Datenaufbewahrung (Retention) bezeichnet in der Observability den Zeitraum, in dem Telemetrie wie Logs, Traces, Metriken und RUM-Events gespeichert und abfragbar bleibt, bevor sie gelöscht, verdichtet oder archiviert wird. Retention-Richtlinien wägen Fehlersuche, Trendanalyse, Compliance, Datenschutz und Speicherkosten ab und unterscheiden sich meist je Signaltyp.
Was ist Datenaufbewahrung (Retention)?
Die Datenaufbewahrung, kurz Retention, beschreibt, wie lange Telemetrie nach dem Ingest verfügbar bleibt. Für eine Observability-Plattform ist das eine zentrale Designentscheidung: Die Retention bestimmt, ob Sie die Logs des Incidents vom letzten Monat noch einsehen, die Latenz dieses Quartals mit dem Vorjahr vergleichen oder die Frage einer Prüferin beantworten können, wer auf ein System zugegriffen hat. Gleichzeitig kostet jedes gespeicherte Byte Geld, und personenbezogene Daten dürfen nicht länger als nötig aufbewahrt werden.
Retention ist selten eine einzelne Zahl. Signale verlieren unterschiedlich schnell an Wert, deshalb legen die meisten Organisationen Richtlinien pro Signaltyp, pro Umgebung und teilweise pro Datenklasse fest.
Typische Aufbewahrung nach Signaltyp
| Signal | Hauptnutzen über die Zeit | Übliches Muster |
|---|---|---|
| Traces und Spans | Analyse einzelner Requests, aktuelle Performance-Analysen | Tage bis Wochen, oft gesampelt |
| Logs | Incident-Analyse, Audits, Sicherheitsforensik | Wochen für Betriebslogs; länger und archiviert für Audit- und Security-Logs |
| Metriken | Trends, Kapazitätsplanung, SLO-Reporting, Saisonalität | Monate bis Jahre, häufig verdichtet |
| RUM- und Session-Daten | Analyse der Nutzererfahrung, Release-Vergleiche | Wochen, mit strengen Datenschutzkontrollen |
Das Muster folgt dem Datenvolumen: Traces und Logs sind groß und vor allem frisch wertvoll; Metriken sind kompakt und gewinnen an Wert, wenn sich lange Zeiträume vergleichen lassen. Ein selbst betriebener Prometheus-Server behält lokale Daten zum Beispiel standardmäßig 15 Tage, sofern Sie --storage.tsdb.retention.time nicht ändern. Deshalb ergänzen viele Teams einen Langzeitspeicher für Metriken.
Warum Retention wichtig ist
- Fehlersuche: Schleichende Probleme wie ein Memory Leak oder eine allmähliche Latenzverschlechterung erkennen Sie nur, wenn die Daten vor der Änderung noch existieren.
- Saisonalität: Vorjahresvergleiche für Black Friday, Quartalsabschluss oder jährliche Batch-Läufe brauchen mindestens 13 Monate Metriken, damit derselbe Zeitraum des Vorjahres vollständig vorliegt.
- Compliance: Sicherheits-, Finanz- und Branchenvorgaben können verlangen, dass bestimmte Logs für eine definierte Mindestdauer aufbewahrt werden.
- Datenschutz: Der DSGVO-Grundsatz der Speicherbegrenzung (Art. 5 Abs. 1 lit. e) verlangt, dass personenbezogene Daten nicht länger gespeichert werden, als es für ihren Zweck erforderlich ist. Lange aufbewahrte Logs mit Nutzerkennungen sind ein Risiko.
- Kosten: Der Speicherbedarf wächst linear mit der Retention. Doppelte Aufbewahrungsdauer bedeutet ungefähr doppeltes gespeichertes Volumen.
