--- vssueId: 128 layout: LearningLayout description: Kubernetes教程_本文档可帮助您诊断部署到Kubernetes中的应用程序所出现的问题。如果仍然解决不了，请加本文末尾的QQ群答疑。 meta: - name: keywords content: Kubernetes教程,K8S教程,集群故障,问题诊断 --- # 诊断集群问题 > 参考文档：[Troubleshoot Clusters](https://kubernetes.io/docs/tasks/debug-application-cluster/debug-cluster/) 本文主要是关于如何诊断集群出现的问题，此时，假设您已经经过排查，确认当前碰到问题的 root cause（问题的根源）不是应用程序的问题。参考 [诊断应用程序](./application.html)。 ## 查看集群 当您怀疑集群可能有故障时，首先要做的是查看集群中的节点： ``` sh kubectl get nodes -o wide ``` 检查是否所有的节点是否都在并且都处于 `Ready` 状态。对于您怀疑有问题的节点，可以查看节点上的详细信息，以及节点上的事件： 参考 [节点](/learning/k8s-bg/architecture/nodes.html) 理解节点详细信息的含义 ``` sh # 将 ${NODE_NAME} 替换成您实际的节点名字 kubectl describe node ${NODE_NAME} ``` ## 查看日志 此时，如果还不能确定问题在哪儿，就需要您进一步到相关的机器上查询集群组件的日志了。 如果您参考 www.kuboard.cn 上的 kubernetes 安装文档安装的集群，或者使用 kubeadm 安装的集群，可以按照如下方式查看集群各组件的日志： ### 容器化的集群组件 执行命令 `kubectl get pods -n kube-system` 查看所有 `kube-system` 名称空间下的容器，输出结果如下所示： ``` NAME READY STATUS RESTARTS AGE calico-kube-controllers-65b8787765-4sbhj 1/1 Running 2 51d calico-node-fz5t5 1/1 Running 0 7d22h calico-node-lpd5d 1/1 Running 1 34d calico-node-qjfqd 1/1 Running 1 10d calico-node-zchvg 1/1 Running 6 51d coredns-67c766df46-cbhf4 1/1 Running 1 8d coredns-67c766df46-zthsk 1/1 Running 0 7d23h eip-nfs-cluster-storage-6c9c7d46f4-lmxql 1/1 Running 0 7d23h eip-nfs-nfs-on-centos-66c4fc8fbd-rd4zh 1/1 Running 0 7d5h etcd-demo-master-a-1 1/1 Running 0 8d kube-apiserver-demo-master-a-1 1/1 Running 0 8d kube-controller-manager-demo-master-a-1 1/1 Running 1 8d kube-proxy-4xz9h 1/1 Running 1 8d kube-proxy-5kljb 1/1 Running 1 8d kube-proxy-wmzlq 1/1 Running 0 7d22h kube-proxy-z55s9 1/1 Running 1 8d kube-scheduler-demo-master-a-1 1/1 Running 0 8d kuboard-7d6b54b946-xmv28 1/1 Running 0 3d3h kuboard-897b6487d-2bbmz 0/1 Terminating 6 13d monitor-blackbox-exporter-7b97c74f8f-qcm4z 1/1 Running 0 7d4h monitor-grafana-7d88f4b5d7-jxphs 1/1 Running 0 7d4h monitor-kube-state-metrics-555b9cd949-hthlr 2/2 Running 0 7d4h monitor-prometheus-6768d469b5-cmn9j 1/1 Running 0 7d4h monitor-prometheus-node-exporter-dsfnl 1/1 Running 0 7d4h monitor-prometheus-node-exporter-l5dbs 1/1 Running 0 7d4h monitor-prometheus-node-exporter-t7d24 1/1 Running 0 7d4h monitor-prometheus-node-exporter-z9ht5 1/1 Running 0 7d4h ``` 其中，`kube-` 开头的 Pod 都是 Kubernetes 集群的系统级组件，`calico-` 开头是的 calico 网络插件，`etcd-` 开头的是 etcd，`coredns-` 开头的是 DNS 插件。 假设您认为 apiserver 可能有故障，则，可以执行以下命令以查看其日志 ``` sh kubectl logs -f kube-apiserver-demo-master-a-1 -n kube-system ``` ### kubelet 的日志 执行命令 `service kubelet status` 可查看 kubelet 的运行状态，如下所示： 如果您的 kubelet 运行状态不是 `active (running)`，那么您需要进一步查看 kubelet 的日志。 ``` {6} Redirecting to /bin/systemctl status kubelet.service ● kubelet.service - kubelet: The Kubernetes Node Agent Loaded: loaded (/usr/lib/systemd/system/kubelet.service; enabled; vendor preset: disabled) Drop-In: /usr/lib/systemd/system/kubelet.service.d └─10-kubeadm.conf Active: active (running) since Wed 2019-10-02 22:06:37 CST; 1 weeks 1 days ago Docs: https://kubernetes.io/docs/ Main PID: 633 (kubelet) Tasks: 18 Memory: 213.2M CGroup: /system.slice/kubelet.service └─633 /usr/bin/kubelet --bootstrap-kubeconfig=/etc/kubernetes/bootstrap-kubelet.conf --kubeconfig=/etc/kubernetes/kubelet.conf --config=/var/lib/kubelet/config.yaml --cgroup-driver=systemd --network-plugin=cni --... ``` 执行命令以下命令可以查看 kubelet 的日志： ``` sh journalctl -u kubelet ``` ## 集群故障的常见原因 此处罗列了一部分 kubernetes 集群常见的故障原因以及应对办法： 可能的 Root causes： * 虚拟机（或所在物理机）停机 * 集群内部发生网络不通的情况，或者集群和用户之间网络不通 * Kubernetes 系统组件崩溃 * 数据丢失，或持久化存储不可用 * 运维人员的人为错误，例如，错误地配置了 Kubernetes 或者 Kubernetes 上部署的应用程序 具体的故障场景有： * Apiserver 所在虚拟机 shotdown 或者 apiserver 崩溃 * 导致的结果： * 不能创建、停止、更新 Pod、Service、Deployment等 * 已有的 Pod 和 Service 仍然能够正常工作，除非该 Pod 或 Service 需要调用 Kubernetes 的接口，例如 Kubernetes Dashboard 和 Kuboard * Apiserver 的后端数据丢失 * 导致的结果： * apiserver 将不能再启动 * 已有的 Pod 和 Service 仍然能够正常工作，除非该 Pod 或 Service 需要调用 Kubernetes 的接口，例如 Kubernetes Dashboard 和 Kuboard * 需要手工恢复（或重建） apiserver 的数据才能启动 apiserver * 其他 Master 组件崩溃 * 导致的结果和 apiserver 相同 * 个别节点（虚拟机或物理机）停机 * 导致的结果 * 该节点上的所有 Pod 不再运行 * 网络分片 * 导致的结果 * 区域A认为区域B中的节点已死机；区域B认为区域A中的 apiserver 已死机（假设apiserver在区域A） * kubelet 软件故障 * 导致的结果 * 已崩溃的 Kubelet 不能在该节点上再创建新的 Pod * kubelet 有可能错误地删除了 Pod * 节点被标记为 `unhealthy` * Deployment/ReplicationController 在其他节点创建新的 Pod * 集群管理员的人为错误 * 导致的结果 * 丢失 Pod、Service 等 * 丢失 apiserver 的数据 * 用户不能访问接口 * 等等... ## 应对办法： * Action： 使用 IaaS 供应商提供的自动重启虚拟机的功能 * 应对问题：Apiserver 所在虚拟机停机或者 apiserver 崩溃 * 应对问题：其他 Master 组件崩溃 * Action： 为 apiserver + etcd 使用 IaaS 供应商提供的稳定可靠的持久化存储 * 应对问题： Apiserver 的后端数据丢失 * Action： 使用高可用配置，参考 [安装Kubernetes高可用](/install/install-kubernetes.html) * 应对问题：Apiserver 所在虚拟机 shotdown 或者 apiserver 崩溃 * 应对问题：其他 Master 组件崩溃 * 应对问题：个别节点（虚拟机或物理机）停机 * Action：周期性的为 apiserver 的 etcd 所使用的数据卷创建磁盘快照（Snapshot） * 应对问题：Apiserver 的后端数据丢失 * 应对问题：集群管理员的人为错误 * 应对问题：kubelet 软件故障 * Action：使用Deployment/StatefulSet/DaemonSet 等控制器，而不是直接创建 Pod * 应对问题：个别节点（虚拟机或物理机）停机 * 应对问题：kubelet 软件故障 * Action：[Kubernetes联邦](https://kubernetes.io/docs/concepts/cluster-administration/federation/) （避免将有风险的操作一次性应用到所有集群） * 应对问题：上述所有问题