20240509xxx集群xx节点PLEG超时问题
//20240509 写在前面
xxx集群xx节点又又又又又卡住了，经过一系列排查，终于解决了问题，由于这次找到了通用解法，所以在此记录下
ps：国内的搜索引擎是真的shi。。搜出来的帖子都是抄来抄去的，还不解决问题，还得是google/大拇指
问题起因：
- 偷得浮生半日闲，看到集群里一个节点监控没了，寻思是不是又是df卡住了，然后进去一看，果然，Ready 和 NotReady状态之间鬼畜，遂开始排查
解决流程：
-
先说结论，核心就一句命令：
for i in `docker ps -aq`; do echo $i; docker inspect $i 1>/dev/null 2>&1; done # 卡住的即为有问题的容器 -
首先需要了解PLEG的原理，看看他到底在干什么，这里我不赘述，可以看Ref第一条，老哥说的很清楚；总结出来就一个点“遍历检查所有pod所属容器的状态”
-
那既然知道了在干什么，分析就变得很简单了，又如下几点：
- PLEG过程中哪里夯住了
- pod太多，预设阈值中3分钟处理不完【这种一般很少见了，因为PLEG是节点级别的，一个节点不会有那么多pod，除非超级节点。。】
-
所以有以下几个排查方向：
- 节点pod数
- docker状态【或者说底层CRI的状态】
- 因为PLEG需要的信息是从底层接口中获取的
- 本地所有由kubelet产生的容器信息
- 使用开头的那句命令即可，PLEG拿到的信息，从inspect也可以拿到，如果拿不到，那肯定是有问题
-
找到问题之后，处理问题节点即可，本案例是因为ceph挂载卡住，杀死相关进程即可【容器杀不掉，只能强杀进程】
Ref：
- https://icloudnative.io/posts/understanding-the-pleg-is-not-healthy/【pleg-原理】
- https://isekiro.com/kubernetes排错-kubelet-报错-pleg-is-not-healthy/【找到解决办法】
- https://cloud.tencent.com/developer/article/1736775