Noisy Neighbors auf geteilten Servern: Warum Netflix manchen Containern eine eigene VM gibt
Netflix gab seinen unterbrechungsempfindlichsten Jobs in Titus eine eigene VM, weil Tuning laute Nachbarn nicht bändigte. Warum nicht microVM oder gVisor?

Ein Container, der sein CPU- und Speicherkontingent einhält, kann trotzdem vom Nachbarcontainer ausgebremst werden. Genau dieses Problem hat Netflix im Oktober 2026 beschrieben, samt der gewählten Lösung: für eine kleine Gruppe von Jobs eine dedizierte virtuelle Maschine innerhalb der eigenen Container-Plattform. Die Überlegung dahinter ist für die meisten Infrastruktur-Teams wichtiger als die Entscheidung selbst, zumal man sie leicht als Sicherheitsgeschichte missversteht. Das ist sie nicht.
Der Beitrag erschien am 22. Oktober 2026 im Netflix Technology Blog, verfasst von Samartha Chandrashekar und Nick Parker, und handelt von Titus, Netflix’ interner Container-Plattform. Er ergänzt die Abwägungen aus unserem Artikel über Platform Engineering und interne Entwicklerplattformen: Ein Plattform-Team muss entscheiden, wann ein gemeinsames Setup für eine Art von Workload nicht mehr taugt und was es stattdessen anbietet.
Was Titus ist und was auf einem geteilten Server schiefgeht
Titus ist Netflix’ Plattform zum Betrieb von Containern, verpackten Anwendungen, die sich das Betriebssystem des Servers teilen, auf dem sie laufen. Sie basiert auf Kubernetes und startet laut InfoQ Millionen Container pro Woche auf Zehntausenden Cloud-Instanzen. Standardmäßig ist sie mandantenfähig geteilt: Container vieler Teams liegen auf demselben Server, was die Plattform günstig hält.
Linux trennt bereits einen großen Teil dessen, was diese Container nutzen. Control Groups begrenzen CPU und Speicher, andere Mechanismen steuern Festplatten- und Netzwerkverkehr. Was kein cgroup aufteilt, ist die Hardware selbst. Der Last-Level-Cache des Prozessors und die Speicherbandbreite sind gemeinsam: Ein Nachbar, der den Speicher stark beansprucht, verdrängt Daten eines anderen Containers aus dem Cache, und dieser wird langsamer, ohne sein Kontingent je zu überschreiten.
Am schmerzhaftesten war das Netzwerk. Laut dem Beitrag nimmt der Traffic-Shaper einen globalen Lock: Ein Container, der eine Flut kleiner Pakete sendet, kann Kernel-CPU-Zeit verbrauchen, TCP-Neuübertragungen auslösen und Latenzspitzen im Tail bei allen Nachbarn verursachen. Netflix versuchte nach eigener Aussage, dies mit CPU-Pinning und eBPF-basierter Erkennung zu mildern, und sein Fazit, zitiert von InfoQ, lautete, dass Tuning des geteilten Kernels „narrows the gap without closing it“ (die Lücke verkleinert, aber nicht schließt).
Welche Jobs leiden, und warum es kein Sicherheitsproblem ist
Am stärksten betroffen sind zustandsbehaftete Streaming-Jobs mit hohem Durchsatz: verwaltetes Apache Flink, Streaming-Datenconnectoren sowie Telemetrie- und Logging-Pipelines. Ihre Schwäche sind die Kosten eines Aussetzers. Ein Job, der zurückfällt, muss unter Umständen einen Checkpoint wiederherstellen und viele Minuten pausieren, um aufzuholen, sodass aus einer kurzen Störung ein Ausfall wird, der oft die Rufbereitschaft weckt.
