(转)经典干货:kubernetes 常见故障排查和处理-编程思维

原文:https://mp.weixin.qq.com/s?__biz=MjM5NTk0MTM1Mw==&mid=2650684944&idx=2&sn=48531daf16a850665bd769e9390a2d86&chksm=befa4096898dc980f91be64f8e0f61e53f324f5a93d6f9a98a193d57414bc71a463852705a90&scene=21#wechat_redirect

排查命令和方式

1、kubectl get pods

2、kubectl describe pods my-pod

3、kubectl logs my-pod

4、kubectl exec my-pod -it /bin/bash 后进入容器排查

5、查看宿主机日志文件 /var/log/pods/*

/var/log/containers/*

 

1 pod故障排查处理

1、查看方式:

主要通过以下命令检查

kubectl getpods -n namespace

在上图status列,我们可以看到pod容器的状态

2、查看STATUS状态

以下是status list:

Running,Succeeded,Waiting,ContainerCreating,Failed,Pending,Terminating,unknown,CrashLoopBackOff,ErrImagePull,ImagePullBackOff

status定义说明:

如出现异常状态,可查看pod日志内容

kubectl describepod 容器名 -n namespace

查看State状态

3、查看 Conditions 状态

True 表示成功,False表示失败

Initialized pod 容器初始化完毕

Ready pod 可正常提供服务

ContainersReady 容器可正常提供服务

PodScheduled pod 正在调度中,有合适的节点就会绑定,并更新到etcd

Unschedulable pod 不能调度,没有找到合适的节点

如有False状态显示

查看Events 信息

Reason 显示 Unhealthy异常,仔细查看后面的报错信息,有针对性修复

4、 Events报错信息整理如下:

(1)

Failed to pull image "xxx":

Error: image xxx not found

原因:提示拉取镜像失败, 找不到镜像

解决方式:

找到可以访问的镜像地址以及正确的tag ,并修改

镜像仓库未login,需要login

K8s没有pull镜像的权限,需要开通权限再pull

(2)

Warning FailedSync Error syncing pod, skipping: failed to with RunContainerError: "GenerateRun ContainerOptions: XXX not found"

原因:此pod XXX 的 name 在 namespace下找不到,

解决方式:

需要重启pod解决,kubectl replace --force -f pod.yaml

(3)

Warning FailedSync Error syncing pod, skipping: failed to

"StartContainer" for "XXX" with RunContainerError:

"GenerateRunContainerOptions: configmaps \"XXX\" not found"

原因:Namespace下找不到 XXX命名的ConfigMap,

解决方式:

重新 新建ConfigMap

kubectl create -f configmap.yaml

(4)

Warning FailedMount MountVolume.SetUp failed for volume

"kubernetes.io/secret/ " (spec.Name: "XXXsecret") pod with: secrets

"XXXsecret" not found

原因:缺失Secret

解决方式:

需要 新建 Secret

kubectl create secret docker-registry secret名 --docker-server=仓库

url --docker-username=xxx --docker-password=xxx -n namespace

以下内容,如修改yaml文件后,执行kubectl apply -f pod.yaml重启pod才生效

(5)

Normal Killing Killing container with docker id XXX: pod

"XXX" container "XXX" is unhealthy, it will be killed and re-created.

容器的活跃度探测失败, Kubernetes 正在kill问题容器

原因:探测不正确,health检查的URL不正确, 或者应用未响应

解决方式:

修改yaml文件内health检查的periodSeconds等数值,调大

(6)

Warning FailedCreate Error creating: pods "XXXX" is forbidden:

[maximum memory usage per Pod is XXX, but request is XXX, maximum

memory usage per Container is XXX, but request is XXX.]

原因:K8s内存限制配额小于pod使用的大小,导致报错

解决方式:

调大k8s内存配额,或者减小pod的内存大小解决

(7)

pod (XXX) failed to fit in any node

fit failure on node (XXX): Insufficient cpu

原因:node没有足够的CPU供调用,

解决方式:

需要减少pod 内cpu的使用数量,yaml内修改

(8)

FailedMount Unable to mount volumes for pod "XXX": timeout expired

waiting for volumes to attach/mount for pod "XXX"/"fail". list of

unattached/unmounted volumes=XXX

FailedSync Error syncing pod, skipping: timeout expired waiting for

volumes to attach/mount for pod "XXX"/"fail". list of

unattached/unmounted volumes=XXX

原因:pod XXX 挂载卷失败

解决方式:

需要查看下是否建了卷, volume mountPath 目录是否正确

用yaml文件建volume并mount

(9)

