Fehlertoleranz bedeutet, dass ein bestimmtes technisches System auch dann noch funktionsfähig bleibt, wenn ein Fehler auftritt. In vielen Bereichen ist eine hohe Fehlertoleranz sehr wichtig. Beispielsweise in der Raumfahrt kommt es häufig zu kleineren Problemen, die ein System beeinträchtigen können. Wenn die verwendete Technik nur eine geringe Fehlertoleranz aufweist, kann ein kleiner Fehler das ganze System funktionsuntüchtig machen. Da dies schwere Folgen für die Besatzung und den Erfolg der Mission haben könnte, ist hier eine hohe Fehlertoleranz sehr wichtig.

Im Bereich der Medizin ist eine hohe Fehlertoleranz ebenfalls erforderlich, da beispielsweise der Ausfall eines wichtigen Geräts während einer Operation Menschenleben gefährden kann. Obwohl im Bereich der Computer die Folgen nicht ganz so schwerwiegend sind, ist es auch hier wichtig, diese Grundprinzipien zu beachten. Denn auch hier kann ein kleiner Fehler bei einer geringen Fehlertoleranz den Verlust wichtiger Daten verursachen.

Im Kontext moderner IT-Infrastrukturen umfasst Fehlertoleranz die Fähigkeit von Systemen, trotz Hardwaredefekten, Softwarebugs oder Bedienfehlern verfügbar, konsistent und verlässlich zu bleiben. Zielgrößen sind unter anderem hohe Verfügbarkeit, Datenintegrität, stabile Latenzen und eine schnelle Wiederherstellung im Störfall.

• Verfügbarkeit: Dienste bleiben erreichbar, selbst wenn Komponenten ausfallen.
• Datenintegrität: Informationen bleiben unverändert und korrekt, trotz Störungen.
• Resilienz: Systeme absorbieren Störungen und kehren in einen stabilen Zustand zurück.
• Wiederanlauf: Kurze Wiederanlaufzeiten und geringe Datenverluste (RTO/RPO) bei Störungen.

Vermeidung von Fehlern aus Hardwareschäden

Sehr häufig sorgen Hardwareschäden für Probleme. Häufig erleidet ein Speicher einen Defekt, in vielen Fällen können jedoch auch andere Hardwareelemente beschädigt werden. Um die Fehlertoleranz in diesem Bereich zu erhöhen, wird die Methode der Redundanz angewandt. Dies bedeutet, dass verschiedene Geräte mehrfach verwendet werden. Um beim Beispiel des Datenspeichers zu bleiben, so wird hier eine zweite Festplatte eingefügt, die die gleichen Daten abspeichert. Wenn nun eine Festplatte einen Defekt erleidet, ist die andere nach wie vor einsatzbereit und der Betrieb kann ohne Unterbrechung weitergeführt werden.

Wenn die Funktion einer Schaltung überprüft werden soll kann bei einer doppelten Ausführung lediglich ein Fehler erkannt, jedoch nicht behoben werden. Dabei werden die zwei Ausgänge der Schaltungen miteinander verglichen. Sollten die Ergebnisse voneinander abweichen, liegt ein Fehler vor. Erst mit einer dritten Schaltung kann dieser dann auch korrigiert werden. Wenn ein Ergebnis von den anderen beiden Resultaten abweicht, wird in diesem Fall ein Fehler ersichtlich. Da ebenfalls ersichtlich ist, welches Ergebnis richtig ist, kann mit diesem problemlos weitergearbeitet werden. Die Schaltung, die das falsche Ergebnis lieferte, wird als defekt markiert und fortan nicht mehr verwendet.

Aktuelle Praxisbeispiele für Hardware-Fehlertoleranz umfassen mehr als nur Spiegelungen einzelner Laufwerke. Moderne Umgebungen kombinieren verschiedene Schutzmechanismen, um Ausfälle proaktiv zu vermeiden und bei Defekten schnell zu reagieren.

• RAID-Strategien (z. B. 1, 5, 6, 10) für unterschiedliche Anforderungen an Redundanz und Leistung. Wichtig: RAID erhöht Verfügbarkeit, ersetzt aber keine Backups.
• Hot-Spare-Laufwerke, die automatisch einspringen, wenn ein Datenträger ausfällt.
• ECC-RAM zur Korrektur von Speicherfehlern und zur Sicherung von Datenintegrität im Arbeitsspeicher.
• Doppelte Netzteile (redundante PSUs) und USV, um Stromausfälle und Spannungsschwankungen abzufedern.
• Redundante Netzwerkanbindungen (Link Aggregation, Dual-Homing) und redundante Switches zur Aufrechterhaltung der Konnektivität.
• SMART-Überwachung von Laufwerken, proaktiver Austausch auffälliger Datenträger und regelmäßige Burn-in-/Scrubbing-Tasks.
• Firmware-/Treiberpflege und validierte Updates, um Stabilität und Kompatibilität sicherzustellen.
• Erasure Coding in verteilten Speichersystemen als moderne Alternative/Ergänzung zu klassischem RAID für hohe Ausfallsicherheit bei großen Datenmengen.

