ceph 集群异常导致K8S的pod异常
一 背景
收到测试环境集群告警，登陆 K8s 集群进行排查。
二 故障定位
2.1 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。
2.2 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。
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。
三 操作
3.1 ceph修复
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
1 | 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
3.2 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 一番后发现存在的可能有：
- Kubelet 宿主机的 Linux 内核过低 - Linux version 3.10.0-862.el7.x86_64
- 可以通过禁用kmem解决
查看系统内核却是低版本
3.3 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。
3.4 对 node2 节点进行维护
3.4.1 标记 node2 为不可调度
1 | kubectl cordon node02 |
3.4.2 驱逐 node2 节点上的 Pod
1 | 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；
目前查看基本 node2 的 pod 均已剔除完毕
此时与默认迁移不同的是，Pod 会先重建再终止，此时的服务中断时间=重建时间+服务启动时间+ readiness探针检测正常时间，必须等到1/1 Running服务才会正常。因此在单副本时迁移时，服务终端是不可避免的。
3.4.3 对 node02 进行重启
重启后 node02 已经修复完成。
对 node02 进行恢复
- 恢复 node02 可以正常调度
1 | kubectl uncordon node02 |
四 反思
后期可以对部署 K8s 集群内核进行升级。
集群内可能 Pod 的异常，由于底层存储或者其他原因导致，需要具体定位到问题进行针对性修复。
