Files
openshell_controller/public/runbook/runbook-tower-notfall.md
T
Dominik Schön e5261401fe feat(runbook): Notfall-Runbook + Inline-Hints an Alarm-Flaechen (CHO tower-notfall-runbook)
DATEI 1: public/runbook/runbook-tower-notfall.md (statisch, Anker #deadman/#spool/#deadletter/#health)
DATEI 2: /runbook-Route (Server Component, Mini-MD-Renderer, CSP-konform, force-static)
DATEI 3: runbookHints.ts (LAMP_HINTS/buildView/renderHintHtml 1:1 aus runbook_hints.py)
       + RunbookHint.tsx eingebunden an 4 Alarm-Flaechen:
         - EscalationHistory (Deadman, Szenario A)
         - TaskBrowser Spool-Tab (Szenario B) + Dead-Letter-Tab (B3)
         - TaskBrowser/OpsPanels Degraded/Error (Health, Szenario C)
Keine Ampelfarben/Deadman-Logik/Degraded-Banner/Datenpfade angefasst (CHO-NICHT ANFASSEN erfuellt).
Build verifiziert: tsc --noEmit clean, next build gruen (/runbook static).
2026-10-30 16:58:17 +00:00

6.2 KiB

Notfall-Runbook Tower (Fleet vs-fleet-rebuild)

Stand: 2026-10-30 · Autor: devops · Karte: tower-notfall-runbook Geltung: Owner am Tower-Panel (10.0.30.213, tcp/8099). Ziel: in <5 min entscheiden und handeln, ohne zu raetseln.

Die Inline-Hints/Links an den Tower-Ampeln springen genau auf einen dieser Anker (nur interne Links, kein aktiver Inhalt/Script, keine Secrets):

  • #deadman -> Deadman-Status / Szenario A
  • #spool -> Spool-Aging / Szenario B
  • #deadletter -> Dead-Letter-Ansicht / Szenario B (Punkt 3)
  • #health -> Health-Ampel / Degraded-Banner / Szenario C Diese Datei ist reiner Text (Markdown); die Hints rendern daraus nur Ueberschrift + Link, nichts Ausfuehrbares.

0. Grundlagen (immer zuerst lesen)

  • Heartbeat-Intervall: 300 s je Agent an den Beacon.
  • Ampel Health: gruen <120 s, gelb 120-300 s, rot >300 s (Beacon-Heartbeat-Age).
  • Deadman-Schwelle: 5400 s (90 min) blockierte Fleet -> Kaskade reisst.
  • Spool-Aging: offene Envelopes (submitted/working), rot >5400 s.
  • Diagnose-Oberflaechen am Tower-Panel: Deadman-Status, Spool-Aging, Dead-Letter, Alarm-Feed, Health-Ampel, /healthz + /api/status.
  • Aufgaben des Owners: nur ENTSCHEIDEN + Freigeben. Kein Debugging im Panel.

ESKALATIONSKONTAKT (Owner)

  • Primaer: Owner (Dominik). Kanal: Owner-Inbox/Queue im Tower.
  • Eskalation aus einem Agenten heraus: ueber den CISO-Kanal (submit_task(from_agent=<id>, to=ciso, type=review, topic="[NAR] <ziel>")); der CISO leitet kritische Faelle als escalation P1 an tower-owner weiter (FLEET-POLICIES 1.3). Direkt-Adressierung an tower-owner ist nur dem CISO erlaubt.
  • Owner-Entscheidungen (Abnahme/Review/NAR) laufen ueber die Owner-Queue.
  • Bei Netz-Themen: NAR ueber den CISO; bei Infrastruktur/Tower: tower-owner.

Szenario A — Deadman-Blockade (Fleet steht, Ampel "Deadman: blocked")

Beobachtung: Deadman-Status zeigt Zustand blocked + blockierenden Owner-Task (ID, Typ, Alter) im Header; ggf. rot in der Health-Ampel.

Diagnose-Pfad:

  1. Panel -> Deadman-Status: welcher Owner-Task blockiert? Alter auslesen.
  2. Panel -> Alarm-Feed: juengste Deadman-Kaskade (Zeit, Agent, Ursache, Dauer) - bestaetigt, ob es die laufende Blockade ist.
  3. Panel -> Health-Ampel (#health): welche Agents stehen rot/gelb (wer ist betroffen)?
  4. Abgleich: blockierender Task-Typ (Abnahme/Review/NAR/Entscheidung).

