记一次Kubernetes排错实战-技术圈

背景

收到测试环境集群告警，登陆Kubernetes集群进行排查。

故障定位

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。

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。

操作

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。

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。

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。

Google一番后发现与https://github.com/rootsongjc/kubernetes-handbook/issues/313这个同学的问题基本一致。存在的可能有：

查看系统内核却是低版本。

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。

对node2节点进行维护

标记node2为不可调度

kubectl cordon node02

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。