Umzug und Stabilisierung des Managed Hostings auf Basis von Proxmox + Ceph mit Client-Migration und begrenzter Ausfallzeit

Ausgangssituation ist ein kleines Managed Hosting auf 3 Proxmox VE 7.x Nodes (lokale ZFS-Pools), ca. 60 VMs und 120 Container mit Client-Sites (NGINX/Apache, PHP-FPM, MariaDB/PostgreSQL), Mail wird separat herausgenommen. Bei Spitzenlasten kommt es regelmäßig zu E/A-Ausfällen und unvorhersehbaren VM-Neustarts. Backups werden über vzdump an NFS gesendet und erweisen sich manchmal als fehlerhaft. Geplant ist ein Upgrade auf Proxmox VE 8.x, die Umstellung auf Ceph Distributed Storage und die Konfiguration von HA, damit der Ausfall eines Knotens nicht zu Ausfallzeiten führt.

Technische Umgebung – 4 physische Server (2x NVMe + 4x SATA SSD, 2x10GbE), separater 10GbE-Switch, öffentliches /27- und internes /24-Netzwerk, VPN-Zugriff. Einige Kunden nutzen Cloudflare, andere arbeiten direkt. Auf Hosting-Ebene bestehen Anforderungen an Client-Isolation und vorhersehbare Leistung.

Sie müssen lediglich die Zielkonfiguration entwerfen und implementieren und die Migration ohne Datenverlust durchführen.
- Bereiten Sie einen Upgrade-Plan für PVE 7.x -> 8.x mit Überprüfung der Kompatibilität, Vorgehensweise und Rollback vor
- Stellen Sie Ceph bereit (mindestens 3 MON, MGR, OSD auf NVMe, separate öffentliche/Cluster-Netzwerke), konfigurieren Sie CRUSH und Fehlerdomänen unter Berücksichtigung der Topologie
- Konfigurieren Sie Proxmox HA für kritische VMs, korrigieren Sie Fencing-Mechanismen, Neustart- und Migrationsrichtlinien
- Migrieren Sie vorhandene VMs/CTs zu Ceph mit minimaler Ausfallzeit, einschließlich Hot-Migrationen, wo möglich, und Ausfallzeitfenstern für die verbleibenden
- Bringen Sie Ordnung in Ihre Backups – Proxmox Backup Server oder eine alternative Option mit überprüfbaren inkrementellen Backups, Aufbewahrung und regelmäßigen Testwiederherstellungen
- Beseitigen Sie die Ursachen für Stromausfälle – Analyse von E/A, Latenz, Einrichten von Caches, Festplattenwarteschlangen, Ceph-Parametern, VM/CT-Grenzwerten, Identifizieren von 10GbE-Netzwerkengpässen
- Richten Sie Überwachung und Warnungen ein – Prometheus/Grafana oder gleichwertig, Proxmox/Ceph/SMART/Netzwerkmetriken, Telegramm-/E-Mail-Benachrichtigungen
- Bereiten Sie die Betriebsdokumentation vor – Netzwerkdiagramm, Knotenrollen, Reihenfolge beim Hinzufügen von OSD/Knoten, DR-Plan und Checklisten

Einschränkungen – die Gesamtausfallzeit beträgt für die meisten Kunden nicht mehr als 30 Minuten pro Nachtfenster, für VIP 3-Projekte nicht mehr als 5 Minuten. Sie können die öffentlichen IPs für 20 VMs nicht ändern (Clients sind streng gebunden). Sie können nicht den gesamten Cluster auf einmal herunterfahren. Zugriff auf Hardware nur aus der Ferne über IPMI und VPN.

Das Ergebnis ist ein funktionierender Proxmox VE 8.x-Cluster mit Ceph, HA und überprüfbaren Backups sowie einer klaren Dokumentation.

Akzeptanzkriterien – 1) Der Ausfall eines Knotens führt nicht zu einem Stopp der VIP-VM für mehr als 2 Minuten, bestätigt durch einen Knoten-Shutdown-Test über IPMI. 2) Ceph befindet sich unter normaler Last im Zustand HEALTH_OK, kein hängengebliebenes PG, Warnungen für Fülle und Latenz sind konfiguriert. 3) Für 10 ausgewählte VMs wurde eine Testwiederherstellung aus einem Backup mit RTO-Zeitaufzeichnung und Datenintegritätsprüfung durchgeführt. 4) Durchschnittliche Latenz des Festplatten-Subsystems für VM Unter Testlast überschreitet FIO 3–5 ms bei 4k-Zufallslesen mit dem Zielprofil nicht. Die Ergebnisse sind beigefügt. 5) Die gesamte Konfiguration wird in Form einer Schritt-für-Schritt-Dokumentation und Parametern (Versionen, Netzwerkdiagramme, Befehle) aufgezeichnet.