现场问题排查-k8s（docker）上某服务pod频繁自动重启

最新推荐文章于 2024-10-07 07:06:35 发布

leandzgc

最新推荐文章于 2024-10-07 07:06:35 发布

阅读量6.6k

点赞数 3

分类专栏：经验分享文章标签： docker kubernetes 运维

本文链接：https://blog.csdn.net/leandzgc/article/details/129172880

版权

经验分享专栏收录该内容

52 篇文章 1 订阅

订阅专栏

现场问题排查-k8s（docker）上某服务pod频繁自动重启

写在最前面

根因：应用内存占用不合理（个人认为）+现场配置内存不够导致频繁触发OOM引发该现象。
为啥要写这个文章？

之前没有k8s下pod频繁重启的问题处理经验，这次实战沉淀思路及过程，供后续自己处理相同问题提供参考资料
为其他遇到类似问题的人提供一些排查思路

问题现象

现场反馈1月15日升级完以后，某系统首页的某搜索功能就经常不好用，初步排查是某服务的POD总自动重启，研发已经处理过两次了，还是没有根除。

初步排查（健康检查配置不合理导致容器重启）

问现场之前排查结论是啥呀？运维反馈怀疑资源不足，后来也增加了对应服务的资源，但问题还是没有根除。
那先看看这个服务的事件吧（docker5页面可以直接看，也可以用kubectl get event -n 服务所在命名空间命令查看–网上资料都是不需要用-n指定命名空间的，但我不指定就报错，网上说有多个命名空间的时候需要指定，所以最好还是指定吧），然后发现了以下问题。

[root@node-133446 ~]# kubectl get event -n myNamespace
LAST SEEN   TYPE      REASON                         KIND                      MESSAGE
...
9m52s       Normal    Created                        Pod                       Created container
9m51s       Normal    Started                        Pod                       Started container
9m50s       Warning   Unhealthy                      Pod                       Liveness probe failed: Get http://192.168.220.150:18201/actuator/health: dial tcp 192.168.220.150:18201: connect: connection refused
9m18s       Warning   Unhealthy                      Pod                       Readiness probe failed: Get http://192.168.220.150:18201/actuator/health: dial tcp 192.168.220.150:18201: connect: connection refused
9m18s       Normal    Killing                        Pod                       Killing container with id docker://mySer:Container failed liveness probe.. Container will be killed and recreated.
4m44s       Warning   BackOff                        Pod                       Back-off restarting failed container
...

上面报错明显是服务的/actuator/health接口不通呀，根据经验这个报错是因为k8s的就绪探针配置导致的，因为着急恢复业务，就先临时把这个配置给关掉了（后续问题彻底解决后又恢复了，但根据情况调整了一些参数。具体过程另开一个帖子讲吧，感觉可以作为一个单独的知识点分享，这样也便于后续针对场景搜索）。

再次定位（自动伸缩配置调整）

关掉健康检查并重启后，服务正常了，皆大欢喜。现场说还是成哥厉害，几分钟就搞定了，然而还没高兴两分钟，我看首页案件搜索又用不了了。

这？？？打脸来的太快，就像是龙卷风！刚刚说我厉害的人，悄悄回座位处理其他问题了，也不搭理我了…这可太疼了。

既然没有解决，继续看事件吧，看看有啥新思路没，然后事件列表基本都是以下内容

[root@node-133446 ~]# kubectl describe service/mySer -n myNamespace
# 这里其实是根据页面上的时间列表模拟的，上面的命令执行后，Events是none，网上说要配置权限，但我没配置出来
类型     事件原因            事件信息                                最后更新
Normal  ScalingReplicaSet  Scaled down replica set tm-... to 3    3 minutes ago
Normal  ScalingReplicaSet  Scaled up replica set tm-... to 4      9 minutes ago
Normal  ScalingReplicaSet  Scaled up replica set tm-... to 3      10 minutes ago
Normal  ScalingReplicaSet  Scaled down replica set tm-... to 2    13 minutes ago
Normal  ScalingReplicaSet  Scaled up replica set tm-... to 1      21 minutes ago
Normal  ScalingReplicaSet  Scaled down replica set tm-... to 0    22 minutes ago
Normal  ScalingReplicaSet  Scaled up replica set tm-... to 4      30 minutes ago

这Pod的个数怎么在反复伸缩呀？咨询了一下arterydocker支持，按步骤检查了下

集群资源充足吗？->集群内每个机器都还有不少资源呢
被攻击或其他管理员手工修改了？->密码没几个人知道，都在一个屋，基本不可能。为了保险，还是修改了密码，但问题依旧，所以排除该选项
查看Pod的yaml最下面的事件有啥东西没？->没有这个节点（其实这里跟上面脚本的内容是一样的，估计是没权限）
查看Pod的yaml里面有没有kind: HorizontalPodAutoscaler关键字？->查看了没有（其实问题就在这里，只是Pod的deploy资源和HPA资源是分别管理的，入口错了）
那就得再研究研究了，之前也没遇到过。