FailedMount Failed to attach volume "XXX" on node "XXX" with: GCE

persistent disk not found: diskName="XXX disk" zone=""

解决方式:

检查 persistent disk 是否正确创建

Yaml文件创建persistent方式如下

(10)

error: error validating "XXX.yaml": error validating data: found

invalid field resources for PodSpec; if you choose to ignore

these errors, turn validation off with --validate=false

原因:yaml文件错误,一般是多了或者少了空格导致。

解决方式:

需要校验yaml是否正确

可使用kubeval工具校验yaml

(11)容器镜像不更新

解决方式:

deployment 中指定强制更新策略 ImagePullPolicy: Always

(12)

(combined from similar events): Readiness probe failed: calico/node

is not ready: BIRD is not ready: BGP not established with: Number of

node(s) with BGP peering established = 0

原因:指定node 节点 calico网络不通,

解决方式:

检查 calico 相关镜像是否pull成功,calico-node容器是否正常启动。如镜像和容器正常,需要reset重置该节点k8s,重新加入集群

kubeadm reset

kubeadm join ip:6443 --token XXXXX.XXXXXXXXX --discovery-token-ca-cert-hash

sha256:XXXXXXXXXXXXXXXXXXX

(13)

RunPodSandbox from runtime service failed: rpc error: code = Unknown

desc = failed pulling image "gcr.io/google_containers/pause-amd64:":

Get https://gcr.io/v1/_ping: dial tcp :443: i/o timeout

原因:gcr.io被GFW墙了

解决方式:

找阿里或googlecontainer 其他可用的镜像

Docker tag 到 gcr.io/google_containers/pause-amd64

(14)

Warning FailedCreatePodSandBox 3m (x13 over 3m) kubelet, Failed create pod sandbox

执行journalctl -xe | grep cni

发现 failed to find plugin “loopback” in path [/opt/loopback/bin /usr/local/bin]

解决方式:

需要在/usr/local/bin 内复制 loopback

以下是node节点问题排查

 

2 node节点故障排查处理

kubectl get node -n namespace

查看Node节点状态, STATUS Ready表示正常,NotReady不正常

注意version必须保持一致

如有NotReady问题,需要重启节点kubectl,或者重启docker

如不能解决,需要reset节点后,k8s重新join 该node

查看node日志

执行 kubectl describe node node名 -n namespace

如有 “node ip” not found

检查 node ip 是否能ping 通, node ip 或者 vip宕机引起

以下是整理的node报错信息及处理:

报错信息整理如下:

1、

The connection to the server localhost:8080 was refused - did you specify the right host or port?

执行kubectl get XXX报错

kubectl get nodes

原因:node缺少admin.conf

解决方式:

复制master上的 admin.conf到 node

Node 节点执行 echo "export KUBECONFIG=/etc/kubernetes/admin.conf">> ~/.bash_profile

2、

kubernetes nodePort不可访问

原因:一般是 iptables 或selinux 引起

解决方式:

关闭,清空

setenforce 0

iptables --flush

iptables -tnat --flush

service docker restart

iptables -P FORWARD ACCEPT

重启docker

3、

Failed to start inotify_add_watch /sys/fs/cgroup/blkio: no space

left on device或Failed to start inotify_add_watch

/sys/fs/cgroup/cpu,cpuacct: no space left on device

原因:空间或系统参数原因

解决方式:

查看磁盘空间有无100%

执行cat /proc/sys/fs/inotify/max_user_watches /调大数值

sysctl fs.inotify.max_user_watches=1048576

4、

Failed to start reboot.target: Connection timed out

未知原因:重启报超时

解决方式:

执行 systemctl --force --force reboot

5、

System OOM encountered

原因:使用内存超限后,容器可能会被Kubernetes进行OOMKilled

解决方式:

需要调整内存,合理分配

6、

Unable to register node "" with API server: Post

https://localhost:6443/api/v1/nodes: dial tcp 127.0.0.1:6443: getsockopt: connection refused

原因:node无法连接或拒绝连接master

解决方式:

Node节点重启kubelet,如未恢复, 需要查看node服务器上cpu 内存 ,硬

盘等资源情况

7、pod状态一直 Terminating

ContainerGCFailed rpc error: code = DeadlineExceeded desc = context deadline exceeded

原因:可能是17版本dockerd的BUG

解决方式:

systemctl daemon-reexec

systemctl restart docker

如不能恢复

需要升级docker到18版本

8、

Container runtime is down,PLEG is not healthy: pleg was last seen active 10m ago; threshold is 3m0s

