Kubernetes探针踩坑记

1. 荒腔走板

最近一两个月生产K8s集群频繁出现短时503 Service Temporarily Unavailable，还不能主动复现，相当郁闷，压力山大。

HTTP 5xx响应状态码用于定义服务端错误， （站在网关或者代理的角度）

• 500 Internal Server Error： 所请求的服务器遇到意外的情况并阻止其执行请求，通常针对单个请求，整个站点有时还是提供服务。
• 502 Bad Gateway：上游给出了一个无效响应！ The HTTP 502 Bad Gateway server error response status code indicates that a server was acting as a gateway or proxy and that it received an invalid response from the upstream server.
• 503 Service Unavailable： 意味着上游服务器全挂了，没有节点能处理请求，The HTTP 503 Service Unavailable server error response status code indicates that the server is not ready to handle the request.

2. 排查记录

• 基本上每隔2-3天出现一次，每次2-3分钟，此时整站503；
• 因为不能主动复现，8月26日排查相应时间段的EFK日志: impala连接问题，大数据运维同事排查到webapp发起impala的请求与impala集群时钟未对齐，导致webapp impalaODBC Driver连不上impala集群；

进入k8s集群节点，确实部分节点的时钟对齐服务未启动，不定时出现比北京时间慢2,3分钟的情况，这个确实可以解释时间差导致的impala连接认证失败。

• 8月26日同步所有k8s节点的时钟，之后接近一周，并未出现问题；
• 9月3日又出现一次短时503无服务，EFK日志显示依旧是impala连接问题，此处大数据同事未能定位具体原因，暂时定义为偶发/抖动？
  

3.思考和推演

故障现场每次只有impala连接问题，我也搞不懂impala连接问题竟然会导致webapp serice下线。

我们的webapp兼具toB和toC业务，站点强相关于mongodb、 弱相关于impala：impala即使连不上，只是不能查，站点sso+订单相关的写入操作应该还可用。

回想起前几天看到的k8s探针，糟糕，我们的就绪探针好像探测了impala

// ASP.NetCore上暴露的的探测逻辑： impala && mongodb
services.AddHealthChecks()
       .AddCheck<ImpalaHealthCheck>(nameof(ImpalaHealthCheck), tags: new[] { "readyz" })
       .AddCheck<MongoHealthCheck>(nameof(MongoHealthCheck), tags: new[] { "readyz" });
       
app.UseHealthChecks("/readyz", new HealthCheckOptions
  {
      Predicate = (check) => check.Tags.Contains("readyz")
  });

强烈推测是： 就绪探针3次探测impala失败，Pod将会被标记为Unready,该Pod将从webapp服务负载均衡器移除，不再分配流量，导致nginx无实际意义的后端服务，站点503。

迅速找一个beta环境，断开impala连接，验证猜想。

4.问题回顾

bugfix不是我正向推断出来的，而是纯靠经验推演出来的，倒不是有明确推断思路，也算给大家提前踩坑了。

docker的健康检查只能探测，K8s存活、就绪探针不仅有探测，还有决策能力。

这里我们的k8s就绪探测使用策略出现了问题：
webapp的弱依赖impala有问题，而下线了整个webapp服务，我们应该只探测强依赖，强依赖有问题，才表明容器未就绪，这也是就绪探针的初衷。

强烈建议根据webapp结构合理设置探针参数，避免不切实际的认定失败导致的频繁重启或服务下线。