Das Problem mit manuellem Capacity Planning
Ressourcenplanung in IT-Infrastrukturen war lange eine Kombination aus Erfahrungswerten, Sicherheitspuffer und Bauchgefühl. Ein SRE schaut auf Auslastungsdiagramme der letzten Wochen, schätzt das Wachstum für das nächste Quartal und bestellt entsprechend mehr Kapazität – plus einem großzügigen Puffer, damit im schlimmsten Fall keine Performance-Probleme entstehen.
Das Ergebnis ist in vielen Organisationen dasselbe: chronisches Überprovisioning. Studien schätzen, dass 30 bis 40 Prozent der bereitgestellten Cloud-Ressourcen dauerhaft untergenutzt sind. Das kostet nicht nur Geld, sondern erzeugt auch unnötige Komplexität und erschwert die Einsicht in echte Kapazitätstrends.
2026 gibt es einen besseren Weg. KI-gestütztes Capacity Planning ersetzt Schätzungen durch datengetriebene Prognosen und erlaubt SRE-Teams, Ressourcen präziser zu planen – ohne dabei Verfügbarkeits-Risiken einzugehen.
Wie Prognosemodelle in der SRE-Praxis funktionieren
Modernes Capacity Planning nutzt Zeitreihenanalyse und Machine-Learning-Verfahren, um aus historischen Auslastungsdaten verlässliche Vorhersagen zu generieren. Die wichtigsten Ansätze:
Klassische Zeitreihenmodelle
Meta Prophet ist ein weit verbreitetes Open-Source-Modell, das saisonale Muster, Wochendynamiken und Trend-Komponenten automatisch erkennt. Es eignet sich besonders für Auslastungsdaten mit klaren Mustern – etwa CPU-Last, die wochentags höher ist und am Wochenende sinkt.
SARIMA und ARIMA (Autoregressive Integrated Moving Average) sind statistisch robuste Verfahren für stationäre Zeitreihen. Sie sind rechentechnisch günstig und gut erklärbar, stoßen aber bei stark nicht-linearen Mustern an ihre Grenzen.
Deep-Learning-Verfahren
LSTM-Netzwerke (Long Short-Term Memory) können komplexe Langzeitabhängigkeiten in Zeitreihen modellieren, die klassischen Verfahren verborgen bleiben. Sie erfordern mehr Trainingsdaten und Rechenleistung, liefern aber in heterogenen Infrastrukturen oft präzisere Ergebnisse.
Transformer-basierte Modelle – anfangs für NLP entwickelt – werden inzwischen auch für Zeitreihenprognosen eingesetzt. Modelle wie Temporal Fusion Transformer oder PatchTST zeigen in Benchmarks starke Ergebnisse für Multi-Variate-Prognosen, bei denen mehrere Metriken gemeinsam betrachtet werden.
KI-gestützte Anomalie- und Trendanalyse
Über reine Vorhersage hinaus erkennen KI-Systeme Kapazitätstrends früh: steigende Basislast durch neue Nutzergruppen, schleichende Speicherleaks, die über Wochen akkumulieren, oder saisonale Spitzenlasten, die in diesem Jahr früher einsetzen als geplant. Diese Signale wären in manuell erstellten Berichten meist unsichtbar.
Integration in Kubernetes: HPA und VPA
In Container-Umgebungen lässt sich KI-gestütztes Capacity Planning direkt mit Kubernetes-Skalierungsmechanismen kombinieren:
- Horizontal Pod Autoscaler (HPA): Skaliert die Anzahl laufender Pods basierend auf Metriken. Erweiterte HPA-Konfigurationen können externe Metriken – etwa aus Prometheus oder OpenTelemetry – einbeziehen, die von KI-Systemen angereichert wurden.
- Vertical Pod Autoscaler (VPA): Passt CPU- und Memory-Requests von Pods automatisch an tatsächliche Auslastungsmuster an. KI-Systeme können VPA-Empfehlungen vorab simulieren, bevor sie in Produktion wirken.
- KEDA (Kubernetes Event-Driven Autoscaling): Erlaubt Skalierung auf Basis beliebiger externer Events und Metriken – ein natürlicher Ankerpunkt für KI-Prognosen.
