Ein Überwachungswerkzeug ist an einem Nachmittag installiert. Schwierig ist ein Alarmkonzept, das warnt, bevor ein Problem wächst, aber niemanden um drei Uhr nachts grundlos weckt. In den meisten Umgebungen läuft das Werkzeug, das Postfach füllt sich mit Alarmen, und die echte Störung geht im Rauschen unter. Unten steht, welche Metrik auf Windows- und Linux-Servern wirklich etwas aussagt, welche Indikatoren sich auf beiden Plattformen entsprechen und wie Schwellenwerte statt als feste Zahl aus dem eigenen Verhalten des Servers abgeleitet werden.
Zweck der Überwachung: Störung, Leistung, Kapazität
Jede Metrik beantwortet eine von drei Fragen. Welche sie beantwortet, bestimmt die Dringlichkeit des Alarms und wer sich darum kümmert:
- Störung: Läuft der Dienst gerade? (Dienststatus, Portantwort, Festplatte voll, RAID degradiert.) Erfordert sofortiges Eingreifen.
- Leistung: Läuft der Dienst, aber der Anwender erlebt Langsamkeit? (Festplattenlatenz, CPU-Warteschlange, Speicherdruck.) Wird innerhalb von Stunden untersucht.
- Kapazität: Wann ist die Ressource bei diesem Trend erschöpft? (Wachstumsrate der Festplatte, Anstieg der durchschnittlichen CPU-Last.) Wird mit einem wöchentlichen oder monatlichen Bericht gesteuert; das ist ein Thema für die Planung, nicht für Alarme.
Ein häufiger Fehler ist, eine Kapazitätsmetrik wie einen Störungsalarm zu konzipieren. Die E-Mail „Festplatte zu 80 % voll“ kommt jeden Morgen, nach einer Woche öffnet sie niemand mehr, und wenn die Festplatte wirklich vollläuft, fällt es nicht auf. Ein Alarm, den niemand liest, ist kein Alarm.
Grundlegende Metriken und ihre Bedeutung
CPU
Hohe CPU-Auslastung allein ist keine Störung; dass beim Kompilieren oder Komprimieren einer Sicherung alle Kerne ausgelastet sind, ist erwartetes Verhalten. Das eigentliche Signal ist die Prozessorwarteschlange: Threads, die laufbereit sind, aber auf die CPU warten. Übersteigt unter Windows \System\Processor Queue Length dauerhaft etwa das Doppelte der Kernzahl oder liegt unter Linux die Spalte r in der Ausgabe von vmstat dauerhaft über der Kernzahl, besteht ein CPU-Engpass. Prüfen Sie bei virtuellen Maschinen zusätzlich die Hypervisor-Wartezeit: unter Linux %steal, unter VMware CPU Ready. Sind diese Werte hoch, liegt das Problem nicht im Gastbetriebssystem, sondern in der Enge auf dem Host. Der VM dann vCPUs hinzuzufügen, kann die Lage verschlimmern. Die Dimensionierungsseite steht im Beitrag Dimensionierung von vCPU, Arbeitsspeicher und NUMA.
Arbeitsspeicher
Die Zahl „belegter Arbeitsspeicher“ führt in die Irre; sowohl Windows als auch Linux-Server nutzen freien Speicher als Dateicache. Zu überwachen ist der Speicher, der einer Anwendung sofort zur Verfügung gestellt werden kann (unter Windows Available MBytes, unter Linux available in der Ausgabe von free), und ob Paging tatsächlich auf die Festplatte geht. Nähert sich unter Windows % Committed Bytes In Use dem Commit-Limit, zeigt das, dass man auf den Punkt zusteuert, an dem Anwendungen keinen Speicher mehr reservieren können, selbst wenn die Auslagerungsdatei wächst. Sind unter Linux die Spalten si/so (Swap in/out) in vmstat dauerhaft ungleich null, ist das echter Speicherdruck. Ein teilweise belegter Swap-Bereich ist es nicht.
