Seminar StackHPC Private Cloud – Administration und SRE Intensivseminar

Das fünftägige Intensivformat bündelt den produktiven Betrieb einer StackHPC-basierten Private Cloud von der Servicekontrolle bis zur Störungsbehebung.

Ziel ist ein belastbares Betriebsmodell mit reproduzierbaren Kontrollen, aussagekräftiger Telemetrie, abgestimmten Sicherheitsmaßnahmen und eingeübten Wiederanlaufverfahren.

Inhaltsübersicht

1. Betriebsmodell und Verantwortungsgrenzen
2. Kontrolle der OpenStack-Control-Plane
3. Monitoring und Alerting
4. Logging und Ereigniskorrelation
5. Identität, Secrets und Sicherheitsbetrieb
6. Lifecycle und kontrollierte Änderungen
7. Kapazität, Performance und Kosten
8. Störungsanalyse und Disaster Recovery
9. Betriebsübergabe und kontinuierliche Verbesserung
10. Praxislabor und betriebliche Einordnung

Zielsetzung

Ziel ist ein belastbares Betriebsmodell mit reproduzierbaren Kontrollen, aussagekräftiger Telemetrie, abgestimmten Sicherheitsmaßnahmen und eingeübten Wiederanlaufverfahren. Die Arbeitsweise verbindet fachliche Einordnung, Demonstrationen und unmittelbar nachvollziehbare Übungen an einer praxisnahen Umgebung.

Zielgruppe

Cloud-Administratoren, Plattformteams, Site-Reliability-Engineers, Betriebsverantwortliche und technische Teamleitungen.

Voraussetzungen

Fundierte Linux- und Netzwerkkenntnisse sowie praktische OpenStack-Grundlagen.

Seminarinhalte

Modul 1: Betriebsmodell und Verantwortungsgrenzen

1. Schritt 1: Dienste, Abhängigkeiten und Betriebsrollen erfassen.
2. Schritt 2: Serviceziele, Eskalationswege und Wartungsfenster festlegen.
3. Schritt 3: Kontrollpunkte und Nachweispflichten in ein Betriebshandbuch überführen.

Modul 2: Kontrolle der OpenStack-Control-Plane

1. Schritt 1: API-Endpunkte, Scheduler und Datenbanken systematisch prüfen.
2. Schritt 2: Container, Nachrichtenwarteschlangen und interne Erreichbarkeit bewerten.
3. Schritt 3: Abweichungen anhand definierter Sollzustände eingrenzen.

Modul 3: Monitoring und Alerting

1. Schritt 1: Metriken für Infrastruktur, OpenStack-Dienste und Mandantenpfade auswählen.
2. Schritt 2: Schwellwerte, SLOs und Alarmketten aufbauen.
3. Schritt 3: Alarmqualität durch Testereignisse und Runbooks überprüfen.

Modul 4: Logging und Ereigniskorrelation

1. Schritt 1: Logquellen vereinheitlichen und Zeitbezug sicherstellen.
2. Schritt 2: Anfragen über Request-IDs und Dienstgrenzen verfolgen.
3. Schritt 3: Fehlermuster aus mehreren Quellen zu einer Ursache verdichten.

Modul 5: Identität, Secrets und Sicherheitsbetrieb

1. Schritt 1: Rollen, Projekte und Servicekonten kontrollieren.
2. Schritt 2: Secrets, Zertifikate und Schlüsselwechsel planen.
3. Schritt 3: Sicherheitsereignisse dokumentiert bearbeiten.

Modul 6: Lifecycle und kontrollierte Änderungen

1. Schritt 1: Release-Stände und Abhängigkeiten inventarisieren.
2. Schritt 2: Updates mit Vorprüfungen, Sicherungen und Rückfallpunkten vorbereiten.
3. Schritt 3: Änderungen stufenweise ausrollen und nachweisen.

Modul 7: Kapazität, Performance und Kosten

1. Schritt 1: Kapazitätsgrenzen für Compute, Storage und Netzwerk bestimmen.
2. Schritt 2: Engpässe mit Messwerten statt Vermutungen verifizieren.
3. Schritt 3: Nutzung und Kosten verursachungsgerecht auswerten.

Modul 8: Störungsanalyse und Disaster Recovery

1. Schritt 1: Fehlerdomänen und kritische Wiederherstellungsreihenfolgen festlegen.
2. Schritt 2: Ausfälle von Control Plane, Storage und Netzwerk simulieren.
3. Schritt 3: Wiederanlauf, Datenkonsistenz und Nachbearbeitung prüfen.

Modul 9: Betriebsübergabe und kontinuierliche Verbesserung

1. Schritt 1: Runbooks und Bereitschaftsunterlagen konsolidieren.
2. Schritt 2: Wiederkehrende Störungen in technische Verbesserungen übersetzen.
3. Schritt 3: Betriebskennzahlen regelmäßig bewerten und Maßnahmen priorisieren.

Praxislabor

1. Aufgabe 1: Aufbau eines vollständigen Health-Checks für eine Beispielumgebung.
2. Aufgabe 2: Analyse eines mehrstufigen API- und Messaging-Fehlers.
3. Aufgabe 3: Durchführung eines kontrollierten Wiederanlaufs mit dokumentierter Nachprüfung.

Praxisnutzen

Nach Abschluss können die behandelten Verfahren für Betriebsmodell und Verantwortungsgrenzen, Kontrolle der OpenStack-Control-Plane, Monitoring und Alerting, Logging und Ereigniskorrelation strukturiert geplant, ausgeführt, geprüft und dokumentiert werden. Technische Entscheidungen lassen sich anhand definierter Anforderungen, Messwerte und kontrollierter Arbeitsschritte begründen.