🥇6 vermaaklike stelselfoute wanneer Kubernetes [en hul oplossing] gebruik word

Oor die jare van die gebruik van Kubernetes in produksie, het ons baie interessante stories opgehoop van hoe foute in verskeie stelselkomponente gelei het tot onaangename en/of onverstaanbare gevolge wat die werking van houers en peule beïnvloed. In hierdie artikel het ons 'n keuse gemaak van sommige van die mees algemene of interessantes. Selfs al is jy nooit gelukkig genoeg om sulke situasies teë te kom nie, is dit altyd interessant om oor sulke kort speurverhale te lees - veral "eerstehandse" -, nie waar nie?

Storie 1. Supercronic en Docker hang

Op een van die trosse het ons periodiek 'n bevrore Docker ontvang, wat inmeng met die normale funksionering van die groep. Terselfdertyd is die volgende in die Docker-logboeke waargeneem:

level=error msg="containerd: start init process" error="exit status 2: "runtime/cgo: pthread_create failed: No space left on device
SIGABRT: abort
PC=0x7f31b811a428 m=0

goroutine 0 [idle]:

goroutine 1 [running]:
runtime.systemstack_switch() /usr/local/go/src/runtime/asm_amd64.s:252 fp=0xc420026768 sp=0xc420026760
runtime.main() /usr/local/go/src/runtime/proc.go:127 +0x6c fp=0xc4200267c0 sp=0xc420026768
runtime.goexit() /usr/local/go/src/runtime/asm_amd64.s:2086 +0x1 fp=0xc4200267c8 sp=0xc4200267c0

goroutine 17 [syscall, locked to thread]:
runtime.goexit() /usr/local/go/src/runtime/asm_amd64.s:2086 +0x1

…

Wat ons die meeste van hierdie fout interesseer, is die boodskap: pthread_create failed: No space left on device. Vinnige studie dokumentasie het verduidelik dat Docker nie 'n proses kon vervurk nie, en daarom het dit periodiek gevries.

In monitering stem die volgende prentjie ooreen met wat gebeur:

'N Soortgelyke situasie word op ander nodusse waargeneem:

By dieselfde nodusse sien ons:

root@kube-node-1 ~ # ps auxfww | grep curl -c
19782
root@kube-node-1 ~ # ps auxfww | grep curl | head
root     16688  0.0  0.0      0     0 ?        Z    Feb06   0:00      |       _ [curl] <defunct>
root     17398  0.0  0.0      0     0 ?        Z    Feb06   0:00      |       _ [curl] <defunct>
root     16852  0.0  0.0      0     0 ?        Z    Feb06   0:00      |       _ [curl] <defunct>
root      9473  0.0  0.0      0     0 ?        Z    Feb06   0:00      |       _ [curl] <defunct>
root      4664  0.0  0.0      0     0 ?        Z    Feb06   0:00      |       _ [curl] <defunct>
root     30571  0.0  0.0      0     0 ?        Z    Feb06   0:00      |       _ [curl] <defunct>
root     24113  0.0  0.0      0     0 ?        Z    Feb06   0:00      |       _ [curl] <defunct>
root     16475  0.0  0.0      0     0 ?        Z    Feb06   0:00      |       _ [curl] <defunct>
root      7176  0.0  0.0      0     0 ?        Z    Feb06   0:00      |       _ [curl] <defunct>
root      1090  0.0  0.0      0     0 ?        Z    Feb06   0:00      |       _ [curl] <defunct>

Dit het geblyk dat hierdie gedrag 'n gevolg is van die peul waarmee hy gewerk het superkronies ('n Go-hulpmiddel wat ons gebruik om cron-take in peule uit te voer):