Festplatte
Die aussagekräftigste Metrik auf der Festplattenseite ist die Latenz, also die durchschnittliche Dauer jeder E/A-Operation. Der Füllgrad ist eine Störungs- und Kapazitätsmetrik, die Latenz eine Leistungsmetrik. Verbreitete Ausgangsdeutung: Lese-/Schreiblatenz unter 10 ms gut, zwischen 10 und 20 ms beobachten, dauerhaft über 20 ms für Anwender spürbar. Bei SSD/NVMe-basiertem Speicher liegt der erwartete Wert unter einer Millisekunde; dort ist schon eine dauerhafte Latenz von wenigen Millisekunden ungewöhnlich. Deuten Sie die Warteschlangenlänge nicht für sich allein. Moderne Speicherarrays arbeiten mit tiefen Warteschlangen effizient; aussagekräftig ist die Warteschlange erst, wenn sie zusammen mit der Latenz steigt.
Netz
Auf Serverseite werden Schnittstellenauslastung, fehlerhafte und verworfene Pakete sowie die Ausgangswarteschlange überwacht. Steigt der Zähler verworfener Pakete, liegt der Grund meist nicht an der Bandbreite, sondern an Treiber, Offload-Einstellung oder einer Geschwindigkeits-/Duplex-Fehlanpassung am Switchport. Prüfen Sie zuerst Treiberversion und Porteinstellung. Die Überwachung der Netzwerkgeräte selbst ist ein eigenes Thema; bei der Werkzeugwahl hilft der Vergleich von Zabbix, LibreNMS und PRTG.
Tabelle der entsprechenden Indikatoren unter Windows und Linux
| Was gemessen wird | Windows (Perfmon) | Linux |
|---|---|---|
| CPU-Auslastung | \Processor(_Total)\% Processor Time |
mpstat %usr, %sys |
| CPU-Warteschlange | \System\Processor Queue Length |
vmstat r |
| E/A-Wartezeit | Indikatoren der Festplattenlatenz | vmstat wa, iostat %iowait |
| Verfügbarer Arbeitsspeicher | \Memory\Available MBytes |
free -m available |
| Speicherdruck | \Memory\Pages/sec, % Committed Bytes In Use |
vmstat si/so |
| Festplattenlatenz | \LogicalDisk(*)\Avg. Disk sec/Read und /Write |
iostat -x r_await, w_await |
| Festplattenwarteschlange | \LogicalDisk(*)\Current Disk Queue Length |
iostat -x aqu-sz |
| Freier Speicherplatz | \LogicalDisk(*)\% Free Space |
df -h, für Inodes df -i |
| Netzwerkverkehr | \Network Interface(*)\Bytes Total/sec |
sar -n DEV rxkB/s, txkB/s |
Unter Windows wird Avg. Disk sec/Read in Sekunden angegeben; der Wert 0,015 bedeutet 15 ms. Ein Dashboard, das die Einheit für Millisekunden hält, zeigt die Latenz als „null“ an. Unter Linux ändern sich die Spaltennamen von iostat je nach sysstat-Version (in älteren Versionen await und avgqu-sz). Auch erschöpfte Inodes lassen eine Festplatte „voll“ erscheinen; zeigt df -h freien Speicher, erhalten Sie aber Schreibfehler, ist df -i die erste Stelle zum Nachsehen. Überwachen Sie das auf Servern, die sehr viele kleine Dateien erzeugen, gesondert.
Schwellenwerte festlegen und Baseline
Ein statischer Schwellenwert („Alarm ab 90 % CPU“) bedeutet nicht auf jedem Server dasselbe. Auf einem Anwendungsserver mit nächtlichen Batchjobs ist dieser Wert normal; auf einem Domänencontroller ist er ungewöhnlich. Der Baseline-Ansatz misst zuerst das Normalverhalten des Servers und macht dann die Abweichung zum Alarmthema.
Vorgehen:
- Erfassen Sie mindestens zwei bis vier Wochen lang Daten in Minutenauflösung; halten Sie den Zeitraum lang genug, um periodische Lasten wie Monatsende oder Gehaltsabrechnung abzudecken.
- Berechnen Sie für jede Metrik das 95. Perzentil nach Stunde und Wochentag. Montag 09:00 Uhr und Sonntag 03:00 Uhr haben nicht dasselbe Normal.
- Legen Sie die Warnschwelle über die Baseline und die kritische Schwelle nahe an die physische Grenze der Hardware oder des Dienstes.