陷入瓶颈了呀，咋办？网上各种找资料，说的都是自动伸缩的事儿，各种瞎点，还真给点出来了（位置在docker5控制台->资源->HPA->里面搜索出问题的服务->编辑->最小副本、最大副本控制自动伸缩）。

[root@node-133446 ~]# kubectl get hpa -n myNamespace
# 查看指定命名空间内所有的hpa配置
NAME            REFERENCE                          TARGETS      MINPODS   MAXPODS   REPLICAS   AGE
...
hpa-mySer       Deployment/mySer                   32m/6144m    1         4         1          319d
...

[root@node-133446 ~]# kubectl get hpa -n myNamespace hpa-mySer
# 查看指定hpa配置
NAME        REFERENCE             TARGETS     MINPODS   MAXPODS   REPLICAS   AGE
hpa-mySer   Deployment/mySer      33m/6144m   1         4         1          319d

[root@node-133446 ~]# kubectl get hpa -n myNamespace hpa-mySer -o yaml
# 查看指定hpa完整yaml
apiVersion: autoscaling/v1
kind: HorizontalPodAutoscaler
metadata:
  annotations:
    autoscaling.alpha.kubernetes.io/conditions: '[{"type":"AbleToScale","status":"True","lastTransitionTime":"2022-04-09T04:23:10Z","reason":"ReadyForNewScale","message":"recommended
      size matches current size"},{"type":"ScalingActive","status":"True","lastTransitionTime":"2023-02-22T10:54:45Z","reason":"ValidMetricFound","message":"the
      HPA was able to successfully calculate a replica count from cpu resource"},{"type":"ScalingLimited","status":"False","lastTransitionTime":"2023-02-20T14:02:11Z","reason":"DesiredWithinRange","message":"the
      desired count is within the acceptable range"}]'
    autoscaling.alpha.kubernetes.io/current-metrics: '[{"type":"Resource","resource":{"name":"cpu","currentAverageValue":"33m"}}]'
    autoscaling.alpha.kubernetes.io/metrics: '[{"type":"Resource","resource":{"name":"cpu","targetAverageValue":"6144m"}}]'
    field.cattle.io/displayName: ""
  creationTimestamp: "2022-04-09T04:22:55Z"
  labels:
    io.cattle.field/appId: myNamespace
  name: hpa-mySer
  namespace: myNamespace
  resourceVersion: "235189306"
  selfLink: /apis/autoscaling/v1/namespaces/myNamespace/horizontalpodautoscalers/hpa-mySer
  uid: ba923625-b7bc-11ec-a55a-3cd2e55b71c6
spec:
  maxReplicas: 4 # 这个就是最大副本数，最多会扩容到这个数字
  minReplicas: 1 # 这个是最小副本数，最小不会少于这个数字（手工调整pod个数，估计会自动增加回来）
  scaleTargetRef:
    apiVersion: apps/v1beta2
    kind: Deployment
    name: mySer
status:
  currentReplicas: 1
  desiredReplicas: 1
  lastScaleTime: "2023-02-22T10:49:29Z"

把这里的最大和最小都限制成1，然后再观察，该pod就没有自动伸缩了。但服务依然不可用（实际这个估计没影响业务，还是当时业务本身有问题，问题根除后，这里也恢复了），那就得继续排查了。