 _ docker-containerd-shim 833b60bb9ff4c669bb413b898a5fd142a57a21695e5dc42684235df907825567 /var/run/docker/libcontainerd/833b60bb9ff4c669bb413b898a5fd142a57a21695e5dc42684235df907825567 docker-runc
|   _ /usr/local/bin/supercronic -json /crontabs/cron
|       _ /usr/bin/newrelic-daemon --agent --pidfile /var/run/newrelic-daemon.pid --logfile /dev/stderr --port /run/newrelic.sock --tls --define utilization.detect_aws=true --define utilization.detect_azure=true --define utilization.detect_gcp=true --define utilization.detect_pcf=true --define utilization.detect_docker=true
|       |   _ /usr/bin/newrelic-daemon --agent --pidfile /var/run/newrelic-daemon.pid --logfile /dev/stderr --port /run/newrelic.sock --tls --define utilization.detect_aws=true --define utilization.detect_azure=true --define utilization.detect_gcp=true --define utilization.detect_pcf=true --define utilization.detect_docker=true -no-pidfile
|       _ [newrelic-daemon] <defunct>
|       _ [curl] <defunct>
|       _ [curl] <defunct>
|       _ [curl] <defunct>
…

Die probleem is dit: wanneer 'n taak in superkronies uitgevoer word, word die proses daardeur voortgebring nie korrek kan beëindig nie, verander in zombie.

Let daarop: Om meer presies te wees, prosesse word voortgebring deur cron-take, maar supercronic is nie 'n init-stelsel nie en kan nie prosesse "aanneem" wat sy kinders voortgebring het nie. Wanneer SIGHUP- of SIGTERM-seine opgewek word, word dit nie aan die kinderprosesse oorgedra nie, wat daartoe lei dat die kinderprosesse nie eindig nie en in zombiestatus bly. Jy kan meer hieroor lees, byvoorbeeld in so 'n artikel.

Daar is 'n paar maniere om probleme op te los:

As 'n tydelike oplossing - verhoog die aantal PID's in die stelsel op 'n enkele tydstip:

       /proc/sys/kernel/pid_max (since Linux 2.5.34)
              This file specifies the value at which PIDs wrap around (i.e., the value in this file is one greater than the maximum PID).  PIDs greater than this  value  are  not  allo‐
              cated;  thus, the value in this file also acts as a system-wide limit on the total number of processes and threads.  The default value for this file, 32768, results in the
              same range of PIDs as on earlier kernels

Of begin take in supercronic nie direk nie, maar gebruik dieselfde Tini, wat in staat is om prosesse korrek te beëindig en nie zombies voort te bring nie.

Storie 2. "Zombies" wanneer 'n cgroup uitgevee word

Kubelet het baie SVE begin verbruik:

Niemand sal hiervan hou nie, so ons het onsself bewapen perf en begin om die probleem te hanteer. Die resultate van die ondersoek was soos volg:

Kubelet spandeer meer as 'n derde van sy SVE-tyd om geheuedata van alle c-groepe te trek:
In die kernontwikkelaars se poslys kan jy vind bespreking van die probleem. Kortliks kom die punt hierop neer: verskeie tmpfs-lêers en ander soortgelyke dinge word nie heeltemal van die stelsel verwyder nie by die verwydering van 'n cgroep, die sg memcg zombie. Vroeër of later sal hulle van die bladsykas verwyder word, maar daar is baie geheue op die bediener en die kern sien nie die punt in om tyd te mors om dit uit te vee nie. Daarom bly hulle ophoop. Hoekom gebeur dit selfs? Dit is 'n bediener met cron-werksgeleenthede wat voortdurend nuwe werksgeleenthede skep, en saam met hulle nuwe peule. So word nuwe c-groepe geskep vir houers daarin, wat binnekort uitgevee word.
Waarom mors cAdvisor in kubelet soveel tyd? Dit is maklik om te sien met die eenvoudigste uitvoering time cat /sys/fs/cgroup/memory/memory.stat. As die operasie op 'n gesonde masjien 0,01 sekondes neem, dan neem dit op die problematiese cron02 1,2 sekondes. Die ding is dat cAdvisor, wat data van sysfs baie stadig lees, probeer om die geheue wat in zombie cgroups gebruik word, in ag te neem.
Om zombies met geweld te verwyder, het ons probeer om caches skoon te maak soos aanbeveel in LKML: sync; echo 3 > /proc/sys/vm/drop_caches, - maar die pit was meer ingewikkeld en het die motor neergestort.

Wat om te doen? Die probleem word reggestel (pleeg, en vir 'n beskrywing sien boodskap vrystel) die Linux-kern op te dateer na weergawe 4.16.