Historisch etablierte Verfahren wie Paritätsprüfungen und Hamming-Codes werden weiterhin eingesetzt. Aktuelle Verfahren wie LDPC- oder Reed-Solomon-Codes verbessern Fehlererkennung und -korrektur bei modernen Speichermedien und Schnittstellen. In Steuerungen kommt Triple Modular Redundancy (TMR) zum Einsatz: Drei identische Einheiten arbeiten parallel, ein Mehrheitsentscheid (Majority Voting) filtert fehlerhafte Ergebnisse heraus. Dieses Prinzip wird heute nicht nur in der Raumfahrt, sondern auch in sicherheitskritischen Systemen (z. B. Automotive-SoCs) genutzt.

Fehlertoleranz einer Software erhöhen

Auch wenn die Hardware selbst nicht beschädigt ist, kann eine fehlerhafte Software ebenfalls Probleme verursachen. Auch hier gibt es Methoden, um Fehler zu erkennen und zu umgehen, sodass die Fehlertoleranz steigt. Auch hier wird häufig mit Redundanzen gearbeitet. So kann beispielsweise ein Algorithmus, der für das Programm notwendig ist, auf verschiedene Arten implementiert werden. Sollten die Ergebnisse bei den verschiedenen Berechnungen voneinander abweichen, liegt ein Fehler vor.

Robuste Softwarearchitekturen setzen zusätzlich auf defensives Programmieren und Betriebsmechanismen, die den kontinuierlichen Betrieb fördern:

• Retries mit Exponential Backoff, Timeouts und Circuit Breaker, um kurzzeitige Störungen abzufangen und Kaskadeneffekte zu verhindern.
• Idempotente Operationen, damit Wiederholungen von Aufrufen keine Nebeneffekte erzeugen.
• Transaktionen (ACID) oder Saga-Muster in verteilten Systemen zur Wahrung logischer Konsistenz.
• Health Checks, Watchdogs und Heartbeats für automatisiertes Erkennen und Neustarten fehlerhafter Dienste.
• N-Versionen-Programmierung oder Differential Testing, um Implementierungsfehler durch Vergleich mehrerer Varianten zu identifizieren.
• Checkpoints/Snapshots und State-Recovery, um bei Fehlern auf definierte, konsistente Zustände zurückzukehren.
• Beobachtbarkeit durch aussagekräftige Logs, Metriken und Traces, damit Fehler schnell eingegrenzt werden können.

In manchen Fällen kann auch ein nicht vorhergesehenes Datenmaterial zu Fehlern in der Berechnung führen. Solche Probleme können beispielsweise bei der Rundung von Daten entstehen. Wenn Daten beispielsweise mehrfach gerundet werden und die Abweichung zufällig stets in die gleiche Richtung erfolgt, können sich diese Fehler addieren und falsche Ergebnisse hervorrufen. Um solche Probleme zu vermeiden, können die ursprünglichen Daten leicht von den ursprünglichen Werten abgeändert werden. Aufgrund der leichten Veränderung sind auch ähnliche Ergebnisse zu erwarten. Wenn das jedoch nicht der Fall ist, deutet auch dies auf einen Fehler hin.

Weitere Praxisaspekte: Floating-Point-Berechnungen können je nach Prozessor und Compiler differieren. Einheitliche Datums-/Zeitformate (z. B. ISO-8601), definierte Locale-Einstellungen sowie Unicode-Normalisierung verhindern unerwartete Unterschiede. Deterministische Algorithmen und reproduzierbare Builds erleichtern die Fehlersuche.

Ein weiteres Mittel, um Fehler zu erkennen und beheben zu können, ist die mehrfache Ausführung der gleichen Berechnung. Wenn eine Rechnung zu unterschiedlichen Zeitpunkten verschiedene Ergebnisse hervorruft, ist dies ein eindeutiges Zeichen für einen Fehler, der von der Software verarbeitet werden muss.

