BlogRabbitMQ

RabbitMQ-Troubleshooting: 12 Produktionsprobleme und wie Sie sie beheben

Scott Sternloff

Von Scott Sternloff, Senior Enterprise Architect

LinkedIn · Aktualisiert am · 23 Min. Lesezeit

RabbitMQ-Troubleshooting: 12 Produktionsprobleme und wie Sie sie beheben
Auf dieser Seite

Cluster ausgefallen, Split Brain oder Platte voll – genau jetzt? Rufen Sie +1 305-204-2607 an. Mit einem Supportvertrag ist bei einem P1 mit Reaktionszeitzielen ab 15 Minuten, je nach Plan, ein Senior Engineer von AceMQ dran, 24/7. Das ist unser RabbitMQ-Notfall-Support; der folgende Leitfaden hilft Ihnen herauszufinden, was schiefgelaufen ist.

Die meisten RabbitMQ-Probleme in Produktion lassen sich auf wenige Ursachen zurückführen: ein Memory- oder Disk-Alarm, der Publisher blockiert, eine Cluster-Partition, durch die eine Quorum Queue ihre Mehrheit verloren hat, ein TLS- oder Authentifizierungsfehler auf dem Verbindungsweg, Consumer, die keine Nachrichten mehr bestätigen, oder ein versionsspezifischer Bug, der mit einem Upgrade hinzugekommen ist. Wer diese Punkte in genau dieser Reihenfolge prüft – Dienststatus, Alarme, Cluster-Zustand, Verbindungen, Consumer –, löst die meisten Incidents, bevor eine tiefere Analyse nötig wird.

Im Folgenden finden Sie die zwölf RabbitMQ-Probleme, die wir in Enterprise-Clustern am häufigsten sehen, jeweils mit dem Diagnosebefehl, der sie bestätigt. Mehrere davon stammen aus Produktionsprojekten, die unsere Engineers in diesem Jahr betreut haben.

Die häufigsten RabbitMQ-Probleme in der Reihenfolge ihres Auftretens

Bevor Sie auch nur eine Logdatei öffnen, beantworten Sie drei Fragen in dieser Reihenfolge:

  1. Läuft der Broker? Ein gestoppter rabbitmq-server-Prozess oder ein abgestürzter Node sieht aus Client-Sicht genauso aus wie ein Netzwerkproblem.
  2. Ist ein Alarm aktiv? Wenn ein Memory- oder Disk-Alarm auslöst, blockiert RabbitMQ bewusst publizierende Verbindungen. Der Broker ist gesund; er schützt sich selbst.
  3. Sind sich alle Nodes über die Cluster-Mitgliedschaft einig? Eine Partition, bei der jede Seite die andere für ausgefallen hält, ist das folgenschwerste RabbitMQ-Problem, weil auf beiden Seiten weiter geschrieben werden kann.
rabbitmq-diagnostics check_running     # is the node up and the app started?
rabbitmq-diagnostics alarms            # memory / disk alarms
rabbitmqctl cluster_status             # membership, partitions, running nodes

Wer diese drei Befehle zuerst ausführt, vermeidet den häufigsten Fehler beim Troubleshooting: einen eigentlich gesunden Node neu zu starten und damit die Beweise zu vernichten.

Ein Hinweis zur Erkennung. Wenn Sie von einem Ausfall zuerst durch einen Kundenanruf erfahren, liegt das Problem nicht bei RabbitMQ, sondern bei der Observability. Beheben Sie das, bevor Sie irgendetwas anderes optimieren.

1. Split-Brain-Szenarien und Cluster-Partitionen

Problem. Nodes verlieren die Verbindung zueinander, und jede Seite hält sich für maßgeblich. Die Folge sind auseinanderlaufende Daten und möglicher Nachrichtenverlust. Am gefährlichsten ist das in Multi-Site- und Cloud-Deployments.

Lösung. Quorum Queues nutzen das Raft-Konsensprotokoll und brauchen eine Mehrheit verfügbarer Member, um einen Leader zu wählen und Schreibvorgänge anzunehmen. Ein Cluster mit drei Nodes verkraftet den Ausfall eines Nodes; fallen zwei aus, nimmt die Queue konstruktionsbedingt keine Schreibvorgänge mehr an. Dieses Verhalten ist korrekt – wer einen Node per Force-Restart „repariert“, verliert genau so Nachrichten.

cluster_partition_handling = pause_minority

pause_minority ist der sichere Standard für Enterprise-Deployments: Die Minderheitsseite pausiert, statt Schreibvorgänge anzunehmen, die sie später nicht abgleichen kann. autoheal priorisiert Hochverfügbarkeit vor Konsistenz, und ignore sollten Sie nur einsetzen, wenn Sie den Abgleich selbst übernehmen. Ab RabbitMQ 4.3 gilt das nicht mehr: Version 4.3.0 hat Mnesia und damit auch die Strategien zur Partitionsbehandlung entfernt. cluster_partition_handling wird in rabbitmq.conf zwar noch akzeptiert, hat aber keine Wirkung mehr, und Metadatenspeicher, Quorum Queues und Streams basieren durchgängig auf Raft – allein die Raft-Mehrheitsregel entscheidet also, welche Seite weiter bedient. Entfernen Sie den Schlüssel beim Upgrade.

