Wenn die Cloud ausfällt – Was Unternehmen und Cloud-Dienstleister aus der Microsoft-365-Störung lernen können

Kritische Abhängigkeiten erkennen, kaskadierende Ausfälle verhindern und die Geschäftskontinuität sichern.
Ein größerer Cloud-Ausfall zeigt, wie eng technische Architektur, Risikomanagement und Business Continuity zusammenhängen. Doch welche Lehren sollten normale Unternehmen daraus ziehen? Und welche Methoden helfen Cloud-Dienstleistern, ihre Plattformen widerstandsfähiger zu gestalten?
Inhaltsverzeichnis
Teil A – Die Microsoft-365-Störung verstehen
- Wenn ein zentraler Cloud-Dienst ausfällt
- Was geschah bei Microsoft 365?
- Drei grundlegende Erkenntnisse aus dem Vorfall
Teil B – Lessons Learned für Unternehmen als Cloud-Kunden
- Cloud-Nutzung verändert die eigenen Risiken
- Abhängigkeitsanalyse: Welche Geschäftsprozesse hängen an welchen Diensten?
- Single Points of Failure und Konzentrationsrisiken erkennen
- Business Impact Analysis: Wie lange darf ein Prozess ausfallen?
- Business Continuity: Arbeiten, wenn die Cloud nicht verfügbar ist
- Notfallkommunikation, Identitäten und Datenzugriff
- BCM-Übungen: Den Ausfall tatsächlich durchspielen
- Wo gehören diese Erkenntnisse ins Managementsystem?
Teil C – Lessons Learned für Cloud- und IT-Dienstleister
- Failure Mode Analysis: Fehler systematisch untersuchen
- Fault Domains und Blast Radius: Fehler begrenzen
- Static Stability: Auch ohne zusätzliche Ressourcen stabil bleiben
- Health-Checks: Wenn die Überwachung selbst zum Problem wird
- Circuit Breaker, Load-Shedding und Retry Backoff
- Safe Deployment: Änderungen kontrolliert ausrollen
- Recovery Engineering: Wiederherstellung unter realistischen Bedingungen
- Wo gehören diese Methoden ins ISMS?
Abschluss
- Fünf Fragen zur Resilienz Ihrer Organisation
- Fazit: Redundanz ist nicht gleich Resilienz
Teil A – Die Microsoft-365-Störung verstehen
1. Wenn ein zentraler Cloud-Dienst ausfällt
Microsoft 365, Google Workspace und andere Cloud-Plattformen sind für viele Unternehmen längst unverzichtbare Bestandteile ihrer täglichen Arbeit.
E-Mail, Kalender, Videokonferenzen, Dokumentenverwaltung und Zusammenarbeit werden zunehmend über zentrale Cloud-Dienste bereitgestellt.
Die Vorteile liegen auf der Hand: Unternehmen müssen weniger eigene Infrastruktur betreiben, erhalten regelmäßig neue Funktionen und profitieren von den Investitionen großer Anbieter in Sicherheit und Verfügbarkeit.
Doch diese Entwicklung verändert auch die Risiken.
Wenn ein zentraler Cloud-Dienst ausfällt, kann das gleichzeitig zahlreiche Geschäftsprozesse beeinträchtigen.
Mitarbeiter können möglicherweise keine E-Mails mehr versenden, Kundenanfragen nicht bearbeiten, Dokumente nicht abrufen oder sich an geschäftskritischen Anwendungen nicht anmelden.
Besonders problematisch wird es, wenn vermeintlich unabhängige Dienste auf denselben technischen Grundlagen beruhen.
Ein Unternehmen kann beispielsweise mehrere Anwendungen nutzen, die alle denselben Identitätsprovider benötigen. Fällt dieser aus, stehen unter Umständen auch die anderen Anwendungen nicht mehr zur Verfügung.
Die entscheidende Frage lautet deshalb:
Wie widerstandsfähig ist unsere Organisation gegenüber dem Ausfall zentraler technischer Abhängigkeiten?
Diese Frage betrifft sowohl die Betreiber der Cloud-Infrastruktur als auch die Unternehmen, die deren Dienste nutzen.
Allerdings können beide Seiten unterschiedliche Maßnahmen ergreifen.
Der Cloud-Betreiber muss seine Architektur und Betriebsprozesse widerstandsfähig gestalten.
Der Cloud-Kunde muss geeignete Vorkehrungen treffen, damit kritische Geschäftsaktivitäten bei einem externen Dienstausfall möglichst innerhalb der festgelegten Anforderungen fortgeführt oder wieder aufgenommen werden können
2. Was geschah bei Microsoft 365?
Im November 2026 (12. / 13.11.2026, Vorfallnummern MO1550821 und EX1550543) kam es zu einer größeren Störung von Microsoft-365-Diensten, insbesondere im Umfeld von Exchange Online und Outlook.
Die Störung beeinträchtigte die Verfügbarkeit und Verarbeitung von E-Mail-Diensten. Die Wiederherstellung erfolgte schrittweise.
Nach den zunächst veröffentlichten technischen Erläuterungen von Microsoft spielte eine Fehlerkette eine wesentliche Rolle, die mehrere Komponenten und Betriebsmechanismen betraf. Der Finale Bericht steht noch aus. Nachdem was bis heute bekannt ist (15.11.2026) :
Vereinfacht lässt sich der beschriebene Ablauf so darstellen:
1. Eine frühere Änderung hinterließ einen latenten Fehler.
Im Zusammenhang mit einer Erweiterung der Netzwerkkapazität war ein Softwareproblem entstanden, das zunächst nicht zu einem unmittelbar sichtbaren großflächigen Ausfall führte.
2. Eine spätere Änderung aktivierte den Fehler.
Die Störung trat erst auf, als weitere Änderungen in der Infrastruktur durchgeführt wurden.
3. Zustandsprüfungen und Kapazitätsverluste verstärkten die Auswirkungen.
Server wurden als nicht verfügbar bewertet und aus der aktiven Verarbeitung genommen. Dadurch verringerte sich die verfügbare Kapazität.
