张鹏,腾讯云容器产品工程师,拥有多年云原生项目开发落地经验。目前主要负责腾讯云容器服务 TKE 集群和运维中心开发工作。
下面几个问题,相信广大 K8s 用户在日常集群运维中都曾经遇到过:
以前,排查这些问题,对客户来说并不容易。生产环境中的 Kubernetes 集群通常是一个相当复杂的系统:
在集群运行的过程中,为了对集群中发生的状况能够尽可能的了如指掌,我们通常会从多个维度对集群进行观测。
日志,作为实现软件可观测性的三大支柱之一,为了解系统运行状况,排查系统故障提供了关键的线索,在运维管理中起着至关重要的作用。
Kubernetes 提供了两种原生的日志形式——审计(Audit)和事件(Event),它们分别记录了对于集群资源的访问以及集群中发生的事件信息。从腾讯云容器团队长期运维 K8s 集群的经验来看,审计和事件并不是可有可无的东西,善用它们可以极大的提高集群的可观测性,为运维带来巨大的便利。
下面让我们来详细认识一下它们。
Kubernetes 审计日志是 Kube-apiserver 产生的可配置策略的结构化日志,记录了对 Apiserver 的访问事件。审计日志提供 Metrics 之外的另一种集群观测维度,通过查看、分析审计日志,可以追溯对集群状态的变更;了解集群的运行状况;排查异常;发现集群潜在的安全、性能风险等等。
在 Kubernetes 中,所有对集群状态的查询和修改都是通过向 Apiserver 发送请求,对 Apiserver 的请求来源可以分为 4类:
每一条审计日志都是一个 JSON 格式的结构化记录,包括元数据(metadata)、请求内容(requestObject)和响应内容(responseObject)3个部分。其中元数据一定会存在,请求和响应内容是否存在取决于审计级别。元数据包含了请求的上下文信息,例如谁发起的请求,从哪里发起的,访问的 URI 等等;
Apiserver 做为 Kubernetes 集群唯一的资源查询、变更入口,审计日志可以说记录了所有对于集群访问的流水, 通过它可以从宏观和微观了解整个集群的运行状况,比如:
事件(Event)是 Kubernetes 中众多资源对象中的一员,通常用来记录集群内发生的状态变更,大到集群节点异常,小到 Pod 启动、调度成功等等。我们常用的kubectl describe
命令就可以查看相关资源的事件信息。
集群内已经翻江倒海,集群外却风平浪静,这可能是我们日常集群运维中常常遇到的情况,集群内的状况如果无法透过事件来感知,很可能会错过最佳的问题处理时间,待问题扩大,影响到业务时才发现往往已经为时已晚。
除了早早发现问题,Event 也是排查问题的最佳帮手,由于Event记录了全面的集群状态变更信息,所以大部分的集群问题都可通过 Event 来排查。
总结一下 Event 在集群中扮演两大重要角色:
传统的通过输入查询语句检索日志的方式来使用审计和事件,固然可以提供很高的灵活性,但也有着较高的使用门槛,不仅要求使用者对于日志的数据结构非常了解,还要熟悉 Lucene、SQL 语法。这往往导致使用效率偏低,也无法充分发掘数据的价值。
腾讯云容器服务 TKE 联合腾讯云日志服务CLS[1],打造出针对 Kubernetes 审计/事件采集、存储、检索、分析的一站式产品级服务,不仅提供了一键开启/关闭功能,免去一切繁琐的配置;还根据容器团队长期运维海量集群的经验中总结出对于 Kubernetes 审计/事件的最佳使用实践。
TKE 支持通过可视化的图表,以多个维度对审计日志[2]和集群事件[3]进行呈现,使用者只需了解 K8s 的基本概念,就能很“直觉”地在 TKE 控制台上进行各种检索和分析操作,足以支撑绝大多数常见集群运维场景, 使得无论是发现问题还是定位问题都能做到事半功倍,从而提升运维效率,真正地将审计和事件数据的价值最大化 。
关于 TKE 的集群审计/事件简介与基础操作,请参考集群审计[4]、事件存储[5]的官方文档。
下面我们看几个现实中的典型场景:
在审计检索
页面中,单击【K8s 对象操作概览】标签,指定操作类型和资源对象:
查询结果如下图所示:
由图可见,是 10001****7138
这个帐号,对应用「nginx」进行了删除。可根据帐号 ID 在【访问管理】>【用户列表】中找到关于此账号的详细信息。
在审计检索
页面中,单击【节点操作概览】标签,填写被封锁的节点名:
查询结果如下图所示:
由图可见,是10001****7138
这个帐号在2020-1-30T06:22:18
时对172.16.18.13
这台节点进行了封锁操作。
在审计检索