Geskiedenis 3. Systemd en sy berg

Weereens, die kubelet verbruik te veel hulpbronne op sommige nodusse, maar hierdie keer verbruik dit te veel geheue:

Dit het geblyk dat daar 'n probleem is in systemd wat in Ubuntu 16.04 gebruik word, en dit kom voor wanneer mounts bestuur word wat vir verbinding geskep is subPath van ConfigMap's of geheime's. Nadat die peul sy werk voltooi het die systemd-diens en sy diensmontering bly in sisteem. Met verloop van tyd versamel 'n groot aantal van hulle. Daar is selfs probleme oor hierdie onderwerp:

#5916;
kubernetes #57345.

...die laaste daarvan verwys na die PR in systemd: #7811 (kwessie in systemd - #7798).

Die probleem bestaan nie meer in Ubuntu 18.04 nie, maar as jy wil voortgaan om Ubuntu 16.04 te gebruik, kan jy ons oplossing oor hierdie onderwerp nuttig vind.

So ons het die volgende DaemonSet gemaak:

---
apiVersion: extensions/v1beta1
kind: DaemonSet
metadata:
  labels:
    app: systemd-slices-cleaner
  name: systemd-slices-cleaner
  namespace: kube-system
spec:
  updateStrategy:
    type: RollingUpdate
  selector:
    matchLabels:
      app: systemd-slices-cleaner
  template:
    metadata:
      labels:
        app: systemd-slices-cleaner
    spec:
      containers:
      - command:
        - /usr/local/bin/supercronic
        - -json
        - /app/crontab
        Image: private-registry.org/systemd-slices-cleaner/systemd-slices-cleaner:v0.1.0
        imagePullPolicy: Always
        name: systemd-slices-cleaner
        resources: {}
        securityContext:
          privileged: true
        volumeMounts:
        - name: systemd
          mountPath: /run/systemd/private
        - name: docker
          mountPath: /run/docker.sock
        - name: systemd-etc
          mountPath: /etc/systemd
        - name: systemd-run
          mountPath: /run/systemd/system/
        - name: lsb-release
          mountPath: /etc/lsb-release-host
      imagePullSecrets:
      - name: antiopa-registry
      priorityClassName: cluster-low
      tolerations:
      - operator: Exists
      volumes:
      - name: systemd
        hostPath:
          path: /run/systemd/private
      - name: docker
        hostPath:
          path: /run/docker.sock
      - name: systemd-etc
        hostPath:
          path: /etc/systemd
      - name: systemd-run
        hostPath:
          path: /run/systemd/system/
      - name: lsb-release
        hostPath:
          path: /etc/lsb-release

... en dit gebruik die volgende skrif:

#!/bin/bash

# we will work only on xenial
hostrelease="/etc/lsb-release-host"
test -f ${hostrelease} && grep xenial ${hostrelease} > /dev/null || exit 0

# sleeping max 30 minutes to dispense load on kube-nodes
sleep $((RANDOM % 1800))

stoppedCount=0
# counting actual subpath units in systemd
countBefore=$(systemctl list-units | grep subpath | grep "run-" | wc -l)
# let's go check each unit
for unit in $(systemctl list-units | grep subpath | grep "run-" | awk '{print $1}'); do
  # finding description file for unit (to find out docker container, who born this unit)
  DropFile=$(systemctl status ${unit} | grep Drop | awk -F': ' '{print $2}')
  # reading uuid for docker container from description file
  DockerContainerId=$(cat ${DropFile}/50-Description.conf | awk '{print $5}' | cut -d/ -f6)
  # checking container status (running or not)
  checkFlag=$(docker ps | grep -c ${DockerContainerId})
  # if container not running, we will stop unit
  if [[ ${checkFlag} -eq 0 ]]; then
    echo "Stopping unit ${unit}"
    # stoping unit in action
    systemctl stop $unit
    # just counter for logs
    ((stoppedCount++))
    # logging current progress
    echo "Stopped ${stoppedCount} systemd units out of ${countBefore}"
  fi
done

... en dit loop elke 5 minute met behulp van die voorheen genoemde superkroniek. Sy Dockerfile lyk soos volg:

