运维攻坚之kubernetes pod无故重启问题排查

背景

某项目kubernetes环境某个应用每隔20分钟左右就会重启一次，时间不固定，但在容器事件里面没有任何记录。

排查

首先怀疑是健康检查没过导致容器自动重启，以下是健康检查的配置

按照该配置，检查间隔30s，不健康阈值60，也就是1800s=30分钟后会标记为不健康，但很快就排除该猜测，理由是

• 手动调用健康检查是ok的
• 后台有健康检查的记录，记录显示也都是通过的
• 如果是健康检查不过的话，事件里面会有记录，这里找不到记录

正常情况下如果kubernetes重启pod那会在事件里记录重启的原因，但事件里面没有任何记录，所以可能不是kubernetes重启的，那么很容易想到一个可能性就是OOM，也就是进程因为内存使用超过限制触发OOM操作系统将其kill掉，查看操作系统日志/var/log/messages发现以下日志

May 11 15:01:36 k8s-node-prod-3 kernel: [17094.020710]  oom_kill_process.cold.30+0xb/0x1cf
May 11 15:01:36 k8s-node-prod-3 kernel: [17094.020788] [  pid  ]   uid  tgid total_vm      rss pgtables_bytes swapents oom_score_adj name
May 11 15:01:36 k8s-node-prod-3 kernel: [17094.109707] oom_reaper: reaped process 25929 (java), now anon-rss:0kB, file-rss:0kB, shmem-rss:0kB
May 11 15:29:12 k8s-node-prod-3 kernel: [18750.337581] java invoked oom-killer: gfp_mask=0x6000c0(GFP_KERNEL), nodemask=(null), order=0, oom_score_adj=969
May 11 15:29:12 k8s-node-prod-3 kernel: [18750.337621]  oom_kill_process.cold.30+0xb/0x1cf
May 11 15:29:12 k8s-node-prod-3 kernel: [18750.337709] [  pid  ]   uid  tgid total_

果然有OOM的记录，而且几次kill的事件也正符合应用重启的时间，再查看其他java进程的oom_score，竟然高达1000多有很大风险会被再次kill掉，因此罪魁祸首就是OOM，那为什么会导致OOM呢，此时操作系统的剩余内存还是很充足，注意到容器应用的启动参数配置的内存是4096M

JAVA_OPTS="$JAVA_OPTS -server -Xms4096M -Xmx4096M -Xss512k ..."

而容器给的内存限额是4500M，也就是说一台4500M的主机运行了一台需要4096M的程序，程序占了大比例主机内存，当然很容易被系统kill掉

OOM killer是Linux内核的一个特性，会检查占用内存过大的进程将其杀掉，操作系统会根据进程的内存使用情况打分，分数保存在/proc/{进程PID}/oom_score中，分数越大越容易被kill掉

解决

因为在启动命令里限制了内存，就没必要在kubernetes上再对内存进行限制，因此去掉kubernetes的内存限制问题解决。

经验总结

问题虽小，但造成的影响非常大，因为该客户为跨国集团，业务涉及多个国家，因此全天的交易量都非常大，从该问题可以总结以下经验

• 如果kubernetes没有事件记录，很可能是操作系统级别的问题，应该从操作系统入手排查
• 实践才是检验真理的唯一标准，在出事之前，所有人都觉得这么配置很合理，都没想到会被OOM，出了问题才焕然大悟