现象
rancher 所在 k8s 集群(local 集群)间歇性挂,而其纳管的另一个生产 k8s 集群没有这个问题。
rancher 的 3 台服务器 rancher1(172.16.1.194)、rancher2(172.16.1.195)、rancher3(172.22.1.199)
注意到 rancher3 和 rancher1/2 不在一个网段。
排查
经过排查发现以下几个现象:
-
浏览器不访问 rancher 没有事,访问一会儿就挂。
-
挂的时候 etcd 集群不健康,存在 leader 丢失 ,节点间通信异常,查询响应缓慢(100ms~20s)
|
|
- 挂的时候,tcpdump etcd 2380 端口,发现大量连接重置错误
|
|
-
挂的时候,ping rancher2->rancher3 正常,但是 rancher3->rancher2 不正常。
-
挂的时候,traceroute rancher2->rancher3 正常,但是 rancher3->rancher2 不正常。
-
挂的时候,rancher3 同子网其他机器 ping rancher2 正常。
-
挂的时候,rancher1/2 etcd cluster-health 看到rancher3 unhealthy,
rancher3 etcd cluster-health 看到 rancher1/2 dial 不通,然后看到自己 unhealthy。
恢复的时候,和 ping 一样,rancher 1/2 看到 rancher3 healthy,但是 rancher3 看到的问题依旧。
|
|
7.1)重装了 rancher3 操作系统,问题依旧
7.2)修改集群模式,当只有 rancher3 一个节点,没有什么问题
7.3)修改集群模式,rancher3 作为 master,rancher1/2 作为 worker,问题依旧
8)分别在 rancher1 和 3 上抓 flannel 8472 端口的包:
|
|
然后用 wireshark 分析,发现 rancher3 上有时间跨度 90s 的包收发,rancher1 上只有 33s 的包收发,说明传输过程中数据丢失了。
flannel 用的是 UDP 协议,而传输问题出在 UDP 协议上,那么可以推测数据包超过某个大小时,故障就会发生。
9)测试 UDP 传输
在 rancher1 上启动 nc 监听 UDP 端口
|
|
在 rancher3 上同样用 nc 传输数据,经过测试发现,1472 字节是单次传输的最大尺寸了,超过这个尺寸 rancher1 就收不到了。
|
|
而在 rancher2 上,传输一个 10M 的文件都没有问题。
注意:nc 在做过一次传输之后,服务端要重启,因为 nc 一次只能接收一个连接,要关掉重开才行。
10)虽然测出了超出 1472 字节的 UDP 数据传不过去,但是这时 rancher3 ping rancher1 依然是通的。
推测和流量有关,必须 UDP 流量达到一定程度,才会阻断 rancher3 -> rancher1 的所有通信。
在 rancher1 上启动 iperf3 服务端:
|
|
在 rancher3 上启动 iperf3 压测(流量 22100Kbit/sec)
|
|
然后 rancher3 -> rancher1 就不通了,ping 也不通。
另外发现,rancher3 -> rancher1 ping 不通的时候,ping rancher2 也不同,实际上是阻断了 rancher3 -> 172.16.1.0/24 网段的所有流量。
结论
还是网络问题,UDP 流量稍大点的时候,某个触发了某个网络设备限流策略。
评论