記一次 Kubernetes 排錯實戰(zhàn)
背景
收到測試環(huán)境集群告警，登陸Kubernetes集群進行排查。
故障定位
查看Pod
查看kube-system node2節(jié)點calico pod異常。
查看詳細信息，查看node2節(jié)點沒有存儲空間，cgroup泄露。
查看存儲
登陸node2查看服務(wù)器存儲信息，目前空間還很充足。
集群使用到的分布式存儲為Ceph，因此查看Ceph集群狀態(tài)。
操作
Ceph修復
目前查看到Ceph集群異常，可能導致node2節(jié)點cgroup泄露異常，進行手動修復Ceph集群。
數(shù)據(jù)的不一致性(inconsistent)指對象的大小不正確、恢復結(jié)束后某副本出現(xiàn)了對象丟失的情況。數(shù)據(jù)的不一致性會導致清理失敗(scrub error)。
Ceph在存儲的過程中，由于特殊原因，可能遇到對象信息大小和物理磁盤上實際大小數(shù)據(jù)不一致的情況，這也會導致清理失敗。
數(shù)據(jù)的不一致性(inconsistent)指對象的大小不正確、恢復結(jié)束后某副本出現(xiàn)了對象丟失的情況。數(shù)據(jù)的不一致性會導致清理失敗(scrub error)。
Ceph在存儲的過程中，由于特殊原因，可能遇到對象信息大小和物理磁盤上實際大小數(shù)據(jù)不一致的情況，這也會導致清理失敗。
由圖可知，pg編號1.7c 存在問題，進行修復。
pg修復：
- ceph pg repair 1.7c
進行修復后，稍等一會，再次進行查看，Ceph集群已經(jīng)修復。
進行Pod修復
對異常Pod進行刪除，由于有控制器，會重新拉起最新的Pod。
查看Pod還是和之前一樣，分析可能由于Ceph異常，導致node2節(jié)點cgroup泄露，網(wǎng)上檢索重新編譯。
Google一番后發(fā)現(xiàn)與https://github.com/rootsongjc/kubernetes-handbook/issues/313這個同學的問題基本一致。存在的可能有：
- Kubelet宿主機的Linux內(nèi)核過低 - Linux version 3.10.0-862.el7.x86_64
- 可以通過禁用kmem解決
查看系統(tǒng)內(nèi)核卻是低版本。
故障再次定位
最后，因為在啟動容器的時候runc的邏輯會默認打開容器的kmem accounting，導致3.10內(nèi)核可能的泄漏問題。
在此需要對no space left的服務(wù)器進行reboot重啟，即可解決問題，出現(xiàn)問題的可能為段時間內(nèi)刪除大量的Pod所致。
初步思路，可以在今后的集群管理匯總，對服務(wù)器進行維修，通過刪除節(jié)點，并對節(jié)點進行reboot處理。
對node2節(jié)點進行維護
標記node2為不可調(diào)度
- kubectl cordon node02
驅(qū)逐node2節(jié)點上的Pod
- kubectl drain node02 --delete-local-data --ignore-daemonsets --force
- --delete-local-data 刪除本地數(shù)據(jù)，即使emptyDir也將刪除;
- --ignore-daemonsets 忽略DeamonSet，否則DeamonSet被刪除后，仍會自動重建;
- --force 不加force參數(shù)只會刪除該Node節(jié)點上的ReplicationController，ReplicaSet，DaemonSet，StatefulSet or Job，加上后所有Pod都將刪除。
目前查看基本node2的Pod均已剔除完畢。
此時與默認遷移不同的是，Pod會先重建再終止，此時的服務(wù)中斷時間=重建時間+服務(wù)啟動時間+readiness探針檢測正常時間，必須等到1/1 Running服務(wù)才會正常。因此在單副本時遷移時，服務(wù)終端是不可避免的。
對node02進行重啟
重啟后node02已經(jīng)修復完成。
對node02進行恢復：
恢復node02可以正常調(diào)度。
- kubectl uncordon node02
反思
后期可以對部署Kubernetes集群內(nèi)核進行升級。
集群內(nèi)可能Pod的異常，由于底層存儲或者其他原因?qū)е拢枰唧w定位到問題進行針對性修復。
原文鏈接：https://juejin.cn/post/6969571897659015205
