Longhorn项目中的longhorn-manager Pod启动卡住问题分析与解决

问题现象

在Kubernetes集群中部署Longhorn存储系统时，部分longhorn-manager Pod出现异常状态。具体表现为：

• 16个longhorn-manager Pod中有13个处于不健康状态
• 异常Pod的日志停留在"Webhook leader elected"信息后不再继续
• 异常Pod的9501端口未正常监听
• 系统尚未创建任何存储卷

问题排查

通过分析异常Pod的日志，发现以下关键线索：

1. 日志中出现"Failed to get PID status"错误，提示无法访问/proc文件系统中的进程状态信息
2. 日志在显示"Webhook leader elected"后停止输出
3. 健康Pod与异常Pod的主要区别在于9501端口的监听状态

进一步检查发现：

• 集群规模较大（107个工作节点）
• 节点资源使用率较高
• 系统尚未配置针对Longhorn组件的节点选择器

根本原因

该问题主要由集群资源紧张导致，具体原因包括：

1. 集群节点负载过高，导致longhorn-manager无法获取足够的系统资源
2. 缺乏合理的节点选择器配置，使Longhorn组件随机调度到资源紧张的节点
3. 系统资源不足导致/proc文件系统访问异常，进而影响manager进程的正常启动

解决方案

通过以下配置调整解决了该问题：

1. 添加节点选择器配置： 在values.yaml中明确指定Longhorn系统组件的节点选择策略：

   defaultSettings:
     systemManagedComponentsNodeSelector: "longhorn-system:enabled"
   

2. 资源预留： 确保被选中的节点有足够的资源余量运行Longhorn系统组件

3. 合理配置副本数： 根据集群规模调整各组件的副本数，避免资源争用

最佳实践建议

对于大规模生产环境中的Longhorn部署，建议：

1. 专用节点规划：

   • 为Longhorn系统组件预留专用节点
   • 为数据平面组件（如实例管理器）规划独立的资源池

2. 资源配额管理：

   • 设置合理的资源请求和限制
   • 启用资源保障机制（如guaranteedInstanceManagerCPU）

3. 渐进式部署：

   • 先部署控制平面组件并确认稳定
   • 再逐步创建存储卷和启用数据平面

4. 监控与告警：

   • 建立完善的监控体系
   • 对关键组件设置健康检查告警

总结

Longhorn作为云原生分布式存储系统，其稳定运行依赖于合理的资源规划和调度策略。在大规模集群中，通过精细化的节点选择、资源预留和组件隔离，可以有效避免类似longhorn-manager启动异常的问题。实施上述解决方案后，系统所有longhorn-manager Pod均恢复正常状态，为后续存储卷的创建和使用奠定了稳定基础。