Wenn der Schutzschild nur ein Statistikfehler war: Sonnenstürme und unsere Infrastruktur

Hallo, liebe Leser, hier ist wieder eure Kora. Heute geht es um ein Thema, das erstmal weit weg klingt – Weltraumwetter – und am Ende doch ziemlich direkt an unseren Serverräumen, Transformatoren und Risikomodellen kratzt.

Was die Forschenden herausgefunden haben

Ein Team am NASA Goddard Space Flight Center um den Weltraumphysiker Nithin Sivadas hat in einer in Nature veröffentlichten Arbeit einen Grundpfeiler der bisherigen Annahmen ins Wanken gebracht. Jahrzehntelang galt: Ab einer gewissen Stärke sättigt sich die Reaktion der Erdmagnetosphäre auf Sonnenstürme – ein natürlicher Dämpfer, der die aufgenommene Energie begrenzt. Klingt beruhigend. Nur: In den korrigierten Daten ist dieser Effekt nicht mehr zu sehen.

Die Ursache ist erschreckend banal und für alle, die mit Messdaten arbeiten, sehr vertraut: Regression zur Mitte. Die Messwerte des Sonnenwinds stammen überwiegend von Satelliten am Lagrange-Punkt L1, rund 1,5 Millionen Kilometer sonnenwärts von der Erde. Auf dem Weg zu uns verändert sich der Sonnenwind, Laufzeiten und Schockfronten machen die Zuordnung zwischen Messwert und tatsächlicher Reaktion unscharf. Und je extremer das Ereignis, desto größer diese Unsicherheit. Extrem hohe Einzelmessungen werden dadurch systematisch mit weniger extremen Reaktionen gepaart – die Kurve knickt ab, und schon sieht es nach Physik aus, obwohl es Statistik ist.

Nach einer Regressionskalibrierung bleibt der Zusammenhang linear. Eine echte physikalische Sättigung bei noch nie beobachteten Extremwerten schließen die Forschenden nicht komplett aus – belastbare Hinweise darauf gibt es in den vorhandenen Daten aber nicht.

Die unangenehme Konsequenz: bis zu doppelt so stark

Konkret heißt das laut Studie: Die magnetosphärische Reaktion auf extreme Sonnenstürme könnte bis zu doppelt so heftig ausfallen wie bisher angenommen. Für Betreiber von Stromnetzen und Satellitenkonstellationen ist das keine akademische Fußnote.

Bei starken geomagnetischen Stürmen bauen sich in sehr langen elektrischen Leitern induzierte Ströme auf – die geomagnetisch induzierten Ströme. Die können große Transformatoren überhitzen und im schlimmsten Fall dauerhaft zerstören. Ein Transformator dieser Größenordnung ist kein Lagerartikel, den man am nächsten Tag tauscht. Die Belastung fällt regional unterschiedlich aus, aber gerade in stark digitalisierten Regionen wie dem DACH-Raum hätten großflächige Netzstörungen oder der Ausfall wichtiger Satellitensysteme erhebliche wirtschaftliche Folgen. Diese Einordnung ist meine – die Studie selbst trifft dazu keine spezifische Aussage.

Was das für uns im Rechenzentrum bedeutet

Ich will hier keine Panik verbreiten. Ein Carrington-artiges Ereignis ist ein seltenes Extremszenario. Aber die Studie verschiebt die Annahme darüber, wie schlimm „schlimm" im Ernstfall sein kann – und genau daran hängen Notfallplanungen. Ein paar Punkte, über die ich in dem Zusammenhang nachdenke:

• Netzunabhängigkeit ist kein Luxus. USV und Netzersatzanlagen sind für kurze Ausfälle ausgelegt. Ein länger andauernder, großflächiger Netzausfall stellt andere Fragen: Treibstofflogistik, Wartungsintervalle, Priorisierung von Lasten.
• Abhängigkeit von GNSS. Viele Systeme ziehen ihre Zeitsynchronisation aus Satellitensignalen. Fällt das aus oder wird gestört, sind lokale Zeitquellen und ein sauberer Holdover-Betrieb plötzlich sehr relevant.
• Geografische Verteilung. Die Belastung ist regional unterschiedlich – Georedundanz über größere Distanzen ist auch hier ein Argument.
• Satellitengestützte Backup-Strecken sind im Weltraumwetter-Szenario ausgerechnet nicht der zuverlässige Plan B, den man sich wünscht.

Der eigentlich spannende Teil: Datenqualität schlägt Modellgröße

Für mich ist die zweite Botschaft der Studie fast noch wichtiger als die erste – und sie betrifft uns in der IT unmittelbar. Die Forschenden warnen ausdrücklich davor, dass Machine-Learning-Modelle statistische Verzerrungen aus historischen Trainingsdaten übernehmen und sie als physikalische Realität abspeichern. Das Modell lernt dann brav ein Muster, das es in der Welt gar nicht gibt, und liefert selbstbewusst zu niedrige Risikowerte.

Das gilt nicht nur für Weltraumwetter. Die Studie nennt Seismologie und medizinische Studien als weitere Felder, und ich würde ohne Zögern Anomalieerkennung, Kapazitätsplanung und Security-Analytik ergänzen. Wenn die Unsicherheit der Eingangsdaten mit der Extremität des Ereignisses wächst – und das ist bei Ausreißern fast immer so –, dann sind es ausgerechnet die seltenen, teuren Fälle, bei denen das Modell danebenliegt. Kein größeres Netz und kein besserer Trainingslauf reparieren das. Nur ein ehrlicher Blick auf die Messfehler im Input.

Ich finde das eine gesunde Erinnerung: Ein jahrzehntelang akzeptiertes „Gesetz" kann sich als Artefakt der Auswertungsmethode entpuppen. Übertragen auf unseren Alltag heißt das, Annahmen in Kapazitäts- und Ausfallmodellen regelmäßig zu hinterfragen, statt sie als gesetzt zu behandeln, nur weil sie schon lange in der Tabelle stehen.

Bis demnächst, eure Kora

Quelle: t3n