Predictive Autoscaling geht noch einen Schritt weiter: Statt auf aktuelle Last zu reagieren, skaliert das System bereits vor erwarteten Spitzen. Ein ML-Modell, das weiß, dass die Last jeden Montag um 09:00 Uhr ansteigt, kann bereits um 08:45 Uhr skalieren – und vermeidet so die Latenz, die reaktives Scaling immer mit sich bringt.
Kostenoptimierung durch präzisere Ressourcenplanung
Überprovisioning ist teuer. In Cloud-Umgebungen entstehen Kosten proportional zur bereitgestellten – nicht zur genutzten – Kapazität. KI-gestütztes Capacity Planning adressiert dieses Problem aus zwei Richtungen:
Rechtzeitiges Skalieren: Wenn das System weiß, wann es Kapazität braucht, kann es genau dann skalieren – und außerhalb der Spitzenzeiten wieder herunterskalieren. Das eliminiert dauerhaft bereitgehaltene Reserve-Kapazität.
Rightsizing: Prognosemodelle zeigen, welche Komponenten dauerhaft überdimensioniert sind. Ein Service, der selten mehr als 20 Prozent der konfigurierten CPU-Requests nutzt, ist ein Kandidat für Rightsizing – ohne Performanceverlust.
Teams, die systematisches Capacity Planning einführen, berichten typischerweise von Cloud-Kosteneinsparungen zwischen 20 und 35 Prozent, ohne dabei SLO-Verletzungen zu riskieren.
Praktische Implementierung: Schritt für Schritt
Wer KI-gestütztes Capacity Planning einführen möchte, braucht keine perfekte Datenlage von Tag eins. Ein pragmatischer Einstieg:
- Datenqualität prüfen: Welche Metriken sind historisch verfügbar? CPU, Memory und Request-Rate sind ein guter Start. Je länger die History, desto bessere Prognosen.
- Mit einfachen Modellen beginnen: Prophet oder SARIMA liefern bereits in vielen Szenarien gute Ergebnisse. Komplexere Modelle kommen erst dann, wenn einfache Verfahren nicht ausreichen.
- Prognosen gegen echte Last validieren: Laufen Prognosen parallel zum produktiven Betrieb, bevor Skalierungsentscheidungen darauf basieren.
- Automatisierung schrittweise aktivieren: Erst manuelle Review der Prognosen, dann automatisierte Empfehlungen, dann vollautomatische Skalierung mit menschlicher Aufsicht auf Anomalien.
Monitoring als Datenbasis für Capacity Planning
Gutes Capacity Planning steht und fällt mit der Qualität der zugrundeliegenden Monitoring-Daten. Uptime-Events, Response-Zeiten, Heartbeat-Muster und Server-Metriken – all das fließt in Prognosemodelle ein und bestimmt deren Güte.
Monitoring-Plattformen, die strukturierte Daten über Systemverhalten über Zeit erfassen und exportieren, sind deshalb ein natürlicher Partner für KI-gestütztes Capacity Planning. FreshCore erfasst kontinuierlich Uptime, Performance und Server-Gesundheitsdaten – genau die Signale, aus denen Prognosemodelle verlässliche Kapazitätsprognosen ableiten können.
Fazit: Präzision schlägt Puffer
Capacity Planning mit KI ist kein Luxusprojekt für große Teams mit dedizierten ML-Engineers. Moderne Open-Source-Bibliotheken, CloudProvider-native Prognose-Tools und bestehende Kubernetes-Autoscaling-Mechanismen machen den Einstieg zugänglich.
SRE-Teams, die systematisch auf datengetriebene Ressourcenplanung umsteigen, profitieren von niedrigeren Cloud-Kosten, weniger manueller Planungsarbeit und einer Infrastruktur, die auf Lastspitzen vorbereitet ist – statt überrascht zu werden.
Titelbild: Pexels.com – Server-Infrastruktur und Kapazitätsplanung (Bild: Pexels)
Quellen: Meta Prophet-Dokumentation, Kubernetes HPA- und VPA-Dokumentation, KEDA-Projekt, Google SRE Book (Site Reliability Engineering), Temporal Fusion Transformer Paper (2021, Stand: August 2026)
