[[395197]]

組件故障

組件故障可以認(rèn)為是節(jié)點(diǎn)故障的子類，只是故障來源是K8S基礎(chǔ)組件的一部分。

DNS故障：6個(gè)DNS Pod中的2個(gè)出現(xiàn)無法解析外部DNS名稱的情況。后果是大量線上業(yè)務(wù)因域名解析。

CNI故障：少數(shù)幾個(gè)節(jié)點(diǎn)的容器網(wǎng)絡(luò)和外部斷開，節(jié)點(diǎn)訪問自身的Pod IP沒有問題，但是其它節(jié)點(diǎn)無法訪問故障節(jié)點(diǎn)的Pod IP。這種情況下，Pod本機(jī)的健康檢查無效，導(dǎo)致故障實(shí)例持續(xù)存在，一定比例的業(yè)務(wù)請(qǐng)求失敗。

kubenurse會(huì)對(duì)ingress、dns、apiserver、kube-proxy進(jìn)行網(wǎng)絡(luò)探測(cè)。

使用KubeNurse進(jìn)行集群網(wǎng)絡(luò)監(jiān)控

節(jié)點(diǎn)故障

• 硬件錯(cuò)誤: CPU/Memory/磁盤故障
• kernel問題: kernel deadlock/corrupted file systems
• 容器運(yùn)行時(shí)錯(cuò)誤: Docker假死
• 基礎(chǔ)設(shè)施服務(wù)故障: NTP故障

node-problem-detector

• 根源: 在kubernetes集群上，通常我們只是管制集群本身以及容器的穩(wěn)定運(yùn)行。但是這些穩(wěn)定性都是強(qiáng)依賴節(jié)點(diǎn)node的穩(wěn)定的?？墒莕ode的管理，在kubernetes是比較弱的，因?yàn)榭赡軐?duì)于kubernetes的初始設(shè)計(jì)來說，這些應(yīng)該是IaaS的事。但是隨著kubernetes的發(fā)展，它越來變成了一個(gè)操作系統(tǒng)，它管理的內(nèi)容將越來越多，所以對(duì)于node的管理也將納入kuberntes里管理。所以延伸出了node problem detector這個(gè)項(xiàng)目。
• Kubernetes支持兩種上報(bào)機(jī)制：

1、NodeCondition(節(jié)點(diǎn)狀況): 這是指永久性的錯(cuò)誤，它將造成pod無法在這個(gè)節(jié)點(diǎn)運(yùn)行。這個(gè)節(jié)點(diǎn)狀況只有在節(jié)點(diǎn)重啟后才會(huì)被重置

2、Event(事件): 影響節(jié)點(diǎn)的臨時(shí)性問題，但是它是對(duì)于系統(tǒng)診斷是有意義的。NPD就是利用kubernetes的上報(bào)機(jī)制，通過檢測(cè)系統(tǒng)的日志(例如centos中journal)，把錯(cuò)誤的信息上報(bào)到kuberntes的node上。

圖片故障節(jié)點(diǎn)上的事件，會(huì)記錄在宿主機(jī)的某些日志中。這些日志(例如內(nèi)核日志)中噪音信息太多，NPD會(huì)提取其中有價(jià)值的信息，可以將這些信息報(bào)送給Prometheus，也會(huì)生成離線事件。這些信息可以推送到企業(yè)微信，人工處理。也可以對(duì)應(yīng)到自愈系統(tǒng)的方法庫，自動(dòng)恢復(fù)。在裸金屬K8S集群中，由于缺乏基礎(chǔ)設(shè)施的支撐，自動(dòng)擴(kuò)充節(jié)點(diǎn)可能無法實(shí)現(xiàn)，只能通過更加精細(xì)的自動(dòng)化運(yùn)維，治愈節(jié)點(diǎn)的異常狀態(tài)。

以CNI故障為例，可能的治愈流程如下：

1. 查詢運(yùn)維方法庫，如果找到匹配項(xiàng)，執(zhí)行對(duì)應(yīng)的運(yùn)維動(dòng)作
2. 如果上述步驟無效，嘗試刪除節(jié)點(diǎn)上負(fù)責(zé)CNI的Pod，以重置節(jié)點(diǎn)的路由、Iptables配置
3. 如果上述步驟無效，嘗試重啟容器運(yùn)行時(shí)
4. 告警，要求運(yùn)維人員介入

部署NPD實(shí)踐你需要有一個(gè)k8s集群，必須有1個(gè)以上的worker節(jié)點(diǎn)。大家可以參考https://github.com/kubernetes/node-problem-detector。

主要參數(shù)： 
--prometheus-address: 默認(rèn)綁定地址127.0.0.1，如果需要推送給promethues，需要修改。 
--config.system-log-monitor: 節(jié)點(diǎn)問題檢測(cè)器將為每個(gè)配置啟動(dòng)一個(gè)單獨(dú)的日志監(jiān)視器.案例: config/kernel-monitor.json。 
--config.custom-plugin-monito: 節(jié)點(diǎn)問題檢測(cè)器將為每個(gè)配置啟動(dòng)一個(gè)單獨(dú)的自定義插件監(jiān)視器。案例: config/custom-plugin-monitor.json 

主要參數(shù)：

--prometheus-address: 默認(rèn)綁定地址127.0.0.1，如果需要推送給promethues，需要修改。

--config.system-log-monitor: 節(jié)點(diǎn)問題檢測(cè)器將為每個(gè)配置啟動(dòng)一個(gè)單獨(dú)的日志監(jiān)視器.案例: config/kernel-monitor.json。

--config.custom-plugin-monito: 節(jié)點(diǎn)問題檢測(cè)器將為每個(gè)配置啟動(dòng)一個(gè)單獨(dú)的自定義插件監(jiān)視器。案例: config/custom-plugin-monitor.json

將代碼克隆到本地，按照自己的需求更改deployment文件中的DaemonSet，執(zhí)行以下內(nèi)容：

創(chuàng)建ConfigMap： 
kubectl create -f node-problem-detector-config.yaml 
創(chuàng)建DaemonSet: 
kubectl create -f node-problem-detector.yaml 

如何驗(yàn)證NPD捕獲信息這部分，可以在測(cè)試集群的node幾點(diǎn)上做。

sudo sh -c "echo 'kernel: BUG: unable to handle kernel NULL pointer dereference at TESTING' >> /dev/kmsg" 
可以在kubectl describe nodes x.x.x.x 中看到KernelOops事件的告警。 
sudo sh -c "echo 'kernel: INFO: task docker:20744 blocked for more than 120 seconds.' >> /dev/kmsg" 
可以在kubectl describe nodes x.x.x.x 中看到DockerHung事件的告警。 

如果事件告警接到了promethues，可以配置策略，發(fā)送到微信。