Containerd 2.0.2版本在Kubespray部署中的CRI连接问题分析

在Kubernetes生产环境中，容器运行时(Container Runtime)的稳定性直接关系到整个集群的可靠性。近期在使用Kubespray最新版本部署Kubernetes集群时，发现了一个与Containerd 2.0.2版本相关的CRI连接问题，这个问题在节点重启后尤为明显。

问题现象

当使用Kubespray部署包含1个控制节点和2个工作节点的小型集群时，初始部署看起来一切正常。然而在节点重启后，系统表现出以下异常行为：

1. 节点状态显示为Ready，但部分Pod无法正常运行
2. 15-30秒后，部分节点会被标记为NotReady状态
3. 执行crictl info等CRI命令会出现超时错误
4. Kubelet服务日志中报错"container runtime is down"，但实际上containerd服务处于运行状态

环境配置

问题环境的具体配置如下：

• Containerd版本：v2.0.2 (commit c507a0257ea6462fbd6f5ba4f5c74facb04021f4)
• runc版本：1.2.4
• 操作系统：Ubuntu 24.04.2 LTS (内核6.8.0-54-generic)
• Kubernetes网络插件：Multus + Calico
• Kube-proxy模式：iptables
• 部署工具：Kubespray最新版

问题分析

从现象来看，这是一个典型的CRI(Container Runtime Interface)连接稳定性问题。具体表现为：

1. 服务启动顺序问题：节点重启后，containerd服务可能没有完全初始化完成就被kubelet尝试连接
2. socket连接不稳定：虽然containerd进程存在，但/run/containerd/containerd.sock可能无法正常响应请求
3. 健康检查机制缺陷：系统对containerd服务真实状态的检测不够准确

配置检查

检查containerd的配置文件/etc/containerd/config.toml，发现使用了标准的CRI配置：

[plugins."io.containerd.cri.v1.runtime".containerd]
  default_runtime_name = "runc"
  [plugins."io.containerd.cri.v1.runtime".containerd.runtimes.runc]
    runtime_type = "io.containerd.runc.v2"
    [plugins."io.containerd.cri.v1.runtime".containerd.runtimes.runc.options]
      systemdCgroup = true
      binaryName = "/usr/local/bin/runc"

配置本身没有明显问题，但v2.0.2版本可能存在某些边缘情况下的稳定性缺陷。

解决方案

用户最终发现升级到Containerd 2.0.3版本后问题不再出现。这验证了这是一个特定版本中的缺陷。对于无法立即升级的环境，可以采取以下临时措施：

1. 增加服务依赖：确保kubelet服务正确依赖containerd服务
2. 添加健康检查：在启动脚本中加入对containerd socket的可用性检查
3. 调整超时参数：适当增加kubelet连接CRI的超时时间

经验总结

这个案例提醒我们：

1. 在生产环境中使用较新的容器运行时版本时，需要特别关注其稳定性
2. 节点重启是检验集群健壮性的重要场景，应该在测试阶段模拟验证
3. 服务间的依赖关系和启动顺序在分布式系统中至关重要
4. 及时关注上游项目的版本更新和修复情况

对于使用Kubespray部署Kubernetes集群的用户，建议在部署前确认使用的Containerd版本，如遇到类似问题，优先考虑升级到已知稳定的版本。