Technologie & Innovation

Warum Microservices Teams mit 15 bis 30 Engineers bremsen

„Jeder Merge geht sofort live“ klingt für ein Engineering-Team mit 15 bis 30 Leuten nach einer reifen Delivery-Praxis. Als Standard ist Continuous Deployment für die meisten dieser Teams trotzdem die falsche Wahl: Die Pipeline kann Änderungen einzeln ausrollen, während deren Auswirkungen mehrere Teams gleichzeitig treffen. Ich würde reguläre Änderungen in feste Release-Fenster legen und dringende Änderungen ausdrücklich davon ausnehmen.

Ein grüner Build beweist nicht, dass mehrere Teams gleichzeitig bereit sind

Continuous Deployment beantwortet eine technische Frage: Besteht eine Änderung die automatisierten Prüfungen? Ein Tech Lead muss zusätzlich eine organisatorische Frage beantworten: Wissen die betroffenen Teams, dass sich das Verhalten des Systems jetzt ändert? Bei 20 Entwicklerinnen und Entwicklern können ein API-Endpunkt, ein Hintergrundjob und eine Datenbankmigration drei verschiedenen Verantwortungsbereichen gehören. GitHub Actions kann die Tests jedes Repositories erfolgreich ausführen, ohne zu erkennen, dass ein Worker noch das alte Nachrichtenformat verarbeitet.

Das ist kein Argument gegen Automatisierung. CI mit GitHub Actions oder GitLab CI sollte bei jedem Merge laufen; fehlgeschlagene Tests sollten einen Rollout verhindern. Die fragliche Entscheidung liegt einen Schritt später: Muss jeder erfolgreiche Merge unmittelbar eine Produktionsänderung auslösen? Für ein Team, das seine Abhängigkeiten über mehrere Services und Bereitschaftsgruppen verteilt hat, lautet meine Antwort meist nein. Ein fester Zeitpunkt schafft eine Gelegenheit, Änderungen gemeinsam zu sehen, bevor sie gemeinsam wirksam werden.

„Gemeinsam sehen“ darf dabei nicht „auf Zustimmung in einem Formular warten“ bedeuten. Ich würde keinen manuellen Freigabeprozess für jeden Pull Request einführen, weil er kleine, unabhängige Korrekturen verzögert, ohne die Wechselwirkung zwischen Services sichtbar zu machen. Stattdessen braucht das Release-Fenster eine kurze Liste der tatsächlich betroffenen Komponenten: Welche PostgreSQL-Migration läuft mit Flyway? Ändert sich ein Event-Schema? Welche Feature-Flags werden umgeschaltet? Wer kann das Verhalten bei Bedarf zurücknehmen? Diese Fragen sind für den geplanten Rollout relevant, nicht für die Qualität jedes einzelnen Commits.

Auch ein sauberer Kubernetes-Rollout löst die Abstimmung nicht. Laut Kubernetes-Dokumentation liegen maxSurge und maxUnavailable bei einem RollingUpdate standardmäßig jeweils bei 25 Prozent. Diese Herstellerangabe beschreibt, wie Pods während des Austauschs verfügbar bleiben sollen; sie sagt nichts darüber, ob alter und neuer Anwendungscode dasselbe Datenformat verstehen. Helm mit –atomic –wait kann einen fehlgeschlagenen Chart-Rollout zurückrollen. Eine bereits ausgeführte, nicht rückwärtskompatible Datenänderung macht es dadurch nicht automatisch rückgängig.

Ein Release-Fenster begrenzt Abstimmungsbedarf, ohne Merges zu sammeln

Die praktikable Alternative ist ein Release-Zug: Änderungen werden fortlaufend gemergt und geprüft, aber reguläre Produktions-Rollouts finden zu bekannten Zeiten statt. Zwei Fenster pro Woche sind ein zu justierender Startwert, keine allgemeingültige Kadenz. Liegen zwischen Merge und Rollout regelmäßig mehrere Tage Wartezeit, ist die Kadenz zu niedrig; entstehen in jedem Fenster schwer zuzuordnende Pakete, ist sie für den aktuellen Zuschnitt zu hoch. Entscheidend ist, dass ein Fenster eine erwartbare Grenze für Abstimmung bietet.

Ein Release-Zug gewinnt, wenn mehrere Services oder Teams an einem Nutzerpfad arbeiten und gegenseitige Änderungen vor dem Rollout erkennen müssen. Sein Preis ist die Wartezeit für eine fertige Änderung und die Gefahr größerer Pakete. Continuous Deployment gewinnt, wenn ein Team einen Dienst weitgehend allein verantwortet, Änderungen unabhängig rückgängig machen kann und Produktionssignale schnell genug zur Verfügung stehen. Sein Preis ist die fortlaufende Aufmerksamkeit: Jemand muss einen fehlgeschlagenen Rollout auch zwischen zwei geplanten Abstimmungen bemerken, einordnen und stoppen. Beide Optionen verlangen gute Tests; sie verteilen die menschliche Arbeit unterschiedlich.

