[大厂实践] Netflix容器平台内核panic可观察性实践

在某些情况下，K8S节点和Pod会因为出错自动消失，很难追溯原因，其中一种情况就是发生了内核panic。本文介绍了Netflix容器平台针对内核panic所做的可观测性增强，使得发生内核panic的时候，能够导出信息，帮助排查问题。原文: Kubernetes And Kernel Panics

最近，我们为了减轻容器平台Titus客户(工程师，而不是最终用户)的痛苦，开始调查"孤儿(Orphaned)"pod。有些pod从不会结束，只能被垃圾收集，没有真正令人满意的最终状态。我们的服务任务(比如ReplicatSet)所有者不会太在意，但Batch用户会非常在意。如果没有真正的返回码，怎么才能知道重试是否安全?

即使只占系统中总pod的一小部分，这些孤儿pod对用户来说也是真正的痛苦。这些pod到底去哪儿了?为什么不见了?

本文展示了如何将最坏情况(内核panic)与Kubernetes(k8s)联系起来，并最终与我们的运维人员联系起来，这样我们就可以跟踪k8s节点是如何以及为什么消失的。

孤儿Pod从何而来?

因为底层k8s节点对象消失了，所以孤儿pod也消失了。一旦发生这种情况，GC^[1]进程将删除该pod。在Titus上，我们运行自定义控制器来存储Pod和Node对象的历史，这样我们就可以保存一些解释并将其显示给用户。对应的失败模式在我们的UI中是这样的:

这是一种解释，但我和用户都不太满意。为什么代理丢失了?

丢失的节点从何而来?

节点可能因为任何原因消失，尤其是在"云"中。当这种情况发生时，通常是云供应商提供的k8s云控制器检测到实际的服务器(在我们的例子中是EC2实例)已经消失，并反过来删除k8s节点对象。这仍然没有真正回答为什么。

如何确保每个消失的实例都有原因，提供解释，并和pod关联在一起?这一切都始于一个注释:

{
     "apiVersion": "v1",
     "kind": "Pod",
     "metadata": {
          "annotations": {
               "pod.titus.netflix.com/pod-termination-reason": "Something really bad happened!",
...

创建存放这些数据的地方就是一个很好的开始。现在我们所要做的就是让GC控制器意识到这个注释，然后将其分发给任何可能导致pod或节点意外消失的进程中。添加注释(而不是修补状态)可以保留pod的其余部分。(我们还为终止原因添加了注释，并为标记添加了简短的reason-code)

pod-termination-reason注释对于填充人类可读的消息非常有用，例如:

• "此pod被更高优先级的作业($id)抢占了"
• "由于底层硬件失败，必须终止此pod ($failuretype) "
• "这个pod必须被终止，因为$user在节点上运行sudo halt "
• "这个pod意外死亡，因为底层节点内核panic了!"

但是等等，我们如何为内核panic的节点注释pod呢?

捕获内核Panic

当Linux内核出现问题时，能做的就不多了。但是，如果可以发出某种"在我的最后一口气中，诅咒Kubernetes!"UDP数据包呢?

受这篇Google Spanner论文的启发，Spanner节点发出"最后一口气"UDP数据包来释放租约和锁，也可以配置服务器在内核panic时使用一个常用的Linux模块netconsole来做同样的事情。

配置Netconsole

事实上，Linux内核甚至可以发送带有字符串"kernel panic"的UDP数据包，而它正在panic，这有点令人惊讶。能做到这一点是因为netconsole需要配置实现填写好的整个IP头。没错，必须告诉Linux源MAC、IP和UDP端口是什么，以及目标MAC、IP和UDP端口是什么，实际上是在为内核构造UDP数据包。但是，有了这些准备工作，当时机成熟时，内核可以很容易的构造^[2]数据包，并在系统崩溃时将其从(预配置的)网络接口中取出。幸运的是，netconsole-setup命令使设置变得非常简单，所有配置选项可以动态^[3]设置，这样当端点发生变化时，就可以指向新的IP。

一旦设置完成，内核消息将在modprobe之后开始流动。想象一下，整个操作就像执行dmesg | netcat -u $destination 6666，只不过是在内核空间中。

Netconsole"最后的怒吼"数据包

通过netconsole设置，内核panic的最后怒吼看起来就像一组UDP数据包，就像人们可能期望的那样，其中UDP数据包的数据只是内核消息的文本。在内核panic的情况下，看起来像这样(每行一个UDP数据包):

