Deployment-Patterns

Deployment Patterns

Produktionsbereitstellungs-Workflows und CI/CD-Best Practices.

Wann aktivieren

• Einrichten von CI/CD-Pipelines
• Dockerisieren einer Anwendung
• Planen der Deployment-Strategie (Blue-Green, Canary, Rolling)
• Implementieren von Health Checks und Readiness Probes
• Vorbereiten einer Produktionsfreigabe
• Konfigurieren umgebungsspezifischer Einstellungen

Deployment-Strategien

Rolling Deployment (Standard)

Ersetzen Sie Instanzen schrittweise – alte und neue Versionen laufen während des Rollouts parallel.

Instanz 1: v1 → v2  (zuerst aktualisieren)
Instanz 2: v1        (läuft noch v1)
Instanz 3: v1        (läuft noch v1)

Instanz 1: v2
Instanz 2: v1 → v2  (zweites Update)
Instanz 3: v1

Instanz 1: v2
Instanz 2: v2
Instanz 3: v1 → v2  (letztes Update)

Vorteile: Null Ausfallzeit, schrittweiser Rollout Nachteile: Zwei Versionen laufen parallel – rückwärtskompatible Änderungen erforderlich Anwenden bei: Standard-Deployments, rückwärtskompatiblen Änderungen

Blue-Green Deployment

Betreiben Sie zwei identische Umgebungen. Schalten Sie den Datenverkehr atomar um.

Blue  (v1) ← Datenverkehr
Green (v2)   im Leerlauf, führt neue Version aus

# Nach Verifikation:
Blue  (v1)   im Leerlauf (wird Standby)
Green (v2) ← Datenverkehr

Vorteile: Sofortiger Rollback (Zurückschalten zu Blue), saubere Umschaltung Nachteile: Erfordert 2x Infrastruktur während des Deployments Anwenden bei: Kritischen Diensten, Null-Toleranz für Probleme

Canary Deployment

Leiten Sie zunächst einen kleinen Prozentsatz des Datenverkehrs auf die neue Version.

v1: 95 % des Datenverkehrs
v2:  5 % des Datenverkehrs (Canary)

# Wenn die Metriken gut aussehen:
v1: 50 % des Datenverkehrs
v2: 50 % des Datenverkehrs

# Abschluss:
v2: 100 % des Datenverkehrs

Vorteile: Erkennt Probleme mit echtem Traffic vor dem vollständigen Rollout Nachteile: Erfordert Infrastruktur zur Traffic-Aufteilung und Monitoring Anwenden bei: Diensten mit hohem Traffic, riskanten Änderungen, Feature Flags

Docker

Multi-Stage Dockerfile (Node.js)

# Stage 1: Abhängigkeiten installieren
FROM node:22-alpine AS deps
WORKDIR /app
COPY package.json package-lock.json ./
RUN npm ci --production=false

# Stage 2: Build
FROM node:22-alpine AS builder
WORKDIR /app
COPY --from=deps /app/node_modules ./node_modules
COPY . .
RUN npm run build
RUN npm prune --production

# Stage 3: Produktions-Image
FROM node:22-alpine AS runner
WORKDIR /app

RUN addgroup -g 1001 -S appgroup && adduser -S appuser -u 1001
USER appuser

COPY --from=builder --chown=appuser:appgroup /app/node_modules ./node_modules
COPY --from=builder --chown=appuser:appgroup /app/dist ./dist
COPY --from=builder --chown=appuser:appgroup /app/package.json ./

ENV NODE_ENV=production
EXPOSE 3000

HEALTHCHECK --interval=30s --timeout=3s --start-period=5s --retries=3 \
  CMD wget --no-verbose --tries=1 --spider http://localhost:3000/health || exit 1

CMD ["node", "dist/server.js"]

Multi-Stage Dockerfile (Go)

FROM golang:1.22-alpine AS builder
WORKDIR /app
COPY go.mod go.sum ./
RUN go mod download
COPY . .
RUN CGO_ENABLED=0 GOOS=linux go build -ldflags="-s -w" -o /server ./cmd/server

FROM alpine:3.19 AS runner
RUN apk --no-cache add ca-certificates
RUN adduser -D -u 1001 appuser
USER appuser

COPY --from=builder /server /server

EXPOSE 8080
HEALTHCHECK --interval=30s --timeout=3s CMD wget -qO- http://localhost:8080/health || exit 1
CMD ["/server"]

Multi-Stage Dockerfile (Python/Django)

FROM python:3.12-slim AS builder
WORKDIR /app
RUN pip install --no-cache-dir uv
COPY requirements.txt .
RUN uv pip install --system --no-cache -r requirements.txt

FROM python:3.12-slim AS runner
WORKDIR /app

RUN useradd -r -u 1001 appuser
USER appuser

COPY --from=builder /usr/local/lib/python3.12/site-packages /usr/local/lib/python3.12/site-packages
COPY --from=builder /usr/local/bin /usr/local/bin
COPY . .