Partitionen ab 4.3 erkennen und überstehen. Nodes, die einander verlieren, protokollieren den Verbindungsabbruch und die anschließenden Raft-Leader-Wahlen. rabbitmq-diagnostics cluster_status listet erreichbare Peers unter 'Running Nodes' auf, ein nicht erreichbarer Node fehlt dort also einfach; rabbitmq-queues quorum_status <queue> zeigt, wo Leader und Follower jeder Quorum Queue liegen; und rabbitmq-diagnostics check_if_node_is_quorum_critical sagt Ihnen, ob das Herunterfahren eines Nodes eine Queue oder einen Stream ohne Online-Mehrheit zurücklassen würde. Die Verfügbarkeit hängt von der Anzahl der Nodes ab: Drei Nodes verkraften einen Ausfall, fünf verkraften zwei, und gerade Anzahlen (vier, sechs) überstehen eine Partition nur, wenn eine Seite noch die Mehrheit hält. Eine Partition braucht auch keinen Netzwerkfehler: Ein Hypervisor, der eine VM anhält – wie es bei manchen Live-Migrationen passiert –, sieht für den Rest des Clusters wie eine Partition aus. In der letzten Septemberwoche 2026 betrafen zwei der acht RabbitMQ-Tickets in unserer Support-Queue Partitionen.

Zwei Muster, auf die wir in der Praxis immer wieder stoßen:

Kubernetes-Node-Wartung ohne RabbitMQ-Drain. Bei einem Cluster-Assessment im Jahr 2026 haben wir wiederkehrenden Quorum-Verlust auf Node-Wartungen zurückgeführt, die ohne vorheriges Drainen von RabbitMQ durchgeführt wurden. Ein Kubernetes-Drain entfernt den Pod, doch der RabbitMQ-Node braucht seinen eigenen geordneten Shutdown, damit die Member der Quorum Queues die Leaderschaft übergeben können. Wer diesen Schritt auslässt, macht aus routinemäßigem Patchen eine Partition. Dieselbe Reihenfolge gilt beim Upgrade von RabbitMQ 3.x auf 4.x ohne Downtime.

Versionsspezifische Quorum-Bugs. Im selben Projekt haben wir Fehler bei der Node-Erkennung auf einen Bug im Release 4.2.3 eingegrenzt, der in späteren 4.2.x-Builds und der 4.3-Serie behoben ist. Wenn Mitgliedschaftsfehler einen sauberen Neustart und eine korrekte Konfiguration überdauern, prüfen Sie die Release Notes Ihrer exakten Patch-Version, bevor Sie irgendetwas umbauen.

Stellen Sie bei Disaster-Recovery-Clustern sicher, dass der DR-Standort nur bei Ausfall des Primärsystems aktiv wird. Ein DR-Cluster, der neben einem gesunden Primärsystem hochfährt, erzeugt zuverlässig Split-Brain; die Wiederherstellung erfordert dann das manuelle Neuanlegen von Nodes und eine Neuwahl, kein automatisches Failover.

2. Memory- und Disk-Alarme, die Publisher blockieren

Problem. Publisher hängen, während Consumer weiter abarbeiten. In den Logs sieht nichts kaputt aus.

Lösung. RabbitMQ blockiert publizierende Verbindungen, sobald der Speicherverbrauch das High Watermark überschreitet (Standard: 40% des verfügbaren RAM) oder der freie Plattenplatz unter das Disk Free Limit fällt (Standard: 50 MB).

rabbitmq-diagnostics alarms
rabbitmq-diagnostics memory_breakdown

Die Aufschlüsselung ist wichtiger als die Gesamtsumme. Belegen Queue-Inhalte den Speicher, werden Nachrichten nicht schnell genug konsumiert – ein Consumer-Problem im Memory-Kostüm. Belegt der Zustand von Client-Verbindungen und Channels den Speicher, leakt meist eine Anwendung Verbindungen oder Channels, oft weil sie pro Nachricht einen neuen Channel öffnet, statt einen wiederzuverwenden.

vm_memory_high_watermark anzuheben ist eine Notlösung, kein Fix. Klären Sie zuerst, warum der Speicher belegt ist; ein höheres Limit bei einem echten Rückstau verzögert nur denselben Ausfall. Alarme heben sich automatisch auf, sobald der Verbrauch wieder unter den Schwellenwert fällt.

3. Message-Backlog und Flow Control

Problem. Queues werden lang oder der Plattenplatz erreicht ein Limit, RabbitMQ aktiviert Flow Control, und Publisher werden langsamer oder kommen zum Stillstand – das stört vorgelagerte Pipelines und verursacht Timeouts.

Lösung. Planen Sie für kurze Queues. Fügen Sie Consumer hinzu, damit Nachrichten schneller verarbeitet werden, und konfigurieren Sie die Segment-Limits der Quorum Queues passend zu Ihren Aufbewahrungsanforderungen. Stimmen Sie Memory- und Disk-Schwellenwerte bewusst ab, statt auf einem großen Host die Standardwerte stehen zu lassen, und alarmieren Sie auf den Trend der Queue-Tiefe statt auf absolute Werte – eine Queue, die zehn Minuten lang stetig wächst, ist ein besseres Signal als eine, die kurz ausgeschlagen hat.

4. Unbestätigte Nachrichten und hängende Consumer

Problem. Consumer empfangen Nachrichten, bestätigen sie aber nie. Unbestätigte Nachrichten stauen sich, der Speicherverbrauch steigt, und die Queue kommt zum Stillstand.

Lösung. Finden Sie heraus, welches der drei Fehlerbilder vorliegt:

rabbitmqctl list_queues name messages messages_unacknowledged consumers
  • Viele Nachrichten, null Consumer – die Consumer-Anwendung ist down, oder ihr Abonnement zeigt auf die falsche Queue oder den falschen Virtual Host.
  • Viele Nachrichten, Consumer vorhanden, viele unbestätigt – Consumer empfangen, senden aber nie das Ack. Meist stürzt ein Client mitten in der Verarbeitung ab, oder er überspringt das Ack in einem Exception-Pfad. Setzen Sie einen consumer_timeout, damit hängende Zustellungen wieder in die Queue gestellt werden, statt unbegrenzt blockiert zu bleiben.
  • Viele Nachrichten, kaum unbestätigte – die Consumer kommen nicht hinterher. Skalieren Sie horizontal, oder überprüfen Sie den Prefetch.

