GitHub-CTO verspricht nach Ausfällen Umbau: „Wir haben euch enttäuscht“

Nach zwei schweren Ausfällen gelobt GitHub Besserung. CTO Fedorov kündigt wegen massiver Überlastung einen Umbau der Architektur an.

GitHub-CTO Vladimir Fedorov hat sich in einem Statement zu dem schwerwiegenden Systemausfall vom 17. August geäußert. Der fast achtstündige Ausfall legte Kerndienste wie GitHub Actions, Pull Requests, Copilot und APIs weltweit lahm. Es war bereits die zweite große Störung innerhalb weniger Wochen (nach einem Vorfall am 6. August). Grund dafür war ein unzureichendes Skalierungsverhalten bei sprunghaft ansteigender Last.

„Wenn Sie an diesem Tag Software ausliefern wollten, haben wir Sie enttäuscht.“

Vladimir Fedorov, GitHub-CTO

Explosives Traffic-Wachstum überrollt Plattform

Die Ursache liegt im enormen Wachstum der Entwicklerplattform, mit dem die bisherige Infrastruktur nicht Schritt halten konnte:

• Verdopplung der Last: Im April verarbeitete GitHub rund 1,4 Milliarden Commits pro Monat – inzwischen sind es 2,9 Milliarden, begleitet von 24 Millionen neuen Repositories und 130 Millionen Merges monatlich.
• Azure-Migration: Derzeit laufen rund 58 Prozent der Plattformlast und die Hälfte aller Git-Operationen auf Microsoft Azure. Die Migration weiterer Workloads in die Cloud des Mutterkonzerns wird nun beschleunigt.
• Kein Release-Fehler: Laut Fedorov wurden die Ausfälle nicht durch fehlerhafte Code- oder Konfigurationsänderungen ausgelöst. Stattdessen brachten Lastspitzen und sogenannte „Retry Storms“ (automatische Wiederholungsanfragen) bereits bestehende Architekturmängel zum Vorschein.

Architektur-Umbau und Begrenzung des Schadensradius

Um die Zuverlässigkeit wiederherzustellen, kündigte GitHub eine schrittweise Überarbeitung der Plattformarchitektur an. Das primäre Ziel ist eine lineare Skalierung der Lesekapazitäten für nahezu unbegrenzte Leseoperationen, startend bei den größten Monorepositories.

Zusätzlich sollen kritische Systeme stärker voneinander isoliert werden, um den Schadensradius („Blast Radius“) künftiger Störungen zu minimieren. Engen Fristen für automatische Wiederholungsanfragen und eine frühzeitige Warnlogik bei Traffic-Sprüngen sollen künftige Überlastungsspiralen verhindern.

(red)