启用节点自动修复并调查节点运行状况问题

节点运行状况是指节点的运行状态以及有效运行工作负载的能力。运行正常的节点可以保持预期的连接，拥有充分的资源，并且可以在不中断的情况下成功运行容器组。要了解如何获取节点详细信息，请参阅查看节点运行状况检查状态和使用 kubectl 和 S3 检索托管式节点的节点日志。

为帮助保持运行正常的节点，Amazon EKS 提供了节点监控代理和节点自动修复功能。

重要

节点监控代理和节点自动修复功能仅支持 Linux。这些功能不支持 Windows。

节点监控代理

节点监控代理会自动读取节点日志以检测某些运行状况问题。此代理会解析节点日志以检测故障，并显示有关 Worker 节点的各种状态信息。对于检测到的每类问题（例如存储和联网问题），都会在 Worker 节点上应用一个专门的 NodeCondition。对于检测到的运行状况问题，相关描述可以在可观测性控制面板中查看。有关更多信息，请参阅节点运行状况问题。

节点监控代理是所有 Amazon EKS 自动模式集群中都包含的一项功能。对于其他集群类型，您可以将监控代理作为 Amazon EKS 附加组件添加。有关更多信息，请参阅创建 Amazon EKS 附加组件。

节点自动修复

节点自动修复是一项附加功能，可以持续监控节点的运行状况，自动对检测到的问题做出反应，并在可能的情况下更换节点。这有助于在尽可能减少手动干预的情况下提高集群的整体可用性。如果运行状况检查失败，则会自动封锁该节点，从而确保不会在该节点上调度新的容器组。

节点自动修复功能本身可以对 kubelet 的 Ready 状况以及任何手动删除的节点对象做出反应。与节点监控代理配合使用时，节点自动修复功能可以对更多原本无法检测到的状况做出反应。这些额外的状况包括 KernelReady、NetworkingReady 和 StorageReady。

这种自动节点恢复功能可自动解决间歇性节点问题，例如加入集群失败、kubelet 无响应以及加速器（设备）错误增加等。由于提高了可靠性，因此有助于减少应用程序停机时间并优化集群运行。节点自动修复无法处理报告的某些问题，例如 DiskPressure、MemoryPressure 和 PIDPressure。Amazon EKS 会等待 10 分钟后才针对 AcceleratedHardwareReady NodeConditions 执行操作，对于所有其他状况则会等待 30 分钟。

出于安全考虑，托管式节点组在这种两种情况下还将自动禁用节点修复。在这两种情况下，以前正在进行的任何修复操作都将继续执行。

如果通过应用程序恢复控制器（ARC）触发了集群可用区转移，则所有后续修复操作都将停止。
如果节点组的节点数量超过五个，并且节点组中超过 20% 的节点处于运行不正常状态，则修复操作也将停止。

您可以在创建或编辑托管式节点组时启用节点自动修复。

使用 Amazon EKS 控制台时，激活托管式节点组的启用节点自动修复复选框即可。有关更多信息，请参阅为集群创建托管式节点组。
使用 Amazon CLI 时，请将 --node-repair-config enabled=true 添加到 eks create nodegroup 或 eks update-nodegroup-config 命令中。
有关使用启用了节点自动修复功能的托管式节点组的示例 eksctl ClusterConfig，请参阅 GitHub 上的 44-node-repair.yaml。

节点运行状况问题

下表介绍了节点监控代理可能会检测到的节点运行状况问题。问题有两种类型：

状况 – 需要采取补救措施（例如替换实例或重启实例）的终端问题。启用自动修复后，Amazon EKS 将执行修复操作，可能是替换或重启节点。有关更多信息，请参阅节点状况。
事件 – 暂时性问题或节点配置不佳问题。不会执行任何自动修复操作。有关更多信息，请参阅节点事件。

