Harvester集群升级过程中节点卡在Pre-drained状态的分析与解决

在Harvester v1.4.0升级至v1.4.1版本的过程中，部分用户遇到了首个节点长时间停留在Pre-drained状态的问题。本文将从技术角度分析该问题的成因，并提供可行的解决方案。

问题现象

当执行Harvester集群版本升级时，系统会按照既定流程对节点进行逐个升级。典型的问题表现为：

• 首个节点完成Kubernetes组件升级（显示为v1.30.7+rke2r1版本）
• 节点状态持续显示为"Cordoned"（不可调度状态）
• Longhorn存储卷出现暂时性不健康状态
• 即使手动解除封锁(uncordon)，升级流程仍无法自动继续

根本原因分析

该问题主要与Longhorn的实例管理器(instance-manager)的PodDisruptionBudget(PDB)配置有关。在节点排水(drain)过程中，Kubernetes会检查PDB以确保应用的高可用性。当PDB配置异常时，会导致排水操作无法完成，进而使整个升级流程停滞。

解决方案

方法一：手动清理PDB资源

1. 首先确认被卡住的节点名称：

kubectl get nodes

2. 执行以下命令删除问题节点上的PDB：

kubectl get pods -n longhorn-system --field-selector spec.nodeName=<节点名称> | grep instance-manager | awk '{print $1}' | xargs -I{} kubectl delete pdb {} -n longhorn-system

3. 观察升级流程是否自动恢复

方法二：完整恢复流程

如果上述方法无效，可尝试以下完整恢复步骤：

1. 手动解除节点封锁：

kubectl uncordon <节点名称>

2. 等待Longhorn卷完成重建并恢复健康状态

3. 重新封锁节点：

kubectl cordon <节点名称>

4. 检查升级控制器是否继续执行后续操作

预防措施

为避免未来升级出现类似问题，建议：

1. 在升级前检查所有Longhorn卷的健康状态
2. 确保集群有足够的冗余容量（特别是三节点及以上配置）
3. 考虑在维护窗口期进行升级操作
4. 提前备份重要虚拟机数据

技术背景

Harvester的升级过程依赖于Rancher System Upgrade Controller，该控制器会按特定顺序执行以下操作：

1. 封锁(cordon)节点
2. 排水(drain)节点
3. 升级节点组件
4. 解除封锁(uncordon)节点

当排水阶段因存储系统问题受阻时，整个升级流程就会停滞。理解这一机制有助于快速定位和解决问题。

总结

Harvester集群升级过程中节点卡住的问题通常与存储系统配置相关。通过理解Kubernetes的节点管理机制和Longhorn的PDB作用原理，管理员可以有效地诊断和解决此类问题。建议用户在升级前充分了解集群状态，并准备好手动干预方案，以确保升级过程顺利完成。