Incident Management umfasst alle Prozesse, mit denen ein IT-Team Störungen (Incidents) erkennt, priorisiert, eindämmt und behebt. Ziel ist, die Ausfallzeit zu minimieren und nach jedem Vorfall zu lernen, damit er sich nicht wiederholt.
Der Lebenszyklus eines Incidents
- Erkennung: Ein Alarm aus dem Monitoring, eine Nutzerbeschwerde oder ein automatischer Health-Check meldet eine Abweichung.
- Klassifizierung: Der Vorfall erhält eine Schwere (Severity): z. B. Sev 1 = Dienst komplett ausgefallen, Sev 4 = kosmetischer Fehler. Davon hängen Eskalation und Reaktionszeit ab.
- Eskalation: Der zuständige On-Call-Mitarbeiter oder das Incident-Team wird alarmiert.
- Eindämmung: Sofortmaßnahmen, um den Schaden zu begrenzen — z. B. Dienst auf die letzte bekannte gute Version zurückrollen (Rollback).
- Behebung: Die eigentliche Ursache wird repariert; bei Bedarf greifen Failover-Mechanismen.
- Wiederherstellung: Der Regelbetrieb läuft wieder; Daten und Funktionen werden verifiziert.
- Post-Mortem: Eine schuldfreie („blameless") Nachbesprechung dokumentiert Ursache, Verlauf und Maßnahmen gegen Wiederholung.
Wichtige Kennzahlen
- MTTR (Mean Time To Repair): mittlere Zeit bis zur Behebung — je niedriger, desto besser.
- MTBF (Mean Time Between Failures): mittlere Zeit zwischen zwei Ausfällen — ein Maß für Zuverlässigkeit.
- SLA / SLO: vertraglich oder intern zugesagte Verfügbarkeit, z. B. 99,9 % im Jahr.
Rollen und Werkzeuge
Klassische Rollen sind der Incident Commander (koordiniert, entscheidet), der Kommunikationsverantwortliche (informiert Nutzer und Stakeholder) und die Fachteams. Typische Werkzeuge: Alarmierungs- und Bereitschaftsplattformen wie PagerDuty oder Opsgenie, Status-Pages für Nutzer sowie CI/CD-Pipelines für schnelle Fixes.
Gutes Incident Management ist vor allem Übung: Teams, die regelmäßig Störfälle proben und Post-Mortems ernst nehmen, senken ihre Ausfallzeiten deutlich und erreichen Hochverfügbarkeit zuverlässiger.
Verwandte Grundlagen: Monitoring, Failover, Hochverfügbarkeit, Rollback, Logs.