节点内核运行状况问题

名称	严重性	描述
ForkFailedOutOfPID	状况	由于系统进程 ID 或内存不足，fork 或 exec 调用失败，这可能是僵尸进程或物理内存耗尽造成的。
AppBlocked	事件	任务被长时间禁止调度，这通常是由于在输入或输出时被屏蔽所致。
AppCrash	事件	节点上的应用程序已崩溃。
ApproachingKernelPidMax	事件	根据当前 kernel.pid_max 设置，进程数量已接近可用 PID 的最大数量，之后将无法启动更多进程。
ApproachingMaxOpenFiles	事件	按照当前内核设置，打开的文件数已接近可能打开的最大文件数，之后打开新文件将失败。
ConntrackExceededKernel	事件	连接跟踪超出内核的最大值且无法建立新连接可能会导致数据包丢失。
ExcessiveZombieProcesses	事件	无法完全回收的进程正在大量积累，这指示存在应用程序问题，并且可能导致达到系统进程限制。
KernelBug	事件	Linux 内核本身检测到并报告了内核错误，但这有时可能是由节点的 CPU 或内存使用率过高，导致事件处理延迟造成的。
LargeEnvironment	事件	此进程的环境变量数大于预期，这可能是因许多将 enableServiceLinks 设置为 true 的服务造成的，因为这可能导致性能问题。
RapidCron	事件	cron 作业在此节点上的运行速度超过每五分钟一次，如果该作业消耗大量资源，则可能会影响性能。
SoftLockup	事件	CPU 在给定时间停滞。

节点联网运行状况问题

名称	严重性	描述
InterfaceNotRunning	状况	此接口似乎未运行或存在网络问题。
InterfaceNotUp	状况	此接口似乎未启动或存在网络问题。
IPAMDNotReady	状况	IPAMD 无法连接到 API 服务器。
IPAMDNotRunning	状况	未发现 `aws-k8s-agent` 进程正在运行。
MissingLoopbackInterface	状况	此实例缺少环回接口，导致服务失败，具体取决于本地连接。
BandwidthInExceeded	事件	因入站总带宽超过实例的最大值，导致数据包已排队或被丢弃。
BandwidthOutExceeded	事件	因出站总带宽超过实例的最大值，导致数据包已排队或被丢弃。
ConntrackExceeded	事件	连接跟踪超出实例的最大值且无法建立新连接，这可能会导致数据包丢失。
IPAMDNoIPs	事件	IPAM-D 的 IP 地址已用完。
IPAMDRepeatedlyRestart	事件	IPAMD 服务已多次重启。
KubeProxyNotReady	事件	Kube-proxy 无法观察或列出资源。
LinkLocalExceeded	事件	由于到本地代理服务的流量 PPS 超出网络接口的最大值，数据包被丢弃。
MissingDefaultRoutes	事件	缺少默认路由规则。
MissingIPRules、MissingIPRoutes	事件	路由表中缺少以下容器组 IP 的路由规则。
NetworkSysctl	事件	此节点的网络 sysctl 设置可能不正确。
PortConflict	事件	如果容器组使用 hostPort，则可能写入会覆盖主机已经绑定端口的 iptables 规则，这可能会阻止 API 服务器访问 `kubelet`。
PPSExceeded	事件	因双向 PPS 超过实例的最大值，数据包已排队或被丢弃。
UnexpectedRejectRule	事件	在 iptables 中发现了可能阻止了预期流量的异常 `REJECT` 或 `DROP` 规则。

节点 Neuron 运行状况问题

名称	严重性	描述
NeuronDMAError	状况	DMA 引擎遇到不可恢复的错误。
NeuronHBMUncorrectableError	状况	HBM 遇到无法纠正的错误并产生了不正确的结果。
NeuronNCUncorrectableError	状况	检测到无法纠正的 Neuron Core 内存错误。
NeuronSRAMUncorrectableError	状况	片上 SRAM 遇到奇偶校验错误并产生了不正确的结果。

节点 NVIDIA 运行状况问题

如果启用了自动修复，则列出的修复操作将在检测到问题 10 分钟后开始。有关 XID 错误的更多信息，请参阅《NVIDIA GPU 部署和管理文档》中的 Xid Errors。有关单个 XID 消息的更多信息，请参阅《NVIDIA GPU 部署和管理文档》中的 Understanding Xid Messages。

