Amazon VPC CNI插件节点IPAM连接问题分析与解决

问题背景

在使用Amazon VPC CNI插件(v1.18.3-eksbuild.3版本)的Kubernetes集群中，当集群从1.29版本升级到1.30后，部分节点上的aws-node Pod出现持续崩溃的情况。具体表现为Pod中的aws-node容器在启动时卡在"Checking for IPAM connectivity..."状态，无法通过就绪性和存活探针检查，最终导致Pod重启循环。

问题现象

通过查看问题Pod的日志和状态描述，可以观察到以下关键现象：

1. Pod中的aws-node容器日志停留在IPAM连接检查阶段：

time="2025-03-01T14:03:52Z" level=info msg="Starting IPAM daemon... "
time="2025-03-01T14:03:52Z" level=info msg="Checking for IPAM connectivity... "

2. 就绪探针和存活探针均失败，错误信息显示无法在5秒内连接到50051端口的gRPC服务：

Readiness probe failed: {"level":"info","ts":"2025-03-01T13:57:01.646Z","msg":"timeout: failed to connect service \":50051\" within 5s"}

3. 即使将探针的超时时间延长到180秒，问题依然存在。

4. 问题仅影响集群中的特定节点，其他节点上的aws-node Pod运行正常。

技术分析

Amazon VPC CNI插件是AWS EKS集群中负责Pod网络的核心组件，它通过以下机制工作：

1. IP地址管理(IPAM)：每个节点上的aws-node Pod负责管理分配给该节点的弹性网络接口(ENI)和IP地址。

2. gRPC服务：aws-node容器会启动一个gRPC服务(默认监听50051端口)，用于处理IP地址分配请求。

3. 健康检查：通过gRPC健康检查探针来监控服务的可用性。

当出现"Checking for IPAM connectivity..."卡住的情况时，通常表明：

• CNI插件无法与底层的AWS EC2元数据服务或VPC API建立连接
• 节点网络配置存在问题，导致gRPC服务无法正常启动
• 节点上的某些安全策略或网络策略阻止了必要的通信

解决方案

根据问题描述，最终通过以下步骤解决了该问题：

1. 节点轮换：逐步终止并替换出现问题的节点，让新节点自动加入集群。这是AWS EKS环境中处理节点级问题的常用方法。

2. 验证步骤：

   • 确认新节点上的aws-node Pod能够正常启动
   • 检查Pod日志确认IPAM连接检查成功完成
   • 验证节点上的Pod能够正常获取IP地址并通信

最佳实践建议

为避免类似问题，建议采取以下预防措施：

1. 升级策略：

   • 在升级集群前，先在小规模测试环境中验证CNI插件的兼容性
   • 采用滚动升级方式，分批更新节点

2. 监控配置：

   • 设置对aws-node Pod就绪状态的监控告警
   • 监控IP地址池的使用情况，避免耗尽

3. 故障排查：

   • 检查节点安全组规则，确保允许必要的通信
   • 验证节点到AWS API端点的网络连接
   • 检查节点系统日志中是否有网络相关的错误

总结

Amazon VPC CNI插件是EKS集群网络功能的核心组件，其稳定性直接影响整个集群的运行。当出现IPAM连接问题时，节点轮换通常是快速有效的解决方案。同时，建立完善的升级流程和监控体系，可以有效预防和快速发现类似问题，确保集群网络的稳定运行。