Zum Hauptinhalt springen
Cloud / STACKIT / Produkte / STACKIT Workflows - Managed Apache Airflow

STACKIT Workflows - Managed Apache Airflow

STACKIT Workflows ist ein verwalteter Workflow-Orchestrierungsdienst auf Basis von Apache Airflow für Datenpipelines und ML-Workflows.

Data & AI
Preismodell Pay-per-use
Verfügbarkeit Verfügbarkeit gemäß STACKIT-Dokumentation
Datensouveränität Betrieb in der STACKIT Cloud; Regionsdetails gemäß offizieller Dokumentation
Zuverlässigkeit SLA gemäß Anbieter (siehe offizielle SLA-Seite) SLA

Was ist STACKIT Workflows?

STACKIT Workflows ist ein vollständig verwalteter Workflow-Orchestrierungsdienst auf Basis von Apache Airflow. Nutzer erstellen, planen und überwachen komplexe Datenworkflows als Directed Acyclic Graphs (DAGs) in Python, ohne eine eigene Airflow-Infrastruktur bereitstellen oder pflegen zu müssen. Der Betrieb erfolgt innerhalb der STACKIT Cloud; Regionsdetails sind der offiziellen Dokumentation zu entnehmen.

Kernfunktionen

  • Vollständig verwaltete Apache-Airflow-Infrastruktur (laut Dokumentation Airflow 2, mit dokumentiertem Upgrade-Pfad auf Airflow 3)
  • DAG-Erstellung in Python über die reguläre Airflow-Web-UI; eine zusätzliche webbasierte Entwicklungsumgebung ist als kommendes Feature angekündigt
  • Dynamische Ressourcen-Skalierung je nach Workload
  • KubernetesPodOperator für isolierte Task-Ausführung mit eigenen Docker-Images (“keine lauten Nachbarn”)
  • Operatoren und Decorators für Spark-Jobs und Custom-Python-Code
  • OIDC/RBAC-Zugriff mit IdP-Vorlagen (u. a. Keycloak, Entra ID, Okta, Google, AWS Cognito)
  • Fortlaufende Git-Repository-Integration für DAG-Code
  • Integration mit STACKIT Spark und vordefinierten STACKIT-Observability-Dashboards

Typische Anwendungsfälle

Datenpipeline-Orchestrierung: Teams koordinieren mehrstufige ETL-Prozesse zwischen Datenbanken, Data Lakes und Analyseplattformen inklusive Fehlerbehandlung und Datenqualitätsprüfungen.

ML-Automatisierung: ML-Pipelines werden als DAGs definiert: Datenvorbereitung, Feature Engineering, Modelltraining, Validierung und Deployment lassen sich als zusammenhängender Workflow orchestrieren.

Spark-basierte Verarbeitung: Spark-Jobs werden über spezialisierte Operatoren direkt aus Airflow-DAGs heraus gesteuert.

Vorteile

  • Kein eigener Airflow-Infrastrukturbetrieb notwendig
  • Kein Lock-in, da Apache Airflow ein etablierter Industriestandard ist
  • Isolierte, reproduzierbare Task-Ausführung über Kubernetes
  • Betrieb innerhalb der STACKIT Cloud (Regionsdetails gemäß offizieller Dokumentation)

Integration mit innFactory

Als offizieller STACKIT Partner unterstützt innFactory Sie beim Design und der Implementierung von Datenpipelines: von DAG-Architektur über Fehlerbehandlung bis zur Integration mit dem STACKIT Data-Ökosystem.

Typische Anwendungsfälle

Orchestrierung von ETL/ELT-Datenpipelines
ML-Workflow-Automatisierung
Ausführung von Spark-Jobs und Custom-Python-Code als DAGs
Isolierte Task-Ausführung über KubernetesPodOperator

Häufig gestellte Fragen

Was ist STACKIT Workflows?

STACKIT Workflows ist ein vollständig verwalteter Dienst auf Basis von Apache Airflow, mit dem sich komplexe Datenworkflows als Python-DAGs erstellen, zeitlich planen und überwachen lassen. STACKIT betreibt die Airflow-Infrastruktur, sodass kein eigener Airflow-Betrieb notwendig ist.

Muss ich Workflows über Python-Code definieren oder gibt es einen visuellen Editor?

Aktuell werden DAGs als Python-Code erstellt. Eine webbasierte Entwicklungsumgebung ist laut STACKIT-Dokumentation als kommendes Feature angekündigt, aber noch nicht verfügbar. Zur Überwachung und Verwaltung steht bereits die reguläre Airflow-Web-UI zur Verfügung.

Welche Airflow-Version wird unterstützt?

