[[434523]]

背景

收到測試環境集群告警，登陸Kubernetes集群進行排查。

故障定位

查看Pod

查看kube-system node2節點calico pod異常。

查看詳細信息，查看node2節點沒有存儲空間，cgroup泄露。

查看存儲

登陸node2查看服務器存儲信息，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。

操作

Ceph修復

目前查看到Ceph集群異常，可能導致node2節點cgroup泄露異常，進行手動修復Ceph集群。

數據的不一致性(inconsistent)指對象的大小不正確、恢復結束后某副本出現了對象丟失的情況。數據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據不一致的情況，這也會導致清理失敗。

數據的不一致性(inconsistent)指對象的大小不正確、恢復結束后某副本出現了對象丟失的情況。數據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據不一致的情況，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節點cgroup泄露，網上檢索重新編譯。

Google一番后發現與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

查看系統內核卻是低版本。

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內核可能的泄漏問題。

在此需要對no space left的服務器進行reboot重啟，即可解決問題，出現問題的可能為段時間內刪除大量的Pod所致。

初步思路，可以在今后的集群管理匯總，對服務器進行維修，通過刪除節點，并對節點進行reboot處理。

對node2節點進行維護

標記node2為不可調度

kubectl cordon node02 

驅逐node2節點上的Pod

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

• --delete-local-data 刪除本地數據，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參數只會刪除該Node節點上的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，此時的服務中斷時間=重建時間+服務啟動時間+readiness探針檢測正常時間，必須等到1/1 Running服務才會正常。因此在單副本時遷移時，服務終端是不可避免的。

對node02進行重啟

重啟后node02已經修復完成。

對node02進行恢復：

恢復node02可以正常調度。

kubectl uncordon node02 

反思

后期可以對部署Kubernetes集群內核進行升級。

集群內可能Pod的異常，由于底層存儲或者其他原因導致，需要具體定位到問題進行針對性修復。 

原文鏈接：https://juejin.cn/post/6969571897659015205