名称	严重性	描述	修复操作
NvidiaDoubleBitError	状况	GPU 驱动程序产生了双比特错误。	Replace（替换）
NvidiaNVLinkError	状况	GPU 驱动程序报告了 NVLink 错误。	Replace（替换）
NvidiaXID13Error	状况	有一个图形引擎异常。	Reboot
NvidiaXID31Error	状况	疑似存在硬件问题。	Reboot
NvidiaXID48Error	状况	驱动程序报告了双比特 ECC 错误。	Reboot
NvidiaXID63Error	状况	存在页面停用或行重映射。	Reboot
NvidiaXID64Error	状况	尝试停用页面或执行节点重映射失败。	Reboot
NvidiaXID74Error	状况	通过 NVLink 从 GPU 连接到另一个 GPU 或 NVSwitch 时出现问题。这可能指示链路本身存在硬件故障，也可能指示链路远程端的设备有问题。	Replace（替换）
NvidiaXID79Error	状况	GPU 驱动程序尝试通过其 PCI Express 连接访问 GPU，但发现 GPU 无法访问。	Replace（替换）
NvidiaXID94Error	状况	存在 ECC 内存错误。	Reboot
NvidiaXID95Error	状况	存在 ECC 内存错误。	Reboot
NvidiaXID119Error	状况	GSP 在响应来自驱动程序中其他位的 RPC 请求时超时。	Replace（替换）
NvidiaXID120Error	状况	GSP 已及时响应，但出现了错误。	Replace（替换）
NvidiaXID121Error	状况	C2C 是指芯片互连，有助于在 CPU、加速器等之间共享内存。	Replace（替换）
NvidiaXID140Error	状况	GPU 驱动程序可能已观察到 GPU 内存中存在无法纠正的错误，从而中断 GPU 驱动程序将页面标记为动态页面脱机或行重映射的能力。	Replace（替换）
NvidiaPageRetirement	事件	GPU 驱动程序已将内存页标记为停用。如果出现单个双比特错误或在同一地址遇到两个单比特错误，则可能会发生这种情况。	无
NvidiaXID[Code]Warning	事件	除此列表中所定义 XID 外，出现任何 XID 都会导致此事件。	无
DCGMError	状况	到数据中心 GPU 管理器（DCGM）主机进程的连接已断开或无法建立。	无
DCGMDiagnosticError	状况	运行 DCGM 主动诊断时出现问题。	无
DCGMDiagnosticFailure	状况	DCGM 主动诊断测试套件中的测试用例失败。	无

节点运行时运行状况问题

名称	严重性	描述
PodStuckTerminating	状况	容器组正在或曾经过长时间停滞在正在终止状态，这可能是因 CRI 错误阻止容器组状态进展造成的。
%sRepeatedRestart	事件	节点上的任何 systemd 服务重新启动（单位名称使用标题大小写格式）。
ContainerRuntimeFailed	事件	容器运行时创建容器失败，如果反复发生，则可能与任何报告的问题有关。
KubeletFailed	事件	kubelet 处于某个失败状态。
LivenessProbeFailures	事件	检测到存活探针失败，如果反复发生，则可能指示应用程序代码问题或超时值不足。
ReadinessProbeFailures	事件	检测到就绪探针失败，如果反复发生，则可能指示应用程序代码问题或超时值不足。
ServiceFailedToStart	事件	系统单元启动失败。

节点存储运行状况问题

名称	严重性	描述
XFSSmallAverageClusterSize	状况	XFS 平均集群大小很小，这指示可用空间碎片过多，因此无法创建文件，尽管有索引节点或可用空间可用。
EtcHostsMountFailed	事件	由于在 kubelet-container 操作过程中进行了用户数据重新挂载 `/etc/hosts`，因此挂载 kubelet 生成的 `/var/lib/kubelet/pods` 失败。
IODelays	事件	在进程中检测到输入或输出延迟，如果过长，则可能表明预调配的输入输出读写操作次数不足。
KubeletDiskUsageSlow	事件	Kubelet 报告在尝试访问文件系统时磁盘使用率很慢，这可能表明磁盘预调配的输入输出读写操作次数不足或文件系统存在问题。

Javascript 在您的浏览器中被禁用或不可用。

要使用 Amazon Web Services 文档，必须启用 Javascript。请参阅浏览器的帮助页面以了解相关说明。

自定义构建

查看节点运行状况