Fehlerbudgetierung

Fehlerbudgetierung ist ein Konzept aus der Site Reliability Engineering (SRE), das darauf abzielt, Zuverlässigkeit und Entwicklungsgeschwindigkeit auszubalancieren, indem eine quantitative Grenze für die zulässige Fehleranzahl bzw. Ausfallzeit festgelegt wird. Grundlage sind Service-Level-Objektive (SLOs) und Service-Level-Indikatoren (SLIs). Ein SLO definiert das gewünschte Maß an Zuverlässigkeit (z. B. Verfügbarkeit, Latenz), während das SLI das tatsächliche Maß misst. Das Fehlerbudget gibt an, wie viel Unzuverlässigkeit im definierten Zeitraum akzeptiert wird, bevor das SLO verletzt gilt.

Die Berechnung erfolgt typischerweise als Verhältnis der nicht erfüllten Zuverlässigkeitsziele: Fehlerbudget = (1 - SLO) × Zeitraum. Beispiel: Ein SLO von 99,9 % Verfügbarkeit pro Monat ergibt eine zulässige Ausfallzeit von 0,1 % des Monats, ca. 43 Minuten. Tatsächliche Ausfallzeit oder Phasen schlechter Leistung verbraucht dieses Budget. Überschreitet die gemessene Unzuverlässigkeit das Budget, gilt das SLO im Zeitraum als verletzt. Der Budgetverbrauch wird oft als Burn Rate gemessen.

Anwendung: Teams überwachen das Fehlerbudget, um Release-Entscheidungen zu lenken. Bei hohem Budgetverbrauch können zusätzliche Sicherheitsmechanismen greifen, wie eingeschränkte Freigaben, Canary-Deployments oder gezielte Reliability-Investitionen. Ein noch ungenutztes Budget kann zu aggressiveren Release-Strategien führen. Die Fehlerbudgetierung fördert eine klare Kommunikation über Risikotoleranz und erleichtert Investitionsentscheidungen in Zuverlässigkeit.

Vorteile und Einschränkungen: Zu den Vorteilen gehören eine transparente Balance zwischen Zuverlässigkeit und Geschwindigkeit, bessere Priorisierung von Verbesserungen und eine gemeinsame Risikovorstellung zwischen Produkt- und Betriebsteams. Herausforderungen sind Messgenauigkeit der SLIs, potenzielles Gaming des Systems, sowie Komplexität in verteilten Systemen und bei wechselnden Belastungen.