的【聚合检索】标签页中,提供了从用户、操作类型、返回状态码等多个维度对于 Apiserver 访问聚合趋势图。
由图可见,用户tke-kube-state-metrics
的访问量远高于其他用户,并且在“操作类型分布趋势”图中可以看出大多数都是 list 操作,在“状态码分布趋势”图中可以看出,状态
码大多数为 403,结合业务日志可知,由于 RBAC 鉴权问题导致tke-kube-state-metrics
组件不停的请求 Apiserver 重试,导致 Apiserver 访问剧增。日志如下所示:
E1130 06:19:37.368981 1 reflector.go:156] pkg/mod/k8s.io/client-go@v0.0.0-20191109102209-3c0d1af94be5/tools/cache/reflector.go:108: Failed to list *v1.VolumeAttachment: volumeattachments.storage.k8s.io is forbidden: User "system:serviceaccount:kube-system:tke-kube-state-metrics" cannot list resource "volumeattachments" in API group "storage.k8s.io" at the cluster scope
一台 Node 节点出现异常,在事件检索
页面,点击【事件总览】,在过滤项中输入异常节点名称:
查询结果显示,有一条节点磁盘空间不足
的事件记录查询结果如下图:
进一步查看异常事件趋势:
可以发现,2020-11-25
号开始,节点172.16.18.13
由于磁盘空间不足导致节点异常,此后 kubelet 开始尝试驱逐节点上的 pod 以回收节点磁盘空间;
开启了节点池[6]「弹性伸缩」的集群,CA(cluster-autoscler)组件会根据负载状况自动对集群中节点数量进行增减。如果集群中的节点发生了自动扩(缩)容,用户可通过事件检索对整个扩(缩)容过程进行回溯。
在事件检索
页面,点击【全局检索】,输入以下检索命令:
event.source.component : "cluster-autoscaler"
在左侧隐藏字段中选择event.reason
、event.message
、event.involvedObject.name
、event.involvedObject.name
进行显示,将查询结果按照日志时间
倒序排列,结果如下图所示:
通过上图的事件流水,可以看到节点扩容操作在2020-11-25 20:35:45
左右,分别由三个 nginx Pod(nginx-5dbf784b68-tq8rd、nginx-5dbf784b68-fpvbx、nginx-5dbf784b68-v9jv5) 触发,最终扩增了3个节点,后续的扩容由于达到节点池的最大节点数没有再次触发。
本文介绍了在 Kubernetes 中两个经常被忽略的元素--「审计日志」和「集群事件」,并讨论了它们在赋能集群运维和提升系统可观测性方面的价值。
腾讯云容器团队在长期运维海量 Kubernetes 集群经验总结的基础上,在 TKE 中发布了基于审计和事件的产品服务,帮助用户能够快速高效解决日常集群运维中遇到的问题,将用户从繁杂的集群问题中解放出来。
最后我们从实战角度出发,通过几个经典问题来演示通过 TKE 审计/事件服务来定位排查问题。由于篇幅有限,我们的演示只是产品功能的冰山一角,更多的功能需要用户去探索使用,最后欢迎用户体验 。
(腾讯云日志服务 CLS 对于 TKE 产生的所有审计/事件数据提供免费服务至 2021年6月1日。)
[1]
日志服务CLS: https://cloud.tencent.com/product/cls
[2]
审计日志: https://cloud.tencent.com/document/product/457/50510
[3]
集群事件: https://cloud.tencent.com/document/product/457/50512
[4]
集群审计: https://cloud.tencent.com/document/product/457/48346
[5]
事件存储: https://cloud.tencent.com/document/product/457/32091
[6]
节点池: https://cloud.tencent.com/document/product/457/43719