- Fügen Sie eine Zeitbedingung hinzu: nicht eine einzelne Messung, sondern z. B. Schwellenüberschreitung „in 4 der letzten 5 Messungen“.
Unter Windows können Sie eine vom Überwachungswerkzeug unabhängige Baseline-Aufzeichnung mit logman starten und die Momentprüfung mit Get-Counter durchführen:
# PowerShell: Indikatorsatz, der im 60-Sekunden-Takt in eine CSV schreibt
logman create counter Baseline -si 00:01:00 -f csv -o "C:\PerfLogs\Baseline" -c `
"\Processor(_Total)\% Processor Time" "\System\Processor Queue Length" `
"\Memory\Available MBytes" "\LogicalDisk(*)\Avg. Disk sec/Read" `
"\LogicalDisk(*)\Avg. Disk sec/Write"
logman start Baseline
# Momentprüfung: 12 Messwerte im 5-Sekunden-Takt
Get-Counter -Counter "\LogicalDisk(*)\Avg. Disk sec/Write" -SampleInterval 5 -MaxSamples 12
Unter Linux schreibt sar nach Installation und Aktivierung des Pakets sysstat die Verlaufsdaten in tägliche Dateien. Für die Momentuntersuchung:
vmstat 5 6 # 6 Messwerte im 5-Sekunden-Takt; die erste Zeile ist der Durchschnitt seit dem Start
iostat -x 5 3 # Latenz und Warteschlange je Gerät
sar -n DEV 5 3 # Verkehr je Schnittstelle
Der erste Bericht in der Ausgabe von vmstat und iostat ist der Durchschnitt seit dem Start. Für den aktuellen Zustand betrachten Sie die zweite und die folgenden Zeilen. Das ist der häufigste Lesefehler im Störungsfall.
Alarmmüdigkeit vermeiden
Alarmmüdigkeit endet damit, dass das Team aufhört, Alarme zu lesen; das Überwachungssystem läuft, ist aber faktisch außer Betrieb. Diese Regeln verhindern das:
- Jeder Alarm muss eine Aktion erfordern: Weiß die Person, die den Alarm erhält, nicht, was zu tun ist, ist der Alarm entweder überflüssig, oder es fehlt eine kurze Eingriffsnotiz (Runbook) dazu.
- Abhängigkeitsdefinition: Fällt der Switch einer Niederlassung aus, dürfen für die zehn Server dahinter keine zehn separaten Alarme entstehen; der Alarm der übergeordneten Abhängigkeit muss die untergeordneten unterdrücken.
- Hysterese: Die Schließschwelle muss niedriger sein als die Auslöseschwelle; sonst erzeugt eine Metrik, die um die Schwelle schwankt, ständiges Ein- und Ausschalten.
- Schweregrad und Weiterleitung: Kritischer Alarm als Sofortbenachrichtigung an die Bereitschaft, Warnstufe in eine Warteschlange während der Arbeitszeit, Informationsstufe nur in den Bericht.
- Wartungsfenster: Bei geplantem Patchen und Neustarts müssen Alarme stummgeschaltet werden; dazu muss der Patchkalender ins Überwachungssystem eingetragen werden. Zum Prozessentwurf siehe den Beitrag Patchmanagement für Server.
- Regelmäßiges Aussortieren: Öffnen Sie einmal im Monat die am häufigsten ausgelösten Alarme; hinterfragen Sie Schwelle, Zeitbedingung oder die Existenz des Alarms.
Prüfungen auf Anwendungs- und Dienstebene
Während die Ressourcenmetriken grün sind, kann ein Dienst trotzdem nicht laufen. CPU, Arbeitsspeicher und Festplatte sind normal; aber der IIS-Anwendungspool ist gestoppt, und der Anwender sieht eine Fehlerseite. Deshalb braucht es über der Ressourcenüberwachung eine Dienstschicht:
- Windows-Dienste, die auf automatischen Start eingestellt sind, aber nicht laufen; unter Linux die Ausgabe von
systemctl --failed. - Port- und Protokollprüfung: nicht nur eine TCP-Verbindung, sondern ein echter Vorgang wie HTTP-Antwortcode, LDAP-Abfrage oder SQL-Sitzung.
- Ablaufdaten von TLS-Zertifikaten; Warnung Wochen vor dem Ablauf.
