Node Problem Detector

Node Problem Detector 是一个开源库,可监控节点的健康状况并检测常见节点问题,例如硬件、内核或容器运行时问题。在 Google Distributed Cloud 中,它在每个节点上作为 systemd 服务运行。

从 Google Distributed Cloud 1.10.0 版开始,节点问题检测器默认处于启用状态。

如果您需要其他帮助,请与 Cloud Customer Care 联系。

它可以检测哪些问题?

Node Problem Detector 可以检测以下类型的问题:

  • 容器运行时问题,例如运行时守护程序无响应
  • 硬件问题,例如 CPU、内存或磁盘故障
  • 内核问题,例如内核死锁情况或文件系统损坏

它在节点上运行,并以 NodeConditionEvent 的形式向 Kubernetes API 服务器报告问题。(NodeCondition 是导致节点无法运行 pod 的问题,而 Event 是暂时性问题,对 pod 的影响有限,但其严重性仍被视为需要报告。)

Node Problem Detector 发现的某些 NodeConditions 包括:

  • KernelDeadlock
  • ReadonlyFilesystem
  • FrequentKubeletRestart
  • FrequentDockerRestart
  • FrequentContainerdRestart
  • FrequentUnregisterNetDevice
  • KubeletUnhealthy
  • ContainerRuntimeUnhealthy
  • CorruptDockerOverlay2

Node Problem Detector 报告的 Events 种类的一些示例包括:

  • Warning TaskHung node/vm-worker-1-user-a12fabb4a99cb92-ddfce8832fd90f6f.lab.anthos kernel: task docker:7 blocked for more than 300 seconds.
  • Warning KernelOops node/vm-worker-1-user-a12fabb4a99cb92-ddfce8832fd90f6f.lab.anthos kernel: BUG: unable to handle kernel NULL pointer dereference at 00x0.

如何查看检测到的问题

在节点上运行以下 kubectl describe 命令以查找 NodeConditionsEvents

kubectl --kubeconfig=KUBECONFIG_PATH describe node NODE_NAME

在该命令中,将以下条目替换为特定于您的环境的信息:

  • KUBECONFIG_PATH:目标集群 kubeconfig 文件的路径。(kubeconfig 文件的路径通常为 bmctl-workspace/CLUSTER_NAME/CLUSTER_NAME-kubeconfig。但是,如果您使用 WORKSPACE_DIR 标志指定工作区,则路径为 WORKSPACE_DIR/CLUSTER_NAME/CLUSTER_NAME-kubeconfig)。

  • NODE_NAME:您要获取其健康状况信息的节点的名称。

如何启用/停用 Node Problem Detector

以下是在给定集群上启用 Node Problem Detector 的步骤:

  1. 修改集群的 ConfigMap 文件,该文件名为 node-problem-detector-config

       kubectl --kubeconfig=KUBECONFIG_PATH edit configmap \
           node-problem-detector-config --namespace=CLUSTER_NAMESPACE
    

    此命令会自动启动一个文本编辑器(例如 vim 或 nano),您可以在其中修改 node-problem-detector-config 文件。在该命令中,将以下条目替换为特定于您的集群环境的信息:

    • KUBECONFIG_PATH:管理员集群 kubeconfig 文件的路径。(kubeconfig 文件的路径通常为 bmctl-workspace/CLUSTER_NAME/CLUSTER_NAME-kubeconfig。但是,如果您使用 WORKSPACE_DIR 标志指定工作区,则路径为 WORKSPACE_DIR/CLUSTER_NAME/CLUSTER_NAME-kubeconfig)。
    • CLUSTER_NAMESPACE:要在其中启用 Node Problem Detector 的集群命名空间。
  2. node-problem-detector-config ConfigMap 最初没有 data 字段。使用以下键值对将 data 字段添加到配置映射中:

    data:
      enabled: "true"
    

要在集群命名空间中停用 Node Problem Detector,请执行上述第 1 步和第 2 步,但在第 2 步中,将 enabled 键的值更改为“false”。

如何停止/启动 Node Problem Detector

Node Problem Detector 在每个节点上作为 systemd 服务运行。要管理给定节点的 Node Problem Detector,请使用 SSH 访问节点,并运行以下 systemctl 命令。

要停用 Node Problem Detector,请运行以下命令:

systemctl stop node-problem-detector

要重启 Node Problem Detector,请运行以下命令:

systemctl restart node-problem-detector

要检查 Node Problem Detector 是否正在特定节点上运行,请运行以下命令:

systemctl is-active node-problem-detector

不受支持的功能

Google Distributed Cloud 不支持节点问题检测器的以下自定义设置:

  • 将 Node Problem Detector 报告导出到其他监控系统(例如 Stackdriver 或 Prometheus)。
  • 自定义要查找的 NodeConditionsEvents
  • 运行用户定义的监控脚本。

后续步骤