K8S集群故障排查实战过程记录

一、背景

收到测试环境集群告警，登陆K8s集群进行排查。

二、故障定位

2.1 查看pod

查看kube-system node2节点calico pod异常

• 查看详细信息,查看node2节点没有存储空间，cgroup泄露

2.2 查看存储

• 登陆node2查看服务器存储信息，目前空间还很充足

• 集群使用到的分布式存储为ceph，因此查看ceph集群状态

三、操作

3.1 ceph修复

目前查看到ceph集群异常，可能导致node2节点cgroup泄露异常，进行手动修复ceph集群。

数据的不一致性（inconsistent）指对象的大小不正确、恢复结束后某副本出现了对象丢失的情况。数据的不一致性会导致清理失败（scrub error）。
CEPH在存储的过程中，由于特殊原因，可能遇到对象信息大小和物理磁盘上实际大小数据不一致的情况，这也会导致清理失败。

由图可知，pg编号1.7c 存在问题，进行修复。

• pg修复

ceph pg repair 1.7c

• 进行修复后，稍等一会，再次进行查看，ceph集群已经修复

3.2 进行pod修复

对异常pod进行删除，由于有控制器，会重新拉起最新的pod

查看pod还是和之前一样，分析可能由于ceph异常，导致node2节点cgroup泄露，网上检索重新编译

1. Google一番后发现存在的可能有：

• Kubelet 宿主机的 Linux 内核过低 - Linux version 3.10.0-862.el7.x86_64
• 可以通过禁用kmem解决

查看系统内核却是低版本

3.3 故障再次定位

最后，因为在启动容器的时候runc的逻辑会默认打开容器的kmem accounting，导致3.10内核可能的泄漏问题

在此需要对no space left的服务器进行 reboot重启，即可解决问题，出现问题的可能为段时间内删除大量的pod所致。

初步思路，可以在今后的集群管理汇总，对服务器进行维修，通过删除节点，并对节点进行reboot处理

3.4 对node2节点进行维护

3.4.1 标记node2为不可调度

kubectl cordon node02

3.4.2 驱逐node2节点上的pod

kubectl drain node02 --delete-local-data --ignore-daemonsets --force

• --delete-local-data 删除本地数据，即使emptyDir也将删除；
• --ignore-daemonsets 忽略DeamonSet，否则DeamonSet被删除后，仍会自动重建；
• --force 不加force参数只会删除该node节点上的ReplicationController, ReplicaSet, DaemonSet,StatefulSet or Job，加上后所有pod都将删除；

目前查看基本node2的pod均已剔除完毕

此时与默认迁移不同的是，pod会先重建再终止，此时的服务中断时间=重建时间+服务启动时间+readiness探针检测正常时间，必须等到1/1 Running服务才会正常。因此在单副本时迁移时，服务终端是不可避免的。

3.4.3 对node02进行重启

重启后node02已经修复完成。

对node02进行恢复

• 恢复node02可以正常调度

kubectl uncordon node02

四 反思

• 后期可以对部署k8s 集群内核进行升级。
• 集群内可能pod的异常，由于底层存储或者其他原因导致，需要具体定位到问题进行针对性修复。