Kubernetes Kueue与LeaderWorkerSet集成中的Webhook证书冲突问题分析

问题背景

在Kubernetes生态系统中，Kueue作为一个作业队列管理系统，与LeaderWorkerSet(LWS)工作负载控制器集成时，用户报告了一个关于Webhook证书验证的异常问题。具体表现为当同时部署这两个组件时，系统间歇性出现TLS证书验证失败的错误，提示证书主体名称不匹配。

问题现象

用户在部署环境中观察到以下典型错误信息：

failed calling webhook "vleaderworkerset.kb.io": failed to call webhook: Post "https://lws-webhook-service.namespace.svc:443/validate-leaderworkerset-x-k8s-io-v1-leaderworkerset?timeout=10s": tls: failed to verify certificate: x509: certificate is valid for kueue-webhook-service.namespace.svc, not lws-webhook-service.namespace.svc

该问题表现出明显的间歇性特征，有时操作能成功执行，有时则会失败。这种不稳定性使得问题更加难以排查和定位。

根本原因分析

经过深入调查，发现问题源于Kubernetes服务选择器的配置不当。具体来说：

1. 服务选择器过于宽泛：LeaderWorkerSet的Webhook服务(lws-webhook-service)仅使用了control-plane=controller-manager作为选择器，而没有包含更具体的标签匹配条件。

2. 命名空间共享：当Kueue和LWS部署在同一命名空间时，宽泛的选择器会导致服务端点(Endpoint)同时包含两个控制器的Pod实例。

3. 证书不匹配：当API服务器尝试调用LWS的Webhook时，负载均衡可能将请求路由到Kueue的Pod实例，而该实例提供的证书是针对kueue-webhook-service签发的，自然无法验证lws-webhook-service的域名。

解决方案

针对这一问题，社区提出了以下解决方案：

1. 完善服务选择器：LeaderWorkerSet应该效仿Kueue的做法，在服务选择器中加入应用特定的标签，例如：

   selector:
     app.kubernetes.io/instance: lws
     app.kubernetes.io/name: lws
     control-plane: controller-manager
   

2. 命名空间隔离：虽然技术上支持共享命名空间，但在实际部署中，建议将不同的控制器部署到独立的命名空间中，这是一种更为清晰和安全的做法。

3. 证书管理优化：对于使用内部证书管理的场景，确保每个Webhook服务都有独立的CA和证书配置，避免任何可能的交叉污染。

经验总结

这个案例为我们提供了几个重要的实践经验：

1. Kubernetes服务选择器的设计需要足够精确，特别是在共享命名空间的场景下，避免因选择器过于宽泛而导致的服务端点混淆。

2. Webhook证书管理是Kubernetes扩展开发中的关键环节，必须确保每个Webhook服务都有正确的SAN(Subject Alternative Name)配置和独立的证书链。

3. 集成测试应该覆盖组件共存的场景，特别是当多个第三方组件需要协同工作时，需要验证它们在共享命名空间下的兼容性。

4. 错误排查时，检查服务端点(Endpoint)资源是一个快速定位服务选择问题的有效方法。

通过这个案例，我们不仅解决了一个具体的技术问题，更重要的是加深了对Kubernetes服务发现和Webhook机制的理解，为今后开发更健壮的Kubernetes扩展组件积累了宝贵经验。