概要：Kubernetes 生态系统充斥着各种工具，例如监控、可观察性、跟踪、日志记录等，但一般很难真正理解故障排除与这些工具有何联系。当故障发生时，我们要掌握是从哪里发生，了解所面临的问题，解决眼前的问题，然后修复根本原因。随着系统规模的扩大，这一切会变得越来越复杂。

在排除故障问题时，我们可以采取以下步骤来缩小问题的范围。
1、kubectl get pods
查看所有pod的运行状态，-n 指定pods对应的命名空间，不加表示default空间下

(1)是否处于PENDING状态

① kubectl describe pod <pod-name>

查看pod具体信息，判断集群是否饱和，若饱和则需扩容，非饱和则下一步；

②查看是否达到资源配置限制，若达到限制则需放宽限制条件，非资源限制则下一步；
③查看是否正在装载挂起的持久卷声明，若是则先修复该持久卷，不是则进行下一步；

④ kubectl get pods -o wide

查看pod是否已分配给node节点，若已分配则可能是kubelet的问题，未分配则可能是Scheduler调度有问题。
(2)是否处于RUNNING状态
①若是则跳转至(3)，不是则打印pod日志（kubectl logs ），判断是否为应用部署错误，若是则修复应用后重新部署，不是则下一步；

②容器是否重启的太快看不到日志，是跳转至③，不是跳转至④；
③kubectl logs --previous 重新查看日志返回步骤①，若依旧看不到日志则执行步骤④；

④ kubectl describe pod <pod-name>

查看pod状态，判断是否为拉取不到镜像报错（ImagePullBackOff），若是则执行以下检查，不是则跳转⑤；
1)判断镜像名称是否正确，不正确则修改正确后跳转至⑤；
2)判断镜像标签是否有效，不正确则修改正确后跳转至⑤；
3)判断镜像是否能够成功从私有仓库拉取下来，能拉取则配置私有仓库镜像，不能拉取则可能是docker、CRI、Kubelet的问题；
⑤判断是否为崩溃回退报错（CrashLoopBackOff），若是则执行以下检查，不是则跳转⑥；
1)检查日志并修复应用，若无问题进行下一步；
2)检查Dockerfile中的CMD命令，若无问题进行下一步；
3)检查是否pod不断频繁重启并在RUNNING状态与CrashLoopBackOff状态来回切换，若是则可能是健康检查问题，需修复liveness probe
4)上述都不是，出现未知的崩溃回退问题
⑥判断是否为容器运行时错误（RunContainerError），若是则可能为挂载卷问题，检查yaml配置及卷状态，不是则跳转⑦；
⑦判断是否有任一容器正在运行，若有则可能为节点生命周期控制器的问题，检查集群基础服务，不是则可能为栈溢出错误（StackOverflow）
(3)是否处于READY状态
①查看pod状态

（kubectl describe pod <pod-name>）

，检查是否为Readiness probe failing，若是则修复Readiness probe

② kubectl port-forward <pod-name> 8080:<pod-port>

，检查应用是否能被访问，若无法访问，则检查容器的端口 暴露是否配置正确，若可以访问则pod无问题


2、Pod运行正常，检查service

(1) kubectl describe service <service-name>

检查pod所在service状态
①检查是否能看到endpoints列表
②若是则跳转至(2)，不是则进行以下检查
1)检查pod标签是否匹配，若不匹配则必须修改正确，继续下一步检查
2)检查pod是否分配了ip地址，若分配了ip地址则可能为kubelet的问题，若未分配则是控制管理器的问题，检查集群的Controller manager

(2) kubectl port-forward service/<service-name> 8080:<service-port>

检查service是否能访问
①检查通过service是否能访问应用，若可以访问则service运行正常，若无法访问则进入下一步检查；
②检查service的target port 与容器的Port是否匹配，若不匹配则进行修改后返回①，若匹配正确仍无法访问，则可能为kube proxy的问题，需检查基础组件
3、Service运行正常，检查ingress

(1) kubectl describe ingress <ingress-name>

检查ingress状态
①检查是否有backends列表
②若是则跳转至(2)，不是则检查serviceName与servicePort是否正确匹配service，若不匹配则修改正确，匹配正确后跳转至步骤①

(2) kubectl port-forward <ingress-pod-name> 8080:<ingress-port>

检查ingress访问
①检查通过ingress是否能访问应用
②若能访问则ingress无问题，若不能访问则可能是ingress的问题，需仔细检查ingress配置文件，确认无误后重新部署启动。
4、Ingress运行正常，检查公网是否可以访问。通过公网访问ingress服务，若无法访问则可能是基础组件问题或集群未暴露在公网问题。

    只有让团队成员真正了解他们的系统，并对产生的告警采取对应的行动，将最好的开发人员和运维人员结合在一起时，通过更好地合作来更快地解决故障。

---

作者：詹琉

链接：移动云开发者社区

来源：移动云官网开发者社区