集群故障排查

调试常见的集群问题。

本篇文档是介绍集群故障排查的；我们假设对于你碰到的问题，你已经排除了是由应用程序造成的。 对于应用的调试，请参阅应用故障排查指南。 你也可以访问故障排查来获取更多的信息。

有关 kubectl 的故障排查， 请参阅 kubectl 故障排查。

列举集群节点

调试的第一步是查看所有的节点是否都已正确注册。

运行以下命令：

  1. kubectl get nodes

验证你所希望看见的所有节点都能够显示出来，并且都处于 Ready 状态。

为了了解你的集群的总体健康状况详情，你可以运行：

  1. kubectl cluster-info dump

示例：调试关闭/无法访问的节点

有时在调试时查看节点的状态很有用 —— 例如，因为你注意到在节点上运行的 Pod 的奇怪行为， 或者找出为什么 Pod 不会调度到节点上。与 Pod 一样，你可以使用 kubectl describe node 和 kubectl get node -o yaml 来检索有关节点的详细信息。 例如，如果节点关闭（与网络断开连接，或者 kubelet 进程挂起并且不会重新启动等）， 你将看到以下内容。请注意显示节点为 NotReady 的事件，并注意 Pod 不再运行（它们在 NotReady 状态五分钟后被驱逐）。

