WISSEN > OBJECT STORAGE -> S3 ALS ZUGRIFFSSCHICHT
Autor: Dirk Neumann Geschäftsführer ASSISTRA Cloud Services GmbH 17.08.2026
S3 als gemeinsame Zugriffsschicht für Object Storage
Architektur zwischen Backup, Archiv, Anwendungen, Analytics und KI
Das sollten Sie mitnehmen:
- Eine gemeinsame API ist keine gemeinsame Datenarchitektur.
S3 standardisiert den Zugriff, nicht Konsistenz, Performance, Schutzmechanismen oder Datenhoheit.
- Trennung entsteht durch Accounts, Policies und Buckets.
Mehrere Buckets allein ergeben noch keine belastbare Mandantentrennung, insbesondere keine Performance-Isolation.
- Kapazität und Request-Rate sind unterschiedliche Größen.
Eine Plattform mit ausreichend Speicherplatz kann an Objektzahl, Parallelität oder LIST-Operationen scheitern.
- S3-kompatibel bedeutet nicht funktionsgleich.
Lifecycle, Object Lock und IAM sind je nach Implementierung unterschiedlich ausgeprägt und müssen gegen die Anforderung geprüft werden.
- Konsolidierung verlagert Abhängigkeiten.
Gemeinsame Control Plane, Failure Domains und Energiebedarf werden zu Architekturfragen, sobald mehrere Workloads dieselbe Plattform nutzen.

S3 als zentrale Datenplattform
Inhaltsverzeichnis
- Die Schnittstelle entkoppelt Anwendung und Storage-Infrastruktur
- Vom einzelnen Storage-Silo zum gemeinsamen Data Layer
- Accounts, Policies und Buckets bilden die eigentlichen Architekturgrenzen
- Eine Plattform bedeutet nicht einen Workload
- Gemeinsame Infrastruktur, unterschiedliche Data Policies
- S3 als Anwendungs- und Analyseschnittstelle
- Für KI liefert S3 die Datenbasis, nicht die Verarbeitungsschicht
- S3-kompatibel bedeutet nicht identisch
- Unsere Praxiserfahrung: Object Storage über Backup hinaus
- Die gemeinsame Plattform verlagert Abhängigkeiten, statt sie aufzulösen
- Leistungsaufnahme, Kühllast und Stellfläche entscheiden mit über den Nutzen der Konsolidierung
- Datenhoheit ist eine Architekturentscheidung, keine Standortfrage
- Wann eine zentrale Object-Storage-Plattform mit S3-Schnittstelle sinnvoll ist
- Fazit
- Quellen
S3 wird häufig noch primär als Ziel für Backups oder als Cloud-Speicher betrachtet, und technisch ist das zu kurz gegriffen. Eine S3-basierte Object-Storage-Infrastruktur kann als gemeinsamer Data Layer für sehr unterschiedliche Anwendungen dienen: für Backup und Archivierung ebenso wie für File Services, Applikationsdaten, Analytics und zunehmend auch für Datenpipelines im KI-Umfeld. Der entscheidende Architekturwechsel besteht dabei darin, Storage nicht mehr einer einzelnen Anwendung zuzuordnen, sondern unterschiedliche Systeme über eine gemeinsame Object-Storage-Schnittstelle auf logisch voneinander getrennte Datenbestände zugreifen zu lassen.
Damit entsteht allerdings nicht automatisch eine universelle Datenplattform. Unterschiedliche Workloads stellen unterschiedliche Anforderungen an Zugriffsmuster, Schutz, Retention, Performance und Identitäten, und eine tragfähige S3 Data Platform muss diese Unterschiede oberhalb einer gemeinsamen Storage-Infrastruktur abbilden, statt sie einzuebnen.
Die Schnittstelle entkoppelt Anwendung und Storage-Infrastruktur
Die Grundlage bildet die von Amazon S3 etablierte Object-Storage-API. Anwendungen adressieren dort keine Blöcke und arbeiten auch nicht zwangsläufig mit einem klassischen hierarchischen Dateisystem. Vereinfacht führt der Weg vom Account beziehungsweise der Identität über den Bucket und den Object Key zum Objekt samt seinen Metadaten, und der Zugriff erfolgt über API-Operationen wie PUT Object, GET Object, HEAD Object, DELETE Object und LIST Objects. Während ein klassischer File Service den Anwendungen Dateisystemsemantik zur Verfügung stellt, stellt ein Object Store eine API zur Speicherung und Abfrage von Objekten bereit.