Prefetch ist die häufigste Fehlkonfiguration. Ein unbegrenzter Prefetch lässt einen Consumer Tausende Nachrichten beanspruchen, während die übrigen untätig sind; ein Prefetch von 1 kostet pro Nachricht einen Netzwerk-Roundtrip. Den Zielkonflikt behandeln wir unter RabbitMQ Prefetch Count richtig einstellen, und dieselbe Logik gilt für jede Pub/Sub-Topologie, die über mehrere Message Queues auffächert.

Die Metrik Consumer Capacity in der RabbitMQ Management UI liefert hier am schnellsten Klarheit. Dauerhaft niedrige Consumer Capacity bei einer tiefen Queue bedeutet: Der Engpass liegt hinter RabbitMQ, nicht im Broker.

5. Der falsche Queue-Typ für den Workload

Problem. Classic Queues tun sich in Umgebungen mit hohem Churn und bei großen Backlogs schwer und werden unter hoher Last instabil.

Lösung. Setzen Sie für Dauerhaftigkeit auf Enterprise-Niveau auf Quorum Queues. Sie verhalten sich unter Last vorhersehbar und erholen sich in Failover-Szenarien deutlich besser. Stellen Sie sicher, dass Ihre Clients Publisher Confirms für die Datensicherheit unterstützen, und validieren Sie das Consumer-Verhalten explizit, wenn strikte Reihenfolge wichtig ist – Quorum Queues ändern die Redelivery-Semantik auf eine Weise, die manche Anwendungen bemerken. Den Migrationspfad beschreibt Migration von Classic Queues zu Quorum Queues.

6. Veraltete Mirrored Queues und falsch konfigurierte HA-Policies

Problem. Gespiegelte Classic Queues (Classic Mirrored Queues) – inzwischen veraltet – führen Failover inkonsistent aus, was Synchronisationsverzögerungen und potenziellen Datenverlust verursacht. Zu breit gefasste Mirroring-Policies belasten die Ressourcen und drücken den Durchsatz.

Lösung. Migrieren Sie für moderne Hochverfügbarkeit auf Quorum Queues. Vermeiden Sie pauschale Mirroring-Policies; definieren Sie das HA-Verhalten explizit und testen Sie Failover regelmäßig nach Plan, statt es erst während eines Incidents zu entdecken. Wenn Sie noch Mirrored Queues betreiben, überwachen Sie die Synchronisationsverzögerung und prüfen Sie, ob die Mirror-Topologie Ihrer Absicht entspricht – ein Policy-Pattern, das versehentlich auf jede Queue passt, ist eine häufige Ursache für unerklärlichen Ressourcendruck.

7. TLS, Zertifikate und Verbindungsfehler

Problem. Clients können sich nicht verbinden oder werden direkt nach dem Verbindungsaufbau abgewiesen.

Lösung. Trennen Sie die Diagnose. Gar keine Verbindung möglich: Prüfen Sie, ob der Listener auf dem erwarteten Port lauscht. RabbitMQ nutzt Port 5672 für unverschlüsseltes AMQP und 5671 für AMQP über TLS. Gehärtete Deployments deaktivieren 5672 komplett – eine Änderung, die jeden Client lahmlegt, der noch auf den alten Port zeigt. Zeichnen Sie den TCP-Verkehr mit tcpdump auf und analysieren Sie ihn in Wireshark, um nachzuweisen, wo die Verbindung abbricht.

Verbindung klappt, dann Fehler: Prüfen Sie die Berechtigungen und den Virtual Host. Gültige Zugangsdaten ohne Berechtigung auf dem Ziel-Virtual-Host authentifizieren sich erfolgreich und scheitern dann bei jeder Operation.

rabbitmqctl list_users
rabbitmqctl list_permissions -p /your-vhost

Aktivieren Sie bei OAuth-2.0- und LDAP-Backends das Decision Logging, bevor Sie von falschen Zugangsdaten ausgehen – Zugriffsfehler sind häufig ein falsch konfigurierter OAuth-Scope oder Suchfilter und kein falsches Passwort.

TLS-Handshake-Fehler verdienen besondere Aufmerksamkeit. In einem aktuellen Support-Einsatz schlug die gesicherte Kommunikation auf Port 5671 fehl, obwohl die PEM-Zertifikate auf jedem Node korrekt installiert waren. Der Handshake brach am Load Balancer ab. Ursache war ein Zertifikats-Mismatch: Common Name und SAN-Felder müssen zu dem Hostnamen passen, mit dem sich der Client tatsächlich verbindet – bei einem Cluster hinter einem Load Balancer ist das die Adresse des Load Balancers, nicht der Hostname des einzelnen Nodes. Wo Mutual TLS keine harte Anforderung ist, beseitigt der Verzicht auf Client-Zertifikate eine ganze Klasse solcher Fehler.

Zwei betriebliche Details, die Sie besser jetzt dokumentieren, als sie später zu entdecken: Ein eigenes CA-Zertifikat muss auf jedem Client-Rechner installiert werden – auch auf Windows-Clients, die es nicht automatisch übernehmen –, und auch CA-Zertifikate mit 10 Jahren Laufzeit brauchen ein dokumentiertes Rotationsverfahren. Ein Zertifikat, das ohne Verantwortlichen abläuft, ist ein geplanter Ausfall.

