Terraform AWS EKS 模块中节点组与集群放置组的兼容性问题分析

问题概述

在使用Terraform AWS EKS模块(v20.8.5)部署托管节点组时，当节点组配置了集群策略(cluster strategy)的放置组(placement group)但未启用EFA(弹性网络适配器)时，会遇到节点组更新失败的问题。该问题特别体现在尝试扩展节点组规模或执行节点组版本升级时。

技术背景

放置组与集群策略

AWS放置组是一种逻辑分组，用于控制实例在底层硬件上的分布方式。集群策略(Cluster Strategy)的放置组会将实例集中放置在同一个可用区(AZ)的相同机架上，以实现低延迟和高吞吐量的网络通信。

EKS节点组部署机制

在EKS中，托管节点组通过Auto Scaling Group(ASG)管理EC2实例。当节点组配置了集群策略的放置组时，理论上所有实例都应部署在同一个可用区内。

问题现象

初始部署时，系统能够成功将节点组部署到配置的3个子网中的某一个可用区。然而，当尝试以下操作时会失败：

1. 增加节点组规模
2. 升级节点组版本

错误信息表明："Instances in the Placement Group must be launched in the eu-west-1c Availability Zone"(放置组中的实例必须部署在eu-west-1c可用区)。

根本原因分析

问题根源在于Auto Scaling组的可用区选择机制与放置组要求的冲突：

1. 初始部署阶段：系统能够正确选择一个可用区进行部署
2. 更新阶段：Auto Scaling组尝试跨所有配置的子网(多个可用区)扩展实例，违反了集群放置组必须位于单一可用区的要求

现有解决方案与局限性

当前可以通过显式指定子网ID来规避此问题：

eks_managed_node_groups = {
  my_custom_nodegroup = {
    name       = "customer1"
    subnet_ids = ["subnet-abc12345"]
  }
}

但这种方案存在两个主要缺点：

1. 脆弱性：在频繁执行创建/销毁循环的环境中，子网ID会发生变化
2. 灵活性限制：当节点组配置作为变量暴露给内部用户时，难以直接引用Terraform资源

建议的改进方向

更优雅的解决方案是引入可用区过滤器功能，允许节点组部署到集群子网的一个子集中：

eks_managed_node_groups = {
  my_custom_nodegroup = {
    name            = "customer1"
    subnet_az_filter = "eu-west-1a"
  }
}

这种方案具有以下优势：

1. 更直观和易于理解
2. 提高配置的可移植性
3. 不仅适用于放置组场景，也适用于其他需要特定可用区部署的情况

最佳实践建议

对于需要使用集群策略放置组的场景，建议：

1. 明确规划节点组的可用区部署策略
2. 考虑将单可用区节点组与其他多可用区节点组分开管理
3. 对于生产环境，建议通过自动化测试验证节点组的更新操作

总结

这个问题揭示了AWS EKS节点组部署机制与放置组要求之间的微妙交互。理解这一机制对于设计可靠且可维护的EKS集群架构至关重要。虽然当前有临时解决方案，但引入更灵活的可用区选择机制将显著改善用户体验和配置的可维护性。