cert-manager CAInjector 启动崩溃问题深度解析

问题现象与背景

在cert-manager 1.15.0版本升级后，部分EKS集群出现了CAInjector组件频繁崩溃重启的问题。具体表现为Pod进入crashloop状态，日志中显示"timed out waiting for cache to be synced"错误。这个问题主要出现在较大规模的集群环境中，特别是当集群中包含大量Secret资源时。

根本原因分析

CAInjector启动时会执行一个时间敏感的操作：从Kubernetes API服务器获取所有命名空间中的所有Secret资源，用于构建内存缓存。这个初始化过程存在几个关键瓶颈：

1. 全量Secret列表请求：CAInjector默认会请求集群中的所有Secret资源，当集群规模较大时，这个请求会非常消耗资源。

2. 严格的超时限制：controller-runtime模块默认设置了2分钟的缓存同步超时时间(CacheSyncTimeout)，且当前版本无法配置。

3. API服务器压力：大规模Secret列表请求会给API服务器带来巨大压力，可能导致响应变慢或失败。

4. 资源限制：CAInjector容器如果设置了过低的CPU限制，可能无法及时处理大量Secret数据。

解决方案与优化建议

立即缓解措施

1. 限制Secret监控范围：配置CAInjector仅监控cert-manager命名空间中的Secret，这可以显著减少内存使用和API负载。

2. 优化集群Secret资源：

   • 减少不必要的Secret数量
   • 避免在Secret中存储大文件
   • 限制使用过大的RSA密钥

3. 调整资源限制：

   • 移除或提高CAInjector的CPU限制
   • 增加CAInjector的内存分配

4. 增强API服务器：

   • 为Kubernetes API服务器分配更多CPU和内存资源
   • 监控API服务器性能指标

长期解决方案

cert-manager团队正在开发几个重要改进：

1. 元数据缓存优化：仅缓存Secret的元数据而非完整内容，减少内存占用和处理时间。

2. WatchList特性支持：利用Kubernetes的WatchList功能替代全量列表请求，提高效率。

3. 超时配置可调：未来版本将允许用户自定义缓存同步超时时间。

技术原理深入

CAInjector的核心功能是将cert-manager webhook生成的CA证书注入到ValidatingWebhookConfiguration和MutatingWebhookConfiguration中，确保API服务器能够验证与webhook的TLS连接。

其工作流程基于Kubernetes的client-go库的Reflector模式：

1. 初始全量列表请求获取所有Secret
2. 建立watch连接监听后续变更
3. 在内存中维护Secret状态缓存

这种设计虽然减少了持续API调用，但初始同步阶段对大规模集群可能造成较大压力。默认的全命名空间监控策略是历史遗留设计，现代Kubernetes客户端已支持命名空间限定。

最佳实践建议

对于生产环境部署cert-manager，特别是大规模集群，建议：

1. 明确界定CAInjector的监控范围，避免不必要的全集群扫描。

2. 根据集群规模合理配置资源限制，特别是CPU配额。

3. 定期审计集群中的Secret资源，清理过期或冗余凭证。

4. 监控CAInjector和API服务器的性能指标，及时发现潜在问题。

5. 考虑使用替代方案管理webhook CA证书，如某些Operator框架提供的原生支持。

通过理解这些底层机制和优化策略，运维团队可以更有效地部署和管理cert-manager，确保其在大规模环境中的稳定运行。