Sie stoßen auf ein RabbitMQ-Cluster-Problem, das Sie nicht eingrenzen können? AceMQ-Engineers arbeiten jeden Tag an Produktionsclustern, einschließlich der Wiederherstellung von Quorum Queues und der forensischen Analyse von Partitionen. Sprechen Sie mit einem AceMQ-Engineer – meist können wir Ihnen in einer einzigen Sitzung sagen, ob es an der Konfiguration, der Infrastruktur oder einem bekannten Bug liegt.

Problem. rabbitmqctl erreicht den Node nicht, und es sieht so aus, als sei der RabbitMQ-Server down, obwohl er einwandfrei läuft.

Lösung. Drei Ursachen erklären fast alle diese Fälle:

  • Abweichendes Erlang-Cookie. Alle Nodes und CLI-Tools müssen denselben Cookie-Wert verwenden (/var/lib/rabbitmq/.erlang.cookie bei den meisten Linux-Deployments bzw. das Benutzerprofilverzeichnis, wenn Sie über eine Windows-Eingabeaufforderung arbeiten). Ein abweichendes Erlang-Cookie erzeugt Authentifizierungsfehler, die einen toten Broker vortäuschen. Unter Windows passiert das häufig, wenn der Dienst als SYSTEM läuft, die CLI aber als Administrator – das Cookie muss dann zwischen den Profilen kopiert und seine Berechtigungen müssen korrigiert werden.
  • Hostname-Auflösung. Nodes werden als rabbit@hostname identifiziert. Ändert sich der Hostname – häufig nach dem Neuaufbau eines Containers oder einer VM –, kann der Node seinem eigenen RabbitMQ-Cluster nicht wieder beitreten.
  • Blockierte Inter-Node-Ports. Neben AMQP auf 5672 braucht ein Cluster die Ports 4369 (epmd) und 25672 für den TCP-Verkehr zwischen den Nodes. Firewall-Regeln, die nur den Client-Port öffnen, legen das Clustering stillschweigend lahm.

So starten Sie einen Node sauber neu, statt den Prozess zu killen:

rabbitmqctl stop_app && rabbitmqctl start_app

Damit wird die RabbitMQ-Anwendung gestoppt, während die Erlang-VM weiterläuft – so bleibt deutlich mehr Diagnosezustand erhalten als bei einem vollständigen Neustart des RabbitMQ-Dienstes.

9. Virenscanner und Engpässe beim Disk-I/O

Problem. Die Mnesia-Datenbank und die Queue-Dateien von RabbitMQ werden von Endpoint-Virenscannern oder Echtzeit-Sicherheitstools gescannt, vor allem auf Windows-Servern in Unternehmen. Die Folge sind massive Performance-Einbußen und unerklärliche Verlangsamungen der Nodes, die wie ein RabbitMQ-Fehler aussehen.

Lösung. Nehmen Sie die Datenverzeichnisse von RabbitMQ in die Ausschlussliste Ihres Virenscanners bzw. Ihrer Endpoint-Protection-Lösung auf. Das verhindert die hohe I/O-Last und die Dateisperren, die einen Node bis zum Kriechtempo ausbremsen können. Die genauen Pfade Ihres Deployments bestätigt rabbitmq-diagnostics status, das das konfigurierte Datenverzeichnis ausgibt. Dieses Problem wird leicht übersehen, weil in den RabbitMQ-Logdateien nichts darauf hinweist.

10. Ressourcenkonkurrenz auf virtuellen Maschinen

Problem. Nodes in VMs teilen sich CPU, RAM und Disk-I/O mit anderen Workloads. Das führt zu unvorhersehbarer Latenz, hängenden Queues und regelrechten Node-Ausfällen.

Lösung. Weisen Sie RabbitMQ dedizierte CPU-Kerne zu und reservieren Sie Speicher für jede VM, auf der ein Node läuft. Überwachen Sie CPU Steal Time, Disk-Latenz und Speicherdruck in Grafana neben Ihren RabbitMQ-Metriken – gerade Steal Time ist aus dem Broker heraus unsichtbar und erklärt einen großen Teil der Meldungen à la „RabbitMQ ist langsam“, die mit RabbitMQ gar nichts zu tun haben. Meiden Sie für Produktions-Nodes überlastete Hypervisoren und Shared Storage.

11. Heartbeats und Netzwerk-Timeouts richtig einstellen

Problem. In Deployments mit hoher Latenz, in der Cloud oder über WAN führen die Standardwerte für Heartbeat- und TCP-Timeouts zu falsch-positiven Node-Ausfällen und unnötigen Netzwerkpartitionen.

Lösung. Verlängern Sie die Heartbeat-Intervalle und passen Sie tcp_listen_options an die Umgebung an, statt Standardwerte zu übernehmen, die für ein LAN mit niedriger Latenz ausgelegt sind. Optimieren Sie die Einstellungen der Erlang-Distribution für eine zuverlässige Kommunikation zwischen den Nodes. Ein Cluster, der sich über mehrere Availability Zones erstreckt, braucht andere Timeouts als einer in einem einzigen Rack, und unpassende Einstellungen äußern sich hier als Partitionen ohne zugrunde liegenden Netzwerkfehler.

12. Fehler bei Upgrades und Plugins

Problem. Der Broker startet nach einem Upgrade nicht mehr, und die Fehlermeldung nennt nicht die eigentliche Ursache.