Bereits an dieser Stelle ist eine Differenzierung notwendig, die häufig übersehen wird, denn Amazon S3 kennt inzwischen mehrere Bucket-Typen mit unterschiedlichem Verhalten. General Purpose Buckets besitzen eine flache Struktur, in der Zeichen wie / innerhalb eines Keys von Anwendungen und Benutzeroberflächen zwar als Verzeichnisstruktur dargestellt werden können, aber kein Dateisystem erzeugen. Directory Buckets organisieren Daten dagegen hierarchisch in Verzeichnissen: Der einzige unterstützte Delimiter ist der Forward Slash, Verzeichnisse entstehen automatisch entlang der Delimiter-Grenzen, und ListObjectsV2 liefert unsortierte Ergebnisse. Hinzu kommen Table Buckets und Vector Buckets mit jeweils eigenen Eigenschaften. Die verbreitete Kurzformel, Object Storage kenne keine Verzeichnisse, ist damit vom Bucket-Typ abhängig, und wer eine S3-Plattform plant, muss wissen, welchen Typ eine Anwendung tatsächlich benötigt.
Oberhalb dieser Modelle steht in allen Fällen dieselbe Entkopplung. Die Anwendung spricht die S3 API an, dahinter liegt eine Object-Storage-Plattform und darunter die physische Storage-Infrastruktur. Die Anwendung muss deshalb nicht zwangsläufig wissen, wie der Storage intern organisiert ist, denn hinter einem S3 Endpoint können je nach Implementierung unterschiedliche Mechanismen für Datenverteilung, Replikation, Erasure Coding oder geografische Redundanz stehen.
Genau hier ist allerdings zwischen S3 als API und Amazon S3 als konkretem Service zu unterscheiden. Amazon dokumentiert für seinen eigenen Service starke Read-after-Write-Konsistenz für PUT- und DELETE-Requests in allen Regionen, sowohl für neue Objekte als auch für überschreibende PUT-Operationen, und beschreibt Updates eines einzelnen Keys als atomar: Ein paralleler GET liefert entweder die alten oder die neuen Daten, niemals partielle oder korrupte. Diese Eigenschaft darf nicht pauschal auf jedes Produkt übertragen werden, das eine S3-kompatible API anbietet, denn Konsistenz, unterstützte API-Funktionen, Skalierungsverhalten und Failure Handling hängen von der jeweiligen Implementierung ab.
Vom einzelnen Storage-Silo zum gemeinsamen Data Layer
Traditionell entstehen Storage-Infrastrukturen häufig anwendungsbezogen. Backup schreibt auf Backup Storage, das Archiv liegt auf einem Archivsystem, Anwendungen bringen jeweils eigenen Storage mit, und Analytics nutzt einen separaten Data Store. Das kann technisch sinnvoll sein, führt aber zu getrennten Storage-Domänen mit jeweils eigenem Betrieb, eigener Beschaffung und eigenen Lebenszyklen.
Eine S3 Data Platform verfolgt einen anderen Ansatz:
text
Backup ────────────┐
Archivierung ──────┤
File Services ─────┤
Anwendungen ───────┼── S3 API ── Object Storage
Analytics ─────────┤
KI / RAG ──────────┘
[Diagramm 1 – SVG folgt in der Diagrammphase]
Die physische oder logische Storage-Plattform kann dabei gemeinsam sein, während die Datenbestände getrennt bleiben. Der entscheidende Punkt lautet deshalb, dass gemeinsamer Storage keine gemeinsame Daten- oder Security-Domain bedeutet.
Accounts, Policies und Buckets bilden die eigentlichen Architekturgrenzen
Eine zentrale S3-Plattform sollte nicht dazu führen, dass sämtliche Anwendungen in denselben Datenbestand schreiben. Buckets trennen Datenbestände logisch voneinander, etwa als s3://backup-production, s3://archive-finance, s3://engineering-data, s3://file-services, s3://analytics und s3://ai-source-data. Auf diesen Ebenen lassen sich je nach S3-Implementierung unterschiedliche Policies, Zugriffsrechte, Lifecycle-Regeln, Versionierung oder Retention-Einstellungen definieren.
Amazon S3 verwendet Bucket Policies als ressourcenbasierte Policies und ergänzt sie um IAM-gesteuerte Zugriffsrechte. Auch S3-kompatible Plattformen implementieren entsprechende Mechanismen: Scality ARTESCA dokumentiert S3-, IAM- und STS-APIs und ermöglicht damit die Trennung von Storage Accounts, Benutzern, Rollen und Buckets, während Wasabi identitäts- und ressourcenbasierte Policies zur Einschränkung des Zugriffs auf einzelne Buckets beschreibt. Die Kette aus Account, Identität, Policy und Bucket wird damit zum zentralen Bestandteil des Designs.
Eine häufige Fehlinterpretation wäre allerdings, mehrere Buckets bereits mit vollständiger Mandantentrennung gleichzusetzen. Eine belastbare Multi-Tenant-Architektur muss mehrere Ebenen gleichzeitig betrachten. Auf der Ebene der Identitäten ist zu klären, welche Accounts, Benutzer oder Anwendungen überhaupt Credentials besitzen. Die Autorisierung bestimmt, welche API-Operationen diese Identitäten ausführen dürfen, und die Datenisolation, auf welche Buckets und Objekte sie dabei zugreifen können. Davon zu unterscheiden ist die administrative Isolation, also die Frage, wer Policies, Accounts, Retention oder andere Sicherheitsmechanismen überhaupt verändern kann. Schließlich bleibt die Performance-Isolation: ob ein Workload Ressourcen so stark beanspruchen kann, dass andere Workloads beeinträchtigt werden.