4. Die verbleibende Infrastruktur wurde stärker belastet.
Die verbleibenden Systeme mussten zusätzliche Anfragen verarbeiten. Insbesondere die Verarbeitung sicherer Verbindungen geriet unter Druck.
5. Die Wiederherstellung wurde durch die bestehende Last erschwert.
Wieder gestartete oder erneut zugeschaltete Systeme konnten unter hoher Last wieder instabil werden.
Microsoft stellte den Dienst schrittweise wieder her. Zusätzlich mussten aufgelaufene Nachrichten verarbeitet werden.
Hinweis zur Quellenlage: Diese Darstellung beruht auf den vorläufig veröffentlichten Informationen zum Vorfall. Sie ist keine abschließende Ursachenanalyse. Insbesondere darf daraus nicht ohne weitere Nachweise geschlossen werden, dass bestimmte Architektur- oder Sicherheitsmechanismen bei Microsoft grundsätzlich fehlten.
Warum ist diese Fehlerkette interessant?
Der Vorfall verdeutlicht ein grundlegendes Problem komplexer IT-Systeme:
Ein einzelner Fehler muss nicht unmittelbar einen vollständigen Dienstausfall verursachen.
Er kann zunächst die verfügbare Kapazität reduzieren. Die daraus entstehende Mehrbelastung kann weitere Komponenten beeinträchtigen. Zusätzliche Fehler und Wiederholungsversuche verstärken die Situation möglicherweise.
Man spricht von einem Cascading Failure, einem kaskadierenden Ausfall.
Das ist ein anderer Fehlermechanismus als der einfache Ausfall eines einzelnen Servers.
3. Drei grundlegende Erkenntnisse aus dem Vorfall
Erkenntnis 1: Redundanz allein genügt nicht
Mehrere Server oder Rechenzentren erhöhen die Verfügbarkeit nur dann wirksam, wenn ihre relevanten Abhängigkeiten ausreichend unabhängig sind.
Eine gemeinsame Fehlerursache kann mehrere redundante Systeme gleichzeitig beeinträchtigen.
Erkenntnis 2: Änderungen können bestehende Schwachstellen aktivieren
Nicht jede Störung entsteht durch eine unmittelbar fehlerhafte neue Softwareversion.
Auch Änderungen an Netzwerken, Kapazitäten, Konfigurationen und Betriebsparametern können bislang unerkannte Fehler sichtbar machen.
Erkenntnis 3: Wiederherstellung ist eine eigene technische Herausforderung
Ein System, das im Normalbetrieb stabil funktioniert, muss nach einer Störung nicht automatisch wieder stabil anlaufen.
Beim Wiederanlauf können Rückstände, hohe Anfragelasten und gleichzeitig startende Komponenten neue Überlastungen verursachen.
Die Fähigkeit, einen Dienst wiederherzustellen, muss deshalb ebenso entwickelt und getestet werden wie dessen regulärer Betrieb.
Diese drei Erkenntnisse bilden die Grundlage für die folgenden Betrachtungen.
Teil B – Lessons Learned für Unternehmen als Cloud-Kunden
4. Cloud-Nutzung verändert die eigenen Risiken
Ein Unternehmen, das Microsoft 365 oder andere SaaS-Dienste nutzt, kann deren interne Infrastruktur normalerweise nicht selbst verändern.
Es kann keine zusätzlichen Exchange-Server bereitstellen, keine internen Health-Checks anpassen und keine Fehler in Microsofts Netzwerkarchitektur beheben.
Das bedeutet jedoch nicht, dass es gegenüber Cloud-Ausfällen handlungsunfähig ist.
Die Verantwortung für die eigenen Geschäftsprozesse bleibt beim Unternehmen.
Es muss verstehen, welche Auswirkungen der Ausfall eines externen Dienstes auf seine Geschäftstätigkeit haben kann, und angemessene Vorkehrungen treffen.
Dabei hilft ein Perspektivwechsel:
Nicht die Frage „Wie zuverlässig ist Microsoft 365?“ steht im Mittelpunkt.
Sondern:
„Welche unserer Geschäftsprozesse können wir nicht mehr ausführen, wenn Microsoft 365 nicht verfügbar ist?“
Das ist der Ausgangspunkt einer wirksamen Business-Continuity-Betrachtung.
5. Abhängigkeitsanalyse: Welche Geschäftsprozesse hängen an welchen Diensten?
Viele Unternehmen verfügen über ein IT-Asset-Inventar.
Darin sind beispielsweise Laptops, Server, Anwendungen, Netzwerke und Cloud-Dienste aufgeführt.
Eine solche Inventarliste beantwortet jedoch noch nicht die Frage, welche Auswirkungen der Ausfall eines bestimmten Dienstes auf das Unternehmen hat.
Dafür ist eine systematische Abhängigkeitsanalyse erforderlich.
Sie verbindet Geschäftsprozesse mit den Funktionen und Ressourcen, die zu ihrer Durchführung benötigt werden.
Praxisbeispiel: Mittelständisches Dienstleistungsunternehmen
Betrachten wir ein Unternehmen mit rund 150 Mitarbeitern.
Es nutzt Microsoft 365 für E-Mail, Teams, Kalender und Dokumentenverwaltung. Die Anmeldung an mehreren weiteren Anwendungen erfolgt über einen zentralen Identitätsdienst.
Eine vereinfachte Abhängigkeitsmatrix könnte folgendermaßen aussehen:
| Geschäftsprozess | Teams | SharePoint | Identitätsdienst | |
|---|---|---|---|---|
| Vertrieb und Angebote | Kritisch | Wichtig | Kritisch | Kritisch |
| Kundenservice | Kritisch | Wichtig | Wichtig | Kritisch |
| Projektmanagement | Wichtig | Kritisch | Kritisch | Kritisch |
| Buchhaltung | Wichtig | Gering | Wichtig | Kritisch |
| Personalmanagement | Wichtig | Wichtig | Kritisch | Kritisch |
Die Einträge sind beispielhafte Einschätzungen und müssen unternehmensspezifisch ermittelt werden.