Schritte:

  1. Blockierenden Owner-Task oeffnen und INNERHALB der Queue entscheiden (Abnahme erteilen, Review freigeben/ablehnen, NAR approven).
  2. Nach Entscheidung Deadman-Status auf progress pruefen (Auto-Refresh 30 s).
  3. Wenn der Task nicht entscheidbar ist (fehlender Kontext): Task mit Kommentar zurueck an Absender (reply_to) statt liegen zu lassen.
  4. Verifikation: Health-Ampel der betroffenen Agents wieder gruen <120 s binnen 2 Heartbeat-Zyklen (<=10 min).

Eskalation: Bleibt die Blockade >5400 s bestehen oder ist der Task unklar -> Owner direkt ansprechen (Kanal s.o.), Grund + Task-ID nennen.


Szenario B — Spool-Stau (Tasks haengen, Zustellung klemmt)

Beobachtung: Spool-Aging listet Envelopes >5400 s rot; Zusteller liefern nicht.

Diagnose-Pfad:

  1. Panel -> Spool-Aging: Envelopes nach Alter + Empfaenger. Aeltester Eintrag zuerst; rot = >5400 s.
  2. Panel -> Dead-Letter: status=failed (letzte 7 Tage) mit from->to, Alter - bereits verlorene Arbeit (Luecke Spool-Aging vs. Alarm-Feed).
  3. Panel -> Health-Ampel (#health): ist Empfaenger-Agent rot? -> down.
  4. Panel -> /api/status: Datenquellen-Zustand Prometheus/Beacon; degraded?

Schritte:

  1. Einzelner haengender Envelope, Empfaenger gruen -> Zustellung neu anstossen (Task erneut submitten an denselben Empfaenger, reply_to setzen).
  2. Blockierter ganzer Empfaenger (rot) -> Szenario A/C zuerst loesen; der Spool leert sich danach automatisch.
  3. Failed-Tasks aus der Dead-Letter-Ansicht pruefen: wiederholbar -> erneut submitten; endgueltig unloesbar -> Task mit Grund neu aufsetzen (nicht still verwerfen).
  4. Verifikation: keine Eintraege mehr >5400 s im Spool-Aging; Dead-Letter waechst nicht weiter.

Eskalation: Envelopes >5400 s ohne down-Empfaenger -> Ursache unklar, an tower-owner mit Screenshot/IDs melden; bei >2 betroffenen Agents zusaetzlich Owner informieren (Kanal s.o.).


Szenario C — Panel-Ausfall (Tower nicht erreichbar/leer/fehlerhaft)

Beobachtung: Panel laedt nicht, Leeranzeige oder Crash; /healthz antwortet nicht.

Diagnose-Pfad (Reihenfolge, um Server vs. Daten zu trennen):

  1. Panel -> /healthz: 200 = Server lebt -> Problem ist Datenquelle/UI.
  2. Panel -> /api/status: Version, Uptime, Datenquellen-Zustand Prometheus/Beacon. Liefert JSON = API ok.
  3. Degraded-Banner + Datenalter-Anzeige: bei Prometheus-/Beacon-Ausfall zeigt der Tower Datenalter + 60 s-Cache; das ist Degraded, KEIN Totalausfall.
  4. Wenn /healthz gar nicht antwortet: Panel-/Prozess-Ausfall am Tower-Host.

Schritte:

  1. Degraded (healthz 200, /api/status zeigt Quelle down): keine Panik - Betrieb laeuft mit Cache weiter. Ursache der Quelle pruefen (Beacon-Ausfall = alle Agents rot -> Szenario-A-Umfeld).
  2. Totalausfall (healthz kein 200 / Verbindung abgelehnt): Tower braucht Neustart/Deploy -> Aenderungsauftrag an tower-owner (nicht selbst am Host eingreifen).
  3. Waehrend Ausfall: Diagnose ersatzweise ueber die Agenten-Boards/Beacon (Karten-Status, Heartbeat-Zeitstempel) weiterfuehren, Owner informieren.
  4. Verifikation: /healthz 200 UND /api/status mit allen Quellen "up"; Panel zeigt Datenalter ~0.

Eskalation: healthz-Ausfall oder Deploy-Bedarf -> sofort P1 an tower-owner (ueber den CISO-Kanal); parallele Owner-Info, da ohne Panel die Lage ueber Agenten nicht sichtbar ist.


Kurz-Anhang: Anzeige am Tower

Dieses Runbook + Eskalationskontakt sollen an den Alarm-Ampeln (Deadman-Status -> #deadman, Spool-Aging -> #spool, Dead-Letter -> #deadletter, Health-Ampel -> #health) als kontextueller Hilfe-Link/Inline-Hint erscheinen. Der Hint ist reiner Text (Ueberschrift + interner Link), kein aktives Element; Alarmlogik und Degraded-Banner bleiben unberuehrt. Aenderungsauftrag an tower-owner siehe separater Task "[build] tower-notfall-runbook: Runbook-Link an Alarm-Ampeln".