  1. kubectl get nodes
  1. NAME                     STATUS       ROLES     AGE     VERSION
  2. kube-worker-1            NotReady     <none>    1h      v1.23.3
  3. kubernetes-node-bols     Ready        <none>    1h      v1.23.3
  4. kubernetes-node-st6x     Ready        <none>    1h      v1.23.3
  5. kubernetes-node-unaj     Ready        <none>    1h      v1.23.3
  1. kubectl describe node kube-worker-1
  1. Name:               kube-worker-1
  2. Roles:              <none>
  3. Labels:             beta.kubernetes.io/arch=amd64
  4.                     beta.kubernetes.io/os=linux
  5.                     kubernetes.io/arch=amd64
  6.                     kubernetes.io/hostname=kube-worker-1
  7.                     kubernetes.io/os=linux
  8. Annotations:        kubeadm.alpha.kubernetes.io/cri-socket: /run/containerd/containerd.sock
  9.                     node.alpha.kubernetes.io/ttl: 0
  10.                     volumes.kubernetes.io/controller-managed-attach-detach: true
  11. CreationTimestamp:  Thu, 17 Feb 2022 16:46:30 -0500
  12. Taints:             node.kubernetes.io/unreachable:NoExecute
  13.                     node.kubernetes.io/unreachable:NoSchedule
  14. Unschedulable:      false
  15. Lease:
  16.   HolderIdentity:  kube-worker-1
  17.   AcquireTime:     <unset>
  18.   RenewTime:       Thu, 17 Feb 2022 17:13:09 -0500
  19. Conditions:
  20.   Type                 Status    LastHeartbeatTime                 LastTransitionTime                Reason              Message
  21.   ----                 ------    -----------------                 ------------------                ------              -------
  22.   NetworkUnavailable   False     Thu, 17 Feb 2022 17:09:13 -0500   Thu, 17 Feb 2022 17:09:13 -0500   WeaveIsUp           Weave pod has set this
  23.   MemoryPressure       Unknown   Thu, 17 Feb 2022 17:12:40 -0500   Thu, 17 Feb 2022 17:13:52 -0500   NodeStatusUnknown   Kubelet stopped posting node status.
  24.   DiskPressure         Unknown   Thu, 17 Feb 2022 17:12:40 -0500   Thu, 17 Feb 2022 17:13:52 -0500   NodeStatusUnknown   Kubelet stopped posting node status.
  25.   PIDPressure          Unknown   Thu, 17 Feb 2022 17:12:40 -0500   Thu, 17 Feb 2022 17:13:52 -0500   NodeStatusUnknown   Kubelet stopped posting node status.
  26.   Ready                Unknown   Thu, 17 Feb 2022 17:12:40 -0500   Thu, 17 Feb 2022 17:13:52 -0500   NodeStatusUnknown   Kubelet stopped posting node status.
  27. Addresses:
  28.   InternalIP:  192.168.0.113
  29.   Hostname:    kube-worker-1
  30. Capacity:
  31.   cpu:                2
  32.   ephemeral-storage:  15372232Ki
  33.   hugepages-2Mi:      0
  34.   memory:             2025188Ki
  35.   pods:               110
  36. Allocatable:
  37.   cpu:                2
  38.   ephemeral-storage:  14167048988
  39.   hugepages-2Mi:      0
  40.   memory:             1922788Ki
  41.   pods:               110
  42. System Info:
  43.   Machine ID:                 9384e2927f544209b5d7b67474bbf92b
  44.   System UUID:                aa829ca9-73d7-064d-9019-df07404ad448
  45.   Boot ID:                    5a295a03-aaca-4340-af20-1327fa5dab5c
  46.   Kernel Version:             5.13.0-28-generic
  47.   OS Image:                   Ubuntu 21.10
  48.   Operating System:           linux
  49.   Architecture:               amd64
  50.   Container Runtime Version:  containerd://1.5.9
  51.   Kubelet Version:            v1.23.3
  52.   Kube-Proxy Version:         v1.23.3
  53. Non-terminated Pods:          (4 in total)
  54.   Namespace                   Name                                 CPU Requests  CPU Limits  Memory Requests  Memory Limits  Age
  55.   ---------                   ----                                 ------------  ----------  ---------------  -------------  ---
  56.   default                     nginx-deployment-67d4bdd6f5-cx2nz    500m (25%)    500m (25%)  128Mi (6%)       128Mi (6%)     23m
  57.   default                     nginx-deployment-67d4bdd6f5-w6kd7    500m (25%)    500m (25%)  128Mi (6%)       128Mi (6%)     23m
  58.   kube-system                 kube-proxy-dnxbz                     0 (0%)        0 (0%)      0 (0%)           0 (0%)         28m
  59.   kube-system                 weave-net-gjxxp                      100m (5%)     0 (0%)      200Mi (10%)      0 (0%)         28m
  60. Allocated resources:
  61.   (Total limits may be over 100 percent, i.e., overcommitted.)
  62.   Resource           Requests     Limits
  63.   --------           --------     ------
  64.   cpu                1100m (55%)  1 (50%)
  65.   memory             456Mi (24%)  256Mi (13%)
  66.   ephemeral-storage  0 (0%)       0 (0%)
  67.   hugepages-2Mi      0 (0%)       0 (0%)
  68. Events:
  69. ...
  1. kubectl get node kube-worker-1 -o yaml
  1. apiVersion: v1
  2. kind: Node
  3. metadata:
  4.   annotations:
  5.     kubeadm.alpha.kubernetes.io/cri-socket: /run/containerd/containerd.sock
  6.     node.alpha.kubernetes.io/ttl: "0"
  7.     volumes.kubernetes.io/controller-managed-attach-detach: "true"
  8.   creationTimestamp: "2022-02-17T21:46:30Z"
  9.   labels:
  10.     beta.kubernetes.io/arch: amd64
  11.     beta.kubernetes.io/os: linux
  12.     kubernetes.io/arch: amd64
  13.     kubernetes.io/hostname: kube-worker-1
  14.     kubernetes.io/os: linux
  15.   name: kube-worker-1
  16.   resourceVersion: "4026"
  17.   uid: 98efe7cb-2978-4a0b-842a-1a7bf12c05f8
  18. spec: {}
  19. status:
  20.   addresses:
  21.   - address: 192.168.0.113
  22.     type: InternalIP
  23.   - address: kube-worker-1
  24.     type: Hostname
  25.   allocatable:
  26.     cpu: "2"
  27.     ephemeral-storage: "14167048988"
  28.     hugepages-2Mi: "0"
  29.     memory: 1922788Ki
  30.     pods: "110"
  31.   capacity:
  32.     cpu: "2"
  33.     ephemeral-storage: 15372232Ki
  34.     hugepages-2Mi: "0"
  35.     memory: 2025188Ki
  36.     pods: "110"
  37.   conditions:
  38.   - lastHeartbeatTime: "2022-02-17T22:20:32Z"
  39.     lastTransitionTime: "2022-02-17T22:20:32Z"
  40.     message: Weave pod has set this
  41.     reason: WeaveIsUp
  42.     status: "False"
  43.     type: NetworkUnavailable
  44.   - lastHeartbeatTime: "2022-02-17T22:20:15Z"
  45.     lastTransitionTime: "2022-02-17T22:13:25Z"
  46.     message: kubelet has sufficient memory available
  47.     reason: KubeletHasSufficientMemory
  48.     status: "False"
  49.     type: MemoryPressure
  50.   - lastHeartbeatTime: "2022-02-17T22:20:15Z"
  51.     lastTransitionTime: "2022-02-17T22:13:25Z"
  52.     message: kubelet has no disk pressure
  53.     reason: KubeletHasNoDiskPressure
  54.     status: "False"
  55.     type: DiskPressure
  56.   - lastHeartbeatTime: "2022-02-17T22:20:15Z"
  57.     lastTransitionTime: "2022-02-17T22:13:25Z"
  58.     message: kubelet has sufficient PID available
  59.     reason: KubeletHasSufficientPID
  60.     status: "False"
  61.     type: PIDPressure
  62.   - lastHeartbeatTime: "2022-02-17T22:20:15Z"
  63.     lastTransitionTime: "2022-02-17T22:15:15Z"
  64.     message: kubelet is posting ready status. AppArmor enabled
  65.     reason: KubeletReady
  66.     status: "True"
  67.     type: Ready
  68.   daemonEndpoints:
  69.     kubeletEndpoint:
  70.       Port: 10250
  71.   nodeInfo:
  72.     architecture: amd64
  73.     bootID: 22333234-7a6b-44d4-9ce1-67e31dc7e369
  74.     containerRuntimeVersion: containerd://1.5.9
  75.     kernelVersion: 5.13.0-28-generic
  76.     kubeProxyVersion: v1.23.3
  77.     kubeletVersion: v1.23.3
  78.     machineID: 9384e2927f544209b5d7b67474bbf92b
  79.     operatingSystem: linux
  80.     osImage: Ubuntu 21.10
  81.     systemUUID: aa829ca9-73d7-064d-9019-df07404ad448

