Software Architecture

Seit über einem Jahrzehnt gilt Spring Boot als De-facto-Standard für die Erstellung von Java-Unternehmensanwendungen. Sein reichhaltiges Ökosystem, das Konvention-über-Konfiguration-Paradigma, die robuste Dependency-Injection-Engine und die umfassende Community-Unterstützung machten Java zum Grundstein für Backend-Systeme weltweit. Der Wandel hin zu Cloud-Native-Architekturen, Kubernetes-Orchestrierung, Docker-Containerisierung und Serverloser Ausführung (AWS Lambda, Knative) brachte jedoch neue technische Herausforderungen für die Backend-Infrastruktur mit sich: Speichereffizienz, sofortige Skalierung und Kaltstartlatenz.

Seit fast drei Jahrzehnten ist Java die dominierende Kraft in der Entwicklung von Unternehmenssoftware. Sein reichhaltiges Ökosystem, die robuste objektorientierte Grundlage, die Plattformunabhängigkeit über die Java Virtual Machine (JVM) und kampferprobte Frameworks wie Spring Boot machten es zum unbestrittenen König der Backend-Infrastruktur. Allerdings hat die Umstellung auf Cloud-Native-Architekturen, Kubernetes-Orchestrierung, Containerisierung (Docker) und Serverless Computing (AWS Lambda, Knative) eine schwerwiegende Schwachstelle in traditionellen Java-Anwendungsframeworks aufgedeckt: hoher Speicheraufwand und langsame Startzeiten.

In einer Microservices-Architektur bilden Dienste ein Netz verteilter Netzwerkaufrufe. Dadurch können Teams zwar unabhängig voneinander Dienste aufbauen und skalieren, es bedeutet aber auch, dass die Gesamtzuverlässigkeit Ihres Systems nur so stark ist wie sein schwächstes Glied. Wenn ein kritischer Dienst ausfällt oder nicht mehr reagiert, kann dies einen kaskadierenden Fehler auslösen, der die gesamte Anwendung unterbricht.

In einer Microservices-Architektur kommunizieren Dienste über ein Netzwerk und nicht über In-Memory-Aufrufe. Während diese Entkopplung eine massive horizontale Skalierung und unabhängige Bereitstellungen ermöglicht, bringt sie auch eine große Schwachstelle mit sich: Das Netzwerk ist unzuverlässig. Bei einem Downstream-Dienst kann es jederzeit zu einem kurzen Netzwerkfehler, einem vorübergehenden CPU-Spitzenwert, einem schnellen Datenbanksperrenkonflikt oder einem rollierenden Update-Neustart kommen. Diese vorübergehenden Ausfälle werden als vorübergehende Fehler bezeichnet.

In einer Microservices-Architektur ist eine einzelne Anwendung in Dutzende oder Hunderte unabhängiger, zusammenarbeitender Dienste unterteilt. Während dieses Design die Modularität und Skalierbarkeit verbessert, birgt es auch ein großes Risiko: Ein Ausfall in einem Dienst kann zu einer Kaskade führen und das gesamte System zum Absturz bringen. Wenn ein Downstream-Dienst träge wird oder nicht mehr reagiert, häufen sich die eingehenden Anfragen an Ihre Upstream-Dienste. Wenn alle den gleichen Speicher, die gleiche CPU oder den gleichen Thread-Pool nutzen, kann eine langsame Abhängigkeit schnell alle verfügbaren Ressourcen erschöpfen und zum Absturz Ihrer gesamten Anwendung führen.

In modernen Cloud-nativen Systemen wird von Microservices viel mehr erwartet, als nur Geschäftslogik auszuführen. Sie müssen sich um die Protokollierung kümmern, SSL/TLS-Zertifikate verwalten, Metriken sammeln, Wiederholungsmechanismen implementieren und sichere Kommunikation mit anderen Diensten koordinieren. Wenn wir all diese übergreifenden Funktionen direkt in die Codebasis jeder Anwendung einbetten, kommt es zu Code-Aufblähung, enger Kopplung und Sprachbindung.

In der modernen Softwareentwicklung sind veraltete monolithische Anwendungen eine häufige Herausforderung. Mit der Zeit wird eine erfolgreiche Codebasis so groß und vernetzt, dass einfache Änderungen riskant werden, Bereitstellungen Stunden dauern und die Skalierung einzelner Funktionen praktisch unmöglich ist. Wenn Teams beschließen, ihre Systeme durch die Migration auf Microservices zu modernisieren, stehen sie vor einer wichtigen Frage: Wie schreiben wir das System neu, ohne unser aktuelles Geschäft zu zerstören?