ENV PYTHONUNBUFFERED=1
EXPOSE 8000

HEALTHCHECK --interval=30s --timeout=3s CMD python -c "import urllib.request; urllib.request.urlopen('http://localhost:8000/health/')" || exit 1
CMD ["gunicorn", "config.wsgi:application", "--bind", "0.0.0.0:8000", "--workers", "4"]

Docker Best Practices

# GUTE Praktiken
- Spezifische Versions-Tags verwenden (node:22-alpine, nicht node:latest)
- Multi-Stage-Builds zur Minimierung der Image-Größe
- Als Nicht-Root-Benutzer ausführen
- Abhängigkeitsdateien zuerst kopieren (Layer-Caching)
- .dockerignore verwenden, um node_modules, .git, Tests auszuschließen
- HEALTHCHECK-Anweisung hinzufügen
- Ressourcenlimits in docker-compose oder k8s setzen

# SCHLECHTE Praktiken
- Als Root ausführen
- :latest-Tags verwenden
- Das gesamte Repository in einer COPY-Schicht kopieren
- Dev-Abhängigkeiten im Produktions-Image installieren
- Secrets im Image speichern (Umgebungsvariablen oder Secrets Manager verwenden)

CI/CD-Pipeline

GitHub Actions (Standard-Pipeline)

name: CI/CD

on:
  push:
    branches: [main]
  pull_request:
    branches: [main]

jobs:
  test:
    runs-on: ubuntu-latest
    steps:
      - uses: actions/checkout@v4
      - uses: actions/setup-node@v4
        with:
          node-version: 22
          cache: npm
      - run: npm ci
      - run: npm run lint
      - run: npm run typecheck
      - run: npm test -- --coverage
      - uses: actions/upload-artifact@v4
        if: always()
        with:
          name: coverage
          path: coverage/

  build:
    needs: test
    runs-on: ubuntu-latest
    if: github.ref == 'refs/heads/main'
    steps:
      - uses: actions/checkout@v4
      - uses: docker/setup-buildx-action@v3
      - uses: docker/login-action@v3
        with:
          registry: ghcr.io
          username: ${{ github.actor }}
          password: ${{ secrets.GITHUB_TOKEN }}
      - uses: docker/build-push-action@v5
        with:
          push: true
          tags: ghcr.io/${{ github.repository }}:${{ github.sha }}
          cache-from: type=gha
          cache-to: type=gha,mode=max

  deploy:
    needs: build
    runs-on: ubuntu-latest
    if: github.ref == 'refs/heads/main'
    environment: production
    steps:
      - name: Nach Produktion bereitstellen
        run: |
          # Plattformspezifischer Deployment-Befehl
          # Railway: railway up
          # Vercel: vercel --prod
          # K8s: kubectl set image deployment/app app=ghcr.io/${{ github.repository }}:${{ github.sha }}
          echo "Bereitstellung von ${{ github.sha }}"

Pipeline-Stufen

PR geöffnet:
  lint → typecheck → Unit-Tests → Integrationstests → Preview-Deploy

Nach Merge in main:
  lint → typecheck → Unit-Tests → Integrationstests → Image bauen → im Staging bereitstellen → Smoke-Tests → Produktions-Deploy

Health Checks

Health Check-Endpunkt

// Einfacher Health Check
app.get("/health", (req, res) => {
  res.status(200).json({ status: "ok" });
});

// Detaillierter Health Check (für internes Monitoring)
app.get("/health/detailed", async (req, res) => {
  const checks = {
    database: await checkDatabase(),
    redis: await checkRedis(),
    externalApi: await checkExternalApi(),
  };

  const allHealthy = Object.values(checks).every(c => c.status === "ok");

  res.status(allHealthy ? 200 : 503).json({
    status: allHealthy ? "ok" : "degraded",
    timestamp: new Date().toISOString(),
    version: process.env.APP_VERSION || "unknown",
    uptime: process.uptime(),
    checks,
  });
});

async function checkDatabase(): Promise<HealthCheck> {
  try {
    await db.query("SELECT 1");
    return { status: "ok", latency_ms: 2 };
  } catch (err) {
    return { status: "error", message: "Datenbank nicht erreichbar" };
  }
}