Die Matrix macht sichtbar, dass ein einzelner Cloud-Dienst mehrere Geschäftsprozesse gleichzeitig beeinträchtigen kann.
Sie zeigt außerdem, wo gemeinsame Abhängigkeiten bestehen.
Die nächste Analyseebene
Für kritische Funktionen sollten die Abhängigkeiten weiter untersucht werden.
Beispielsweise:
Geschäftsprozess: Kundenservice
Kritische Funktion: Kundenanfragen entgegennehmen und bearbeiten
Benötigte Ressourcen: E-Mail, Kundendatenbank, Identitätsdienst, Mitarbeiter, Kommunikationsmittel
Mögliches Ausfallszenario: E-Mail und Teams sind nicht verfügbar.
Auswirkung: Neue Kundenanfragen erreichen die Mitarbeiter nicht über die regulären Kanäle.
Möglicher Ersatz: Telefonischer Kundenservice und alternative Erfassung der Anfragen.
Damit wird aus einer technischen Inventarliste eine Grundlage für das Business Continuity Management.
6. Single Points of Failure und Konzentrationsrisiken erkennen
Ein Single Point of Failure (SPOF) ist eine einzelne Abhängigkeit, deren Ausfall eine kritische Funktion unterbrechen kann, weil kein wirksamer Ersatz vorhanden ist.
Ein einfaches Beispiel ist ein zentraler Identitätsdienst.
Ein Unternehmen nutzt mehrere unterschiedliche Cloud-Anwendungen. Alle Anwendungen verwenden denselben Identitätsprovider zur Anmeldung.
Fällt dieser aus, können unter Umständen keine neuen Anmeldungen erfolgen.
Obwohl die Anwendungen technisch bei unterschiedlichen Anbietern betrieben werden, besteht eine gemeinsame Abhängigkeit.
Konzentrationsrisiken
Eine besondere Form solcher Abhängigkeiten entsteht, wenn viele Funktionen von einem einzigen Anbieter oder einer gemeinsamen technischen Plattform abhängig sind.
Beispiele:
- E-Mail, Chat, Videokonferenzen und Dokumentenverwaltung über dieselbe Plattform
- Mehrere Anwendungen mit einem gemeinsamen Identitätsprovider
- Unterschiedliche IT-Dienstleister, die dasselbe Rechenzentrum nutzen
- Primärsystem und Datensicherung beim selben Cloud-Anbieter
- Notfallkommunikation, die denselben Internetzugang wie die reguläre Kommunikation benötigt
Hier sollte nicht automatisch angenommen werden, dass unterschiedliche Produktnamen auch unabhängige technische Dienste bedeuten.
Systematische SPOF-Prüfung
Für jede kritische Funktion werden fünf Fragen untersucht:
- Welche Ressourcen werden zwingend benötigt?
- Was passiert, wenn eine dieser Ressourcen vollständig ausfällt?
- Gibt es eine tatsächlich unabhängige Ersatzmöglichkeit?
- Kann diese Ersatzmöglichkeit die erforderliche Mindestleistung erbringen?
- Wurde die Ersatzmöglichkeit unter realistischen Bedingungen getestet?
Eine solche Analyse kann mit einer Abhängigkeitsmatrix und einem SPOF-Register dokumentiert werden.
Wichtig ist auch die Betrachtung gemeinsamer Fehlerursachen, sogenannter Common Cause Failures.
Denn zwei redundante Komponenten können gleichzeitig ausfallen, wenn sie beispielsweise dieselbe Konfiguration, Stromversorgung oder Steuerung verwenden.
7. Business Impact Analysis: Wie lange darf ein Prozess ausfallen?
Nachdem kritische Abhängigkeiten identifiziert wurden, muss die Organisation entscheiden, welche Unterbrechungen sie tatsächlich tolerieren kann.
Dafür dient die Business Impact Analysis (BIA).
Sie untersucht die Auswirkungen von Betriebsunterbrechungen über die Zeit.
Dabei stehen die Geschäftsprozesse und ihre Auswirkungen im Vordergrund, nicht die technischen Ursachen eines Ausfalls.
Beispiel: Ausfall der Kundenkommunikation
Ein Dienstleistungsunternehmen stellt fest, dass sein Kundenservice ohne E-Mail nur eingeschränkt arbeiten kann.
Für die BIA werden unter anderem folgende Fragen beantwortet:
- Welche Auswirkungen entstehen nach einer Stunde?
- Welche Auswirkungen entstehen nach vier Stunden?
- Wann werden vertragliche Verpflichtungen gefährdet?
- Welche Kunden oder Aufträge sind besonders kritisch?
- Welche Mindestleistung muss aufrechterhalten werden?
- Bis wann muss diese Mindestleistung wieder erreicht sein?
Eine beispielhafte Bewertung könnte lauten:
| BIA-Parameter | Beispielhafte Festlegung |
|---|---|
| Geschäftsprozess | Kundenservice |
| Ausfallszenario | Reguläre E-Mail-Kommunikation nicht verfügbar |
| Mindestleistung | Dringende Kundenanfragen telefonisch bearbeiten |
| Angestrebte Wiederaufnahmezeit (RTO) | 4 Stunden |
| Maximal tolerierbare Unterbrechung (MTPD) | 24 Stunden |
| Ersatzverfahren | Telefonhotline und lokale Vorgangserfassung |
Diese Werte sind ausschließlich illustrative Unternehmensannahmen und keine Vorgaben der ISO 22301.
Wichtig ist außerdem: Die BIA untersucht die Auswirkungen und Wiederaufnahmeanforderungen. Die Bewertung möglicher Ursachen und Risiken von Unterbrechungen erfolgt gesondert.
Was bringt die BIA?
Sie verhindert, dass Unternehmen pauschal für jedes IT-System maximale Verfügbarkeit verlangen.
Stattdessen können sie ihre Ressourcen auf die wirklich kritischen Geschäftsaktivitäten konzentrieren.
Für manche Prozesse ist eine mehrstündige Unterbrechung tolerierbar.