FROM ubuntu:16.04
COPY rootfs /
WORKDIR /app
RUN apt-get update && 
    apt-get upgrade -y && 
    apt-get install -y gnupg curl apt-transport-https software-properties-common wget
RUN add-apt-repository "deb [arch=amd64] https://download.docker.com/linux/ubuntu xenial stable" && 
    curl -fsSL https://download.docker.com/linux/ubuntu/gpg | apt-key add - && 
    apt-get update && 
    apt-get install -y docker-ce=17.03.0*
RUN wget https://github.com/aptible/supercronic/releases/download/v0.1.6/supercronic-linux-amd64 -O 
    /usr/local/bin/supercronic && chmod +x /usr/local/bin/supercronic
ENTRYPOINT ["/bin/bash", "-c", "/usr/local/bin/supercronic -json /app/crontab"]

Storie 4. Mededingendheid wanneer peule geskeduleer word

Daar is opgemerk dat: as ons 'n peul op 'n knoop geplaas het en sy beeld word vir 'n baie lang tyd uitgepomp, dan sal 'n ander peul wat dieselfde knoop "slaan" eenvoudig begin nie om die beeld van die nuwe peul te trek nie. In plaas daarvan wag dit totdat die beeld van die vorige peul getrek word. Gevolglik sal 'n pod wat reeds geskeduleer was en waarvan die beeld binne 'n minuut afgelaai kon gewees het in die status van containerCreating.

Die gebeure sal iets soos volg lyk:

Normal  Pulling    8m    kubelet, ip-10-241-44-128.ap-northeast-1.compute.internal  pulling image "registry.example.com/infra/openvpn/openvpn:master"

Dit blyk dat 'n enkele prent van 'n stadige register kan ontplooiing blokkeer per nodus.

Ongelukkig is daar nie baie maniere om uit die situasie te kom nie:

Probeer om jou Docker Registry direk in die cluster of direk met die cluster te gebruik (byvoorbeeld GitLab Registry, Nexus, ens.);
Gebruik nutsprogramme soos cracking.

Storie 5. Knooppunte hang weens 'n gebrek aan geheue

Tydens die werking van verskeie toepassings het ons ook 'n situasie teëgekom waar 'n nodus heeltemal ophou om toeganklik te wees: SSH reageer nie, alle moniteringsdemone val af, en dan is daar niks (of byna niks) onreëlmatig in die logs nie.

Ek sal jou in prente vertel deur die voorbeeld van een nodus te gebruik waar MongoDB gefunksioneer het.

Dit is hoe bo-op lyk aan ongelukke:

En so - na ongelukke:

By monitering is daar ook 'n skerp sprong waarteen die nodus nie meer beskikbaar is nie:

Dus, uit die skermkiekies is dit duidelik dat:

Die RAM op die masjien is naby aan die einde;
Daar is 'n skerp sprong in RAM-verbruik, waarna toegang tot die hele masjien skielik gedeaktiveer word;
'n Groot taak kom op Mongo, wat die DBMS-proses dwing om meer geheue te gebruik en aktief vanaf skyf te lees.

Dit blyk dat as Linux se vrye geheue opraak (geheuedruk tree in) en daar is geen omruiling nie, dan aan Wanneer die OOM-moordenaar opdaag, kan 'n balanseringshandeling ontstaan tussen die gooi van bladsye in die bladsykas en terugskryf na skyf. Dit word gedoen deur kswapd, wat moedig soveel geheuebladsye as moontlik vir latere verspreiding vrystel.

Ongelukkig, met 'n groot I/O-lading tesame met 'n klein hoeveelheid vrye geheue, kswapd word die bottelnek van die hele stelsel, want hulle is daaraan gekoppel alle toekennings (bladsyfoute) van geheuebladsye in die stelsel. Dit kan vir 'n baie lang tyd aanhou as die prosesse nie meer geheue wil gebruik nie, maar aan die heel rand van die OOM-moordenaar afgrond vas is.

Die natuurlike vraag is: hoekom kom die OOM-moordenaar so laat? In sy huidige iterasie is die OOM-moordenaar uiters dom: dit sal die proses slegs doodmaak wanneer die poging om 'n geheuebladsy toe te ken, misluk, m.a.w. as die bladsyfout misluk. Dit gebeur nie vir 'n lang tyd nie, want kswapd maak geheuebladsye moedig vry, en gooi die bladsykas (die hele skyf-I/O in die stelsel, in werklikheid) terug na skyf. In meer besonderhede, met 'n beskrywing van die stappe wat nodig is om sulke probleme in die kern uit te skakel, kan u lees hier.