Toleranz bei Eingabefehlern

Viele Programme dienen dazu, verschiedene Datensätze zu verarbeiten. Diese Datensätze werden in der Regel von menschlichen Benutzern über ein Interface eingegeben. Dabei kann es oftmals zu Fehlern kommen. Häufig beruhen diese Fehler auf einem Versehen, in manchen Fällen versucht jedoch auch ein Anwender die Software bewusst zu manipulieren. Um Fehler bei der Eingabe über ein Interface zu vermeiden, muss die Software alle Daten zunächst prüfen, bevor sie diese verwendet. Dabei muss beispielsweise überprüft werden, ob der Datentyp den Vorgaben entspricht. Wenn anstelle eines Zahlenwertes ein Wort eingegeben wird, muss die Software diesen Fehler melden. Auch wenn nur ein bestimmter Wertebereich zugelassen ist, muss dies überprüft werden. Wenn es sich beispielsweise um eine Postleitzahl handelt, darf keine sechsstellige und auch keine vierstellige Zahl angenommen werden, sondern nur eine Zahl mit fünf Ziffern.

Um Eingabefehler zu vermeiden, gibt es verschiedene Methoden. In manchen Fällen kann beispielsweise der Nutzer durch ein Dialogfenster zur erneuten Eingabe aufgefordert werden. Dabei ist es sehr wichtig, dass die Art des Fehlers angegeben wird, damit der Nutzer weiß, was er ändern muss. In anderen Fällen kann die Software den Fehler selbstständig beheben. Wenn beispielsweise das Programm eine vierstellige Jahreszahl erwartet, der Benutzer jedoch nur eine zweistellige Zahl eingibt, ist eine automatische Fehlerkorrektur leicht durchführbar.

• Validierung auf Serverseite und Clientseite: Datentypen, Pflichtfelder, Wertebereiche, zulässige Muster (Whitelist-Prinzip).
• Normalisierung und Sanitization: Trimmen, Vereinheitlichen von Schreibweisen, Entfernen nicht erlaubter Zeichen.
• Nutzerführung: Plausible Default-Werte, Auswahllisten, Masken und kontextbezogene Hilfetexte reduzieren Fehler.
• Fehlermeldungen klar und konkret: Was war falsch, was wird erwartet, wie ist der richtige Bereich?
• Internationalisierung: Einheitliche Datumsformate, Dezimaltrennzeichen, Zeitzonenhandling, Zeichensatz- und Encoding-Strategien.
• Schutz vor Missbrauch: Rate Limits, Längenbeschränkungen und robuste Parser zur Abwehr manipulativer Eingaben.

Vorwärts- und Rückwärtsfehlerkorrektur

Bei der Behebung von Fehlern gibt es zwei unterschiedliche Methoden. Bei der Vorwärtsfehlerkorrektur läuft das Programm weiter und verwendet anstelle der fehlerhaften Daten andere Werte, die wahrscheinlich richtig sind. Der Nutzer bemerkt diesen Vorgang in der Regel nicht. Bei der Rückwärtsfehlerkorrektur hingegen wird das Programm unterbrochen und in einen vorherigen Zustand zurückversetzt, in dem der Fehler noch nicht aufgetreten ist. Das Programm versucht, die fehlerhafte Berechnung erneut durchzuführen. Sollte beim zweiten Versuch kein Fehler auftreten, kann das Programm normal beendet werden.

Vorwärtsfehlerkorrektur (FEC) ist insbesondere bei Übertragungen und Speichern relevant. Ältere Verfahren wie Paritätsbits und Hamming-Codes sind leichtgewichtig und schnell. Bewährte Codes wie Reed-Solomon schützen zuverlässig vor Burst-Fehlern (z. B. auf optischen Medien). Moderne Verfahren wie LDPC oder erasure coding erhöhen die Korrekturfähigkeit bei hohen Datenraten und großen Datenmengen.

Rückwärtsfehlerkorrektur setzt auf Rollback in einen konsistenten Zustand: Datenbank-Transaktionen (mit Write-Ahead-Logging), Snapshots, Prüfpunkte sowie kontinuierliche Protokollierung ermöglichen das Wiederholen fehlgeschlagener Schritte. In der Praxis werden beide Ansätze kombiniert, um kurze Wiederanlaufzeiten und minimale Datenverluste zu erreichen.

• Checkpoints/Snapshots: Regelmäßige Sicherung definierter Zustände erleichtert die Rückkehr in einen fehlerfreien Zustand.
• Roll-Forward: Nach dem Rollback werden fehlende Änderungen anhand von Logs kontrolliert nachgezogen.
• Zielvorgaben: RPO (Recovery Point Objective) und RTO (Recovery Time Objective) steuern Tiefe und Frequenz der Sicherungsstrategie.

Praxisempfehlung: Fehlertoleranz entsteht im Zusammenspiel aus Architektur, Implementierung, Tests und Betrieb. Regelmäßige Übungen (z. B. kontrollierte Störungsszenarien), Monitoring und klare Prozesse zur Wiederherstellung erhöhen Verlässlichkeit und reduzieren Ausfallzeiten.

Häufige Fragen und Antworten