Für andere kann bereits eine kurze Störung erhebliche wirtschaftliche, rechtliche oder sicherheitsrelevante Auswirkungen haben.
8. Business Continuity: Arbeiten, wenn die Cloud nicht verfügbar ist
Eine häufige Fehlannahme lautet:
Wenn ein Cloud-Dienst ausfällt, muss das Unternehmen warten, bis der Anbieter ihn wiederherstellt.
Für viele Geschäftsprozesse ist das nicht zwingend erforderlich.
Business Continuity bedeutet nicht, jede IT-Anwendung vollständig zu ersetzen.
Es bedeutet, priorisierte Aktivitäten innerhalb festgelegter Zeiträume mit einer angemessenen Mindestleistung fortführen oder wieder aufnehmen zu können.
Beispiel: 24 Stunden ohne Microsoft 365
Ein mittelständisches Unternehmen plant folgendes Szenario:
Microsoft 365 ist für 24 Stunden nicht verfügbar. E-Mail, Teams und zentrale Dokumentenablagen können nicht regulär genutzt werden.
Die Geschäftsführung aktiviert den Notfallplan.
Der Kundenservice arbeitet über eine unabhängig betriebene Telefonnummer.
Dringende Aufträge werden in einer vorbereiteten lokalen Liste erfasst.
Projektleiter verwenden zuvor festgelegte alternative Kommunikationswege.
Wichtige Ansprechpartner und Kontaktdaten stehen unabhängig von Microsoft 365 zur Verfügung.
Die Mitarbeiter wissen, welche Arbeiten Priorität haben und welche Tätigkeiten vorübergehend zurückgestellt werden können.
Nach Wiederherstellung der Cloud-Dienste werden die während des Notbetriebs entstandenen Informationen kontrolliert in die regulären Systeme übertragen.
Dieses Beispiel zeigt:
Eine wirksame BCM-Lösung muss nicht zwangsläufig technisch aufwendig sein. Sie muss zum Geschäftsprozess und dessen zeitlichen Anforderungen passen.
9. Notfallkommunikation, Identitäten und Datenzugriff
Drei Themen verdienen bei Cloud-Ausfällen besondere Aufmerksamkeit.
9.1 Unabhängige Notfallkommunikation
Wenn E-Mail und Teams ausfallen, muss das Unternehmen seine Notfallorganisation trotzdem erreichen können.
Dazu können alternative Telefonnummern, unabhängige Kommunikationsplattformen oder andere geeignete Kommunikationswege gehören.
Entscheidend ist ihre tatsächliche Unabhängigkeit.
Ein Notfallkommunikationssystem ist wenig hilfreich, wenn die Mitarbeiter sich dafür über denselben ausgefallenen Identitätsprovider anmelden müssen.
9.2 Identitätsmanagement und Notfallzugänge
Cloud-Dienste sind häufig eng mit zentralen Identitäts- und Berechtigungsdiensten verbunden.
Deshalb sollte untersucht werden:
Können Administratoren auch bei Ausfall des regulären Identitätsdienstes auf erforderliche Notfallfunktionen zugreifen?
Sind alternative Anmeldeverfahren vorhanden?
Stehen notwendige Zugangsdaten und Wiederherstellungsinformationen geschützt, aber unabhängig zur Verfügung?
Solche Verfahren müssen sorgfältig abgesichert werden. Notfallzugänge dürfen keine unkontrollierten dauerhaften Sicherheitslücken schaffen.
9.3 Datenverfügbarkeit und Wiederaufnahme
Ein Backup allein löst nicht jedes Cloud-Ausfallszenario.
Bei einer vorübergehenden Dienststörung können die Daten weiterhin vorhanden sein, aber nicht über die regulären Anwendungen erreicht werden.
Ein Backup ist dann nicht automatisch ein unmittelbar nutzbares Ersatzsystem.
Es muss deshalb unterschieden werden zwischen:
Datensicherung: Können Daten nach Verlust oder Beschädigung wiederhergestellt werden?
Dienstverfügbarkeit: Können Benutzer die benötigten Funktionen während einer Störung weiterhin verwenden?
Geschäftskontinuität: Können die erforderlichen Geschäftsaktivitäten mit akzeptabler Mindestleistung fortgeführt werden?
Diese drei Ziele benötigen möglicherweise unterschiedliche Maßnahmen.
10. BCM-Übungen: Den Ausfall tatsächlich durchspielen
Ein dokumentierter Notfallplan ist noch kein Nachweis seiner Wirksamkeit.
Ein Unternehmen kann beispielsweise festlegen, dass bei einem E-Mail-Ausfall telefonisch kommuniziert wird.
Doch sind die erforderlichen Telefonnummern verfügbar?
Wissen Mitarbeiter, wann der Notfallplan aktiviert wird?
Kann der Kundenservice die Anfragen ohne das reguläre Ticketsystem dokumentieren?
Und funktioniert die spätere Übertragung der Daten zurück in die regulären Anwendungen?
Diese Fragen lassen sich durch Übungen beantworten.
Ein einfacher End-to-End-Test
Ein realistischer Test könnte folgendermaßen aussehen:
Szenario: Microsoft 365 steht für einen angenommenen Zeitraum von 24 Stunden nicht zur Verfügung.
Teilnehmer: Geschäftsführung, IT, Kundenservice und ausgewählte Prozessverantwortliche.
Testaufgabe: Eine dringende Kundenanfrage muss ohne die regulären Cloud-Dienste entgegengenommen, bearbeitet, dokumentiert und abgeschlossen werden.
Erfolgskriterien:
- Die zuständigen Mitarbeiter werden rechtzeitig informiert.
- Der alternative Kommunikationsweg funktioniert.
- Die erforderlichen Informationen sind verfügbar.
- Der Auftrag kann mit der definierten Mindestleistung bearbeitet werden.
- Die Dokumentation ist nachvollziehbar.
- Die Rückkehr zum Normalbetrieb ist geregelt.
Der Test sollte nicht nur die technische Verfügbarkeit einzelner Systeme prüfen.