Kernel panic - not syncing: buffer overrun at 0x4ba4c73e73acce54
[ 8374.456345] CPU: 1 PID: 139616 Comm: insmod Kdump: loaded Tainted: G OE
[ 8374.458506] Hardware name: Amazon EC2 r5.2xlarge/, BIOS 1.0 10/16/2017
[ 8374.555629] Call Trace:
[ 8374.556147] <TASK>
[ 8374.556601] dump_stack_lvl+0x45/0x5b
[ 8374.557361] panic+0x103/0x2db
[ 8374.558166] ? __cond_resched+0x15/0x20
[ 8374.559019] ? do_init_module+0x22/0x20a
[ 8374.655123] ? 0xffffffffc0f56000
[ 8374.655810] init_module+0x11/0x1000 [kpanic]
[ 8374.656939] do_one_initcall+0x41/0x1e0
[ 8374.657724] ? __cond_resched+0x15/0x20
[ 8374.658505] ? kmem_cache_alloc_trace+0x3d/0x3c0
[ 8374.754906] do_init_module+0x4b/0x20a
[ 8374.755703] load_module+0x2a7a/0x3030
[ 8374.756557] ? __do_sys_finit_module+0xaa/0x110
[ 8374.757480] __do_sys_finit_module+0xaa/0x110
[ 8374.758537] do_syscall_64+0x3a/0xc0
[ 8374.759331] entry_SYSCALL_64_after_hwframe+0x62/0xcc
[ 8374.855671] RIP: 0033:0x7f2869e8ee69
...

连接到Kubernetes

最后要连接的是Kubernetes (k8s)，需要k8s控制器完成以下工作:

1. 监听端口6666上的netconsole UDP数据包，观察来自节点的类似内核panic的情况。
2. 在内核出现故障时，查找与传入netconsole数据包的IP地址相关联的k8s节点对象。
3. 对于该k8s节点，找到绑定到它的所有pod，注释，然后删除这些pod。
4. 对于k8s节点，注释节点，然后删除。

第1步和第2步可能是这样的:

for {
    n, addr, err := serverConn.ReadFromUDP(buf)
    if err != nil {
        klog.Errorf("Error ReadFromUDP: %s", err)
    } else {
        line := santizeNetConsoleBuffer(buf[0:n])
        if isKernelPanic(line) {
            panicCounter = 20
            go handleKernelPanicOnNode(ctx, addr, nodeInformer, podInformer, kubeClient, line)
        }
    }
    if panicCounter > 0 {
        klog.Infof("KernelPanic context from %s: %s", addr.IP, line)
        panicCounter++
    }
}

然后第3和第4步:

func handleKernelPanicOnNode(ctx context.Context, addr *net.UDPAddr, nodeInformer cache.SharedIndexInformer, podInformer cache.SharedIndexInformer, kubeClient kubernetes.Interface, line string) {
    node := getNodeFromAddr(addr.IP.String(), nodeInformer)
    if node == nil {
        klog.Errorf("Got a kernel panic from %s, but couldn't find a k8s node object for it?", addr.IP.String())
    } else {
        pods := getPodsFromNode(node, podInformer)
        klog.Infof("Got a kernel panic from node %s, annotating and deleting all %d pods and that node.", node.Name, len(pods))
        annotateAndDeletePodsWithReason(ctx, kubeClient, pods, line)
        err := deleteNode(ctx, kubeClient, node.Name)
        if err != nil {
            klog.Errorf("Error deleting node %s: %s", node.Name, err)
        } else {
            klog.Infof("Deleted panicked node %s", node.Name)
        }
    }
}

有了这些代码，一旦检测到内核故障，pod和节点就会立即消失。不需要等待任何GC进程。注释帮助记录发生在节点和pod上的事情:

结论

将作业标记为由于内核panic而失败可能不会让客户满意。但当他们知道我们现在有必要的可观察性工具来开始修复这些内核panic时，就会感到满意!

你好，我是俞凡，在Motorola做过研发，现在在Mavenir做技术工作，对通信、网络、后端架构、云原生、DevOps、CICD、区块链、AI等技术始终保持着浓厚的兴趣，平时喜欢阅读、思考，相信持续学习、终身成长，欢迎一起交流学习。为了方便大家以后能第一时间看到文章，请朋友们关注公众号"DeepNoMind"，并设个星标吧，如果能一键三连(转发、点赞、在看)，则能给我带来更多的支持和动力，激励我持续写下去，和大家共同成长进步！