CCE节点故障检测
插件简介
CCE节点故障检测插件（node-problem-detector，简称NPD）是一款监控集群节点异常事件的插件，以及对接第三方监控平台功能的组件。它是一个在每个节点上运行的守护程序，可从不同的守护进程中搜集节点问题并将其报告给apiserver。node-problem-detector可以作为DaemonSet运行， 也可以独立运行。
有关社区开源项目node-problem-detector的详细信息，请参见node-problem-detector。
约束与限制
- 使用NPD插件时，不可对节点磁盘进行格式化或分区。
- 节点上每个NPD进程标准占用30mCPU，100MB内存。
- 当NPD插件为1.18.45及以上版本时，不在支持宿主机的操作系统为EulerOS 2.5以下版本。
权限说明
NPD插件为监控内核日志，需要读取宿主机/dev/kmsg设备，为此需要开启容器特权，详见privileged。
同时CCE根据最小化权限原则进行了风险消减，NPD运行限制只拥有以下特权：
- cap_dac_read_search，为访问/run/log/journal
- cap_sys_admin，为访问/dev/kmsg
安装插件
- 登录CCE控制台，单击集群名称进入集群，单击左侧导航栏的“插件中心”，在右侧找到CCE节点故障检测插件，单击“安装”。
- 在安装插件页面，设置“规格配置”。
表1 npd插件规格配置 参数
参数说明
插件规格
该插件可配置“自定义”规格。
实例数
选择“自定义”规格时，您可根据需求调整插件实例数。
容器
选择“自定义”规格时，您可根据需求调整插件实例的容器规格。
- 设置插件支持的“参数配置”。
仅v1.16.0及以上版本支持配置。
表2 npd插件参数配置 参数
参数说明
common.image.pullPolicy
镜像拉取策略，默认为IfNotPresent。
feature_gates
特性门控。
npc.maxTaintedNode
单个故障在多个节点间发生时，至多多少节点允许被npc添加污点，避免雪崩效应。
支持int格式和百分比格式。
npc.nodeAffinity
Controller的节点亲和性配置。
- 设置插件实例的“调度策略”。
- 调度策略对于DaemonSet类型的插件实例不会生效。
- 设置多可用区部署或节点亲和策略时，需保证集群中存在满足调度策略的节点且拥有足够的资源，否则插件实例将无法运行。
表3 插件调度配置 参数
参数说明
多可用区部署
- 优先模式：优先将插件的Deployment实例调度到不同可用区的节点上，如集群下节点不满足多可用区，插件实例将调度到单可用区。
- 强制模式：插件Deployment实例强制调度到不同可用区的节点上，如集群下节点不满足多可用区，插件实例将无法全部运行。
节点亲和
容忍策略
容忍策略与节点的污点能力配合使用，允许（不强制）插件的 Deployment 实例调度到带有与之匹配的污点的节点上，也可用于控制插件的 Deployment 实例所在的节点被标记污点后插件的 Deployment 实例的驱逐策略。
插件会对实例添加针对node.kubernetes.io/not-ready和node.kubernetes.io/unreachable污点的默认容忍策略，容忍时间窗为60s。
详情请参见容忍策略。
- 单击“安装”。
组件说明
|
容器组件 |
说明 |
资源类型 |
|---|---|---|
|
node-problem-controller |
根据故障探测结果提供基础故障隔离能力。 |
Deployment |
|
node-problem-detector |
提供节点故障探测能力。 |
DaemonSet |
NPD检查项
当前检查项仅1.16.0及以上版本支持。
NPD的检查项主要分为事件类检查项和状态类检查项。
- 事件类检查项
对于事件类检查项，当问题发生时，NPD会向APIServer上报一条事件，事件类型分为Normal（正常事件）和Warning（异常事件）
表5 事件类检查项 故障检查项
功能
说明
OOMKilling
监听内核日志，检查OOM事件发生并上报
典型场景：容器内进程使用的内存超过了Limt，触发OOM并终止该进程
Warning类事件
监听对象：/dev/kmsg
匹配规则："Killed process \\d+ (.+) total-vm:\\d+kB, anon-rss:\\d+kB, file-rss:\\d+kB.*"
TaskHung
监听内核日志，检查taskHung事件发生并上报
典型场景：磁盘卡IO导致进程卡住
Warning类事件
监听对象：/dev/kmsg
匹配规则："task \\S+:\\w+ blocked for more than \\w+ seconds\\."
