Monitoring und Alarmierung

Welche Metriken überwachen wir?

Wir bieten umfassendes Monitoring für Server und Kubernetes-Cluster mit unseren Open-Source-Frameworks für den Betrieb, LinuxAid und KubeAid, auf Basis von Prometheus.

1. Server-Monitoring (LinuxAid)

Für Server sind alle Metriken und Alert-Regeln in unserem LinuxAid-Stack definiert, hier:

Dazu gehören:

• Host- und Hardwaremetriken
• CPU, RAM, I/O, Zustand der Festplatten
• Überwachung von Dateisystemen und Speicher
• Netzwerkleistung

Diese Regeln werden als Open Source gepflegt und regelmäßig aktualisiert, und wir haben auch eine Testsuite dafür geschrieben.

2. Kubernetes-Monitoring (KubeAid)

Für Kubernetes-Umgebungen nutzen wir Kube Prometheus als Grundlage und erweitern es um zusätzliche Regeln und Mixins.

Grundlegende Alert-Regeln:

Zusätzliche Alerts und Mixins:

Unser Kubernetes-Alerting umfasst:

• Metriken für Nodes, Pods und Container
• Zustand der Control Plane und des API-Servers
• Leistung und Verfügbarkeit von etcd
• Signale von Scheduler und Controller-Manager
• Zustand von Ingress, Services und Netzwerk
• Alerts auf Anwendungsebene für ausgewählte Open-Source-Komponenten
• optionale Alert-Pakete auf Basis von Mixins, die sich pro Cluster ein- oder ausschalten lassen

Dieser mehrschichtige Ansatz sorgt für Transparenz über die gesamte Plattform und bleibt flexibel genug, um sich dem Stack jedes Kunden anzupassen.

Wie wir mit Alerts und der Eskalation von Incidents umgehen

Prometheus leitet Alerts an unseren zentralen Endpunkt für eingehende Alerts weiter (auf Wunsch lassen sich Hosts oder Komponenten ausschließen). Anschließend verarbeitet unsere interne Betriebsplattform die Alerts. Sie:

• erstellt oder aktualisiert automatisch Alert-Tickets
• benachrichtigt unser Betriebsteam rund um die Uhr
• wendet Ihr SLA an, um richtig zu priorisieren und Fristen zu setzen
• verfolgt Bestätigung und Lösung in Echtzeit
• eskaliert automatisch – zuerst an den Engineer in Rufbereitschaft, bei Bedarf an das Management
• löst bei einigen Alerts vorbeugend aus, also bevor etwas ausfällt oder kaputtgeht.

Wir stellen den Dienst immer so schnell wie möglich wieder her und kümmern uns dann um die Grundursache, damit das Problem nicht erneut auftritt.