Dass diese Ebenen nicht ineinander aufgehen, lässt sich an dokumentierten Mechanismen zeigen. Wasabi weist darauf hin, dass identitätsbasierte und ressourcenbasierte Policies gemeinsam ausgewertet werden, sodass ein Benutzer mit einem Allow in seiner IAM-Policy – etwa durch eine weitreichende Administrations- oder Vollzugriffsrolle – auf einen Bucket zugreifen kann, auch wenn er in dessen Bucket Policy nicht genannt ist. Um solche hochprivilegierten Identitäten zu blockieren, ist ein explizites Deny erforderlich. Eine Bucket Policy, die nur bestimmte Benutzer erlaubt, wirkt also nicht automatisch als Ausschluss aller übrigen.
Amazon dokumentiert für General Purpose Buckets einen zweiten Fall, der in dieselbe Richtung weist: Eine Bucket Policy kann Löschungen oder Transitions durch eine Lifecycle-Regel nicht verhindern. Selbst wenn die Policy allen Prinzipalen sämtliche Aktionen verweigert, arbeitet die Lifecycle-Konfiguration unverändert weiter. Lifecycle ist damit ein eigenständiger Kontrollpfad neben der Zugriffssteuerung, was insbesondere bei Backup- und Archivbeständen Konsequenzen hat.
Hinzu kommt eine praktische Grenze. Amazon S3 erlaubt standardmäßig 10.000 General Purpose Buckets je Account und ermöglicht über Service Quotas eine Erhöhung auf bis zu eine Million, wobei die ersten 2.000 Buckets kostenfrei sind und darüber eine monatliche Gebühr anfällt. Oberhalb des Standardkontingents werden unpaginierte ListBuckets-Requests abgelehnt, was Verwaltungswerkzeuge betreffen kann. Wer Buckets als primäre Trennlinie verwendet, sollte diese Grenzen und die Grenzen der jeweils eingesetzten Plattform kennen. Die Frage nach der Performance-Isolation lässt sich ohnehin weder durch IAM noch durch Bucket Policies beantworten, denn logische Zugriffstrennung ist nicht automatisch Ressourcentrennung.
Eine Plattform bedeutet nicht einen Workload
Backup und Analytics können beide S3 verwenden und dabei nahezu gegensätzliche Zugriffsmuster erzeugen. Ein Backup-System schreibt große Mengen neuer Objekte und liest ältere Daten überwiegend nur während eines Restore, während eine Analytics-Anwendung große Datenmengen parallel liest. Andere Anwendungen erzeugen sehr viele kleine Objekte oder zahlreiche Metadata- und LIST-Operationen.
Bei einer gemeinsamen Plattform muss deshalb mindestens zwischen folgenden Größen unterschieden werden:
Objektanzahl
durchschnittliche und verteilte Objektgröße
PUT-Rate
GET-Rate
LIST-Operationen
Parallelität
Read-/Write-Verhältnis
Retention
Änderungsrate
benötigter Durchsatz
Netzwerkbandbreite
Die Aussage, eine Plattform besitze ein Petabyte Kapazität, beschreibt damit nur einen Teil ihrer Belastbarkeit, denn Kapazität und Request-Performance sind unterschiedliche Dimensionen.
Amazon dokumentiert das für den eigenen Service konkret. Eine Anwendung erreicht mindestens 3.500 PUT-, COPY-, POST- oder DELETE-Requests beziehungsweise 5.500 GET- oder HEAD-Requests pro Sekunde je partitioniertem Präfix, und die Anzahl der Präfixe innerhalb eines Buckets ist nicht begrenzt. Die Skalierung auf höhere Raten erfolgt allerdings graduell und nicht sofort, sodass währenddessen HTTP-503-Antworten auftreten können; Amazon weist ausdrücklich darauf hin, dass die tatsächlich erreichbare Performance von Workload-Charakteristik, Zugriffsmustern und Systemkonfiguration abhängt.
Diese Zahlen sind kein universeller Maßstab, sondern die Grenzwerte eines konkreten Dienstes, und für andere S3-kompatible Systeme gelten deren jeweilige Architektur- und Produktgrenzen. Der methodische Punkt bleibt jedoch übertragbar: Die Belastbarkeit einer Plattform wird über Request-Verhalten und Datenverteilung bestimmt, nicht über Bruttokapazität.