In einer Microservices-Architektur sind unsere Systeme in Dutzende kleiner, fokussierter Services unterteilt – wie einen Benutzerservice, einen Bestellservice und einen Produktservice. Wenn es jedoch darum geht, Ihren Benutzern diese Informationen anzuzeigen, haben verschiedene Geräte sehr unterschiedliche Anforderungen. Ein Webbrowser auf einem Hochgeschwindigkeits-Desktop-Computer benötigt ein umfangreiches Dashboard voller Tabellen, Seitenleisten und Grafiken. Eine mobile App in einem langsamen Mobilfunknetz benötigt ein einfaches, schlankes Layout, um Bandbreite und Akku zu sparen. Eine Smartwatch-App benötigt möglicherweise nur eine einzige Textzeile.

Der Übergang von einer einzelnen, monolithischen Anwendung zu einer Microservices-Architektur löst viele Probleme. Es ermöglicht Teams, unabhängig zu arbeiten, Dienste separat bereitzustellen und Teile des Systems nach Bedarf zu skalieren. Es bringt jedoch auch eine neue Herausforderung mit sich: Wie interagieren Kunden mit all diesen unabhängigen Diensten? Wenn Sie zehn, fünfzig oder Hunderte winziger Microservices haben, sollte eine mobile App oder Webseite eine direkte Verbindung zu jedem einzelnen von ihnen herstellen?

In einer monolithischen Architektur kommunizieren Komponenten über speicherinterne Methodenaufrufe, die sofort erfolgen und äußerst zuverlässig sind. Bei der Umstellung auf eine Microservices-Architektur sind diese Komponenten jedoch durch Netzwerkgrenzen getrennt. Die Kommunikation wird zu einem Out-of-Process-Netzwerkaufruf (Inter-Process Communication oder IPC). Seit Jahren ist REST (Representational State Transfer) über HTTP/1.1 mit JSON-Nutzlasten der Standardstandard für die Erstellung von Web-APIs. Während sich REST hervorragend für öffentlich zugängliche Webdienste und Client-zu-Server-Interaktionen eignet, führt es zu erheblichen Engpässen, wenn es für hochfrequente, interne Service-zu-Service-Kommunikation mit geringer Latenz verwendet wird.

Wenn Unternehmen von einer monolithischen Architektur zu Microservices wechseln, stehen sie vor einer kritischen, hochriskanten Frage: Wie ziehen wir die Grenzen unserer Services? Theoretisch sollten Microservices lose, entkoppelte Einheiten sein, die unabhängig voneinander entwickelt, bereitgestellt und skaliert werden können. In der Praxis bauen viele Teams jedoch letztendlich einen verteilten Monolithen auf – ein System, in dem Dienste so eng miteinander verbunden sind, dass eine einzelne Geschäftsänderung die gleichzeitige Änderung und Bereitstellung mehrerer Dienste erfordert, was zu Netzwerklatenz und Bereitstellungsblockaden führt.

In den Anfängen der Webentwicklung war das Erstellen einer Softwareanwendung unkompliziert: Sie schrieben Code, packten ihn in ein einzelnes ausführbares oder bereitstellbares Archiv und führten ihn auf einem Server aus. Dieser als Monolithische Architektur bekannte Ansatz hat der Branche jahrzehntelang gute Dienste geleistet. Als sich Anwendungen jedoch zu riesigen Unternehmensplattformen mit Hunderten von Entwicklern und Millionen gleichzeitigen Benutzern entwickelten, stießen Monolithen an ihre Grenzen. Bereitstellungen wurden langsam und riskant, Datenbanken wurden zu Engpässen und Codebasen wurden zu komplex, als dass ein einzelner Entwickler sie verstehen könnte.

In der modernen Softwareentwicklung ist die Entwicklung von Anwendungen, die mehrere Aufgaben gleichzeitig ausführen können, kein Luxus mehr, sondern eine Grundvoraussetzung. Von Webservern mit hohem Durchsatz bis hin zu Echtzeit-Streaming-Diensten ist die Parallelität das Herzstück der Leistung. Traditionelle Programmiersprachen wie C++, Java und Python verließen sich jahrzehntelang auf die nativen Threading-Modelle des Betriebssystems, um gleichzeitige Aufgaben zu bewältigen. Als Google jedoch Ende der 2000er Jahre Go (Golang) entwickelte, schlugen sie einen völlig anderen Weg ein. Anstatt rohe Betriebssystem-Threads offenzulegen, führte Go Goroutinen und einen speziellen M:N-Scheduler ein.

Large Language Models (LLMs) haben die Art und Weise, wie wir mit Technologie interagieren, verändert und sich schnell von einfachen Konversations-Chatbots zu Reasoning Engines entwickelt, die komplexe, mehrstufige Aktionen steuern können. Während eine einzelne Prompt-Response-Interaktion leistungsstark sein kann, liegt der wahre Wert generativer KI in Unternehmensumgebungen in autonomen KI-Workflows. Anstatt sich auf menschliche Bediener zu verlassen, die jeden Schritt orchestrieren, nutzen autonome Arbeitsabläufe LLMs als zentrale Entscheidungsträger, die Aufgaben über lange Zeiträume planen, ausführen, bewerten und selbst korrigieren.