Entscheidend ist, ob der Geschäftsprozess aus Sicht der Mitarbeiter und Kunden tatsächlich funktioniert.
11. Wo gehören diese Erkenntnisse ins Managementsystem?
Die Ergebnisse können in bestehende Prozesse und Dokumente integriert werden.
Für Unternehmen mit einem BCMS nach ISO 22301:2019 sind insbesondere die BIA (8.2.2), die Risikobeurteilung (8.2.3), Strategien und Lösungen (8.3), Notfallpläne (8.4), Übungen (8.5) und die Bewertung der BCM-Fähigkeiten (8.6) relevant.
Im ISMS nach ISO/IEC 27001:2022 bieten sich insbesondere die Prozesse für Lieferanten- und Cloud-Sicherheit (A.5.19–A.5.23), Informationssicherheit bei Betriebsunterbrechungen (A.5.29) und IKT-Bereitschaft für Business Continuity (A.5.30) an.
Die Normen geben den Managementrahmen vor. Die beschriebenen Methoden helfen, die bestehenden Prozesse mit konkreten Analysen und wirksamen Maßnahmen zu ergänzen.
Teil C – Lessons Learned für Cloud- und IT-Dienstleister
12. Failure Mode Analysis: Fehler systematisch untersuchen
Für Cloud-Dienstleister reicht es nicht aus, die Verfügbarkeit einzelner Server zu überwachen.
Sie müssen verstehen, wie sich unterschiedliche Fehler auf die gesamte Dienstleistung auswirken können.
Eine geeignete Methode dafür ist die Failure Mode Analysis (FMA).
Sie untersucht systematisch, auf welche Weise Komponenten und Funktionen versagen können.
Eine ergänzende Failure Mode and Effects Analysis (FMEA) betrachtet die Auswirkungen dieser Fehlermöglichkeiten auf andere Komponenten und das Gesamtsystem.
Beispiel: Authentifizierungsdienst
Ein Authentifizierungsdienst kann auf unterschiedliche Weise versagen:
| Fehlermöglichkeit | Mögliche Auswirkung |
|---|---|
| Dienst vollständig ausgefallen | Neue Anmeldungen nicht möglich |
| Dienst reagiert zu langsam | Zeitüberschreitungen und Wiederholungsversuche |
| Dienst liefert fehlerhafte Antworten | Berechtigte Benutzer werden abgewiesen |
| Dienst ist nur teilweise verfügbar | Unterschiedliche Fehlerbilder je Region oder Client |
| Dienst ist überlastet | Fehler können sich auf abhängige Dienste ausbreiten |
Die FMA macht deutlich, dass ein Dienst nicht nur die Zustände „verfügbar“ und „ausgefallen“ kennt.
Er kann auch eingeschränkt, instabil oder fehlerhaft arbeiten.
Die Analyse entlang des Serviceablaufs
Besonders hilfreich ist es, die FMA mit einer Abhängigkeitsanalyse zu kombinieren.
Für einen Cloud-Dienst könnten beispielsweise folgende Funktionen betrachtet werden:
Clientzugriff → DNS und Netzwerk → Authentifizierung → Anwendungsdienst → Datenbank → Antwort an den Benutzer.
Für jede Stufe wird untersucht:
- Welche Fehlermöglichkeiten bestehen?
- Welche anderen Komponenten sind betroffen?
- Welche Ersatzwege sind vorhanden?
- Welche gemeinsamen Fehlerursachen gibt es?
- Wie wird der Fehler erkannt?
- Welche Auswirkungen entstehen auf den gesamten Service?
So werden technische Risiken sichtbar, die in einer klassischen Komponentenliste möglicherweise übersehen werden.
13. Fault Domains und Blast Radius: Fehler begrenzen
Eine der wichtigsten Grundlagen fehlertoleranter Architekturen ist die Begrenzung der Fehlerausbreitung.
Der Begriff Blast Radius beschreibt den Umfang, in dem ein Fehler Auswirkungen auf andere Teile eines Systems haben kann.
Eine Fault Domain ist ein Bereich, innerhalb dessen Komponenten von derselben Fehlerursache betroffen sein können.
Das Problem
Ein Cloud-Dienst wird über zahlreiche Server bereitgestellt.
Alle Server verwenden jedoch dieselbe zentrale Konfiguration.
Eine fehlerhafte Änderung wird gleichzeitig auf alle Instanzen übertragen.
Damit kann eine einzelne Änderung den gesamten Dienst beeinträchtigen.
Die Anzahl der Server schützt in diesem Fall nicht vor der gemeinsamen Fehlerursache.
Das Prinzip: Fehlerdomänen voneinander isolieren
Eine mögliche Lösung besteht darin, eine Plattform in weitgehend unabhängige Betriebsbereiche aufzuteilen.
Dazu gehören beispielsweise getrennte Cluster, Zellen oder Regionen.
Diese Bereiche sollten möglichst unabhängig betrieben, geändert und wiederhergestellt werden können.
Ein verwandtes Architekturprinzip ist das Bulkhead Pattern.
Der Begriff stammt aus dem Schiffbau: Wasserdichte Schotten begrenzen die Ausbreitung eines Wassereinbruchs.
In der IT bedeutet das, Ressourcen und Fehlerbereiche so voneinander zu trennen, dass eine Störung nicht unkontrolliert auf das gesamte System übergreift.
Praxisbeispiel
Ein SaaS-Anbieter betreibt seine Anwendung für 20.000 Kunden.
Statt alle Kunden über eine gemeinsame technische Umgebung zu bedienen, werden sie auf mehrere unabhängige Betriebszellen verteilt.
Ein Fehler in einer Zelle beeinträchtigt dann idealerweise nur die dort betriebenen Kunden.
Andere Zellen bleiben verfügbar.
Der Nutzen besteht nicht darin, jeden Fehler zu verhindern, sondern seine Auswirkungen zu begrenzen.
14. Static Stability: Auch ohne zusätzliche Ressourcen stabil bleiben
Ein weniger bekanntes, aber wichtiges Architekturprinzip ist die Static Stability.