Gemeinsame Infrastruktur, unterschiedliche Data Policies
Besonders deutlich wird die notwendige Trennung beim Backup. Ein Backup-Bucket benötigt typischerweise Versioning, Object Lock, eine definierte Retention, eingeschränkte Delete-Rechte, separate Credentials und getrennte administrative Zuständigkeiten, während ein Bucket für temporäre Analytics-Ergebnisse möglicherweise keine dieser Eigenschaften braucht.
S3 Object Lock basiert im AWS-Modell auf Versioning und schützt einzelne Objektversionen über Retention Periods oder Legal Holds, wobei zwei Modi zu unterscheiden sind. Im Governance Mode können privilegierte Identitäten die Retention umgehen; erforderlich sind dafür die Berechtigung s3:BypassGovernanceRetention und ein expliziter Request-Header, der das Umgehen anfordert. Im Compliance Mode kann eine geschützte Objektversion während der Retention dagegen von keinem Benutzer überschrieben oder gelöscht werden, einschließlich des Root Users des Accounts. Der Retention Mode ist dann nicht mehr änderbar und die Retention Period nicht verkürzbar, und Amazon dokumentiert, dass die einzige Möglichkeit, ein solches Objekt vor Ablauf zu entfernen, die Löschung des zugehörigen Accounts ist.
Diese Unterscheidung ist für Cyber-Resilience-Architekturen wesentlich, und sie hat eine unmittelbare Betriebsfolge: Der Compliance Mode schützt auch vor der eigenen Organisation, einschließlich fehlerhaft gesetzter Retention-Werte. Praktisch relevant ist außerdem die Nachrüstbarkeit. Amazon erlaubt seit November 2023, Object Lock auf bestehenden Buckets zu aktivieren, und bestehende Objekte lassen sich anschließend über Batch-Operationen mit Retention-Parametern versehen. Diese Eigenschaft ist, wie sich weiter unten zeigt, nicht bei jeder S3-kompatiblen Implementierung gegeben.
Neben dem Schutz steht die Frage des Lebenszyklus. Bei großen Object-Storage-Umgebungen muss nicht nur festgelegt werden, wo Daten gespeichert werden, sondern auch, wie lange sie dort verbleiben. Lifecycle-Regeln können anhand von Alter, Präfix oder Tags Aktionen auslösen, wobei Amazon S3 zwei Aktionstypen unterscheidet: Transition Actions verschieben Objekte in eine andere Storage Class, Expiration Actions löschen abgelaufene Objekte. Damit lässt sich der Lebenszyklus eines Objekts prinzipiell als Policy beschreiben, die von der Erzeugung über einen aktiven und einen selten genutzten Zustand bis zu Archivierung und Ablauf führt. Welche dieser Zustände tatsächlich zur Verfügung stehen, hängt vom jeweiligen Storage-Service ab. Lifecycle Management ist damit nicht lediglich eine Kostenfunktion, sondern Bestandteil der Datenarchitektur, denn eine Backup-Datei, ein revisionsrelevantes Archivobjekt und ein temporäres Analytics-Ergebnis besitzen typischerweise unterschiedliche Lebenszyklen.
Eine dritte Abgrenzung betrifft die Versionierung. S3 Versioning kann mehrere Versionen eines Objekts innerhalb eines Buckets aufbewahren und erlaubt so die Wiederherstellung nach versehentlichem Überschreiben oder Löschen. Versioning ist deshalb ein wichtiger Data-Protection-Mechanismus, aber kein vollständiges Backup-Konzept, denn die Versionen verbleiben zunächst innerhalb derselben Storage- und administrativen Umgebung. Anforderungen an unabhängige Recovery Copies, separate Failure Domains oder getrennte administrative Trust Domains müssen zusätzlich betrachtet werden. Dasselbe gilt für Replikation: Weder Replikation noch Versionierung ersetzen ein Backup, auch wenn beide Bestandteile einer Data-Protection-Architektur sein können.
Beide Datenklassen – geschützter Langzeitbestand und flüchtiges Zwischenergebnis – identisch zu konfigurieren würde den Vorteil einer gemeinsamen Plattform wieder reduzieren. Die tragfähige Abstraktion lautet daher: gemeinsame Infrastruktur, unterschiedliche Data Policies.
S3 als Anwendungs- und Analyseschnittstelle
Besonders interessant wird eine Object-Storage-Plattform mit S3-Schnittstelle, wenn nicht nur Backup-Produkte auf sie zugreifen. Moderne Anwendungen können Object Storage unmittelbar als persistenten Datenspeicher verwenden und Objekte über SDK oder API direkt erzeugen, lesen und löschen sowie Metadaten oder Tags nutzen. Damit entfällt eine zusätzliche File- oder Block-Abstraktionsschicht.
Dieser Ansatz ist allerdings nur sinnvoll, wenn das Datenmodell der Anwendung zu Object Storage passt. Eine Anwendung, die POSIX-Semantik, Byte-Range-Updates innerhalb bestehender Dateien, File Locking oder klassische Filesystem-Operationen erwartet, wird nicht allein dadurch zu einer Object-Storage-Anwendung, dass ein S3-kompatibles Backend vorhanden ist. S3-Kompatibilität ersetzt kein Dateisystem.
