[[395197]]

組件故障

組件故障可以認為是節(jié)點故障的子類，只是故障來源是K8S基礎組件的一部分。

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

CNI故障：少數(shù)幾個節(jié)點的容器網(wǎng)絡和外部斷開，節(jié)點訪問自身的Pod IP沒有問題，但是其它節(jié)點無法訪問故障節(jié)點的Pod IP。這種情況下，Pod本機的健康檢查無效，導致故障實例持續(xù)存在，一定比例的業(yè)務請求失敗。

kubenurse會對ingress、dns、apiserver、kube-proxy進行網(wǎng)絡探測。

使用KubeNurse進行集群網(wǎng)絡監(jiān)控

節(jié)點故障

• 硬件錯誤: CPU/Memory/磁盤故障
• kernel問題: kernel deadlock/corrupted file systems
• 容器運行時錯誤: Docker假死
• 基礎設施服務故障: 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)定運行。但是這些穩(wěn)定性都是強依賴節(jié)點node的穩(wěn)定的?？墒莕ode的管理，在kubernetes是比較弱的，因為可能對于kubernetes的初始設計來說，這些應該是IaaS的事。但是隨著kubernetes的發(fā)展，它越來變成了一個操作系統(tǒng)，它管理的內(nèi)容將越來越多，所以對于node的管理也將納入kuberntes里管理。所以延伸出了node problem detector這個項目。
• Kubernetes支持兩種上報機制：

1、NodeCondition(節(jié)點狀況): 這是指永久性的錯誤，它將造成pod無法在這個節(jié)點運行。這個節(jié)點狀況只有在節(jié)點重啟后才會被重置

2、Event(事件): 影響節(jié)點的臨時性問題，但是它是對于系統(tǒng)診斷是有意義的。NPD就是利用kubernetes的上報機制，通過檢測系統(tǒng)的日志(例如centos中journal)，把錯誤的信息上報到kuberntes的node上。

圖片故障節(jié)點上的事件，會記錄在宿主機的某些日志中。這些日志(例如內(nèi)核日志)中噪音信息太多，NPD會提取其中有價值的信息，可以將這些信息報送給Prometheus，也會生成離線事件。這些信息可以推送到企業(yè)微信，人工處理。也可以對應到自愈系統(tǒng)的方法庫，自動恢復。在裸金屬K8S集群中，由于缺乏基礎設施的支撐，自動擴充節(jié)點可能無法實現(xiàn)，只能通過更加精細的自動化運維，治愈節(jié)點的異常狀態(tài)。

以CNI故障為例，可能的治愈流程如下：

1. 查詢運維方法庫，如果找到匹配項，執(zhí)行對應的運維動作
2. 如果上述步驟無效，嘗試刪除節(jié)點上負責CNI的Pod，以重置節(jié)點的路由、Iptables配置
3. 如果上述步驟無效，嘗試重啟容器運行時
4. 告警，要求運維人員介入

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

主要參數(shù)： 
--prometheus-address: 默認綁定地址127.0.0.1，如果需要推送給promethues，需要修改。 
--config.system-log-monitor: 節(jié)點問題檢測器將為每個配置啟動一個單獨的日志監(jiān)視器.案例: config/kernel-monitor.json。 
--config.custom-plugin-monito: 節(jié)點問題檢測器將為每個配置啟動一個單獨的自定義插件監(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)點問題檢測器將為每個配置啟動一個單獨的日志監(jiān)視器.案例: config/kernel-monitor.json。

--config.custom-plugin-monito: 節(jié)點問題檢測器將為每個配置啟動一個單獨的自定義插件監(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 

如何驗證NPD捕獲信息這部分，可以在測試集群的node幾點上做。

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。