Kubernetes Probes

livenessProbe:
  httpGet:
    path: /health
    port: 3000
  initialDelaySeconds: 10
  periodSeconds: 30
  failureThreshold: 3

readinessProbe:
  httpGet:
    path: /health
    port: 3000
  initialDelaySeconds: 5
  periodSeconds: 10
  failureThreshold: 2

startupProbe:
  httpGet:
    path: /health
    port: 3000
  initialDelaySeconds: 0
  periodSeconds: 5
  failureThreshold: 30    # 30 * 5s = 150s maximale Startzeit

Umgebungskonfiguration

Twelve-Factor App Pattern

# Alle Konfiguration über Umgebungsvariablen – niemals im Code
DATABASE_URL=postgres://user:pass@host:5432/db
REDIS_URL=redis://host:6379/0
API_KEY=${API_KEY}           # vom Secrets Manager injiziert
LOG_LEVEL=info
PORT=3000

# Umgebungsspezifisches Verhalten
NODE_ENV=production          # oder staging, development
APP_ENV=production           # explizite App-Umgebung

Konfigurationsvalidierung

import { z } from "zod";

const envSchema = z.object({
  NODE_ENV: z.enum(["development", "staging", "production"]),
  PORT: z.coerce.number().default(3000),
  DATABASE_URL: z.string().url(),
  REDIS_URL: z.string().url(),
  JWT_SECRET: z.string().min(32),
  LOG_LEVEL: z.enum(["debug", "info", "warn", "error"]).default("info"),
});

// Beim Start validieren – schnell fehlschlagen, wenn Konfiguration falsch ist
export const env = envSchema.parse(process.env);

Rollback-Strategie

Sofortiger Rollback

# Docker/Kubernetes: auf vorheriges Image verweisen
kubectl rollout undo deployment/app

# Vercel: vorheriges Deployment fördern
vercel rollback

# Railway: vorherigen Commit erneut bereitstellen
railway up --commit <previous-sha>

# Datenbank: Migration zurückrollen (wenn umkehrbar)
npx prisma migrate resolve --rolled-back <migrationsname>

Rollback-Checkliste

• Vorheriges Image/Artefakt ist verfügbar und getaggt
• Datenbankmigrationen sind rückwärtskompatibel (keine destruktiven Änderungen)
• Feature Flags können neue Funktionen ohne Deployment deaktivieren
• Monitoring-Warnungen für Fehlerratenspitzen konfiguriert
• Rollback vor dem Produktionsrelease im Staging getestet

Produktionsbereitschafts-Checkliste

Vor jedem Produktions-Deployment:

Anwendung

• Alle Tests bestanden (Unit-, Integrations-, E2E-Tests)
• Keine hartcodierten Secrets im Code oder in Konfigurationsdateien
• Fehlerbehandlung deckt alle Randfälle ab
• Logging ist strukturiert (JSON) und enthält keine personenbezogenen Daten
• Health Check-Endpunkt gibt aussagekräftigen Status zurück

Infrastruktur

• Docker-Image baut reproduzierbar (festgepinnte Versionen)
• Umgebungsvariablen dokumentiert und beim Start validiert
• Ressourcenlimits gesetzt (CPU, Arbeitsspeicher)
• Horizontale Skalierung konfiguriert (min./max. Instanzen)
• SSL/TLS auf allen Endpunkten aktiviert

Monitoring

• Anwendungsmetriken exportiert (Request-Rate, Latenz, Fehler)
• Warnungen für Fehlerrate > Schwellwert konfiguriert
• Log-Aggregation eingerichtet (strukturierte Logs, durchsuchbar)
• Uptime-Monitoring auf dem Health-Endpunkt

Sicherheit

• Abhängigkeiten auf CVEs geprüft
• CORS nur für erlaubte Ursprünge konfiguriert
• Rate Limiting auf öffentlichen Endpunkten aktiviert
• Authentifizierung und Autorisierung verifiziert
• Sicherheitsheader gesetzt (CSP, HSTS, X-Frame-Options)

Betrieb

• Rollback-Plan dokumentiert und getestet
• Datenbankmigration gegen produktionsgroße Daten getestet
• Runbook für häufige Fehlerszenarien
• Bereitschaftsrotation und Eskalationspfad definiert