Für analytische Workloads besitzt Object Storage eine weitere interessante Eigenschaft, denn Compute und Storage lassen sich voneinander entkoppeln. Daten können persistent im Object Storage liegen, während unterschiedliche Compute-Systeme darauf zugreifen, und müssen damit nicht für jede Verarbeitung vollständig in ein eigenes Storage-System kopiert werden. Das bedeutet allerdings nicht, dass beliebige S3-Objekte automatisch analytisch nutzbar wären, denn für Analytics spielen zusätzlich Datenformat, Partitionierung, Metadaten und Katalogisierung eine Rolle. Ein Object Store stellt die Objekte bereit; ihre fachliche Bedeutung definiert er nicht.
Für KI liefert S3 die Datenbasis, nicht die Verarbeitungsschicht
Object Storage eignet sich grundsätzlich zur Speicherung großer Mengen unstrukturierter und strukturierter Daten und kann damit einen Storage Layer innerhalb einer KI-Datenarchitektur bilden:
text
Dokumente
Bilder
Videos
Logs
Tabellen
Modelldaten
│
▼
S3 Data Layer
│
├── Data Processing
├── ETL / ELT
├── Analytics
└── AI / RAG Pipeline
[Diagramm 2 – SVG folgt in der Diagrammphase]
Ein S3 Bucket ist damit aber noch keine KI-Datenplattform. Für Retrieval Augmented Generation müssen Dokumente typischerweise verarbeitet, segmentiert und für die Suche erschlossen werden, und je nach Architektur kommen zusätzliche Metadaten-, Such-, Index- oder Vektorsysteme hinzu.
Die jüngere Entwicklung bei Amazon S3 bestätigt diese Trennung, statt sie aufzuheben. Mit S3 Vectors, seit Dezember 2025 allgemein verfügbar und seit März 2026 in 31 Regionen angeboten, existiert eine native Vektorspeicherung innerhalb von S3. Sie ist jedoch ausdrücklich kein Merkmal des General Purpose Buckets, sondern ein eigener Bucket-Typ. Vector Buckets besitzen einen eigenen Satz von API-Operationen und einen eigenen Service-Namespace, sodass Berechtigungen gezielt für diesen Dienst und seine Ressourcen entworfen werden können. Innerhalb eines Vector Buckets werden Vektordaten in Indizes organisiert, wobei Amazon bis zu zwei Milliarden Vektoren je Index und bis zu 10.000 Indizes je Vector Bucket nennt. Block Public Access ist für Vector Buckets dauerhaft aktiviert und lässt sich nicht deaktivieren, und es bestehen Integrationen unter anderem zu Amazon Bedrock Knowledge Bases und zu OpenSearch.
Architektonisch ist das der entscheidende Punkt. Retrieval entsteht nicht dadurch, dass Dokumente in einem Bucket liegen, sondern erfordert einen anderen Ressourcentyp, eine andere API und ein eigenes Berechtigungsmodell – und in Umgebungen ohne diesen Dienst entsprechend eigene Index- oder Vektorsysteme. S3 kann in beiden Fällen die persistente Datenbasis bilden, ersetzt die Verarbeitungsschichten aber nicht. Für dieses Architekturmuster liegen uns bislang keine eigenen Projektdaten vor, weshalb dieser Abschnitt als Architekturbetrachtung zu lesen ist.
S3-kompatibel bedeutet nicht identisch
Die S3 API wurde durch Amazon geprägt und wird von zahlreichen anderen Storage-Systemen implementiert. Eine Anwendung, die PUT, GET und DELETE verwendet, kann deshalb grundsätzlich mit unterschiedlichen S3-kompatiblen Endpoints arbeiten, sofern die konkret benötigten Operationen und Semantiken unterstützt werden. Daraus folgt jedoch nicht, dass S3-kompatibel und Amazon S3 dasselbe wären, und zwei dokumentierte Beispiele zeigen, wie konkret der Unterschied wird.
Scality beschreibt in der ARTESCA-Dokumentation ausdrücklich, dass die Implementierung eine Teilmenge des S3-Protokolls abbildet, und veröffentlicht eine Tabelle der unterstützten Endpoints. Beim Lifecycle Management enthält diese Tabelle ausschließlich Operationen für Lifecycle Expiration, nicht für Transitions. Das im fünften Kapitel beschriebene Lebenszyklusmodell ist damit nicht plattformneutral: Ablauf und Löschung lassen sich abbilden, der automatische Übergang zwischen Speicherklassen als API-gesteuerte Regel dagegen nicht.