Lösung. Hier gibt es zwei unterschiedliche Risiken. Jede RabbitMQ-Release-Serie setzt einen unterstützten Versionsbereich von Erlang/OTP voraus; ein Upgrade auf einem nicht unterstützten Erlang-Build führt zu Startfehlern, die wie Konfigurationsprobleme aussehen. Prüfen Sie die Kompatibilitätsmatrix vor dem Wartungsfenster, nicht währenddessen.

Plugins sind die zweite Ursache. Ein Plugin, das für eine ältere Broker-Version kompiliert wurde, lässt sich nach einem Upgrade unter Umständen nicht mehr laden. Deaktivieren Sie Plugins von Drittanbietern, vergewissern Sie sich, dass der Node startet, und aktivieren Sie sie dann einzeln wieder.

Verfolgen Sie außerdem die Security Advisories für Ihre Serie. Das RabbitMQ-Projekt veröffentlicht regelmäßig CVE-Meldungen und Patch-Releases; wer ein Open-Source-Deployment betreibt, ohne dass jemand für diese Advisories zuständig ist, erfährt von Schwachstellen erst durch den Auditor. Wenn Sie diesen Betriebsaufwand gegen ein kommerzielles Abonnement abwägen, finden Sie die Optionen aufgeschlüsselt unter RabbitMQ-Lizenzierung und kommerzieller Support.

Vier Fehlerbilder aus aktuellen Produktionseinsätzen

Die zwölf Probleme oben decken ab, was auf Enterprise-Clustern am häufigsten auftaucht. Vier konkrete Fehlerbilder verdienen einen genaueren Blick, weil jedes davon immer wieder auf dieselbe Weise falsch diagnostiziert wird: Das Team hält ein vorgesehenes Verhalten für einen Bug oder ein vorübergehendes Signal für bedeutungslos und verliert Zeit mit dem falschen Fix.

Quorum-Verlust, wenn ein Kubernetes-Node ohne geordneten Shutdown gedrained wird

Ein Kubernetes-Drain entfernt den Pod. Er weist den RabbitMQ-Node in diesem Pod aber nicht von sich aus an, die Leaderschaft für die Quorum Queues abzugeben, die er gerade führt. Wird der Prozess nach Ablauf der Grace Period einfach beendet, verliert jede von diesem Node geführte Quorum Queue gleichzeitig ihren Leader, und der Cluster muss unter Last eine vollständige Wahl durchführen statt einer sauberen Übergabe.

Die Lösung ist ein PreStop-Hook, der rabbitmqctl stop_app aufruft, bevor Kubernetes den Pod endgültig entfernt:

lifecycle:
  preStop:
    exec:
      command: ["rabbitmqctl", "stop_app"]
terminationGracePeriodSeconds: 60

stop_app stoppt die RabbitMQ-Anwendung sauber, während der Node noch erreichbar ist, sodass die Quorum-Queue-Leader auf diesem Node die Leaderschaft übergeben, bevor der Pod tatsächlich beendet wird. Geben Sie ihm mit terminationGracePeriodSeconds genug Zeit, und prüfen Sie, ob die Übergabe funktioniert hat, bevor Sie der Automatisierung vertrauen: rabbitmqctl list_queues name type leader online_members sollte keine Queue mehr zeigen, die auf den gerade gedrainten Node verweist. Dieselbe Reihenfolge gilt auch für einen manuellen Neustart auf Betriebssystemebene, nicht nur für Kubernetes: erst die App stoppen, dann den Prozess.

Ein Node-Erkennungs-Bug in einem bestimmten Release

Wenn ein Node einem Cluster wieder beitritt und weiterhin Mitgliedschaftsfehler wirft, die sich weder durch einen sauberen Neustart noch durch eine geprüfte Konfiguration beheben lassen, gehen Sie nicht davon aus, dass Ihre Topologie das Problem ist. RabbitMQ hat in diesem Bereich schon versionsspezifische Bugs ausgeliefert, darunter einen, der die Node-Erkennung im Release 4.2.3 betraf und in späteren 4.2.x-Builds sowie der 4.3-Serie behoben wurde. Bevor Sie Netzwerk oder Peer Discovery umbauen, um ein Symptom zu umgehen, prüfen Sie Release Notes und Changelog Ihrer exakten Patch-Version. Holen Sie rabbitmqctl cluster_status von jedem Node ein, nicht nur von dem, der sich beschwert, und vergleichen Sie die Versionsstrings von RabbitMQ und Erlang/OTP im gesamten Cluster: Eine abweichende Patch-Version auf einem Node ist ein häufiger Vorbote dieser Fehlerklasse.

Memory-Alarme, die unter Spitzenlast auslösen und verschwinden, bevor Sie nachsehen können

Ein Memory-Alarm, der bei einer Lastspitze auslöst und sich fünf Minuten später von selbst aufhebt, hat keine Spuren hinterlassen, wenn jemand die Management UI öffnet. Der Alarm hat seinen Zweck erfüllt, aber Sie wissen immer noch nicht, warum er ausgelöst hat – und bei der nächsten Spitze löst er wieder aus. Drei Quellen erfassen ihn im Nachhinein. Führen Sie rabbitmq-diagnostics memory_breakdown während bekannter Spitzenzeiten in kurzen Intervallen aus, nicht erst, wenn jemand ein Problem bemerkt – so haben Sie eine Aufschlüsselung aus dem entscheidenden Moment statt eines Durchschnitts aus einer ruhigen Phase. Durchsuchen Sie das RabbitMQ-Log nach Einträgen zu alarm_handler und vm_memory_high_watermark; jeder Alarmwechsel wird mit Zeitstempel protokolliert, auch nachdem sich der Alarm aufgehoben hat. Und wenn Sie Prometheus einsetzen, alarmieren Sie darauf, dass rabbitmq_alarms_memory_used_watermark und rabbitmq_alarms_file_descriptor_limit in einem beliebigen Zeitfenster ungleich null werden, nicht nur auf den aktuellen Scrape-Wert. Denn eine fünfminütige Spitze zwischen zwei Scrapes im 30-Sekunden-Takt lässt sich in der Historie der Metrik noch erfassen, selbst wenn die aktuelle Dashboard-Ansicht unauffällig aussieht.

