten aber das Löschen bestehender Pflichtfelder.

Dazu kommt ein zweiter Vorteil, der in Unternehmen zunehmend zählt: Nachvollziehbarkeit. Die Registry weiß, welche Felder es je gab und seit wann. Wer prüfen muss, ob personenbezogene Daten wie Geburtsdaten irgendwo mitgeschickt werden, findet die Antwort an einer Stelle statt in hunderten Programmen.

Nachschlagen über eine kurze ID

Technisch ist eine Schema Registry ein Server mit einer Datenbank und einer Schnittstelle, über die Programme Anfragen stellen. Jedes gespeicherte Schema bekommt eine eindeutige Nummer und eine Versionsangabe. Registriert ein Programm ein neues Schema, prüft der Dienst zuerst die Kompatibilität und vergibt dann die Nummer.

Der eigentliche Trick zeigt sich beim Verschicken der Daten. Der Absender hängt nicht das komplette Schema an jede Nachricht, sondern nur dessen Nummer. Das spart viel Platz, denn ein Schema kann mehrere Kilobyte groß sein, die Nummer nur wenige Bytes. Bei Millionen Nachrichten pro Stunde macht das einen spürbaren Unterschied. Der Empfänger liest die Nummer, holt sich das passende Schema einmal von der Registry und merkt es sich im Arbeitsspeicher.

Die Schemata selbst sind in festen Formaten geschrieben, meist Avro, Protobuf oder JSON Schema. Man kann sich das wie ein ausgefülltes Formular vorstellen: Es legt fest, welche Zeilen es gibt und was hineingehört. Ein häufiger Irrtum ist, die Registry sei ein Zwischenspeicher für die Daten selbst. Das ist sie nicht. Durch sie fließen nur die Bauanleitungen, nie die Nachrichten.

Wo Schema Registries im Einsatz sind

Am bekanntesten ist die Schema Registry aus dem Umfeld von Apache Kafka, einem weit verbreiteten System zum Weiterleiten von Datenströmen. Banken, Onlinehändler und Logistikfirmen betreiben damit ihre internen Datenflüsse. Die Firma Confluent hat die dazugehörige Registry populär gemacht, inzwischen bieten auch Amazon, Google und Microsoft eigene Varianten in ihren Rechenzentren an.

Im KI-Bereich taucht der Begriff auf, weil Modelle mit Daten aus solchen Strömen trainiert und gefüttert werden. Ändert jemand unbemerkt den Aufbau der Eingangsdaten, liefert ein Modell plötzlich unsinnige Ergebnisse. Eine Registry ist deshalb ein Baustein dessen, was man Data Governance nennt: geregelte Zuständigkeit für Daten im Unternehmen.

Als Privatperson wirst du eine Schema Registry nie direkt bedienen. In Stellenanzeigen für Dateningenieure und in Berichten über Cloud-Plattformen steht der Begriff aber regelmäßig. Er signalisiert dort, dass ein Unternehmen seine Datenflüsse nicht dem Zufall überlässt.