Wasabi dokumentiert für Object Lock eine andere Einschränkung. Object Lock kann dort nur bei der Erstellung eines Buckets aktiviert werden, nicht nachträglich auf bestehenden Buckets, und zusätzlich deaktiviert das Anlegen eines Object-Lock-Buckets die Nutzung des herstellereigenen Bucket-Lock-Mechanismus. Wo Amazon seit November 2023 die Nachrüstung erlaubt, erfordert dieselbe Anforderung hier eine Migration der Daten in einen neu angelegten Bucket.
Beide Fälle betreffen keine Randfunktionen, sondern genau die Mechanismen, auf denen Retention- und Cyber-Resilience-Konzepte aufbauen. Produkte können sich darüber hinaus bei unterstützten API-Operationen, IAM-Funktionen, Versioning, Replication, Konsistenz, Multi-Tenancy, maximalen Objekt- oder Bucket-Grenzen, Performance-Verhalten, Failure Handling und geografischer Datenverteilung unterscheiden. Die API-Kompatibilität muss deshalb gegen die Anforderungen der jeweiligen Anwendung geprüft werden, idealerweise anhand der vom Hersteller veröffentlichten Operationstabellen und nicht anhand der Aussage, ein Produkt sei S3-kompatibel.
Unsere Praxiserfahrung: Object Storage über Backup hinaus
Wir haben Object Storage in unterschiedlichen Projekten und Betriebsmodellen eingesetzt, darunter Implementierungen auf Basis von Scality sowie Cloud-Object-Storage-Umgebungen auf Basis von Wasabi. Bei Wasabi nutzen wir über verschiedene Kunden hinweg aktuell rund 3 PB Object Storage.
Eine relevante Beobachtung aus diesen Umgebungen ist, dass Object Storage dort nicht ausschließlich als Backup-Ziel verwendet wird. Neben Backup werden weitere Daten und Ablageformen auf derselben grundlegenden Storage-Technologie betrieben, und in entsprechenden Anwendungsfällen greifen Anwendungen auch unmittelbar über die S3-Schnittstelle auf den Object Storage zu. Die Trennung unterschiedlicher Datenbestände erfolgt dabei über separate Buckets und separate Accounts. Damit entspricht die praktische Architektur nicht dem Muster einer Anwendung je Storage-System, sondern eher dem Muster mehrerer Anwendungen, die über getrennte S3-Domänen auf eine gemeinsame Object-Storage-Plattform zugreifen.
Als wesentliche Gründe für diesen Ansatz haben sich in den von uns begleiteten Umgebungen insbesondere drei Faktoren ergeben: Datenhoheit, Betrieb und Kosten.
Diese Erfahrung darf allerdings nicht dahingehend verallgemeinert werden, dass beliebige Workloads ohne gegenseitige Beeinflussung auf einer Object-Storage-Plattform konsolidiert werden könnten. In den genannten Umgebungen haben wir bislang keine konkreten Probleme durch konkurrierende Workloads beobachtet, doch ohne kontrollierte Messungen lässt sich daraus keine allgemeine Aussage über Performance-Isolation oder Skalierungsgrenzen ableiten. Genau diese Unterscheidung zwischen Beobachtung und belastbarer Aussage ist bei der Planung einer Object-Storage-Plattform mit S3-Schnittstelle wichtig.
Die gemeinsame Plattform verlagert Abhängigkeiten, statt sie aufzulösen
Eine Konsolidierung kann Storage-Silos reduzieren, gleichzeitig steigt jedoch die Bedeutung der gemeinsamen Infrastruktur. Werden Backup, Archive und Anwendungen auf derselben Plattform betrieben, muss deshalb untersucht werden, welche Komponenten tatsächlich gemeinsam genutzt werden.
Auf der Data Plane ist zu klären, über welche Wege PUT- und GET-Requests zu den Daten gelangen. Die Control Plane bestimmt, wie die Plattform administriert wird, und die Identity Plane, wie Benutzer und Anwendungen authentifiziert und autorisiert werden. Hinzu kommen die Failure Domains mit der Frage, welche Hardware-, Standort- oder Softwarefehler mehrere Workloads gleichzeitig treffen können, sowie die Network Plane mit der Frage, welche Netzwerkkomponenten sich die Workloads teilen.
Die entscheidende Architekturfrage lautet deshalb nicht nur, ob diese Anwendungen S3 verwenden können, sondern welche gemeinsamen Abhängigkeiten entstehen, wenn sie dieselbe S3-Plattform verwenden.
Leistungsaufnahme, Kühllast und Stellfläche entscheiden mit über den Nutzen der Konsolidierung
Eine Konsolidierungsentscheidung ist immer auch eine Entscheidung über physische Ressourcen. Bei On-Premises-Plattformen bestimmen Leistungsaufnahme, Kühllast und Rack-Fläche mit darüber, ob eine gemeinsame Plattform gegenüber getrennten Systemen tatsächlich vorteilhaft ist.