Es beschreibt die Fähigkeit eines Systems, auch bei Ausfall bestimmter Abhängigkeiten stabil weiterzuarbeiten, ohne unmittelbar zusätzliche Infrastruktur bereitstellen zu müssen.
Das Problem
Ein Cloud-Dienst läuft normalerweise mit zehn Servern.
Bei Ausfall von vier Servern versucht die Plattform automatisch, vier neue Server zu starten.
Doch was passiert, wenn während der Störung auch die Infrastruktur für die Bereitstellung neuer Server beeinträchtigt ist?
Oder wenn der Start zusätzlicher Server zu lange dauert?
Dann kann die automatische Skalierung möglicherweise nicht rechtzeitig helfen.
Das Prinzip
Die verbleibenden Systeme sollten über ausreichend Kapazität verfügen, um definierte Ausfälle zumindest vorübergehend abzufangen.
Dafür werden Kapazitätsreserven eingeplant.
Bei besonders kritischen Diensten kann es sinnvoll sein, bereits im Normalbetrieb genügend Kapazität vorzuhalten, um beispielsweise den Ausfall einer gesamten Availability Zone zu überstehen.
Praxisbeispiel
Ein Anbieter betreibt seine Anwendung in drei unabhängigen Zonen.
Die Kapazität wird so ausgelegt, dass die beiden verbleibenden Zonen bei Ausfall einer Zone die definierte Mindestleistung übernehmen können.
Dazu muss die Kapazitätsplanung nicht nur die durchschnittliche Auslastung, sondern auch Lastspitzen und Fehlerszenarien berücksichtigen.
Static Stability bedeutet nicht, dass automatische Skalierung überflüssig wird.
Sie reduziert jedoch die Abhängigkeit davon, dass während einer Störung sofort zusätzliche Ressourcen bereitgestellt werden können.
15. Health-Checks: Wenn die Überwachung selbst zum Problem wird
Cloud-Plattformen verwenden Health-Checks, um zu erkennen, ob Server und Dienste funktionsfähig sind.
Ein Load Balancer kann beispielsweise regelmäßig prüfen, ob ein Server auf Anfragen antwortet.
Wird ein Server als nicht verfügbar eingestuft, erhält er vorübergehend keine neuen Anfragen.
Das ist grundsätzlich sinnvoll.
Problematisch wird es, wenn die Zustandsprüfung die tatsächliche Funktionsfähigkeit nicht korrekt abbildet.
Unterschiedliche Health-Checks
Liveness Check: Läuft der Prozess grundsätzlich noch?
Readiness Check: Ist der Dienst aktuell in der Lage, neue Anfragen zu verarbeiten?
End-to-End-Monitoring: Kann ein Benutzer die wesentliche Funktion tatsächlich erfolgreich ausführen?
Diese Prüfungen beantworten unterschiedliche Fragen.
Ein Server kann beispielsweise technisch erreichbar sein, während eine notwendige Datenbankverbindung nicht funktioniert.
Umgekehrt kann ein Server kurzfristig langsam reagieren, obwohl er weiterhin einen Teil seiner Aufgaben erfüllen könnte.
Die Gefahr fehlerhafter Entscheidungen
Wenn ein Health-Check zu empfindlich eingestellt ist, können vorübergehende Verzögerungen dazu führen, dass funktionsfähige Server aus dem Betrieb genommen werden.
Die verbleibenden Server erhalten zusätzliche Last.
Dadurch reagieren auch diese langsamer und können wiederum als fehlerhaft eingestuft werden.
So kann eine Zustandsprüfung unbeabsichtigt eine Fehlerkaskade verstärken.
Geeignete Gegenmaßnahmen
Health-Checks sollten sorgfältig auf den jeweiligen Dienst abgestimmt werden.
Dazu gehören geeignete Zeitgrenzen, eine sinnvolle Unterscheidung zwischen Fehlerzuständen und eine Begrenzung automatischer Reaktionen.
Zusätzlich sollte die Überwachung möglichst unabhängig von den Komponenten sein, deren Zustand sie beurteilt.
Eine Überwachung ist nur dann wirksam, wenn sie nicht nur Fehler erkennt, sondern auch geeignete Reaktionen auslöst.
16. Circuit Breaker, Load-Shedding und Retry Backoff
Eine häufige Ursache kaskadierender Ausfälle ist Überlastung.
Wenn ein Dienst langsamer reagiert, versuchen abhängige Systeme oft, ihre Anfragen zu wiederholen.
Dadurch steigt die Last weiter.
Ein ursprünglich lokales Problem kann sich auf große Teile der Plattform ausbreiten.
Drei Architekturprinzipien helfen, solche Situationen zu beherrschen.
16.1 Circuit Breaker – Fehlerhafte Verbindungen vorübergehend unterbrechen
Ein Circuit Breaker funktioniert ähnlich wie ein Schutzschalter.
Wenn wiederholt Fehler bei einem abhängigen Dienst auftreten, werden weitere Anfragen vorübergehend begrenzt oder unterbrochen.
Dadurch wird verhindert, dass ständig neue Anfragen an einen bereits überlasteten Dienst gesendet werden.
Nach einer definierten Zeit kann das System kontrolliert prüfen, ob der Dienst wieder verfügbar ist.
Nutzen: Ein lokaler Fehler soll nicht durch fortgesetzte Anfragen auf andere Komponenten übergreifen.
16.2 Load-Shedding – Last kontrolliert reduzieren
Beim Load-Shedding werden Anfragen gezielt abgewiesen oder zurückgestellt, wenn die verfügbare Kapazität nicht ausreicht.
Das klingt zunächst widersprüchlich.
Warum sollte ein Cloud-Dienst absichtlich Anfragen ablehnen?
Weil ein kontrollierter Teilverlust häufig besser ist als der vollständige Zusammenbruch des Systems.
Beispielsweise können nicht kritische Hintergrundaufgaben vorübergehend zurückgestellt werden, während wichtige Benutzertransaktionen weiterlaufen.
Nutzen: Kritische Funktionen bleiben möglichst lange verfügbar.
