kubernetes关于eks一次异常问题的复盘

阿里云国内75折回扣微信号：monov8

阿里云国际，腾讯云国际，低至75折。AWS 93折免费开户实名账号代冲值优惠多多微信号：monov8 飞机：@monov6

背景

海外新加坡有一套aws的 eks集群很小的规模托管的三节点（172-31-16-189节点为最近才加的忽略

[root@ip-172-31-10-1 ~]# kubectl get nodes
NAME                                               STATUS   ROLES    AGE    VERSION
ip-172-31-16-189.ap-southeast-1.compute.internal   Ready    <none>   44h    v1.23.9-eks-ba74326
ip-172-31-17-92.ap-southeast-1.compute.internal    Ready    <none>   110d   v1.23.9-eks-ba74326
ip-172-31-3-165.ap-southeast-1.compute.internal    Ready    <none>   111d   v1.23.9-eks-ba74326
ip-172-31-32-5.ap-southeast-1.compute.internal     Ready    <none>   111d   v1.23.9-eks-ba74326

事情经过是这样的12月28日更新镜像172-31-17-92节点出现了一次镜像ImagePullBackOff,由于我镜像仓库位于国内我当时怀疑是网络问题将镜像修改tag 上传到了dockerhub仓库**but **在宿主机操作docker pull 上传到dockerhub的镜像依然是pull不动索性 restart了一下docker and kubelet 重新下载成功了…祸根就从这里埋下了。春节放假又出现了两次异常。后面找aws的小伙伴帮忙一起看了一下复盘了一下。这里记录一下

kubernetes关于eks一次网络问题的复盘

出现的异常现象

docker image镜像无法下载
节点上pod 无法连接内网域名（包括集群内svc地址and aws 数据库redis域名),ping 没有任何返回。看连接kafkaf服务的日志出现**Failed to resolve ‘b-2.xxxxx.xxxxx.c3.kafka.ap-southeast-1.amazonaws.com:9096’: Try again (after 5001ms in state CONNECT, 4 identical error(s) suppressed)。**mysql服务也出现连接失败的错误MySQL异常**SQL state [HY000]； error code [2002] **如下

eks自有组建都在不停的重启,比较明显的服务有aws-node ebs-csi-node,还有我搭建的traefik代理组件

kubectl get pods -n kube-system

分析以及解决过程

查看eks系统组件报错

 kubectl describe pods aws-node-zx4sb -n kube-system

重点关注词
** Last State: Terminated**
** Reason: Error**
** Exit Code: 137**

也顺便看了一些kube-proxy日志有一下报错
service log of the node: Failed to ensure chain exists" err="error creating chain “KUBE-EXTERNAL-SERVICES”: fork/exec /usr/sbin /iptables: resource temporarily unavailable: " table=filter chain=KUBE-EXTERNAL-SERVICES
traefik ebs-csi-node组件不断重启不能正常运行拿这两个组件尝试了一下** delete 异常节点上的traefik ebs-csi-node组件等待pod重新running**后再无异常

这里的重点关注词
resource temporarily unavailable
注 aws-node 并未手动杀死

登陆异常节点查看日志

journalctl |grep kubelet

肉眼扫了一眼一些异常1月21日的报错日志
failed to create new OS thread (have 6 already; errno=11)\nruntime: may need to increase max user processes (ulimit -u)

搜索关键词解决问题

找到这个关键词max user processes
执行了一下ulimit -a

max user processes (-u) unlimited
unlimited是指不限制用户可以使用的资源, 但这个设置对系统可打开的最大文件数(max open files)和各个用户可同时运行的最大进程数(max user processes)无效
参照谷歌搜索

The maximum user processes (nproc) limit on Linux counts the number of threads within all processes that can exist for a given user. The default value of nproc is 1024 on some versions of Linux, which is generally an insufficient number of threads for all processes

那默认值是1024…后之后觉查一下进程数

ps ux|wc -l

当前是400多个扫一遍程序,参照https://aws.amazon.com/cn/premiumsupport/knowledge-center/eks-failed-create-pod-sandbox/

 ps ux | awk '{if($8=="Z") print}'

 ps ux | awk '{if($8=="Z") print}'|wc -l

what 才更新了几天的程序有两个多个僵尸进程？扫了一眼一个截图的game-screenshot 的nodejs程序造成的…之前为什么没有…11月份他们改了程序方式…总算找到了罪魁祸首僵尸进程没有处理…长时间运行是会出现更多的僵尸进程…那国内为什么没有出现过这个问题呢？带着疑惑看了一眼我的阿里亚ack集群

 ps ux | awk '{if($8=="Z") print}'|wc -l

有500多个僵尸进程…但是确实没有出现过这样的问题看一眼ulimit -a

顺便扫一眼腾讯云TKE

注机型配置不一样参数会有所区别但是max user processed这个参数国内云商确实优化了…先忽略1024的那么小的配置…找到写程序的小伙伴连夜让他把代码改了…

吐槽

case工单提交了一天完全没有人鸟…账号还是国内某大厂的。最后找到了国内aws团队的小伙伴（最近正好又业务往来给加速了一下并帮分配到了台湾的工程师帮忙排查问题。当前状态下国外电话打进来都自动被屏蔽了联系很不方便。web 体验了一下Amazon Chime…也断线了好几次。台湾工程师交流起来还是不习惯太流程化…文化差异吧哈哈。https://aws.amazon.com/cn/premiumsupport/knowledge-center/eks-failed-create-pod-sandbox/也是台湾工程师给提供的
我使用托管服务默认觉得云商对系统参数都进行了优化…起码国内的腾讯云阿里云都这样做了。系统的参数很多都可以不用去关心调整。第一次使用aws我也想当然以为这样了出了这问题我才发现其实并不是这样的台湾的工程师也一直给我解释他们是让用户差异化初始机器的时候自己设置…那我用什么EKS 我自己搭建一个kubeadm的集群不好了…当时着急搭建我是直接梭哈跑起来的…还被各种IAM摧残…
其实看到resource temporarily unavailable报错的时候就应该想到最大进程数了…这个问题我真的没有想到过…因为初始化系统的时候个人都会把这些参数优化了…太理所当然的以为云商进行了优化了…

自己搭建集群好歹也记得把这些limit设置了…