Länger aufbewahren, weniger bezahlen
Downsampling und Rollups
Metriken lassen sich mit zunehmendem Alter gröber auflösen, etwa von 10-Sekunden-Punkten auf 5-Minuten- und später 1-Stunden-Aggregate. Trends bleiben sichtbar, der Speicherbedarf sinkt deutlich. Speichern Sie beim Verdichten Minimum, Maximum, Summe und Anzahl, damit Spitzen nicht verloren gehen.
Filtern und reduzieren beim Ingest
Die günstigsten Daten sind die, die Sie gar nicht speichern. Verwerfen Sie Debug-Logs in Produktion, entfernen Sie Rauschen durch Health Checks und nutzen Sie Sampling für Traces mit hohem Volumen, wobei Fehler und langsame Requests vollständig erhalten bleiben. Wer sich wiederholende Logs in Metriken umwandelt, bewahrt das Signal bei einem Bruchteil des Volumens.
Speicherstufen und Archivierung
Hot Storage bedient schnelle interaktive Abfragen; ältere Daten können in günstigeren Objektspeicher wandern, der langsamer abfragbar, für Audits aber weiterhin verfügbar ist. Achten Sie darauf, dass archivierte Daten in einem offenen Format vorliegen, damit Sie sie auch ohne das ursprüngliche Werkzeug lesen können.
Langlebige Signale aus kurzlebigen Daten ableiten
Ein bewährtes Muster: Extrahieren Sie, was Sie langfristig brauchen, bevor die Rohdaten ablaufen. Span-Metriken, also Anzahl der Requests, Fehler und Dauer-Histogramme pro Service und Route, lassen sich beim Ingest aus Traces erzeugen und als Metriken über Monate halten, während die einzelnen Spans nach wenigen Wochen verfallen. Bei Logs funktioniert das genauso: Zählen Sie Fehlerereignisse pro Service als Metrik, dann bleibt der Trend erhalten, auch wenn die Rohzeilen längst gelöscht sind.
Best Practices
- Retention pro Signal und Datenklasse festlegen, dokumentiert und abgestimmt mit Engineering, Security und Datenschutzbeauftragten.
- Personenbezogene Daten vor dem Speichern maskieren oder entfernen, damit lange Aufbewahrung kein Datenschutzproblem wird.
- Retention am Incident-Prozess ausrichten. Entstehen Postmortems zwei Wochen nach einem Vorfall, müssen die Logs mindestens so lange vorhanden sein.
- Kosten und Nutzung regelmäßig prüfen. Ermitteln Sie, welche Daten tatsächlich abgefragt werden, und kürzen Sie Aufbewahrung oder Volumen dort, wo niemand hinschaut.
- Löschung testen. Eine Retention-Richtlinie gilt nur dann, wenn Daten tatsächlich termingerecht gelöscht werden.
Typische Fehler
- Alles „für alle Fälle“ unbegrenzt aufbewahren und dann feststellen, dass der Speicher die Observability-Rechnung dominiert.
- Metriken nur 12 Monate halten, wodurch exakte Vorjahresvergleiche am Ende des Fensters unmöglich werden.
- Für ausführliche Debug-Logs dieselbe lange Aufbewahrung wählen wie für kompakte Metriken.
Wie Obseria hilft
Obseria bewahrt Logs, Spans und RUM-Events 30 Tage auf, Metriken und Ergebnisse synthetischer Checks 13 Monate, genug für Vorjahresvergleiche. Speicherung wird getrennt vom Ingest abgerechnet, und Daten, die Sie in Obseria Pipeline herausfiltern, kosten nur den Ingest. So steuern Sie das gespeicherte Volumen direkt an der Quelle. Pipeline maskiert zudem personenbezogene Daten beim Ingest, und die Datenresidenz in der EU oder im Vereinigten Königreich unterstützt DSGVO-Anforderungen. Details finden Sie auf der Preisseite und unter Log Analytics; Kostentipps liefert der Beitrag Observability-Kosten senken mit Pipeline-first.