查看日志

目前，深入挖掘集群需要登录相关机器。以下是相关日志文件的位置。 在基于 systemd 的系统上，你可能需要使用 journalctl 而不是检查日志文件。

控制平面节点

  • /var/log/kube-apiserver.log —— API 服务器，负责提供 API 服务
  • /var/log/kube-scheduler.log —— 调度器，负责制定调度决策
  • /var/log/kube-controller-manager.log —— 运行大多数 Kubernetes 内置控制器的组件，除了调度（kube-scheduler 处理调度）。

工作节点

  • /var/log/kubelet.log —— 负责在节点运行容器的 kubelet 所产生的日志
  • /var/log/kube-proxy.log —— 负责将流量转发到服务端点的 kube-proxy 所产生的日志

集群故障模式

这是可能出错的事情的不完整列表，以及如何调整集群设置以缓解问题。

故障原因

  • 虚拟机关闭
  • 集群内或集群与用户之间的网络分区
  • Kubernetes 软件崩溃
  • 持久存储（例如 GCE PD 或 AWS EBS 卷）的数据丢失或不可用
  • 操作员错误，例如配置错误的 Kubernetes 软件或应用程序软件

具体情况

  • API 服务器所在的 VM 关机或者 API 服务器崩溃
    • 结果
      • 不能停止、更新或者启动新的 Pod、服务或副本控制器
      • 现有的 Pod 和服务在不依赖 Kubernetes API 的情况下应该能继续正常工作

  • API 服务器的后端存储丢失

    • 结果
      • kube-apiserver 组件未能成功启动并变健康
      • kubelet 将不能访问 API 服务器，但是能够继续运行之前的 Pod 和提供相同的服务代理
      • 在 API 服务器重启之前，需要手动恢复或者重建 API 服务器的状态

  • Kubernetes 服务组件（节点控制器、副本控制器管理器、调度器等）所在的 VM 关机或者崩溃

    • 当前，这些控制器是和 API 服务器在一起运行的，它们不可用的现象是与 API 服务器类似的
    • 将来，这些控制器也会复制为多份，并且可能不在运行于同一节点上
    • 它们没有自己的持久状态
  • 单个节点（VM 或者物理机）关机
    • 结果
      • 此节点上的所有 Pod 都停止运行

  • 网络分裂

    • 结果
      • 分区 A 认为分区 B 中所有的节点都已宕机；分区 B 认为 API 服务器宕机 （假定主控节点所在的 VM 位于分区 A 内）。

  • kubelet 软件故障

    • 结果
      • 崩溃的 kubelet 就不能在其所在的节点上启动新的 Pod
      • kubelet 可能删掉 Pod 或者不删
      • 节点被标识为非健康态
      • 副本控制器会在其它的节点上启动新的 Pod
  • 集群操作错误
    • 结果
      • 丢失 Pod 或服务等等
      • 丢失 API 服务器的后端存储
      • 用户无法读取 API
      • 等等

缓解措施

  • 措施：对于 IaaS 上的 VM，使用 IaaS 的自动 VM 重启功能

    • 缓解：API 服务器 VM 关机或 API 服务器崩溃
    • 缓解：Kubernetes 服务组件所在的 VM 关机或崩溃

  • 措施: 对于运行 API 服务器和 etcd 的 VM，使用 IaaS 提供的可靠的存储（例如 GCE PD 或者 AWS EBS 卷）

    • 缓解：API 服务器后端存储的丢失

  • 措施：使用高可用性的配置

    • 缓解：主控节点 VM 关机或者主控节点组件（调度器、API 服务器、控制器管理器）崩溃
      • 将容许一个或多个节点或组件同时出现故障
    • 缓解：API 服务器后端存储（例如 etcd 的数据目录）丢失
      • 假定你使用了高可用的 etcd 配置

  • 措施：定期对 API 服务器的 PD 或 EBS 卷执行快照操作

    • 缓解：API 服务器后端存储丢失
    • 缓解：一些操作错误的场景
    • 缓解：一些 Kubernetes 软件本身故障的场景

  • 措施：在 Pod 的前面使用副本控制器或服务

    • 缓解：节点关机
    • 缓解：kubelet 软件故障

  • 措施：应用（容器）设计成容许异常重启

    • 缓解：节点关机
    • 缓解：kubelet 软件故障

接下来