Skalierbare Infrastrukturen in der Praxis: Architektur, Autoscaling und Kosten
Erfahren Sie anhand praxisnaher Beispiele, wie skalierbare Infrastrukturen IT-Ressourcen flexibel anpassen und Geschäftsanforderungen effizient bewältigen. Die zurückliegende Black-Friday-Woche hat wieder gezeigt, wo Systeme an ihre Grenzen stoßen. Dieser Beitrag erklärt die wichtigsten Bausteine, typische Fehler und einen realistischen Fahrplan für mittelständische Unternehmen.
Was bedeutet Skalierbarkeit?
Skalierbare Infrastrukturen passen sich an die Anforderungen an. Bei hoher Last werden Ressourcen hinzugefügt, bei niedriger Last wieder reduziert. Das Ziel ist doppelt: gleichbleibende Antwortzeiten bei schwankender Last und Kosten, die der tatsächlichen Nutzung folgen, statt dauerhaft für den Spitzenfall zu bezahlen.
Vertikal oder horizontal skalieren
Beim vertikalen Skalieren bekommt ein Server mehr CPU und Arbeitsspeicher. Das ist einfach und erfordert keine Änderungen an der Anwendung, stößt aber an eine physische Obergrenze, benötigt oft einen Neustart und bleibt ein einzelner Ausfallpunkt.
Beim horizontalen Skalieren laufen mehrere gleichartige Instanzen hinter einem Load Balancer. Diese Variante ist ausfallsicherer und lässt sich weit ausbauen, setzt aber eine passende Architektur voraus. In der Praxis wird meist kombiniert: Anwendungsserver skalieren horizontal, die Datenbank zunächst vertikal.
Zustandslos oder zustandsbehaftet
Horizontale Skalierung funktioniert nur, wenn Instanzen austauschbar sind. Das Twelve-Factor-Prinzip fordert deshalb zustandslose Prozesse: Sessions, Uploads und Zwischenergebnisse gehören in externe Dienste wie Redis, Object Storage oder die Datenbank, nicht in den lokalen Speicher einer Instanz. Zustandsbehaftete Komponenten wie Datenbanken oder Message Broker brauchen eine eigene Strategie und sind als Managed Service oft am besten aufgehoben.
Autoscaling: Wie Ressourcen automatisch mitwachsen
Kubernetes: HPA und Cluster Autoscaler
In Kubernetes passt der Horizontal Pod Autoscaler (HPA) die Anzahl der Pods anhand von Metriken wie CPU, Arbeitsspeicher oder eigenen Kennzahlen an. Standardmäßig prüft er alle 15 Sekunden; für CPU- und Speichermetriken wird in der Regel der Metrics Server benötigt.
Reicht die Kapazität der vorhandenen Nodes nicht aus, bleiben neue Pods im Status „Pending“. Dann greift der Cluster Autoscaler (oder bei AWS alternativ Karpenter): Er fügt Nodes hinzu und entfernt unterausgelastete wieder. Wichtig: Diese Autoscaler orientieren sich an den Resource Requests der Pods, nicht an der realen Auslastung. Sauber gesetzte Requests sind daher Voraussetzung.
Managed Services und Serverless
Nicht jede Anwendung braucht einen eigenen Cluster. Dienste wie Azure App Service, Azure Container Apps, AWS Fargate oder Azure Functions und AWS Lambda skalieren regelbasiert oder vollautomatisch, manche bis auf null Instanzen. In Kubernetes ermöglicht das CNCF-Projekt KEDA eine ähnliche ereignisgesteuerte Skalierung inklusive Scale-to-Zero. Die Kehrseite: Kaltstarts, Plattformlimits und eine stärkere Bindung an den Anbieter. Welche Variante passt, hängt von Lastprofil und Team ab, mehr dazu unter Cloud.
Infrastructure as Code mit Terraform
Skalierbare Umgebungen sollten nicht per Klick im Portal entstehen. Mit Terraform beschreiben Sie Netzwerke, Cluster, Datenbanken und Autoscaling-Regeln als Code. Das macht Änderungen versioniert, überprüfbar und reproduzierbar: Staging und Produktion bleiben identisch, und eine zusätzliche Umgebung entsteht in Stunden statt Wochen. In Verbindung mit einer CI/CD-Pipeline läuft terraform plan im Pull Request und terraform apply erst nach Freigabe. Mehr zu unserem Vorgehen finden Sie unter Infrastruktur.
Bausteine, die Last abfangen
Caching und CDN
Ein Content Delivery Network liefert Bilder, Skripte und cachebare Seiten von Standorten nahe am Nutzer aus und entlastet die eigenen Server erheblich. Ein Anwendungs-Cache wie Redis hält häufig gelesene Daten und Sessions im Speicher vor.
Queues für Lastspitzen
Aufwendige Arbeit wie Bestellbestätigungen, PDF-Erzeugung oder Videokonvertierung sollte asynchron über eine Queue laufen, etwa Azure Service Bus, Amazon SQS oder RabbitMQ. Die Queue puffert Spitzen, und Worker skalieren anhand der Warteschlangenlänge.