Partitionen nach Plan statt improvisiert wiederherstellen

pause_minority erledigt seine Aufgabe automatisch: Die Seite, die keine Mehrheit sieht, pausiert, statt Schreibvorgänge anzunehmen, die sie nicht abgleichen kann. Der Fehler, den Teams machen, kommt danach – wenn jemand den pausierten Node eilig zurückholt, ohne vorher irgendetwas zu prüfen. Bevor ein wiederhergestellter Node wieder Traffic bekommt, bestätigen Sie drei Dinge: dass die pausierte Seite während der Trennung tatsächlich keine Schreibvorgänge angenommen hat (unter pause_minority zu erwarten, aber prüfen Sie es, statt es anzunehmen), dass rabbitmqctl cluster_status auf dem wieder beitretenden Node zeigt, dass er sich mit der aktuellen Mehrheit synchronisiert und nicht mit seiner eigenen veralteten Sicht, und dass rabbitmq-diagnostics check_running fehlerfrei durchläuft, bevor er Produktions-Traffic übernimmt. Halten Sie das in einem Runbook fest, mit einer namentlich benannten Person, die den Wiedereintritt freigibt. Eine Partition, die unter Incident-Druck mit einer improvisierten Befehlsfolge behandelt wird, macht aus einem beherrschbaren Ereignis schnell ein Projekt zum manuellen Datenabgleich.

Die ersten Diagnosebefehle

Legen Sie diese Liste neben Ihr Incident-Runbook. Jeder Befehl verrät etwas anderes, und wer sie in einer sinnvollen Reihenfolge ausführt, bevor er die Konfiguration anfasst, sichert die Beweise, die er braucht, falls sich das Problem als Bug statt als Fehlkonfiguration herausstellt.

rabbitmqctl cluster_status                                    # membership, partitions, which nodes are up
rabbitmq-diagnostics check_running                             # is the app started on this node
rabbitmq-diagnostics alarms                                    # active memory or disk alarms right now
rabbitmq-diagnostics memory_breakdown                           # what's actually holding the memory
rabbitmqctl list_queues name type leader online_members         # queue type, current leader, replica health
rabbitmqctl list_connections name peer_host state                # who's connected and from where
rabbitmqctl list_channels connection prefetch_count messages_unacknowledged  # prefetch and ack backlog per channel
rabbitmq-diagnostics environment                                # effective config, not just the config file
rabbitmq-diagnostics status                                     # version, uptime, data directory, listeners
rabbitmqctl list_permissions -p /your-vhost                      # confirm access isn't the actual problem

Führen Sie die ersten drei vor allem anderen aus. Sie zeigen Ihnen – in dieser Reihenfolge –, ob der Node läuft, ob er sich bewusst mit einem Alarm schützt und ob sich der Cluster über seine eigene Mitgliedschaft einig ist. Einen Node neu zu starten, bevor Sie diese drei geprüft haben, ist der mit Abstand häufigste Weg, genau die Beweise zu vernichten, die Sie zur Ursachenfindung brauchen.

Wenn die Diagnose konkret auf Kubernetes hindeutet, finden Sie unter RabbitMQ-Monitoring auf Kubernetes die Metriken, für die sich über das hier Genannte hinaus Alerts lohnen. Bleibt die Spalte messages_unacknowledged hartnäckig hoch, ist der Prefetch Count als Nächstes zu prüfen. Für einen Cluster, der der Topologie entwächst, für die er ursprünglich ausgelegt wurde, lesen Sie RabbitMQ-Architektur für den Enterprise-Produktivbetrieb. Und wenn Ihnen eines der vier Fehlerbilder oben aus Ihrem eigenen Cluster bekannt vorkommt: Unser RabbitMQ-Troubleshooting-Service und unser Support-Team führen genau diese Diagnose täglich durch – mit Reaktionszeitzielen ab 15 Minuten, je nach Plan, und einem direkten Draht zum RabbitMQ Core Team, wenn sich ein Bug statt einer Fehlkonfiguration als Ursache herausstellt.

Monitoring: Probleme erkennen, bevor Sie nachts geweckt werden

Die meisten RabbitMQ-Probleme zeigen sich in den Metriken lange bevor sie zu Ausfällen werden.

rabbitmq-plugins enable rabbitmq_management    # management UI on 15672
rabbitmq-plugins enable rabbitmq_prometheus    # metrics on 15692

Die RabbitMQ Management UI bietet Ihnen den Queues-Tab, Ansichten zum Lebenszyklus von Verbindungen und zu Channels sowie Speicheraufschlüsselungen pro Node – ganz ohne CLI. Das Management-Plugin ist während eines Incidents der schnellste Weg, den Zustand des Brokers zu prüfen.

Eine praxiserprobte Konfiguration aus einem aktuellen Deployment: Ein Scrape-Intervall von 30 Sekunden sorgt für lückenlose Erfassung, ohne den Speicher zu fluten, und auf einem Cluster mit wenig Traffic blieben Metriken auf Queue-Ebene bewusst deaktiviert. Die Kardinalität pro Queue erzeugt auf einem Broker mit Tausenden Queues riesige Datenmengen, die niemand liest. Health Checks auf Node- und Cluster-Ebene haben auf diesem System jeden echten Incident erkannt.

