记录一次exporter故障 | 云原生基站

现象:

prometheus 上查看 exporter 节点爆红

exporter 的 pod 曾经 oom 过,重启后使用内存增长迅速,log 报错 timout,手动通过 url 访问没任何问题

1 考虑服务本身问题

1.1 查看事件

因为操作完写的文档,没有记录了,当时有OOM killed字段,怀疑硬件资源问题

1.2 查看系统硬件日志

搜索 oom 会找到报错,重点是:mems_allowed=0,所以 pod 被 kill 掉了

dmesg -T |grep oom
[Mon Jun  6 14:15:29 2022] test-exporter-57bb88f4b4-92b6c invoked oom-killer: gfp_mask=0x40cc0(GFP_KERNEL|__GFP_COMP), order=0, oom_score_adj=999
[Mon Jun  6 14:15:29 2022]  oom_kill_process.cold+0xb/0x10
[Mon Jun  6 14:15:29 2022] [  pid  ]   uid  tgid total_vm      rss pgtables_bytes swapents oom_score_adj name
[Mon Jun  6 14:15:29 2022] oom-kill:constraint=CONSTRAINT_MEMCG,nodemask=(null),cpuset=2cc569cbfe3a5704262577c4981320162423466ca195a113062c49c633b719c6,mems_allowed=0,oom_memcg=/kubepods/burstable/pod772b413a-011a-4f9d-bd8d-037298a367df,task_memcg=/kubepods/burstable/pod772b413a-011a-4f9d-bd8d-037298a367df/2cc569cbfe3a5704262577c4981320162423466ca195a113062c49c633b719c6,task=test-exporter-57bb88f4b4-92b6c,pid=20620,uid=0

1.3 查看内存使用

1
2
3

kubectl top pod -n kube-system test-exporter-57bb88f4b4-92b6c --use-protocol-buffers
NAME                              CPU(cores)   MEMORY(bytes)
test-exporter-57bb88f4b4-92b6c   79m           3301Mi

1.4 手动访问测试

手动测试没任何问题

curl http://10.1.1.1:9100/metrics -I
HTTP/1.1 200 OK
Content-Length: 35049
Content-Type: text/plain; version=0.0.4; charset=utf-8
Date: Mon, 06 Jun 2022 05:53:13 GMT

1.5 再次查看 prometheus

因为手动访问没任何问题,只能在看看 prometheus,于是发现一开始节点状态是正常的,但是过一会发现又报红了

1.6 再次查看资源使用情况

发现内存使用增长迅速

1
2
3

kubectl top pod -n kube-system test-exporter-57bb88f4b4-92b6c --use-protocol-buffers
NAME                              CPU(cores)   MEMORY(bytes)
test-exporter-57bb88f4b4-92b6c   120m           6378Mi

1.7 尝试 pod 里查看资源使用情况

pod 里面资源使用也正常,没有多余进程

2 检查 prometheus

因为这服务一切正常,只能考虑 prometheus,后来发现这个

2.1 查看配置

是 10 秒拉取一次,而我们有两个 prometheus,平均 5 秒拉取一次,因为这个 exporter 是 Python 写的,所有性能比较低,考虑可能并发问题于是改成 2 分钟拉取一次

- job_name: kubernetes-cadvisor
  honor_timestamps: true
  scrape_interval: 10s
  scrape_timeout: 5s

继续观察发现节点正常,总结: prometheus 拉取频率要合理,优化代码