- Muster im Ereignisprotokoll: unter Windows unerwartetes Herunterfahren (6008 im Systemprotokoll und Kernel-Power 41), Wiederholungen von Festplatten-E/A (153); unter Linux E/A-Fehler in
journalctl -p errunddmesg. - Hardware: RAID-Status, Warnungen zu Netzteil und Lüftern über die Verwaltungskarte des Herstellers (etwa iDRAC, iLO, XClarity) per SNMP oder Redfish.
- Ergebnis der Sicherungsjobs und Alter der letzten erfolgreichen Sicherung.
Bericht zum Kapazitätstrend
Der Kapazitätsbericht ist ein von den Alarmen getrenntes, monatlich erstelltes Dokument, das Entscheidungen für die Server- und Systeminfrastruktur herbeiführt. Für jeden Server und jedes Volume enthält er die aktuelle Nutzung, die durchschnittliche Wachstumsrate der letzten 30 und 90 Tage und das geschätzte Datum, an dem die Ressource bei diesem Tempo erschöpft ist. Für Festplatten ist die Rechnung einfach:
Beispielrechnung: Sind auf einem 500-GB-Datenvolume 380 GB belegt und beträgt das durchschnittliche Wachstum der letzten 90 Tage 1,5 GB pro Tag, sind die verbleibenden 120 GB in etwa 80 Tagen aufgebraucht. Ist diese Zeit kürzer als Ihre Beschaffungs- und Inbetriebnahmedauer, muss die Erweiterung heute geplant werden. Die Umsetzungsschritte für Linux-Server stehen im Beitrag Festplatten mit LVM erweitern.
Betrachten Sie im Bericht drei Trends gesondert: einen über Monate steigenden 95.-Perzentil-Wert der CPU während der Geschäftszeiten, einen sinkenden Basiswert des verfügbaren Arbeitsspeichers und eine Verschlechterung der Festplattenlatenz ohne Lastanstieg. Letzteres ist meist kein Kapazitätsproblem, sondern eine Störung auf der Speicherseite: eine Festplatte, die zu versagen beginnt, ein fast voller Pool, eine falsche Cache-Einstellung. Bleibt die Last gleich und steigt die Latenz, prüfen Sie die Hardware.
Wie Überwachungsmetriken zusammen mit den regelmäßigen Wartungsaufgaben behandelt werden, steht im Beitrag Checkliste zur Serverwartung. Entwurf und laufender Betrieb des Überwachungskonzepts gehören zum Umfang des Dienstes technischer Support und regelmäßige Wartung. Grundlegende Quelle für die Syntax der Windows-Indikatoren ist das Dokument Get-Counter in Microsoft Learn.
Häufig gestellte Fragen
Welcher Schwellenwert sollte für die CPU-Auslastung gelten?
Einen universellen Wert gibt es nicht. Bewerten Sie die CPU-Auslastung zusammen mit der Prozessorwarteschlange und einer Zeitbedingung und legen Sie die Schwelle anhand der Baseline-Daten des jeweiligen Servers fest. Hohe Auslastung, die keine Warteschlange erzeugt, ist meist kein Problem.
Ab welchem Wert gilt Festplattenlatenz als Problem?
Bei Systemen mit drehenden Festplatten gelten unter 10 ms als gut; dauerhafte Latenz über 20 ms gilt als für Anwender spürbar. Bei SSD- und NVMe-Speicher liegt der erwartete Wert unter einer Millisekunde; selbst dauerhafte Latenz von wenigen Millisekunden sollte untersucht werden.
Unter Linux scheint der Arbeitsspeicher fast voll zu sein – gibt es ein Problem?
Sehr wahrscheinlich nicht. Linux nutzt freien Arbeitsspeicher als Dateicache. Ist der Wert available in der Ausgabe von free ausreichend und sind die Spalten si/so in vmstat nicht dauerhaft ungleich null, besteht kein Speicherdruck.
Wie lange sollten Daten für die Baseline erfasst werden?
Mindestens zwei bis vier Wochen. Wählen Sie einen Zeitraum, der wiederkehrende Lasten wie Monatsabschluss, Gehaltsabrechnung oder periodische Berichte abdeckt, und erneuern Sie die Baseline mindestens einmal im Jahr.