Ein Fenster sollte deshalb keine Aufforderung sein, große Branches bis zum Release-Tag liegen zu lassen. Trunk-basierte Entwicklung und kleine Pull Requests bleiben sinnvoll, weil kleine Änderungen Konflikte reduzieren. Unfertiges Verhalten bleibt hinter einem Flag verborgen, etwa über OpenFeature oder LaunchDarkly. Das Flag entkoppelt das Deployen von der Aktivierung, sofern beide Zustände getestet wurden. Ein dauerhaftes Flag ersetzt dagegen keine Produktentscheidung: Es vergrößert die Zahl möglicher Zustände, die bei einem Fehler untersucht werden müssen.

In einem fiktiven, aber auswertbaren Beispielprotokoll benötigt ein Team für 18 voneinander abhängige Änderungen sechs Rückfragen zwischen API-, Daten- und Anwendungsteam. Die Zahl wäre nur dann ein belastbarer Messwert, wenn Zeitstempel, betroffene Änderungen und Empfänger der Rückfragen im eigenen Ticketsystem erfasst würden. Die nützliche Frage lautet nicht „Wie viele Deployments schaffen wir?“, sondern „Bei welchen Änderungen mussten wir nach dem Rollout erstmals klären, wem eine Abhängigkeit gehört?“ Wer diese Fälle vor dem Fenster sichtbar macht, spart keine Prüfung ein; er verlegt sie vor den Moment, in dem ein Fehler Nutzer trifft.

Wer am Prozess spart, macht Oncall zur Dauerbaustelle benennt fehlende Absprachen als Belastung; ich würde daraus dennoch keine Pflichtfreigabe für jeden Merge ableiten, weil die relevante Abhängigkeit oft erst auf der Ebene des gemeinsamen Releases erkennbar ist.

Eine Freigabe ohne brauchbares Signal ist nur ein Kalendertermin

Ein Release-Fenster verdient seinen Platz nur, wenn das Team nach dem Rollout entscheiden kann, ob es fortfährt, anhält oder zurückrollt. „Dashboard ist grün“ genügt nicht, wenn niemand weiß, welche Messreihe die Änderung abbildet. Für einen HTTP-Dienst kann Prometheus die Fehlerrate aus http_requests_total berechnen; Grafana macht den Verlauf sichtbar, und Sentry hilft bei der Zuordnung neuer Exceptions zu einer Version. OpenTelemetry verbindet Traces über Service-Grenzen, sofern die beteiligten Dienste denselben Trace-Kontext weitergeben. Keines dieser Werkzeuge entscheidet allein, welche Abweichung für den konkreten Nutzerpfad akzeptabel ist.

Als vorläufigen Prüfwert kann ein Team nach einem Rollout mindestens 200 Requests in einem Fünf-Minuten-Fenster verlangen und eine HTTP-5xx-Quote unter 1 Prozent ansetzen. Beide Grenzen müssen anhand des eigenen Traffics und Fehlerbudgets kalibriert werden: Bei selten genutzten Endpunkten liefert das Fenster zu wenig Daten, und bei hohem Traffic kann eine Quote unter 1 Prozent bereits viele betroffene Nutzer bedeuten. Die folgende Shell-Prüfung läuft mit Bash, curl, jq, awk und einer gesetzten Variable PROM_URL. Sie verweigert die Freigabe auch dann, wenn Prometheus keine auswertbare Zeitreihe liefert:

#!/usr/bin/env bash
set -euo pipefail
: "${PROM_URL:?PROM_URL fehlt}"
errors='sum(increase(http_requests_total{status=~"5.."}[5m])) or vector(0)'
total='sum(increase(http_requests_total[5m]))'
fetch() {
  curl -fsSG --data-urlencode "query=$1" "$PROM_URL/api/v1/query" |
    jq -er '.data.result[0].value[1] // empty'
}
n=$(fetch "$total")
e=$(fetch "$errors")
awk -v n="$n" -v e="$e" 'BEGIN { exit !(n >= 200 && e/n < 0.01) }'
echo "Freigabe: genug Traffic, Fehlerquote unter 1 %"

Das Skript setzt voraus, dass die Anwendung http_requests_total mit dem Label status tatsächlich bereitstellt. Es prüft weder Latenz noch fachliche Fehler, weil diese nicht aus HTTP-5xx-Antworten folgen. Für eine Änderung am Checkout oder an einem Hintergrundjob muss deshalb ein passendes Signal hinzukommen. Der Wert des Gates liegt nicht in seiner universellen Gültigkeit, sondern darin, dass eine leere Messung nicht stillschweigend als Erfolg gilt.