Datenbanken
Die Datenbank ist häufig der eigentliche Engpass. Bewährt haben sich Read Replicas für lesende Zugriffe, Connection Pooling und passende Indizes. Managed-Datenbanken wie Azure Database for PostgreSQL oder Amazon RDS übernehmen Backups, Failover und vertikale Skalierung. Sharding lohnt sich erst, wenn diese Mittel ausgeschöpft sind.
So kann eine skalierbare Webarchitektur aussehen:
Observability: Ohne Messwerte kein Autoscaling
Autoscaling ist nur so gut wie die Daten, auf denen es basiert. Sie benötigen Metriken (etwa mit Prometheus oder Azure Monitor), zentral gesammelte Logs und idealerweise Traces über Dienstgrenzen hinweg. Alarme sollten auf Symptome reagieren, die Nutzer spüren, also Fehlerrate und Antwortzeit, nicht nur auf CPU-Werte. Vor geplanten Aktionen zeigen Lasttests mit Werkzeugen wie k6 oder JMeter, ob die Skalierung wie erwartet greift.
Kosten im Griff behalten
- Right-Sizing: VM-Größen und Resource Requests regelmäßig an die gemessene Nutzung anpassen.
- Scale-to-Zero: Entwicklungs- und Testumgebungen nachts und am Wochenende herunterfahren.
- Reservierte Kapazität: Grundlast über Reservierungen oder Savings Plans günstiger einkaufen, Spitzen per Autoscaling abdecken.
- Spot-Instanzen: für unterbrechbare Aufgaben wie Batch-Jobs nutzen.
- Obergrenzen und Budgets: maximale Replikazahlen, Budgetalarme und Tags je Projekt verhindern böse Überraschungen.
Praxisbeispiele
E-Commerce: Black Friday
Online-Shops erleben während Aktionen wie Black Friday extreme Lastspitzen. Eine bewährte Architektur: Das CDN cacht Produktbilder und Kategorieseiten, Frontend und API laufen als zustandslose Pods mit HPA, Warenkörbe liegen in Redis. Bestellungen landen in einer Queue, Worker übernehmen Zahlung und ERP-Anbindung, eine Read Replica bedient den Katalog. Weil Autoscaling einige Minuten braucht, sollten Sie die Mindestanzahl an Pods und Nodes vor dem Aktionsstart vorsorglich erhöhen.
SaaS-Anwendungen
Software-as-a-Service-Anbieter müssen mit wachsenden Nutzerzahlen skalieren können, ohne Performance-Einbußen. Hier wächst die Last eher stetig. Wichtig sind Rate Limits pro Mandant, damit ein einzelner Kunde nicht alle anderen ausbremst, Hintergrundjobs über Queues und Terraform-Module, mit denen sich neue Regionen oder dedizierte Kundenumgebungen reproduzierbar aufbauen lassen.
Medien-Streaming
Video-Plattformen benötigen dynamische Bandbreite basierend auf der Zuschauerzahl. Die Auslieferung erfolgt per adaptivem Streaming (HLS oder DASH) über ein CDN, das die Videosegmente cacht. Die Konvertierung läuft als queuegesteuerter Batch-Job, gern auf Spot-Instanzen. Für Live-Events sollten Sie Kapazitäten vorab mit dem CDN-Anbieter abstimmen.
Typische Fehler
- Sessions im lokalen Speicher: Beim Skalieren verlieren Nutzer ihren Warenkorb.
- Fehlende Resource Requests, sodass Autoscaler falsch entscheiden.
- Die Anwendung skaliert, die Datenbank nicht.
- Autoscaling ohne vorherigen Lasttest.
- Keine Obergrenzen, sodass Fehler oder Bots hohe Kosten verursachen.
- Manuelle Konfiguration statt Infrastructure as Code.
- Zu viel Komplexität zu früh: Nicht jede Anwendung braucht Microservices.
Fahrplan für mittelständische Unternehmen
- Ist-Analyse: Lastprofil, Engpässe und aktuelle Kosten erfassen.
- Ziele festlegen: Antwortzeiten, Verfügbarkeit und Budget definieren.
- Anwendung vorbereiten: Zustand aus den Instanzen auslagern.
- Infrastruktur als Code abbilden: bestehende Ressourcen in Terraform überführen.
- Observability aufbauen: Metriken, Logs und Alarme einrichten.
- Autoscaling einführen: mit konservativen Grenzen starten und per Lasttest prüfen.
- Kosten optimieren: Auslastung regelmäßig auswerten und nachsteuern.
Welche Schritte wir dabei übernehmen können, sehen Sie unter Leistungen.
Fazit
Skalierbarkeit ist kein Produkt, das man einkauft, sondern das Ergebnis vieler Entscheidungen: zustandslose Anwendungen, automatisierte Infrastruktur, durchdachte Datenhaltung und gute Messwerte. Wer schrittweise vorgeht, gewinnt Stabilität bei Lastspitzen und zahlt in ruhigen Zeiten weniger. Wenn Sie Ihre Infrastruktur auf den Prüfstand stellen möchten, sprechen Sie uns gern an.