最终定位（服务实际内存占用超过服务配置最大限制导致重启）

既然自己没发现什么明显问题，那继续谷歌吧。

按照网上的文章，各种实验，最终有效果的脚本如下：

[root@node-133446 ~]# kubectl describe pod -n myNamespace mySer-5f5c8666f5-ll9kj
# 查看指定pod资源的详细信息（重点关注【Last State:     Terminated】部分的【Reason:       OOMKilled】）
Name:               mySer-5f5c8666f5-ll9kj
Namespace:          myNamespace
Priority:           0
PriorityClassName:  <none>
Node:               node-133448/133.4.4.8
Start Time:         Mon, 20 Feb 2023 21:57:58 +0800
Labels:             app=mySer
                    appid=myNamespace
                    pod-template-hash=5f5c8666f5
Annotations:        cattle.io/timestamp: 2023-02-20T13:53:34Z
                    field.cattle.io/ports:
                      [[{"containerPort":18201,"dnsName":"mySer","hostPort":0,"kind":"ClusterIP","name":"18201tcp02","protocol":"TCP","sourcePort":0},{"conta...
Status:             Running
IP:                 192.168.118.5
Controlled By:      ReplicaSet/mySer-5f5c8666f5
Init Containers:
  init:
    Container ID:  docker://f75bf1e90de373487464fbc84329a786c970d9265c3adcd5b5ef5fe7a382afe9
    Image:         ...
    Image ID:      ...
    Port:          <none>
    Host Port:     <none>
    Command:
      sh
      -c
      wget --spider ...
    State:          Terminated
      Reason:       Completed
      Exit Code:    0
      Started:      Mon, 20 Feb 2023 21:57:59 +0800
      Finished:     Mon, 20 Feb 2023 21:57:59 +0800
    Ready:          True
    Restart Count:  0
    Environment:    <none>
    Mounts:
      /var/run/secrets/kubernetes.io/serviceaccount from default-token-488jb (ro)
Containers:
  mySer:
    Container ID:  docker://facfd64a6d6a6e4d087d7a1434e768e76d0e143639189193d764f76b713d3aaf
    Image:         ...
    Image ID:      ...
    Ports:         18201/TCP, 18202/TCP
    Host Ports:    0/TCP, 0/TCP
    Command:
      /bin/sh
      -c
      sh /install/run mySer  2.24.0
    State:          Waiting
      Reason:       CrashLoopBackOff
# 重点关注这一段，可以看到状态是已停止，原因是OOMKilled，内存溢出被杀掉了
# 重点关注这一段，可以看到状态是已停止，原因是OOMKilled，内存溢出被杀掉了
# 重点关注这一段，可以看到状态是已停止，原因是OOMKilled，内存溢出被杀掉了
    Last State:     Terminated
      Reason:       OOMKilled
      Exit Code:    0
      Started:      Mon, 20 Feb 2023 22:12:33 +0800
      Finished:     Mon, 20 Feb 2023 22:16:28 +0800
    Ready:          False
    Restart Count:  3
    Limits:
      cpu:     4
      memory:  8196Mi # 这里的8196Mi其实是研发已经调整过的了
    Requests:
      cpu:     1
      memory:  4Gi
    Environment:
      ...
      MYHOSTIP:                        (v1:status.hostIP)
  ...
Events:
  Type     Reason     Age                  From                  Message
  ----     ------     ----                 ----                  -------
  Normal   Scheduled  19m                  default-scheduler     Successfully assigned myNamespace/mySer-5f5c8666f5-ll9kj to node-133448
  Normal   Pulled     19m                  kubelet, node-133448  Container image "registry...com:5000/.../busybox-amd64:1.33" already present on machine
  Normal   Created    19m                  kubelet, node-133448  Created container
  Normal   Started    19m                  kubelet, node-133448  Started container
  Normal   Created    19m                  kubelet, node-133448  Created container
  Normal   Pulling    19m                  kubelet, node-133448  pulling image "registry...com:5000/.../...-monitor-amd64:2.2.0"
  Normal   Pulled     19m                  kubelet, node-133448  Successfully pulled image "registry...com:5000/.../...-monitor-amd64:2.2.0"
  Normal   Started    19m                  kubelet, node-133448  Started container
  Normal   Created    4m41s (x4 over 19m)  kubelet, node-133448  Created container
  Normal   Started    4m41s (x4 over 19m)  kubelet, node-133448  Started container
  Normal   Pulled     4m41s (x4 over 19m)  kubelet, node-133448  Successfully pulled image "registry...com:5000/../...-7.6.1810"
  Normal   Pulling    4m41s (x4 over 19m)  kubelet, node-133448  pulling image "registry...com:5000/...-7.6.1810"
  Warning  BackOff    34s (x5 over 10m)    kubelet, node-133448  Back-off restarting failed container

从上面的状态信息及原因可以得知，是因为内存溢出导致容器被杀掉并自动重启了，然后查看pod崩溃前的日志，也看到了如下关键字（可以使用kubectl logs -f podName -n myNamespace --previous命令查看，或者docker5在对应pod更多的查看日志功能页面左下角有个以前的容器均可查看崩溃前容器日志）：

[com.thunisoft.tm.rocketmq.listener.MQConsumerListenerConcurrently:56]-[ERROR] 
java.lang.OutOfMemoryError: Java heap space

以上信息足以证明，当前容器反复自动重启，是因为限制的内存不足导致。

但已经8G内存了还不够，都占用到哪儿去了？进入容器后使用top命令查看，内存基本都被mySer这个java进程占用了。内存调整到16G再观察，服务启动后，几分钟内mySer服务的内存占用又到了14G左右，但好歹重启频率降低了，基本不重启了。一个服务需要吃那么多内存，感觉不太正常，把排查过程给对应产品研发负责人反馈，找了个研发介入跟进。

后来研发给了个新包，换上以后内存占用不怎么明显了，启动后长期保持在2-3G的样子，业务高峰期内存占用也没超过6G，单节点配置8G也够用了。

持续观察两天，未再复现服务不可用情况，问题解决，健康检查及自动伸缩配置功能还原（参数有所微调），完事儿。