原因:Pod Lifecycle Event Generator Pod 生命周期事件生成器超时响应

RPC 调用过程中容器运行时响应超时或者节点上的 Pod 数量太多,导致 relist

无法在 3 分钟内完成

解决方式:

systemctl daemon-reload

systemctl daemon-reexec

systemctl restart docker

重启Node节点服务器

如果以上都不能解决

升级docker版本到最新

如果还不能解决

升级kubernetes到 1.16以上版本

9、

No valid private key and/or certificate found, reusing existing private key or creating a new one

原因:node 节点kubelet启动后,会向master申请csr证书,找不到证书

解决方式:

需要在master上同意证书申请

10、

failed to run Kubelet: Running with swap on is not supported, please disable swap! or set --fail-swap-on flag to false. /proc/swaps containe

原因:启用了swap

解决方式:

卸载swap分区后,重启 kubelet systemctl restart kubelet

11、

The node was low on resource: [DiskPressure]

登录node节点查看,磁盘空间状况

原因:node的kubelet负责顶起采集资源占用数据,并和预先设置的threshold

值进行比较,如果超过threshold值,kubelet会杀掉一些Pod来回收相关资源

解决方式:

修改 /usr/lib/systemd/system/kubelet.service.d/10-kubeadm.conf

Environment="KUBELET_KUBECONFIG_ARGS=--bootstrap-kubecon-fig=/etc/kubernetes/bootstrap-kubelet.conf--kubeconfig=/etc/kubernetes/kubelet.conf"

配置参数 --eviction-hard=nodefs.available<5%, 后续清理磁盘

重启 kubelet

12、

Node节点状态unknown

查看进程,报-bash: fork: Cannot allocate memory错误

查看内存是否还有free

查看/proc/sys/kernel/pid_max 是否过小

解决方式:

增加内存,或者 调大 /proc/sys/kernel/pid_max

13、

provided port is not in the valid range. The range of valid ports is 30000-32767

原因:超出nodeport端口范围,默认nodeport需要在30000-32767范围内

解决方式:

修改/etc/kubernetes/manifests/kube-apiserver.yaml

修改 --service-node-port-range= 数字

重启apiserver

14、

1 node(s) had taints that the pod didn't tolerate

原因:该节点不可调度,默认master不可调度

解决方式:

kubectl describe nodes

查看状态

kubectl taint nodes node key:NoSchedule- 删除node节点不可调度

 

3 master故障排查处理

报错信息整理如下:

1、

unable to fetch the kubeadm-config ConfigMap: failed to get

configmap: Unauthorized

原因:token已经过期了,token默认是24小时内有效果的

解决方式:

在master节点重新生成token, 重新join节点

kubeadm token create

openssl x509 -pubkey -in /etc/kubernetes/pki/ca.crt | openssl rsa –pubin -outform der2>/dev/null | openssl dgst -sha256 -hex | sed 's/^ .* //'

2、

Unable to connect to the server: x509: certificate signed by unknown authority (possibly because of "crypto/rsa: verification error" while trying to verify candidate authority certificate "kubernetes")

原因:权限认证报错,需要根据提示操作

解决方式:

参考控制台提示

mkdir -p $HOME/.kube

sudo cp -i /etc/kubernetes/admin.conf $HOME/.kube/config

sudo chown $(id -u):$(id -g) $HOME/.kube/config

3、

Unable to update cni config: No networks found in /etc/cni/net

Container runtime network not ready: NetworkReady=false 

reason:NetworkPluginNotReady message

原因:网络CNI找不到

解决方式:

sysctl net.bridge.bridge-nf-call-iptables=1

安装flannel或者 calico网络

4、

coredns 一直处于 Pending 或者 ContainerCreating 状态

原因:网络问题引起

解决方式:

安装flannel或者 calico网络

plugin flannel does not support config version

修改/etc/cni/net.d/10-flannel.conflist

查看cniVersion版本号是否一致,不一致的话,修改成一致,或者k8s当前可支持的版本

5、

WARNING IsDockerSystemdCheck

[WARNING IsDockerSystemdCheck]: detected "cgroupfs" as the Docker cgroup driver. The recommended driver is "systemd". Please follow the guide at https://kubernetes.io/docs/setup/cri/

原因:缺少配置driver systemd

解决方式:

修改或创建/etc/docker/daemon.json,增加:

"exec-opts": ["native.cgroupdriver=systemd"]

重启docker

6、

WARNING FileExisting-socat

[WARNING FileExisting-socat]: socat not found in system path

原因:找不到 socat

解决方式:

yum install socat

7、

Permission denied

cannot create /var/log/fluentd.log: Permission denied

原因:权限拒绝

解决方式:

关掉SElinux安全导致.

