Eine Anwendung wartet auf eine Antwort. Der angesprochene Dienst reagiert nicht rechtzeitig. Also versucht sie es erneut.
Das klingt vernünftig. Bei einer kurzen Netzwerkstörung kann der zweite Versuch erfolgreich sein. Problematisch wird es, wenn Tausende Clients gleichzeitig dieselbe Entscheidung treffen – während der angesprochene Dienst bereits überlastet ist.
Dann entsteht zusätzliche Arbeit genau dort, wo gerade Kapazität fehlt.
Aus einer Anfrage werden viele
Ein vereinfachtes Beispiel: Ein Webshop ruft einen Bestellservice auf, der wiederum einen Lagerdienst anspricht. Beide Ebenen führen bei Fehlern bis zu drei Versuche aus.
Damit kann eine einzelne Anfrage am Lagerdienst bis zu neun Aufrufe verursachen. Kommt eine weitere Ebene mit derselben Strategie hinzu, sind es bis zu 27.
Jede Komponente versucht für sich genommen, zuverlässig zu arbeiten. Zusammengenommen verschärfen sie die Störung.
Besonders ungünstig sind identische Wartezeiten. Wenn alle Clients nach einer Sekunde erneut anfragen, kommt die nächste Lastwelle fast geschlossen an. Der Dienst bekommt kaum Gelegenheit, seine Warteschlange abzuarbeiten.
Ein Timeout ist keine Bestätigung, dass nichts passiert ist
Bei schreibenden Operationen gibt es ein weiteres Problem: Eine ausgebliebene Antwort sagt nicht, ob die Aktion bereits ausgeführt wurde.
Der Bestellservice könnte die Bestellung gespeichert haben, bevor die Verbindung abbrach. Ein unkontrollierter Wiederholungsversuch legt dann möglicherweise eine zweite Bestellung an.
Deshalb brauchen solche Schnittstellen ein bewusstes Idempotenzkonzept. Eine eindeutige Kennung erlaubt dem Server, wiederholte Übermittlungen derselben Operation zu erkennen. Das muss auch bei parallel eintreffenden Anfragen funktionieren.
Für den Wiederholungsmechanismus selbst gehören begrenzte Versuche, zunehmende Wartezeiten und zufällige zeitliche Streuung zusammen. Backoff reduziert die Frequenz; Jitter verhindert, dass sich die Clients erneut synchronisieren. Diese Zusammenhänge beschreibt auch die Amazon Builders’ Library.
Retries brauchen ein Budget
Die entscheidende Betriebsfrage lautet: Wie viel zusätzliche Last darf die Fehlerbehandlung erzeugen?
Ein sinnvolles Konzept beantwortet mindestens:
- Welche Fehler rechtfertigen einen erneuten Versuch?
- Welche Schicht übernimmt die Wiederholung?
- Wie viele Versuche und welche Gesamtdauer sind erlaubt?
- Wie wird verhindert, dass bereits erledigte Arbeit erneut ausgeführt wird?
- Wann bricht die Anwendung kontrolliert ab?
Ein Validierungsfehler wird durch Wiederholung nicht besser. Auch bei Überlastung ist ein sofortiger neuer Versuch selten hilfreich. Die Fehlerklasse muss deshalb Teil der Entscheidung sein.
Nicht nur Fehler zählen, sondern zusätzliche Arbeit
Für das Monitoring lohnt sich die Trennung zwischen ursprünglichen Anfragen und Wiederholungen. Sonst sieht das Team zwar steigenden Traffic, erkennt aber nicht, dass ein Teil davon selbst erzeugt ist.
Ein aussagekräftiger Lasttest sollte außerdem eine langsame Abhängigkeit simulieren. Nicht nur einen vollständig abgeschalteten Dienst. Gerade verzögerte Antworten können dazu führen, dass neue Versuche starten, während die ursprünglichen Aufrufe noch verarbeitet werden.
Für den Plattformbetrieb bedeutet das: Retry-Verhalten gehört in die Architekturprüfung. Ein zusätzlicher Versuch ist eine zusätzliche Belastung – und sollte entsprechend begründet sein.