Überwachen Sie mindestens: den Status von Memory- und Disk-Alarmen, die Queue-Tiefe, die Consumer Capacity, die Zahl unbestätigter Nachrichten, die Verfügbarkeit der Nodes und Partitionsereignisse. Diese sechs Metriken decken jedes Fehlerbild in diesem Leitfaden ab.

Erhöhen Sie bei Logdateien das Log-Level vorübergehend statt dauerhaft – Debug-Logging auf einem stark ausgelasteten Broker erzeugt so viel Volumen, dass es genau den Disk-Alarm auslösen kann, den Sie gerade diagnostizieren:

rabbitmqctl set_log_level debug
# reproduce the issue, then
rabbitmqctl set_log_level info

Ist ein Node komplett abgestürzt, suchen Sie im RabbitMQ-Datenverzeichnis nach einer Dump-Datei erl_crash.dump. Der Erlang-Crash-Dump-Viewer (cdv) zeigt, welcher Prozess gestorben ist und wie viel Speicher er belegt hatte – oft der schnellste Weg zur Ursache, wenn der Node keine brauchbaren Log-Einträge hinterlassen hat.

Ebenfalls regelmäßig sinnvoll: Sichern Sie Cluster-Konfiguration und Benutzerdefinitionen, damit Disaster Recovery nicht zur Archäologie wird; simulieren Sie realen Traffic und Ausfallszenarien in der Pre-Production; und verwalten Sie Konfigurations- und Topologieänderungen in Ihrem Infrastructure-as-Code-Repository, damit sich eine Regression auf eine konkrete Änderung zurückführen lässt.

Wann Sie den RabbitMQ-Support hinzuziehen sollten

Intern lösen lassen sich: Neustarts einzelner Nodes, die Untersuchung von Alarmen, Korrekturen an Berechtigungen und Virtual Hosts, Prefetch-Tuning, Plugin-Konflikte und Ausnahmen im Virenscanner.

Eskalieren Sie bei:

  • einer Cluster-Partition, bei der beide Seiten Schreibvorgänge angenommen haben und Sie die Daten abgleichen müssen
  • Quorum Queues, die nicht verfügbar bleiben, obwohl jeder Node nachweislich gesund ist
  • wiederholten Abstürzen ohne erkennbare Ursache in Logdateien oder Dump-Analysen
  • Nachrichtenverlust, den Sie sich nicht erklären können
  • einem Upgrade über mehrere Major-Versionen auf einem Cluster, den Sie nicht offline nehmen können
  • Security Advisories für eine Version, die Sie nicht schnell patchen können

All das hat eines gemeinsam: Ein falscher Schritt kostet mehr als eine zweite Meinung. Wer eine Quorum Queue mit Gewalt wieder online bringt, ohne zu wissen, welche Seite die maßgeblichen Daten hält, macht aus einer beherrschbaren Partition einen dauerhaften Datenverlust. Für eine schriftliche Prüfung Ihres Clusters deckt ein RabbitMQ Health Check diese zwölf Probleme ab.

Wenn der Broker, den Sie gerade untersuchen, auf einer Version läuft, die das Open-Source-Projekt nicht mehr pflegt (Stand 2026: 3.13 und alle älteren Versionen), prüfen Sie, ob der benötigte Fix für Ihre Serie überhaupt je erschienen ist, bevor Sie eine Nacht in einen Workaround stecken. Viele der oben genannten Probleme wurden upstream erst in späteren Releases gepatcht. Um sicher zu bleiben, müssen Sie nicht upgraden: Extended Support für ältere RabbitMQ-Versionen portiert Sicherheitsfixes auf 3.x-Broker zurück, sodass Sie den alten Cluster weiterbetreiben können, während das Upgrade in Ruhe geplant wird.

Zwei Ergänzungen zu dieser Liste. Wenn das Symptom Langsamkeit statt eines Ausfalls ist, arbeiten Sie den Leitfaden zum RabbitMQ-Performance-Tuning durch, der die Prüfungen in der Reihenfolge durchgeht, die den Engpass am schnellsten findet. Und wenn Sie wissen möchten, wie oft jedes dieser Probleme tatsächlich vorkommt: Unsere Analyse von 145 RabbitMQ-Support-Tickets schlüsselt sie nach Kategorie und Jahr auf.

AceMQ bietet RabbitMQ-Beratung für Enterprise-Deployments – SLA-gestützte Incident Response rund um die Uhr (24/7), Cluster-Assessments, Upgrade-Planung und CVE-Patching. Ob Sie Open-Source-RabbitMQ oder ein kommerzielles Abonnement betreiben: Wir helfen Ihnen, RabbitMQ-Probleme zu beheben, bevor sie zu Ausfallzeiten führen.

RabbitMQ-Troubleshooting: Häufige Fragen

Warum nimmt RabbitMQ keine Nachrichten mehr an?

Die häufigste Ursache ist ein aktiver Memory- oder Disk-Alarm. RabbitMQ blockiert publizierende Verbindungen, sobald der Speicherverbrauch das High Watermark überschreitet (Standard: 40% des RAM) oder der freie Plattenplatz unter das Disk Free Limit fällt (Standard: 50 MB). Prüfen Sie das mit rabbitmq-diagnostics alarms.

Wie erkenne ich, ob ein RabbitMQ-Cluster partitioniert ist?

Führen Sie rabbitmqctl cluster_status auf jedem Node aus. Melden die Nodes eine unterschiedliche Mitgliedschaft oder erscheint in der Ausgabe ein Abschnitt partitions, ist der RabbitMQ-Cluster partitioniert. Vergleichen Sie die Ausgabe aller Nodes – die Sicht eines einzelnen Nodes reicht nicht aus.