在/etc/selinux/config中将SELINUX=enforcing设置成disabled

如未解决, 给与目录写权限

8、

启动apiserver失败,每次启动都是报

解决方式:

需要配置ServiceAccount

Yaml创建

9、

repository does not exist or may require 'docker login': denied:

requested access to the resource is denied

原因:node节点没有权限从harbor拉取镜像

解决方式:

需要在master节点进行授权 kubectl create secret

10、etcd启动失败

etcd: raft save state and entries error: open

/var/lib/etcd/default.etcd/member/wal/xxx.tmp: is a directory

原因:etcd member目录文件报错

解决方式:

删除相关tmp文件和目录,重启etcd服务

11、etcd节点故障

执行 etcdctl cluster-health,显示有节点unhealthy

原因:node节点etcd故障了

解决方式:

登录问题node

systemctl stop etcd

systemctl restart etcd

如果还是不正常

需要删除数据

rm -rf /var/lib/etcd/default.etcd/member/* (记得先备份)

再重启etcd

为避免出现一些不必要的问题,运维和开发人员应该有规范的去使用K8s集群,最大限度的去避免因为涉及和使用不当而引起的故障,参考以下:

 

Kubernetes使用规范

1、K8s node节点直接实现了高可用方式,用户只需要考虑master的高可用企业建议使用双master或多master的架构,避免master单点故障

2、K8s集群的所有节点,ntp时间一定要校准同步

3、建议使用OVS或calico网络,不建议使用flannel,

4、建议使用较新的稳定版本,bug较少至少1.12以上,提供ipvs模型,非仅ipatbles,性能决定

5、要有命名规范Namespace, master, node , pod ,service ,ingress都要用相应的命名规范,避免混乱

6、使用deployment优先,不使用RC。支持版本回滚等功能,pod使用多副本,replication配置复数使用滚动升级发布

7、尽量通过yaml文件,或者dashboard去管理k8s。不要长期直接跑命令

8、通过yaml文件,去限制pod的cpu,内存,空间等资源

9、pod内的端口尽量不要直接暴露在node,应通过service去调取

10、云上使用loadbalance做service负载均衡自建k8s可以引入ingress

11、K8s容器一定要监控建议通过kube-prometheus监控

12、建议部署agent日志服务,node agent统一收集日志,不要用原生k8s log,最好是使用微服务sidecar

本文是容器云大赛运维岗课程,点击阅读原文,可下载该文档觉得本文有用,请转发、点赞或点击“在看”,让更多同行看到

 

 资料/文章推荐:

 

版权声明:本文版权归作者所有,遵循 CC 4.0 BY-SA 许可协议, 转载请注明原文链接
https://www.cnblogs.com/liujiacai/p/17357959.html

基于kubeasz部署高可用k8s集群-编程思维

  在部署高可用k8s之前,我们先来说一说单master架构和多master架构,以及多master架构中各组件工作逻辑   k8s单master架构   提示:这种单master节点的架构,通常只用于测试环境,生产环境绝对不允许;这是因为k8s集群master的节点是单点,一旦master节点宕机,将导致整个集群不

个人文章-编程思维

01 问题背景某接口在测试环境耗时600~700ms左右,但在生产环境耗时在1.4s以上,接口实现逻辑包含数据库操作、文件操作、下游微服务调用和其他业务逻辑计算代码,该如何快速排查?团队里的其他开发同学还在手忙脚乱地按以下这些常规步骤排查:确定问题源:分析日志、代码等数据信息,确定接口是由于哪一部分逻辑代码引起的异常耗

个人文章-编程思维

作者:徐文梁爱可生DBA成员,负责客户项目的需求和维护。目前在数据库新手村打怪升级中。喜欢垂钓,如果你也喜欢垂钓,可以约个晴好天气,咱们一边钓鱼一边聊聊数据库,岂不快哉。本文来源:原创投稿*爱可生开源社区出品,原创内容未经授权不得随意使用,转载请联系小编并注明来源。问题现象某天早上,正在搬砖,客户发来消息,反馈某个实例

个人文章-编程思维

一分钟精华速览混沌工程作为一种提高技术架构弹性能力和容错能力的复杂技术手段,近年来讨论声音不断,相比在分布式系统上进行随机的故障注入实验,基于混沌工程的大规模自动化故障演练,不仅能将“作战演习”常态化,还能通过提高覆盖面而获得更高的产出价值,帮助更全面地完善故障应急预案和处理体系。此前 TakinTalks 分享了去哪