STACKIT Workflows basiert laut offizieller Dokumentation auf Apache Airflow 2 (mit Verweis auf die Airflow-2.10-Dokumentation) und bietet zusätzlich eine dokumentierte Anleitung zum Upgrade auf Airflow 3. Für den aktuellen Versionsstand ist die offizielle Dokumentation maßgeblich.

Wie lässt sich Workflows mit anderen STACKIT-Diensten kombinieren?

Workflows integriert sich unter anderem mit STACKIT Spark für Datenextraktion und -verarbeitung sowie mit STACKIT Observability über vordefinierte Dashboards. Task-Ausführungen können über den KubernetesPodOperator in isolierten Kubernetes-Pods mit eigenen Docker-Images laufen. Für den Zugriff unterstützt der Dienst laut Dokumentation OIDC/RBAC mit IdP-Vorlagen (u. a. Keycloak, Entra ID, Okta, Google, AWS Cognito) sowie eine fortlaufende Git-Repository-Integration für DAG-Code.

Was kostet STACKIT Workflows?

Der Dienst wird nutzungsbasiert abgerechnet (Pay-per-use). Für aktuelle Preise ist die offizielle STACKIT-Preisseite maßgeblich.

Hinweis: Alle Produktinformationen auf dieser Seite wurden sorgfältig zusammengestellt, sind jedoch ohne Gewähr und können veraltet oder unvollständig sein. Cloud-Services entwickeln sich schnell weiter — Funktionen, Preise, SLAs und Verfügbarkeit ändern sich laufend. Verbindliche und aktuelle Informationen finden Sie ausschließlich auf der offiziellen Produktseite von STACKIT (offizielle Dokumentation). Diese Seite stellt kein Angebot von STACKIT dar.

Schnellzugriff

STACKIT Partner

innFactory ist offizieller STACKIT Partner. Wir bieten Beratung, Implementierung und Managed Services für die souveräne Cloud.

STACKIT Official Partner

Ähnliche Produkte anderer Cloud-Anbieter

Andere Cloud-Anbieter bieten vergleichbare Services in dieser Kategorie. Als Multi-Cloud Partner helfen wir bei der richtigen Wahl.

Google Cloud

Agent Platform Workbench (ehem. Vertex AI Workbench)

Agent Platform Workbench stellt verwaltete JupyterLab-Umgebungen der Gemini Enterprise Agent Platform bereit, mit …

Preismodell Nutzungsbasiert über die Preisliste der …
SLA SLA gemäß Anbieter (siehe offizielle SLA-Seite)
Vergleichen →
Google Cloud

Cloud Talent Solution - Jobsuche mit Machine Learning

Cloud Talent Solution bringt Machine Learning in die Jobsuche und unterstützt Recruiting-Plattformen mit Job Search und …

Preismodell Preise mit Stand 5. Januar 2021: …
SLA gemäß Anbieter / siehe offizielle Dokumentation
Vergleichen →
Google Cloud

Deep Learning VM Images - Vorkonfigurierte ML-VM-Images

Deep Learning VM Images sind für Data Science und Machine Learning optimierte VM-Images mit vorinstallierten Frameworks …

Preismodell Die Images selbst sind laut Preisseite …
SLA SLA gemäß Anbieter (siehe offizielle SLA-Seite)
Vergleichen →
Google Cloud

Enterprise Knowledge Graph - Entity Reconciliation für BigQuery

Enterprise Knowledge Graph führt verteilte Daten über Entity Reconciliation zusammen und ergänzt sie über die Google …

Preismodell Für Enterprise Knowledge Graph …
SLA Pre-GA-Produkte werden laut Dokumentation "as is" bereitgestellt und können eingeschränkten Support haben; gemäß Anbieter / siehe offizielle Dokumentation
Vergleichen →
Google Cloud

Genkit - Open-Source-Framework für KI-Anwendungen

Genkit ist Googles Open-Source-Framework für den Aufbau von Full-Stack-, KI- und Agenten-Anwendungen mit TypeScript, Go, …

Preismodell Open-Source-Framework; Kosten entstehen …
SLA Für das Framework selbst besteht kein SLA; SLAs gelten für die genutzten Dienste gemäß Anbieter
Vergleichen →
Google Cloud

Model Garden - Modellkatalog der Agent Platform

Model Garden ist die Modellbibliothek der Gemini Enterprise Agent Platform zum Entdecken, Testen, Anpassen und …

Preismodell Bei Open-Source-Modellen werden Tuning …
SLA SLA gemäß Anbieter (siehe offizielle SLA-Seite)
Vergleichen →

128 vergleichbare Produkte bei anderen Cloud-Anbietern gefunden.

Bereit, mit STACKIT Workflows - Managed Apache Airflow zu starten?

Unsere zertifizierten STACKIT Experten helfen bei Architektur, Integration und Optimierung.

Beratung vereinbaren