Longhorn 项目中节点故障后强制删除 Deployment Pod 导致卷无法挂载的问题分析

问题背景

在 Longhorn 分布式存储系统中，当 Kubernetes 节点发生故障时，系统对 Deployment 类型 Pod 的处理存在一个特殊场景：如果管理员设置了 node-down-pod-deletion-policy 参数为 do-nothing 或 delete-statefulset-pod，并在节点故障后强制删除处于 Terminating 状态的 Pod，会导致关联的存储卷长时间处于 attaching 状态而无法成功挂载。

问题现象

具体表现为：

1. 节点故障后，原节点上的 Pod 处于 Terminating 状态
2. Kubernetes 调度器在健康节点上创建新的 Pod，但该 Pod 会卡在 ContainerCreating 状态
3. 强制删除 Terminating 状态的 Pod 后，存储卷仍然无法成功挂载
4. 查看卷状态显示为 attaching，且存在指向已故障节点的 VolumeAttachment 对象

技术原理分析

Kubernetes 的卷挂载机制

Kubernetes 通过 VolumeAttachment 对象来管理存储卷的挂接状态。当 Pod 被调度到节点上时，kubelet 会创建对应的 VolumeAttachment 对象，记录卷与节点的绑定关系。

Longhorn 的处理逻辑

Longhorn 控制器会监控 Pod 状态变化，并根据 node-down-pod-deletion-policy 参数决定如何处理节点故障场景下的 Pod。在默认配置下，Longhorn 不会主动清理 VolumeAttachment 对象，而是依赖 Kubernetes 自身的垃圾回收机制。

问题根源

当节点非正常故障时，kubelet 无法执行正常的资源清理流程。此时强制删除 Pod 会导致：

1. 原节点的 VolumeAttachment 对象未被及时清理
2. 新 Pod 尝试挂载同一卷时，Kubernetes 检测到"多挂载"冲突（Multi-Attach error）
3. 系统陷入等待状态，直到 Kubernetes 最终清理过期的 VolumeAttachment

解决方案

Longhorn 团队通过修改控制器逻辑解决了此问题，主要改进包括：

1. 主动监控并清理强制删除 Pod 关联的 VolumeAttachment 对象
2. 不再严格依赖 node-down-pod-deletion-policy 参数的限制
3. 增强对非正常节点下线场景的处理能力

验证结果

经过测试验证，修复后的版本能够正确处理以下场景：

1. 节点故障后强制删除 Deployment Pod
2. 节点重启场景下的卷挂载
3. 高负载写入情况下的节点逐个重启

最佳实践建议

对于生产环境中的 Longhorn 用户，建议：

1. 定期升级到包含此修复的版本
2. 在节点维护前尽量优雅地排空工作负载
3. 监控 VolumeAttachment 对象状态，及时发现异常情况
4. 了解系统在节点故障时的预期行为，避免不必要的强制操作

此问题的修复显著提升了 Longhorn 在节点故障场景下的可靠性，确保了业务连续性，是分布式存储系统健壮性的重要改进。