Der Beitrag sagt klar, was diese Jobs brauchen, und es ist nicht das, was eine Isolationsgeschichte üblicherweise verspricht. In Netflix’ Worten: „What these workloads need is resource and performance isolation: a guarantee that a neighbor cannot steal their CPU, cache, memory bandwidth, or network, not protection from a hostile co-tenant.“ Gegenseitig misstrauische Mandanten, für die eine Sicherheitsgrenze existiert, sind hier nicht die Lage. Die Container gehören vertrauenswürdigen internen Teams, und das Ziel ist ein berechenbarer Nachbar, keine verschlossene Tür.
Diese Unterscheidung verändert die Lesart von allem Weiteren, auch des Technologievergleichs unten.
Die Optionen, die Netflix abwog
Netflix verglich vier Wege, und der Beitrag nennt zu jedem einen Grund dagegen.
- Bessere Isolation im geteilten Kernel. Als Basis beibehalten, aber strukturell unvollständig, da Cache und Speicherbandbreite gemeinsam bleiben.
- MicroVMs wie Firecracker und Kata Containers. Hardware-Virtualisierung gibt es nur auf Bare Metal oder über verschachtelte Virtualisierung, die auf Netflix’ Instanztypen nicht bereit war. Einen verwalteten microVM-Dienst gibt es nicht, Netflix müsste den Hypervisor selbst betreiben, einschließlich Patches und Live-Migration. Hinzu kamen Virtualisierungs-Overhead bei CPU- und I/O-Last und fehlende GPU-Unterstützung.
- gVisor. Das Abfangen von Systemaufrufen im User-Space belastet genau die I/O-Pfade, auf die die Jobs angewiesen sind. Das Open-Source-Projekt hinkt zudem Netflix’ interner Version hinterher, und die Pflege hängt praktisch an einem einzigen Anbieter.
- Direkt auf EC2 laufen. Die Teams erhalten Isolation, aber auch das Patchen der Hosts sowie Auswahl und Dimensionierung der Instanzen, die Titus normalerweise übernimmt. Netflix nennt den Wechsel zwischen Titus und EC2 „a one-way door“ (eine Einbahnstraße).

Firecracker ist AWS’ Open-Source-microVM-Technologie, eine der Optionen, die Netflix prüfte und verwarf.

gVisor ist Googles Open-Source-Sandbox-Schicht, die andere Technologie, die Netflix erwog.
Der Kernsatz des Beitrags lautet: „microVMs and gVisor asked for a large, bespoke investment with real risk in order to approximate something we could get directly: a VM“ (microVMs und gVisor verlangten eine große, maßgeschneiderte Investition mit echtem Risiko, um etwas anzunähern, das man direkt haben konnte: eine VM).
Was Netflix gebaut hat: ein Job pro VM, innerhalb von Titus
Single-Tenant-Titus führt eine Aufgabe pro EC2-Instanz aus. Das Anwendungsteam ruft keine neue API auf: Die Berechtigung kommt aus einer Allowlist, die das Compute/Platform-Team pflegt und die auch die erlaubten Instanzfamilien festlegt. Der Autoscaler startet die kleinste Instanz, die die angeforderte CPU, den Speicher und die GPU erfüllt. Der Scheduler erzwingt dann Pod-Anti-Affinität, eine nicht verdrängbare Prioritätsklasse und einen Taint, der andere Workloads vom Knoten fernhält. Defragmentierung ist abgeschaltet, der Job wird also nie verschoben.
Eine Workload in diesen Modus zu bringen, ist eine Konfigurationsänderung, ein Label, keine Migration. Das Plattform-Team bleibt Eigentümer des Hosts: Es wählt weiterhin das Image, patcht es und entscheidet über die Kapazität. Das schließt die Einbahnstraße: Ein Team erhält die Isolation, ohne die verwaltete Umgebung zu verlassen.
