Longhorn CSI 卷在线扩容失败问题分析与解决

问题背景

在 Longhorn 分布式存储系统的测试过程中，发现一个关键测试用例 test_csi_mount_volume_online_expansion 持续失败。该测试用例旨在验证 CSI 驱动对挂载卷在线扩容功能的支持情况。测试失败表现为在第二次扩容操作时无法完成 PVC 容量更新，导致断言失败。

问题现象

测试流程中会执行两次卷扩容操作：

1. 第一次从 128MiB 扩容到 256MiB 成功
2. 第二次从 256MiB 扩容到 512MiB 失败

失败时 PVC 状态显示：

• spec.resources.requests.storage 更新为 5GiB
• status.capacity.storage 仍保持为 4GiB
• allocatedResourceStatuses 显示为 NodeResizePending

根因分析

通过深入日志分析发现，问题根源在于 CSI 驱动中的文件系统类型检测环节：

1. 第一次扩容时，blkid 命令成功识别出文件系统类型为 ext4：

   DEVNAME=/dev/longhorn/pvc-xxx
   TYPE=ext4
   

2. 第二次扩容时，同样的 blkid 命令返回空结果，导致 CSI 驱动无法确定文件系统类型，进而拒绝扩容操作。

进一步调查发现，这与 CSI 外部扩容器 (csi-resizer) 从 v1.12.0 升级到 v1.13.1 版本有关。新版本默认启用了 RecoverVolumeExpansionFailure 特性，该特性会静默重试失败的扩容操作，但缺乏足够的日志输出，使得问题难以诊断。

解决方案

经过团队讨论和验证，确定以下解决方案：

1. 回退 csi-resizer 到 v1.12.0 版本
2. 或者在新版本中显式禁用 RecoverVolumeExpansionFailure 特性

最终选择采用第一种方案，因为：

• 已验证在 v1.12.0 版本下测试通过
• 避免引入新特性的不确定性
• 提供更稳定的扩容行为

技术细节

在 CSI 驱动的 NodeExpandVolume 实现中，关键步骤如下：

1. 接收来自 kubelet 的扩容请求
2. 通过 blkid 检测设备文件系统类型
3. 根据检测结果执行相应文件系统扩容命令
4. 返回操作结果

问题出现在第二步，当 blkid 无法识别已挂载设备的文件系统时，整个扩容流程就会失败。这种情况在连续扩容操作中尤为明显。

影响范围

该问题影响以下 Longhorn 版本：

• master-head
• v1.8.x-head
• v1.7.x-head

主要影响使用 CSI 驱动进行在线卷扩容的场景，特别是需要多次扩容的工作负载。

验证结果

解决方案验证通过：

• 测试用例 test_csi_mount_volume_online_expansion 成功执行
• 两次扩容操作均按预期完成
• PVC 状态正确反映实际容量变化

总结

Longhorn 团队通过深入分析 CSI 驱动与 kubelet 的交互过程，准确定位了在线扩容失败的根本原因。通过版本回退策略快速解决了问题，确保了卷扩容功能的可靠性。这一案例也凸显了在升级关键组件时进行全面测试的重要性，特别是对默认启用的新特性需要格外关注。