Seminar StackHPC Private Cloud – Monitoring, Logging und SRE

Das Seminar entwickelt eine durchgängige Observability- und SRE-Praxis für Infrastruktur, OpenStack-Dienste und Mandantenpfade.

Ziel ist ein signalorientiertes Überwachungssystem mit klaren Servicezielen, wirksamen Alarmen, korrelierbaren Protokollen und ausführbaren Runbooks.

Inhaltsübersicht

1. Serviceziele und Messmodell
2. Infrastrukturmetriken
3. OpenStack-Serviceüberwachung
4. Alarmdesign
5. Zentrales Logging
6. Dashboards und Lagebild
7. Runbooks und Incident Response
8. SRE-Weiterentwicklung
9. Praxislabor und betriebliche Einordnung

Zielsetzung

Ziel ist ein signalorientiertes Überwachungssystem mit klaren Servicezielen, wirksamen Alarmen, korrelierbaren Protokollen und ausführbaren Runbooks. Die Arbeitsweise verbindet fachliche Einordnung, Demonstrationen und unmittelbar nachvollziehbare Übungen an einer praxisnahen Umgebung.

Zielgruppe

Cloud-Administratoren, SRE-Teams, Monitoring-Spezialisten und Betriebsverantwortliche.

Voraussetzungen

Linux-, Netzwerk- und OpenStack-Betriebserfahrung.

Seminarinhalte

Modul 1: Serviceziele und Messmodell

1. Schritt 1: kritische Dienste und Nutzerpfade identifizieren.
2. Schritt 2: SLIs, SLOs und Fehlerbudgets definieren.
3. Schritt 3: Messlücken und Verantwortlichkeiten dokumentieren.

Modul 2: Infrastrukturmetriken

1. Schritt 1: Host-, Netzwerk-, Storage- und Containerwerte auswählen.
2. Schritt 2: Label und Aggregationen konsistent gestalten.
3. Schritt 3: Baseline und Kapazitätsgrenzen bestimmen.

Modul 3: OpenStack-Serviceüberwachung

1. Schritt 1: API, Scheduler, Datenbanken und Messaging überwachen.
2. Schritt 2: synthetische End-to-End-Checks erstellen.
3. Schritt 3: Dienststatus und Nutzerwirkung gemeinsam bewerten.

Modul 4: Alarmdesign

1. Schritt 1: Symptome statt bloßer Ursachen priorisieren.
2. Schritt 2: Schwellwerte, Zeitfenster und Unterdrückung festlegen.
3. Schritt 3: Alarmketten mit Testereignissen verifizieren.

Modul 5: Zentrales Logging

1. Schritt 1: Logquellen, Formate und Aufbewahrung standardisieren.
2. Schritt 2: Request-IDs und Zeitbezug für Korrelation nutzen.
3. Schritt 3: Suchmuster für häufige Fehlerbilder erstellen.

Modul 6: Dashboards und Lagebild

1. Schritt 1: Zielgruppen und Entscheidungsfragen pro Dashboard festlegen.
2. Schritt 2: Service-, Kapazitäts- und Fehleransichten trennen.
3. Schritt 3: Darstellung auf Handlungsrelevanz prüfen.

Modul 7: Runbooks und Incident Response

1. Schritt 1: Alarme mit Diagnoseschritten und Eskalation verknüpfen.
2. Schritt 2: Incident-Kommunikation und Rollen festlegen.
3. Schritt 3: Nachbereitung und Verbesserungsmaßnahmen standardisieren.

Modul 8: SRE-Weiterentwicklung

1. Schritt 1: Toil und wiederkehrende Störungen messen.
2. Schritt 2: Automatisierung nach Risiko und Wirkung priorisieren.
3. Schritt 3: SLOs und Alarmqualität regelmäßig überprüfen.

Praxislabor

1. Aufgabe 1: Definition eines SLO für einen Instanzbereitstellungspfad.
2. Aufgabe 2: Aufbau eines Alarm- und Runbook-Sets.
3. Aufgabe 3: Korrelation eines simulierten Fehlers über Metriken und Logs.

Praxisnutzen

Nach Abschluss können die behandelten Verfahren für Serviceziele und Messmodell, Infrastrukturmetriken, OpenStack-Serviceüberwachung, Alarmdesign strukturiert geplant, ausgeführt, geprüft und dokumentiert werden. Technische Entscheidungen lassen sich anhand definierter Anforderungen, Messwerte und kontrollierter Arbeitsschritte begründen.