Deployment Frequency und Change Failure Rate aus den DORA-Metriken können helfen, den gewählten Modus zu überprüfen. Ich würde Deployment Frequency aber nicht zum Zielwert für einzelne Teams machen, weil zusätzliche Rollouts die Kennzahl erhöhen, ohne eine Änderung schneller nutzbar zu machen. Aussagekräftiger ist die Kombination aus Wartezeit vom fertigen Merge bis zur Aktivierung, fehlgeschlagenen Änderungen und der Zeit bis zur Wiederherstellung. Wenn das Fenster die Wartezeit erhöht, ohne Störungen besser erkennbar zu machen, hat es seinen Zweck verfehlt.

Eine Notfallspur macht den geplanten Standard erst glaubwürdig

Der häufigste Einwand gegen Release-Fenster ist berechtigt: Ein dringender Fix darf nicht bis zum nächsten Termin warten. Deshalb braucht der Standard eine ausdrücklich definierte Ausnahme. Ein Incident-Fix kann nach bestandener CI direkt ausgerollt werden, wenn die zuständige Bereitschaft die Änderung begleitet und ein Rückweg feststeht. Das ist kein heimliches Continuous Deployment für alles; die Ausnahme hat einen Anlass, eine verantwortliche Person und eine Prüfung nach dem Rollout.

Auch Sicherheitsupdates brauchen nicht automatisch denselben Weg wie neue Funktionen. Eine bekannte ausnutzbare Schwachstelle rechtfertigt einen früheren Rollout, weil die Wartezeit selbst ein Risiko erzeugt. Eine normale Abhängigkeitsaktualisierung kann im nächsten Fenster mitlaufen, wenn keine akute Ausnutzung vorliegt. Der Tech Lead sollte diese Unterscheidung vor dem Ernstfall festlegen, damit die Entscheidung nicht nachts aus einem unklaren Bauchgefühl entsteht.

Guenstig deployen, teuer im Oncall bezahlen lenkt den Blick auf die Folgen eines Rollouts für die Bereitschaft; mein Einwand gegen den üblichen Sofort-Standard ist enger, weil auch ein technisch zuverlässiger Deploy zur falschen Zeit mehrere Teams gleichzeitig zur Ursachenklärung zwingen kann. Ein Release-Fenster ist deshalb keine Sparmaßnahme für Infrastruktur. Es reserviert einen Zeitpunkt, an dem die nötigen Personen erreichbar sind und ein auffälliges Signal unmittelbar einer überschaubaren Menge Änderungen zugeordnet werden kann.

Für Ausnahmen wie für reguläre Rollouts muss der Rückweg konkret sein. Argo CD kann einen vorherigen Git-Zustand synchronisieren; das hilft nur, wenn die alte Anwendung mit dem aktuellen Datenbankschema noch läuft. Flyway validate kann Abweichungen zwischen erwarteten und vorhandenen Migrationen melden, beweist aber keine Rückwärtskompatibilität. Bei riskanten Änderungen ist eine erweiternde Migration mit späterem Aufräumen meist sicherer als das sofortige Löschen einer Spalte, weil alte und neue Anwendung während des Übergangs dieselbe Datenbank nutzen können.

Ich würde außerdem keine pauschale Regel „Nach 17 Uhr wird nie deployt“ setzen, weil Zeitzonen, Traffic-Spitzen und Bereitschaftszeiten je nach Produkt auseinanderfallen. Besser ist ein Fenster, in dem verantwortliche Personen verfügbar sind und genügend Nutzung für eine Prüfung anfällt. Fehlt eines von beidem, verschiebt sich ein regulärer Rollout; ein echter Incident bleibt über die Notfallspur handlungsfähig.

Der erste Schritt ist ein Blick auf die letzten Produktionsänderungen

Nimm die letzten 20 Produktions-Rollouts und markiere für jeden den Merge-Zeitpunkt, die betroffenen Teams, den Zeitpunkt der ersten brauchbaren Messung und nötige Rückfragen. Suche dann ein wiederkehrendes Zeitfenster, in dem diese Teams erreichbar sind und das Produkt messbaren Traffic hat. Teste dort für vier Wochen einen regulären Release-Zug, während die Notfallspur offen bleibt. Danach entscheiden eure Daten, nicht die Anzahl grüner Pipelines.