Amazon VPC CNI for Kubernetes中节点重启导致Pod CrashLoopBackOff问题分析

在Kubernetes生产环境中，使用Amazon EKS集群时可能会遇到一个典型问题：当自定义AMI的EC2节点重启后，部分Pod会陷入CrashLoopBackOff状态。本文将深入分析这一问题的成因、现象及解决方案。

问题现象

当管理员重启基于自定义AMI的EC2节点并重新加入EKS集群时，观察到以下典型症状：

1. 部分Pod进入CrashLoopBackOff状态
2. 这些Pod能够正常解析DNS记录，但网络连接失败
3. 错误信息表现为连接超时或拒绝连接，包括：
   • 连接Kubernetes API服务器失败
   • 服务间通信失败（如RabbitMQ、Vault等服务）
4. 只有完全删除并重建受影响的Pod才能恢复正常

根本原因分析

经过深入排查，该问题主要由以下几个因素共同导致：

1. 网络组件初始化顺序问题：节点重启时，kubelet、CNI插件、kube-proxy等组件启动存在竞争条件，某些Pod可能在网络规则完全配置完成前就已启动。

2. iptables规则未正确加载：AWS VPC CNI和Calico CNI协同工作时，重启过程中iptables规则可能未被正确恢复，导致流量路由异常。

3. 服务发现与流量转发不同步：虽然DNS解析正常（表明CoreDNS工作正常），但实际流量转发规则缺失，造成"能解析但不能连接"的现象。

解决方案

临时解决方案

1. 强制重建Pod：删除处于CrashLoopBackOff状态的Pod，让控制器重新创建。

   kubectl delete pod <pod-name>
   

2. 节点排水处理：在节点重启前执行排水操作。

   kubectl drain <node-name> --ignore-daemonsets
   

长期解决方案

1. 完善节点启动流程：

   • 在节点启动脚本中加入健康检查，确保所有网络组件就绪后再允许Pod调度
   • 实现自定义的readiness探针检查网络规则是否就位

2. 组件版本升级：

   • 升级到较新版本的Amazon VPC CNI插件
   • 确保Calico组件与AWS CNI的兼容性

3. 监控增强：

   • 部署监控检查关键网络组件的健康状态
   • 设置告警规则检测异常的Pod重启行为

最佳实践建议

1. 节点生命周期管理：

   • 对于需要频繁启停的节点，考虑使用Kubernetes的节点自动伸缩功能
   • 避免直接重启节点，优先使用kubectl drain命令

2. 网络配置检查：

   • 定期验证节点上的iptables规则是否符合预期
   • 检查IPAMD日志中的错误信息

3. 混合CNI环境注意事项：

   • 明确各CNI插件的职责边界
   • 避免规则冲突，特别是当同时使用AWS VPC CNI和Calico时

通过以上分析和解决方案，运维团队可以有效预防和解决因节点重启导致的Pod网络故障问题，确保EKS集群的稳定运行。