16.3 Retry Backoff – Wiederholungsversuche begrenzen
Wenn eine Anfrage fehlschlägt, kann ein erneuter Versuch sinnvoll sein.
Problematisch wird es, wenn Tausende Clients ihre Anfragen gleichzeitig und ohne Verzögerung wiederholen.
Dadurch entstehen sogenannte Retry Storms.
Geeignete Verfahren verwenden begrenzte Wiederholungsversuche und zunehmende Wartezeiten zwischen den Versuchen.
Durch zufällige zeitliche Streuung (Jitter) lässt sich zusätzlich vermeiden, dass viele Clients gleichzeitig erneut anfragen.
Nutzen: Die Infrastruktur erhält Zeit zur Erholung, statt durch Wiederholungsversuche zusätzlich belastet zu werden.
Das Zusammenspiel
Circuit Breaker, Load-Shedding und Retry Backoff ergänzen sich.
Sie verhindern nicht zwangsläufig den ursprünglichen Fehler.
Sie können aber dazu beitragen, dessen Auswirkungen zu begrenzen und eine kontrollierte Wiederherstellung zu ermöglichen.
17. Safe Deployment: Änderungen kontrolliert ausrollen
Änderungen gehören zum täglichen Betrieb großer Cloud-Plattformen.
Softwareversionen, Netzwerkkonfigurationen, Kapazitätserweiterungen und Sicherheitsupdates müssen regelmäßig ausgerollt werden.
Jede Änderung kann jedoch unbeabsichtigte Auswirkungen haben.
Ein besonders kritisches Risiko entsteht, wenn Änderungen gleichzeitig auf große Teile der Infrastruktur angewendet werden.
Canary Deployment
Beim Canary Deployment wird eine Änderung zunächst nur auf einem kleinen Teil der Infrastruktur aktiviert.
Anschließend werden wichtige Kennzahlen überwacht.
Dazu können Fehlerraten, Antwortzeiten, Ressourcenauslastung und erfolgreiche End-to-End-Transaktionen gehören.
Wenn die Änderung stabil funktioniert, kann sie auf weitere Systeme ausgedehnt werden.
Progressive Rollout
Beim Progressive Rollout erfolgt die Einführung schrittweise.
Beispielsweise zunächst in einer Testumgebung, danach in einer begrenzten Produktionszelle und anschließend in weiteren Regionen.
Zwischen den Schritten werden definierte Beobachtungszeiten eingeplant.
Automatisierter Rollback
Wenn eine Änderung zu unerwarteten Fehlern führt, sollte möglichst schnell auf einen bekannten stabilen Zustand zurückgekehrt werden können.
Dafür sind geeignete Rücksetzverfahren erforderlich.
Allerdings ist ein Rollback nicht bei jeder Änderung technisch einfach möglich.
Beispielsweise können Datenbankschemaänderungen oder irreversible Datenmigrationen zusätzliche Vorkehrungen erfordern.
Eine wichtige Lehre
Diese Prinzipien sollten nicht nur für klassische Software-Releases gelten.
Auch Änderungen an Netzwerken, Routing, Kapazitäten, Infrastrukturautomatisierung und zentralen Konfigurationen können erhebliche Auswirkungen haben.
Technische Änderungen sollten entsprechend ihrem möglichen Blast Radius kontrolliert eingeführt werden.
18. Recovery Engineering: Wiederherstellung unter realistischen Bedingungen
Viele Unternehmen und Cloud-Dienstleister testen regelmäßig den Ausfall einzelner Server.
Ein Server wird abgeschaltet, ein Ersatzsystem übernimmt und der Test gilt als erfolgreich.
Doch solche Tests bilden nicht immer die tatsächlichen Bedingungen einer größeren Störung ab.
Wiederherstellung unter Last
Wenn mehrere Server gleichzeitig ausfallen, müssen die verbleibenden Systeme zusätzliche Last verarbeiten.
Beim Wiederanlauf können weitere Belastungen entstehen:
- Clients verbinden sich gleichzeitig neu.
- Aufgelaufene Nachrichten werden verarbeitet.
- Datenbanken müssen Zustände synchronisieren.
- Caches sind zunächst leer.
- Hintergrundprozesse starten gleichzeitig.
- Automatische Wiederholungsversuche erzeugen zusätzliche Anfragen.
Ein System kann deshalb bei einem isolierten Funktionstest erfolgreich wiederhergestellt werden und dennoch unter realer Produktionslast instabil sein.
End-to-End-Tests
Die Wiederherstellung sollte nicht allein daran gemessen werden, ob Server wieder erreichbar sind.
Entscheidend ist, ob die eigentliche Dienstleistung wieder funktioniert.
Für eine E-Mail-Plattform könnte ein Test beispielsweise folgende Schritte umfassen:
- Benutzer kann sich anmelden.
- E-Mail kann versendet werden.
- E-Mail erreicht den Empfänger.
- Neue Nachrichten können empfangen werden.
- Aufgelaufene Nachrichten werden korrekt verarbeitet.
- Die Antwortzeiten bleiben innerhalb definierter Grenzen.
Erst dann lässt sich beurteilen, ob die relevante Funktion wiederhergestellt wurde.
Fehler gezielt simulieren
Fortgeschrittene Cloud-Betreiber können gezielte Ausfallsimulationen einsetzen, häufig unter dem Begriff Chaos Engineering zusammengefasst.
Dabei werden kontrolliert Fehler ausgelöst, um die tatsächliche Widerstandsfähigkeit einer Architektur zu überprüfen.
Beispiele:
- Ausfall einer Servergruppe
- Unterbrechung einer Netzwerkverbindung
- Verzögerungen eines abhängigen Dienstes
- Ausfall einer Datenbankinstanz
- Verringerung verfügbarer Kapazität
- Fehlerhafte Antworten eines externen Dienstes
Solche Tests benötigen klare Sicherheitsgrenzen, definierte Abbruchkriterien und eine geeignete Vorbereitung.
Ihr Ziel ist nicht, möglichst spektakuläre Störungen zu erzeugen.