Warum ist eine RabbitMQ Quorum Queue plötzlich nicht mehr verfügbar?

Quorum Queues brauchen eine Mehrheit ihrer Member online, um einen Leader zu wählen. Eine Queue über drei Nodes verkraftet den Ausfall eines Nodes, nimmt aber keine Schreibvorgänge mehr an, wenn zwei nicht verfügbar sind. Prüfen Sie zuerst die Verfügbarkeit der Nodes und stellen Sie dann sicher, dass kein versionsspezifischer Bug Ihr Patch-Release betrifft.

Warum schlagen TLS-Verbindungen zu RabbitMQ auf Port 5671 fehl?

Meist liegt es an einem Zertifikat, dessen Common Name oder SAN-Felder nicht zu dem Hostnamen passen, mit dem sich der Client verbindet. In Clustern hinter einem Load Balancer muss das die Adresse des Load Balancers sein, nicht der Hostname des einzelnen Nodes. Andernfalls scheitert der Handshake auch mit ansonsten gültigen Zertifikaten.

Wie rette ich Nachrichten, die in einer RabbitMQ-Queue feststecken?

Ermitteln Sie mit rabbitmqctl list_queues name messages messages_unacknowledged consumers, ob Consumer fehlen, keine Acks senden oder zu langsam sind. Als unbestätigt angezeigte Nachrichten kehren automatisch in die Queue zurück, sobald die Client-Verbindung geschlossen wird – sie gehen nicht verloren.

Warum ist RabbitMQ langsam, obwohl die Logs keine Fehler zeigen?

Suchen Sie außerhalb des Brokers. Virenscans der Mnesia- und Queue-Verzeichnisse, CPU Steal Time auf einem geteilten Hypervisor und Engpässe beim Disk-I/O bremsen RabbitMQ massiv aus, ohne einen einzigen Eintrag im RabbitMQ-Log zu erzeugen.

Wo liegen die Logdateien von RabbitMQ?

In der Regel unter /var/log/rabbitmq/ auf Linux und im RabbitMQ-Datenverzeichnis unter Windows. Den genauen Pfad bestätigt rabbitmq-diagnostics status, das die konfigurierten Speicherorte der Logdateien ausgibt.

Kann ich RabbitMQ 3.x sicher in Produktion betreiben?

Ja, aber nur, wenn Sie weiterhin Patches bekommen. Neue Entwicklung und Security-Arbeit zielen auf die 4.x-Serie, sodass ein nicht mehr unterstützter 3.x-Cluster mit der Zeit ungepatchte Security Advisories ansammelt. Wenn Sie nicht in dem Zeitrahmen migrieren können, den der Release-Zeitplan der Community vorgibt, sorgt Extended Support über 3.12.x hinaus dafür, dass Patches, Performance-Fixes und Sicherheitsupdates auch für ältere Versionen weiter bereitstehen – und genau das macht meist den Unterschied zwischen einem sicheren 3.x-Betrieb und einem Betrieb auf geborgte Zeit.

Warum verliert mein RabbitMQ-Cluster bei Kubernetes-Wartungen das Quorum?

Ein Kubernetes-Drain entfernt den Pod, weist RabbitMQ aber nicht an, vorher die Leaderschaft der Quorum Queues abzugeben. Wird der Node nach Ablauf der Termination Grace Period hart beendet, verlieren alle Queues, deren Leader er war, gleichzeitig ihren Leader, und der Cluster muss unter Last neue wählen. Ergänzen Sie einen PreStop-Hook, der `rabbitmqctl stop_app` ausführt, bevor der Pod beendet wird, und geben Sie ihm mit `terminationGracePeriodSeconds` genug Zeit für die Übergabe. Prüfen Sie mit `rabbitmqctl list_queues name type leader online_members`, dass keine Queue mehr auf den gedrainten Node verweist, bevor Sie den Drain als sicher betrachten.

Welchen Befehl sollte ich zuerst ausführen, wenn RabbitMQ Probleme macht?

Führen Sie `rabbitmq-diagnostics check_running` aus, um zu prüfen, ob die App tatsächlich läuft, `rabbitmq-diagnostics alarms`, um zu sehen, ob RabbitMQ Publisher absichtlich blockiert, und `rabbitmqctl cluster_status`, um zu prüfen, ob sich alle Nodes über die Cluster-Mitgliedschaft einig sind. Führen Sie alle drei aus, bevor Sie irgendetwas neu starten. Die meisten Incidents lösen sich, sobald Sie wissen, in welchem dieser drei Zustände Sie sich tatsächlich befinden – ein vorschneller Neustart vernichtet die Spuren, die Sie sonst zur eigentlichen Ursache führen würden.

Die zehn Muster hinter den meisten dieser Probleme – jeweils mit Symptom, Ursache und Lösung – finden Sie geordnet im RabbitMQ-Leitfaden zur Zuverlässigkeit.

Scott Sternloff

Autor

Scott SternloffSenior Enterprise Architect

Senior Enterprise Architect bei AceMQ. Verantwortet hier die technischen Beiträge: Architektur, Clustering und Migrationen von RabbitMQ, Kafka und Redis.

Leitfäden, Vergleiche und Studien

Mehr zum Thema RabbitMQ

Kostenlose Beratung

Lassen Sie Experten auf Ihre RabbitMQ-Cluster-Umgebung schauen

Ob Sie einen Produktionsvorfall beheben, eine Migration planen oder eine zweite Meinung zu Ihrer Architektur wünschen – unser Team steht bereit. Kein Verkaufsgespräch, nur Antworten.

E-Mail schreiben