Kubernetes Job 创建了近 3W Pod，差点导致严重事故

1. 相关背景

早上 10:00 因同事需求，我通过工具在集群上创建 Kubernetes Job 执行任务。

工具创建 Job 时，会拿到集群上的全部节点，然后逐个绑定节点创建 Job。例如，如下集群:

kubectl get node

NAME    STATUS                           ROLES                         AGE   VERSION
node2   Ready                            control-plane,master,worker   64d   v1.16.11
node3   Ready                            control-plane,master,worker   64d   v1.16.11
node4   Ready                            control-plane,master,worker   64d   v1.16.11
node5   Ready                            worker                        64d   v1.16.11
node6   Ready                            worker                        64d   v1.16.11
node7   NotReady,SchedulingDisabled      worker                        64d   v1.16.11
node8   NotReady,SchedulingDisabled      worker                        64d   v1.16.11

那么工具会创建 7 个 Job。由于有些集群中，master 节点是不允许调度的，在 Job 中容忍设置了 TaintEffectNoSchedule 容忍不可调度的节点。

这里的 node7、node8 节点实际上已经关机。

2. 事故时间线

按照预期，执行完工具的 Job 创建命令，应该就完事了。但是故事才刚刚开始:

10:31:02 告警系统提示，节点 CPU 5分钟负载过高

通过 top 命令，很快就发现是 kube-controller-manager 占用了太多 CPU。联想到 10:00 的变更，很快我就发现莫名创建了很多 Pod，怀疑是 Pod 太多导致 kube-controller-manager 压力过大。

10:39:00 开始清理 Pod

这一步才是噩梦的开始。从监控数据看，在事故前半个小时，机器的 CPU 负载是缓慢上升，当开始清理 Pod 时，机器完全失去了响应。

原因是，使用了 kubectl delete pod 清理 Pod。由于 kubectl 是通过 kube-apiserver 修改 etcd，然后 kube-controller-manager 异步完成删除任务。

但问题的关键在于，有近 3W Pod，而 master 节点只有 2C4G 的配置。瞬间删除 3W Pod 引发 kube-controller-manager、Etcd 高负载直接让节点失去了响应。从监控图的 CPU 使用率看就是这样:

CPU 使用率表示的是对 CPU 的利用率，而 CPU 负载表征的是 CPU 的繁忙程度。比如，很多低计算密度的任务，就可能会导致 CPU 使用率低，CPU 负载很高。这里 CPU 使用率的监控数据直接就没了，说明 Prometheus 从主机的 exporter 已经拉取不到数据。

11:05:00 开始陆续扩容 master 节点

集群上有 3 台 master, kube-controller-manager 会进行选主，每台 master 上都部署了 etcd，因此全部 master 节点都需要升配置，直接拉到云厂允许的最高配置。

需要注意的是，不要三台同时升级，等一台就绪之后再升级另外一台，因为集群上还有很多负载。

11:18:00 升配完成，但依然报错

kube-controller-manager、Etcd 持续报错，但没有影响工作负载。

12:24:00 直接操作 etcd 清理 Pod 恢复集群

由于忽略了 Pod 的数量级，采用 kubectl 删除 Pod、Namespaces 一直不成功，kube-controller-manager、Etcd 持续报错。虽然 master 节点的配置已经升级至很高，但依然不能解决问题。在此，停留排查了很久，没有思路。最后想起来，完全失去响应是在开始删 Pod，才找到思路，直接删除 Etcd 数据。之前写的一篇文档里面有 Etcd 相关的一些操作配置: Etcd、Etcdctl 应用实践

执行一下命令，批量删除 xxx 命名空间下的 Pod 就解决了问题:

1
2

etcdctl del /registry/namespaces/xxx
etcdctl del /registry/pods/xxx --prefix

3. 反省

清理环境

线上的运维操作要谨慎，不仅要保障结果的准确性，还要尽量消除变更之后的影响。

这里疏忽的点是，没有清理 Job。如果清理了 Job，可能就不会有问题。

Kubernetes Job 需要设置 backoffLimit

实际上在 Kubernetes 1.16、master 代码分支上，都能看到默认的 backoffLimit 是 6，也就在会 Job 会重试 6 次，最多执行 7 次。工具在创建 Job 时，遗漏了这个参数:

apiVersion: batch/v1
kind: Job
metadata:
  name: error-ret
spec:
  template:
    spec:
      containers:
        - name: error-ret
          image: alpine
          command: ["sh"]
          args: ["-c", "exit 1"]
      restartPolicy: Never
      tolerations:
        - key: "node.kubernetes.io/not-ready"
          operator: "Exists"
          effect: "NoSchedule"
      nodeName: node7
  # backoffLimit: 4

但在关机的节点上，默认的 backoffLimit 并未生效，而是以极快的速度不停创建 Pod，一个多小时两个 Job 重试共达到近 3W 次。

有待复现继续跟踪

场景不太好复现，Kubernetes 1.16、多 Master 节点、Worker 节点关机、Job 不设置 backoffLimit、Job 直接设置 nodeName，还在实验中，后续继续跟进。

推荐订阅源

陈少文的网站

1. 相关背景

2. 事故时间线

3. 反省