ReadonlyFilesystem
监听内核日志，检查系统内核是否有Remount root filesystem read-only错误
典型场景：用户从ECS侧误操作卸载节点数据盘，且应用程序对该数据盘的对应挂载点仍有持续写操作，触发内核产生IO错误将磁盘重挂载为只读磁盘。
说明：节点容器存储Rootfs为Device Mapper类型时，数据盘卸载会导致thinpool异常，影响NPD运行，NPD将无法检测节点故障。
Warning类事件
监听对象：/dev/kmsg
匹配规则："Remounting filesystem read-only"
- 状态类检查项
对于状态类检查项，当问题发生时，NPD会向APIServer上报一条事件，并同步修改节点状态，可配合Node-problem-controller故障隔离对节点进行隔离。
下列检查项中若未明确指出检查周期，则默认周期为30秒。
表6 系统组件检查 故障检查项
功能
说明
容器网络组件异常
CNIProblem
检查CNI组件（容器网络组件）运行状态
无
容器运行时组件异常
CRIProblem
检查节点CRI组件（容器运行时组件）Docker和Containerd的运行状态
检查对象：Docker或Containerd
Kubelet频繁重启
FrequentKubeletRestart
通过定期回溯系统日志，检查关键组件Kubelet是否频繁重启
Docker频繁重启
FrequentDockerRestart
通过定期回溯系统日志，检查容器运行时Docker是否频繁重启
Containerd频繁重启
FrequentContainerdRestart
通过定期回溯系统日志，检查容器运行时Containerd是否频繁重启
Kubelet服务异常
KubeletProblem
检查关键组件Kubelet的运行状态
无
KubeProxy异常
KubeProxyProblem
检查关键组件KubeProxy的运行状态
无
表7 系统指标 故障检查项
功能
说明
连接跟踪表耗尽
ConntrackFullProblem
检查连接跟踪表是否耗尽
- 默认阈值:90%
- 使用量：nf_conntrack_count
- 最大值：nf_conntrack_max
磁盘资源不足
DiskProblem
检查节点系统盘、CCE数据盘（包含CRI逻辑盘与Kubelet逻辑盘）的磁盘使用情况
- 默认阈值：90%
- 数据来源：
df -h
当前暂不支持额外的数据盘
文件句柄数不足
FDProblem
检查系统关键资源FD文件句柄数是否耗尽
- 默认阈值：90%
- 使用量：/proc/sys/fs/file-nr中第1个值
- 最大值：/proc/sys/fs/file-nr中第3个值
节点内存资源不足
MemoryProblem
检查系统关键资源Memory内存资源是否耗尽
- 默认阈值：80%
- 使用量：/proc/meminfo中MemTotal-MemAvailable
- 最大值：/proc/meminfo中MemTotal
进程资源不足
PIDProblem
检查系统关键资源PID进程资源是否耗尽
- 默认阈值：90%
- 使用量：/proc/loadavg中nr_threads
- 最大值：/proc/sys/kernel/pid_max和/proc/sys/kernel/threads-max两者的较小值。
表8 存储检查 故障检查项
功能
说明
磁盘只读
DiskReadonly
通过定期对节点系统盘、CCE数据盘（包含CRI逻辑盘与Kubelet逻辑盘）进行测试性写操作，检查关键磁盘的可用性
检测路径：
- /mnt/paas/kubernetes/kubelet/
- /var/lib/docker/
- /var/lib/containerd/
- /var/paas/sys/log/cceaddon-npd/
检测路径下会产生临时文件npd-disk-write-ping
当前暂不支持额外的数据盘
节点emptydir存储池异常
EmptyDirVolumeGroupStatusError
检查节点上临时卷存储池是否正常
故障影响：依赖存储池的Pod无法正常写对应临时卷。临时卷由于IO错误被内核重挂载成只读文件系统。
典型场景：用户在创建节点时配置两个数据盘作为临时卷存储池，用户误操作删除了部分数据盘导致存储池异常。
- 检测周期：30秒
- 数据来源：
vgs -o vg_name, vg_attr
- 检测原理：检查VG（存储池）是否存在p状态，该状态表征部分PV（数据盘）丢失。
- 节点持久卷存储池异常调度联动：调度器可自动识别此异常状态并避免依赖存储池的Pod调度到该节点上。
- 例外场景：NPD无法检测所有PV（数据盘）丢失，导致VG（存储池）丢失的场景；此时依赖kubelet自动隔离该节点，其检测到VG（存储池）丢失并更新nodestatus.allocatable中对应资源为0，避免依赖存储池的Pod调度到该节点上。无法检测单个PV损坏；此时依赖ReadonlyFilesystem检测异常。
