181 lines
8.5 KiB
Markdown
181 lines
8.5 KiB
Markdown
---
|
||
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
|
||
|
||
<AdSenseTitle/>
|
||
|
||
> 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
|
||
|
||
<!-- FIXME 联邦 -->
|