Hierdie gedrag behoort te verbeter met Linux-kern 4.6+.

Storie 6. Peule sit vas in hangende toestand

In sommige trosse, waarin daar werklik baie peule werk, het ons begin agterkom dat die meeste van hulle vir 'n baie lang tyd in die staat "hang" Pending, hoewel die Docker-houers self reeds op die nodusse loop en met die hand gewerk kan word.

Verder, in describe daar is niks fout nie:

  Type    Reason                  Age                From                     Message
  ----    ------                  ----               ----                     -------
  Normal  Scheduled               1m                 default-scheduler        Successfully assigned sphinx-0 to ss-dev-kub07
  Normal  SuccessfulAttachVolume  1m                 attachdetach-controller  AttachVolume.Attach succeeded for volume "pvc-6aaad34f-ad10-11e8-a44c-52540035a73b"
  Normal  SuccessfulMountVolume   1m                 kubelet, ss-dev-kub07    MountVolume.SetUp succeeded for volume "sphinx-config"
  Normal  SuccessfulMountVolume   1m                 kubelet, ss-dev-kub07    MountVolume.SetUp succeeded for volume "default-token-fzcsf"
  Normal  SuccessfulMountVolume   49s (x2 over 51s)  kubelet, ss-dev-kub07    MountVolume.SetUp succeeded for volume "pvc-6aaad34f-ad10-11e8-a44c-52540035a73b"
  Normal  Pulled                  43s                kubelet, ss-dev-kub07    Container image "registry.example.com/infra/sphinx-exporter/sphinx-indexer:v1" already present on machine
  Normal  Created                 43s                kubelet, ss-dev-kub07    Created container
  Normal  Started                 43s                kubelet, ss-dev-kub07    Started container
  Normal  Pulled                  43s                kubelet, ss-dev-kub07    Container image "registry.example.com/infra/sphinx/sphinx:v1" already present on machine
  Normal  Created                 42s                kubelet, ss-dev-kub07    Created container
  Normal  Started                 42s                kubelet, ss-dev-kub07    Started container

Na 'n paar grawe, het ons die aanname gemaak dat die kubelet eenvoudig nie tyd het om al die inligting oor die toestand van die peule en lewendheid/gereedheidstoetse na die API-bediener te stuur nie.

En nadat ons hulp bestudeer het, het ons die volgende parameters gevind:

--kube-api-qps - QPS to use while talking with kubernetes apiserver (default 5)
--kube-api-burst  - Burst to use while talking with kubernetes apiserver (default 10) 
--event-qps - If > 0, limit event creations per second to this value. If 0, unlimited. (default 5)
--event-burst - Maximum size of a bursty event records, temporarily allows event records to burst to this number, while still not exceeding event-qps. Only used if --event-qps > 0 (default 10) 
--registry-qps - If > 0, limit registry pull QPS to this value.
--registry-burst - Maximum size of bursty pulls, temporarily allows pulls to burst to this number, while still not exceeding registry-qps. Only used if --registry-qps > 0 (default 10)

Soos gesien, verstekwaardes is redelik klein, en in 90% dek hulle alle behoeftes... In ons geval was dit egter nie genoeg nie. Daarom stel ons die volgende waardes:

--event-qps=30 --event-burst=40 --kube-api-burst=40 --kube-api-qps=30 --registry-qps=30 --registry-burst=40

... en die kubelets herbegin, waarna ons die volgende prentjie in die grafieke van oproepe na die API-bediener gesien het:

... en ja, alles het begin vlieg!

PS

Vir hul hulp met die insameling van foute en die voorbereiding van hierdie artikel, spreek ek my diepe dankbaarheid uit teenoor die talle ingenieurs van ons maatskappy, en veral aan my kollega van ons R&D-span Andrey Klimentyev (zuzzas).

6 vermaaklike stelselfoute in die werking van Kubernetes [en hul oplossing]