Der zentrale Server eines unserer Kunden betrieb mehrere geschäftskritische Dienste auf einem einzigen Rechner: darunter unter anderem das CRM-System und den Unternehmens-Chat. Bei dem Rechner handelte es sich um einen älteren Lenovo-Server, der in letzter Zeit mehrfach von Stromausfällen betroffen war. Obwohl täglich Backups erstellt wurden, hätte ein eventueller Hardwarefehler einen Ausfall von mehreren Tagen bis Wochen bedeutet.
Das Problem
Am Freitagnachmittag stellten die Mitarbeiter des Unternehmens Verzögerungen und eine verzögerte Nachrichtenübermittlung fest – diesbezüglich erhielten wir das Fehlerprotokoll. Nach dem Neustart ließ sich der Server nicht mehr starten: Er blieb beim Laden des Kernels (der Ausführungsumgebung, die die Grundlage des Betriebssystems bildet) hängen, und ein Fernzugriff war ebenfalls nicht möglich. Ein Mitarbeiter des Kunden vor Ort versuchte, den Betrieb anhand von telefonischen und per Video übermittelten Anweisungen wiederherzustellen – jedoch mit wenig Erfolg. Am Ende des Freitags kam somit der gesamte Betrieb des Unternehmens zum Erliegen.
Die Lösung
Am Samstag haben wir den Fehler in mehreren Schritten behoben:
- Noch vor Ort haben wir von der letzten Sicherung eine Sicherungskopie auf einer externen Festplatte erstellt.
- Anschließend haben wir den Server auf bequeme Weise zu unserem Büro transportiert.
- Nach einer eingehenderen Analyse stellte sich heraus, dass der Kernel problematisch war.
- Glücklicherweise hatten wir eine ältere Kernel-Version, auf die wir den Server zurückgesetzt haben.
- Auch nach einem späteren Neustart traten erneut Probleme auf, die durch das Zurücksetzen des BIOS verursacht wurden. (Die Batterie war leer.)
- Nach dem Batteriewechsel, einer Stromausfall-Simulation und mehreren Neustarts hat sich das System als stabil erwiesen.
Am Montag waren die Dienste wieder verfügbar, am Dienstag wurde der Server an seinen ursprünglichen Standort zurückgebracht.
Erkenntnisse und unsere nächsten Schritte
Dank der schnellen Fehlerbehebung konnte der Arbeitsbeginn des Kunden am Montag gesichert werden. Gleichzeitig hat das Problem jedoch deutlich gemacht: Es ist ein sehr großes Risiko, den Betriebsablauf des Unternehmens auf einen einzigen veralteten Server zu stützen.
Daher sind die nächsten Schritte:
- Planung und Empfehlung alternativer Infrastrukturen (Cloud, Hybrid oder neue On-Prem-Umgebung),
- Planung eines redundanten, skalierbaren und sicheren Betriebs.
- Sollte unser Kunde sich letztendlich doch für eine On-Premise-Lösung entscheiden und weder Platz für einen zweiten Server noch die Möglichkeit einer Umstellung auf die Cloud haben, ziehen wir in Betracht, den Server näher heranzubringen und Ersatzhardware vorrätig zu halten. Dadurch wird das Ausfallrisiko erheblich verringert.
Der aktuelle Vorfall hat dem Kunden zudem vor Augen geführt, dass der Zeitaufwand für die Fehlersuche an sich bereits ein erhebliches Risiko darstellen kann. Da alle Dienste auf einem einzigen physischen Server liefen, hatten wir keine Möglichkeit, den Betrieb während der Untersuchung auf einem alternativen System sicherzustellen.
In einer gut konzipierten Infrastruktur gehen Fehlerbehebung und Geschäftsbetrieb nicht zu Lasten des jeweils anderen: Die Reserveumgebung übernimmt den Betrieb, während das Technikteam in aller Ruhe den ursprünglichen Fehler beheben kann.
Wenn auch Sie das Gefühl haben, dass Ihre IT-Infrastruktur nicht auf allzu stabilen Beinen steht, wenden Sie sich an uns – wir helfen Ihnen dabei, eine kosteneffiziente Lösung zu finden.