Der wesentliche technische Hebel liegt im Redundanzverfahren. Replikation hält vollständige Kopien vor und benötigt für eine gegebene Nutzkapazität entsprechend mehr Rohkapazität, also mehr Datenträger, mehr Stellfläche und mehr Leistungsaufnahme. Erasure Coding erreicht vergleichbare Ausfallsicherheit mit deutlich geringerem Kapazitätsaufschlag, verlagert den Aufwand aber in Rechenleistung für Kodierung und Rekonstruktion sowie in Netzwerklast bei Rebuild-Vorgängen. Welches Verfahren günstiger ist, hängt von Objektgrößen, Zugriffsmustern und Rebuild-Anforderungen ab, und es ist eine Entscheidung mit direkter Wirkung auf den Energiebedarf.
Konsolidierung senkt den Gesamtbedarf allerdings nur dann, wenn sie redundante Kopien tatsächlich reduziert. Werden lediglich mehrere Bestände auf einer Plattform zusammengeführt, ohne dass sich Kopienzahl oder Redundanzverfahren ändern, verschiebt sich der Verbrauch, statt zu sinken.
Zur Bewertung ist PUE nur bedingt geeignet, denn der Wert beschreibt ein Verhältnis zwischen Gesamtverbrauch und IT-Verbrauch, nicht den absoluten Bedarf. Ein Rechenzentrum kann seinen PUE verbessern und gleichzeitig deutlich mehr Energie verbrauchen. Für Storage-Entscheidungen sind absolute Kennzahlen aussagekräftiger, insbesondere die Leistungsaufnahme je nutzbarer Kapazität, die Leistungsaufnahme im Leerlauf und unter Last sowie die daraus resultierende Kühllast.
Regulatorisch ist die Lage in Deutschland derzeit uneindeutig. Das Energieeffizienzgesetz von 2023 gilt unverändert weiter, während eine Novelle das parlamentarische Verfahren durchläuft. Das Bundeskabinett hat den entsprechenden Gesetzentwurf im Juni 2026 beschlossen; er sieht unter anderem angehobene PUE-Grenzwerte für neue und bestehende Rechenzentren sowie Erleichterungen bei der Abwärmenutzung vor. Bis zur Verkündung bleibt die bestehende Rechtslage maßgeblich, weshalb bei Planungen im Jahr 2026 beide Stände zu berücksichtigen sind.
Datenhoheit ist eine Architekturentscheidung, keine Standortfrage
Eine gemeinsame Datenplattform wirft außerdem die Frage auf, wer die technische Kontrolle über die Daten besitzt, und Datenhoheit umfasst dabei mehr als den geografischen Speicherort. Zu untersuchen sind mindestens:
physischer beziehungsweise vertraglicher Speicherort
Betreiber der Plattform
administrative Zugriffsmöglichkeiten
Identity Provider
Schlüsselverwaltung
S3 Accounts und Credentials
Management Plane
Backup und Recovery
Replikationsziele
rechtlicher Rahmen
Export- und Migrationsmöglichkeiten
Eine On-Premises-S3-Plattform und ein Public-Cloud-Object-Storage-Service können dieselbe grundlegende Anwendungsschnittstelle bereitstellen und hinsichtlich dieser Kontrollpunkte trotzdem völlig unterschiedliche Architekturen darstellen. S3 standardisiert den Datenzugriff, nicht das Betriebs- oder Souveränitätsmodell.
Wann eine zentrale Object-Storage-Plattform mit S3-Schnittstelle sinnvoll ist
Eine gemeinsame Plattform ist insbesondere dann technisch interessant, wenn mehrere Anwendungen Object Storage nativ unterstützen und große Datenbestände mit unterschiedlichen Lebenszyklen zentral verwaltet werden sollen. Weniger eindeutig ist der Ansatz, wenn Anwendungen stark von klassischer File-System-Semantik abhängen, extrem unterschiedliche Performance-Anforderungen besitzen oder regulatorische beziehungsweise organisatorische Anforderungen eine stärkere physische Trennung verlangen.
Die Architekturentscheidung sollte deshalb nicht mit der Frage beginnen, welchen S3 Storage man kauft, sondern mit den folgenden:
Welche Anwendungen sollen Daten ablegen?
Welche S3-Operationen und welchen Bucket-Typ benötigen sie?
Welche Datenmengen und Objektzahlen entstehen?
Welche Objektgrößen sind typisch?
Welche Request-Raten und Parallelität werden erwartet?
Welche Retention gilt je Datenklasse?
Welche Daten müssen immutable sein, und muss der Schutz nachrüstbar sein?
Welche Accounts und administrativen Trust Domains werden benötigt?
Welche Failure Domains dürfen Workloads gemeinsam nutzen?
Welcher Energie- und Flächenbedarf entsteht bei welchem Redundanzverfahren?
Wo müssen Daten physisch und rechtlich verbleiben?
Wie werden Daten exportiert oder migriert?