节点持久卷存储池异常
LocalPvVolumeGroupStatusError
检查节点上持久卷存储池是否正常
故障影响：依赖存储池的Pod无法正常写对应持久卷。持久卷由于IO错误被内核重挂载成只读文件系统。
典型场景：用户在创建节点时配置两个数据盘作为持久卷存储池，用户误操作删除了部分数据盘。
挂载点异常
MountPointProblem
检查节点上的挂载点是否异常
异常定义：该挂载点不可访问（cd）
典型场景：节点挂载了nfs（网络文件系统，常见有obsfs、s3fs等），当由于网络或对端nfs服务器异常等原因导致连接异常时，所有访问该挂载点的进程均卡死。例如集群升级场景kubelet重启时扫描所有挂载点，当扫描到此异常挂载点会卡死，导致升级失败。
等效检查命令：
for dir in `df -h | grep -v "Mounted on" | awk "{print \\$NF}"`;do cd $dir; done && echo "ok"磁盘卡IO
DiskHung
检查节点上所有磁盘是否存在卡IO，即IO读写无响应
卡IO定义：系统对磁盘的IO请求下发后未有响应，部分进程卡在D状态
典型场景：操作系统硬盘驱动异常或底层网络严重故障导致磁盘无法响应
磁盘慢IO
DiskSlow
检查节点上所有磁盘是否存在慢IO，即IO读写有响应但响应缓慢
典型场景：云硬盘由于网络波动导致慢IO。
说明：卡IO场景下该检查项失效，原因为IO请求未有响应，await数据不会刷新。
表9 其他检查 故障检查项
功能
说明
NTP异常
NTPProblem
检查节点时钟同步服务ntpd或chronyd是否正常运行，系统时间是否漂移
默认时钟偏移阈值：8000ms
进程D异常
ProcessD
检查节点是否存在D进程
默认阈值：连续3次存在10个异常进程
数据来源：
- /proc/{PID}/stat
- 等效命令：ps aux
例外场景：ProcessD忽略BMS节点下的SDI卡驱动依赖的常驻D进程heartbeat、update
进程Z异常
ProcessZ
检查节点是否存在Z进程
ResolvConf配置文件异常
ResolvConfFileProblem
检查ResolvConf配置文件是否丢失
检查ResolvConf配置文件是否异常
异常定义：不包含任何上游域名解析服务器（nameserver）。
检查对象：/etc/resolv.conf
存在计划事件
ScheduledEvent
检查节点是否存在热迁移计划事件。热迁移计划事件通常由硬件故障触发，是IaaS层的一种自动故障修复手段。
典型场景：底层宿主机异常，例如风扇损坏、磁盘坏道等，导致其上虚机触发热迁移。
数据来源：
- http://169.254.169.254/meta-data/latest/events/scheduled
该检查项为Alpha特性，默认不开启。
另外kubelet组件内置如下检查项，但是存在不足，您可通过集群升级或安装NPD进行补足。
表10 Kubelet内置检查项 故障检查项
功能
说明
PID资源不足
PIDPressure
检查PID是否充足
- 周期：10秒
- 阈值：90%
- 缺点：社区1.23.1及以前版本，该检查项在pid使用量大于65535时失效，详见issue 107107。社区1.24及以前版本，该检查项未考虑thread-max。
内存资源不足
MemoryPressure
检查容器可分配空间（allocable）内存是否充足
- 周期：10秒
- 阈值：最大值-100MiB
- 最大值（Allocable）：节点总内存-节点预留内存
- 缺点：该检测项没有从节点整体内存维度检查内存耗尽情况，只关注了容器部分(Allocable)。
磁盘资源不足
DiskPressure
检查kubelet盘和docker盘的磁盘使用量及inodes使用量
- 周期：10秒
- 阈值：90%
Node-problem-controller故障隔离
故障隔离仅1.16.0及以上版本的插件支持。
默认情况下，若多个节点发生故障，NPC至多为10%的节点添加污点，可通过参数npc. maxTaintedNode提高数量限制。
开源NPD插件提供了故障探测能力，但未提供基础故障隔离能力。对此，CCE在开源NPD的基础上，增强了Node-problem-controller（节点故障控制器组件），该组件参照Kubernetes节点控制器实现，针对NPD探测上报的故障，自动为节点添加污点以进行基本的节点故障隔离。
|
参数 |
说明 |
默认值 |
|---|---|---|
|
npc.enable |
是否启用npc 1.18.0及以上版本不再支持该参数 |
true |
|
npc.maxTaintedNode |
单个故障在多个节点间发生时，至多多少节点允许被npc添加污点，避免雪崩效应 支持int格式和百分比格式 |
10% 值域：
|
|
npc.nodeAffinity |
Controller的节点亲和性配置 |
N/A |