Der Beitrag nennt keine prozentualen Gewinne. Die berichteten Ergebnisse sind qualitativ: Die Flink-, Connector- und Telemetrie-Teams beschreiben stabilen Betrieb ohne die schwer zuzuordnenden sporadischen Störungen, und Jobs werden nicht mehr von der Flotten-Defragmentierung verschoben. Netflix maß die Isolation, indem es eine Referenzanwendung allein und dann neben einem absichtlich störenden „Havoc“-Container ausführte und den erhaltenen Durchsatz sowie die P99-Latenz verglich.
Die Kosten werden offen genannt. Der feste Host-Overhead wiegt bei kleinen Instanzen schwer, die passgenaue Dimensionierung verschwendet etwas Kapazität, und der Start ist langsamer, weil eine neue Instanz booten und das Image laden muss. Netflix empfiehlt den Modus daher für große, langlaufende, unterbrechungsempfindliche Jobs nahe der Knotengröße und rät bei kleinen oder unregelmäßig ausgelasteten Diensten ab.
Was ein Team, das nicht Netflix ist, daraus mitnehmen kann
Zwei Gedanken lassen sich gut übertragen. Erstens: die Bedrohung benennen, bevor man das Werkzeug wählt. Konkurrenz zwischen vertrauenswürdigen Workloads und feindliche Mandanten sind verschiedene Probleme, und eine Technologie, die für das eine gewählt wurde, kann für das andere vergeudeter Aufwand sein. Zweitens: die langweilige Option bepreisen. Eine dedizierte VM gibt es bereits, sie ist bekannt und wird von jemandem gepatcht, während eine maßgeschneiderte Leichtgewichtschicht etwas ist, das Ihr Team dauerhaft besitzt.
Netflix’ Schluss gilt für seine Workloads und seine Instanztypen, nicht als Urteil über microVMs oder gVisor im Allgemeinen. Ein Team, das Isolation gegen einen feindlichen Mandanten braucht oder auf Bare Metal läuft, kann dieselben Optionen anders gewichten.
FAQ
Was ist ein Noisy Neighbor auf einem geteilten Server?
Ein Noisy Neighbor ist eine Workload, die geteilte Hardware stark beansprucht und eine andere Workload auf demselben Server ausbremst, obwohl beide ihre Kontingente einhalten. Geteilt werden typischerweise der Last-Level-Cache des Prozessors, die Speicherbandbreite, Netzwerk-Locks, der Festplattendurchsatz und Kernel-Locks.
Hat Netflix diese Jobs aus Sicherheitsgründen auf eine VM verlegt?
Nein. Netflix sagt, die Jobs brauchen Ressourcen- und Leistungsisolation, keinen Schutz vor einem feindlichen Mitmieter. Die Container gehören vertrauenswürdigen internen Teams, und das Ziel war berechenbare Latenz für zustandsbehaftete Streaming-Jobs, die teuer neu zu starten sind.
Warum entschied sich Netflix nicht für microVMs oder gVisor?
Bei microVMs braucht Hardware-Virtualisierung Bare Metal oder verschachtelte Virtualisierung, die auf den Instanztypen nicht bereit war; es gibt keinen verwalteten Dienst, und GPUs werden nicht unterstützt. Bei gVisor bremst das Abfangen von Systemaufrufen I/O-lastige Jobs, und das Open-Source-Projekt liegt hinter Netflix’ interner Version zurück. Eine normale VM lieferte die Isolation ohne diesen Eigenbau.
Ist Single-Tenant-Titus ein Produkt, das andere Unternehmen nutzen können?
Nein. Titus ist Netflix’ interne Plattform, und der Single-Tenant-Modus ist ein Feature darin, beschrieben in einem Engineering-Blogbeitrag und nicht als Produkt angeboten.
Welche Workloads sollten eine dedizierte VM bekommen?
Netflix empfiehlt sie für große, langlaufende Jobs, die keine Unterbrechung vertragen und nahe an der Knotengröße dimensioniert sind, etwa zustandsbehaftete Stream-Verarbeitung. Bei kleinen Diensten oder solchen mit unregelmäßigem Traffic rät es wegen des festen Host-Overheads und des langsameren Starts ab.