Welche Recovery-Strategie existiert bei Ausfall oder Kompromittierung der Plattform?
Erst danach lässt sich beurteilen, ob eine gemeinsame Plattform technisch sinnvoll ist.
Fazit
S3 ermöglicht eine andere Betrachtung von Storage. Statt Storage ausschließlich einzelnen Anwendungen zuzuordnen, kann eine gemeinsame Object-Storage-Infrastruktur einen persistenten Data Layer für Backup, Archivierung, File Services, Anwendungen und analytische Workloads bereitstellen. Die S3 API schafft dabei eine weitgehend standardisierte Zugriffsschicht, standardisiert jedoch weder die darunterliegende Storage-Architektur noch Performance, Konsistenz, Security, Failure Domains, Energiebedarf oder Datenhoheit.
Eine belastbare Object-Storage-Plattform mit S3-Schnittstelle entsteht deshalb nicht dadurch, dass möglichst viele Daten in einen Object Store geschrieben werden. Entscheidend ist die kontrollierte Trennung innerhalb der gemeinsamen Infrastruktur: Accounts trennen Identitäten, Policies trennen Berechtigungen, Buckets trennen Datenbestände, und Lifecycle-Regeln trennen Datenlebenszyklen. Versioning und Object Lock bilden unterschiedliche Schutzanforderungen ab, während Failure- und administrative Domains bestimmen, wie unabhängig diese Daten tatsächlich voneinander sind.
Unsere Projekterfahrung zeigt, dass Object Storage bereits heute deutlich über die Rolle eines reinen Backup-Ziels hinausgehen kann. Bei rund 3 PB Cloud Object Storage über verschiedene Kunden hinweg sowie zusätzlichen Scality-Implementierungen werden S3-basierte Speicherbereiche für unterschiedliche Ablageformen und teilweise für direkten Anwendungszugriff genutzt. Der eigentliche Vorteil einer S3 Data Platform liegt dabei nicht darin, alle Daten gleich zu behandeln, sondern darin, unterschiedliche Daten und Anwendungen über eine gemeinsame Storage-Schnittstelle zu bedienen, ohne ihre unterschiedlichen Anforderungen an Zugriff, Schutz, Lebenszyklus und Kontrolle aufzugeben.
Quellen
Alle Online-Quellen abgerufen am 25. August 2026.
Amazon Web Services: What is Amazon S3? – Amazon Simple Storage Service User Guide, einschließlich Amazon S3 Data Consistency Model.
Amazon Web Services: General purpose buckets overview und General purpose bucket quotas, limitations, and restrictions – Amazon S3 User Guide.
Amazon Web Services: Working with directory buckets und Differences for directory buckets – Amazon S3 User Guide.
Amazon Web Services: Bucket policies for Amazon S3 – Amazon S3 User Guide.
Amazon Web Services: Best practices design patterns: optimizing Amazon S3 performance – Amazon S3 User Guide.
Amazon Web Services: Locking objects with Object Lock – Amazon S3 User Guide, Beschreibung von Versioning, Retention Periods, Legal Holds sowie Governance und Compliance Mode.
Amazon Web Services: Amazon S3 now supports enabling S3 Object Lock on existing buckets, Ankündigung vom 20. November 2023.
Amazon Web Services: Retaining multiple versions of objects with S3 Versioning – Amazon S3 User Guide.
Amazon Web Services: Managing the lifecycle of objects – Amazon S3 User Guide, Transition- und Expiration-Aktionen sowie Verhältnis zu Bucket Policies.
Amazon Web Services: Working with S3 Vectors and vector buckets – Amazon S3 User Guide.
Amazon Web Services: Amazon S3 Vectors is now generally available with 40 times the scale of preview, Ankündigung vom 2. Dezember 2025, sowie Amazon S3 Vectors expands to 17 additional AWS Regions, 31. März 2026.
Scality: Supported APIs Overview und S3 APIs – ARTESCA 4.3.1 Documentation, Dokumentationsstand 7. August 2026.
Wasabi Technologies: Bucket Access Restriction Based on a Resource Policy, Stand 21. Juli 2026.
Wasabi Technologies: Wasabi Object Lock – Wasabi Knowledge Base, sowie Object Lock on Buckets With the Wasabi S3 API.
Bundesministerium für Wirtschaft und Energie: Regierungsentwurf eines Gesetzes zur Beschleunigung der Umsetzung der Energieeffizienzrichtlinie, Kabinettsbeschluss vom 24. Juni 2026; Energieeffizienzgesetz (EnEfG) vom 18. November 2023 in geltender Fassung.
Welche Entscheidung steht bei Ihnen an?
Sie möchten eine bestehende Infrastruktur bewerten, eine neue Architektur planen oder eine konkrete technische Fragestellung klären? Sprechen Sie mit uns über Ihre Anforderungen.
Spezialist für moderne Dateninfrastruktur