Es geht darum, Annahmen über die Fehlertoleranz der Architektur systematisch zu überprüfen.
Ein erfolgreiches Recovery Engineering weist nach, dass ein Dienst unter definierten Fehlerbedingungen innerhalb der erforderlichen Zeit und mit der erforderlichen Leistung wiederhergestellt werden kann.
19. Wo gehören diese Methoden ins ISMS?
Die beschriebenen Architekturprinzipien können in bestehende ISMS-Prozesse und technische Richtlinien aufgenommen werden.
Nach ISO/IEC 27001:2022 bieten sich insbesondere folgende Zuordnungen an:
- A.8.6 Kapazitätsmanagement: Static Stability, Kapazitätsreserven, Überlastungsschutz
- A.8.14 Redundanz: Fault Domains, unabhängige Betriebszellen, SPOF-Betrachtungen
- A.8.16 Monitoring: Health-Checks, End-to-End-Monitoring und Fehlererkennung
- A.8.27 Sichere Systemarchitektur: FMA, Fehlerisolation, Circuit Breaker und Bulkhead Pattern
- A.8.32 Änderungsmanagement: Canary Deployment, Progressive Rollout und Rollback
- A.5.30 IKT-Bereitschaft für Business Continuity: Recovery Engineering und Wiederherstellungstests
Die Ergebnisse der Analysen können außerdem in die Informationssicherheitsrisikobeurteilung und Risikobehandlung nach Kapitel 6.1.2 und 6.1.3 einfließen.
Die Norm schreibt diese konkreten Architekturmethoden nicht ausdrücklich vor. Sie bieten jedoch geeignete Möglichkeiten, Risiken systematisch zu behandeln und die Wirksamkeit technischer Maßnahmen nachzuweisen.
Abschluss
20. Fünf Fragen zur Resilienz Ihrer Organisation
Die folgenden Fragen bieten einen einfachen Einstieg in die eigene Analyse.
Frage 1: Kennen wir unsere kritischen Abhängigkeiten?
Wissen wir, welche Geschäftsprozesse von welchen Anwendungen, Cloud-Diensten, Identitätsdiensten und anderen Ressourcen abhängig sind?
Oder verfügen wir lediglich über eine Inventarliste?
Frage 2: Haben wir versteckte Single Points of Failure?
Gibt es gemeinsame technische oder organisatorische Abhängigkeiten, deren Ausfall mehrere Geschäftsprozesse gleichzeitig beeinträchtigen könnte?
Sind unsere redundanten Systeme tatsächlich unabhängig?
Frage 3: Können wir bei einem größeren Cloud-Ausfall weiterarbeiten?
Welche kritischen Geschäftsaktivitäten können wir ohne die regulären Cloud-Dienste fortführen?
Sind alternative Kommunikationswege, notwendige Informationen und Ersatzverfahren verfügbar?
Frage 4: Können wir Fehler begrenzen, bevor sie sich ausbreiten?
Für Betreiber: Sind Fehlerdomänen ausreichend isoliert? Verhindern unsere Architektur und Betriebsmechanismen, dass Überlastung und fehlerhafte Änderungen die gesamte Plattform beeinträchtigen?
Frage 5: Haben wir die Wirksamkeit praktisch nachgewiesen?
Wurden Ausfallszenarien unter realistischen Bedingungen getestet?
Können wir belegen, dass kritische Geschäftsprozesse oder technische Dienste innerhalb der erforderlichen Zeit wieder funktionsfähig sind?
Diese Fragen lassen sich mit Methoden wie Abhängigkeitsanalyse, Single Point of Failure Analysis, Failure Mode Analysis, Business Impact Analysis und gezielten Wiederherstellungstests systematisch beantworten.
21. Fazit: Redundanz ist nicht gleich Resilienz
Große Cloud-Plattformen bestehen aus zahlreichen redundanten Komponenten.
Dennoch können komplexe Abhängigkeiten, gemeinsame Fehlerursachen und kaskadierende Überlastungen zu erheblichen Störungen führen.
Die Microsoft-365-Störung zeigt, warum die Betrachtung einzelner Komponenten nicht ausreicht.
Für Unternehmen als Cloud-Kunden besteht die wichtigste Aufgabe darin, ihre kritischen Geschäftsprozesse und deren Abhängigkeiten zu verstehen.
Sie müssen geeignete Alternativen vorbereiten, um wesentliche Aktivitäten auch dann fortführen zu können, wenn ein externer Dienst vorübergehend nicht verfügbar ist.
Für Cloud- und IT-Dienstleister liegt der Schwerpunkt auf fehlertoleranter Architektur, kontrollierten Änderungen, wirksamem Überlastungsschutz und belastbaren Wiederherstellungsverfahren.
Beide Perspektiven verbindet ein gemeinsames Prinzip:
Die Widerstandsfähigkeit eines Systems oder einer Organisation lässt sich nicht allein aus vorhandenen Schutzmaßnahmen ableiten. Sie muss systematisch analysiert und praktisch überprüft werden.
Eine zusätzliche Serverinstanz ist noch kein Nachweis für Hochverfügbarkeit.
Ein Backup ist noch kein Nachweis für Wiederherstellbarkeit.
Ein dokumentierter Notfallplan ist noch kein Nachweis für Geschäftskontinuität.
Erst das Zusammenspiel aus systematischer Analyse, geeigneten Maßnahmen und überprüfter Wirksamkeit schafft belastbare Resilienz.
Normen erfüllen ist der Anfang. Wirksamkeit ist das Ziel.
Weiterführende Quellen und Methoden
Microsoft – Azure Architecture Center
Google – Site Reliability Engineering
Amazon Web Services – Builders' Library
Normative Orientierung
- ISO/IEC 27001:2022 – Informationssicherheitsmanagementsysteme
- ISO 22301:2019 – Business Continuity Management Systems
Hinweis: Die technischen Beispiele dienen der Veranschaulichung der Methoden. Sie stellen keine vollständige Rekonstruktion der internen Microsoft-Architektur dar.







