K3s集群中etcd-only节点与agent节点在apiserver故障时的恢复问题分析

问题背景

在K3s集群架构中，当使用专用etcd节点和独立控制平面节点的部署模式时，存在一个关键的可用性问题：当控制平面节点(apiserver)交替发生故障时，etcd-only节点和agent节点无法正确地进行故障恢复，导致集群功能受损。

问题现象

当集群中运行多个控制平面节点时，如果按照特定顺序停止和启动这些节点，etcd-only节点和agent节点会进入一种"卡住"状态。具体表现为：

1. 第一个控制平面节点停止后，其他节点会将其从apiserver负载均衡器中移除
2. 当第二个控制平面节点也停止，而第一个节点恢复时，其他节点不会自动将第一个节点重新加入负载均衡
3. 节点最终会变为NotReady状态，直到所有控制平面节点都恢复运行

技术原理分析

K3s集群中的etcd-only节点和agent节点通过一个内部负载均衡器(k3s-agent-load-balancer)来访问apiserver服务。这个负载均衡器维护着一个服务器列表，该列表通过以下方式获取和更新：

1. 初始从集群的apiserver端点列表获取
2. 通过监控apiserver的健康状态进行动态调整
3. 当所有已知apiserver都不可达时，会尝试重新获取端点列表

问题的核心在于当前实现中，当负载均衡器中的所有服务器都不可达时，虽然会尝试重新获取apiserver列表，但获取机制存在缺陷：

1. 重试获取apiserver列表的超时时间较短(约10秒)
2. 获取失败后不会持续重试，导致节点无法发现新恢复的apiserver
3. 负载均衡器状态持久化在本地文件中，可能导致过时信息被重用

影响范围

该问题影响所有使用专用etcd节点和控制平面节点的K3s集群部署，特别是在以下场景中表现明显：

1. 滚动升级控制平面节点时
2. 控制平面节点计划性维护期间
3. 控制平面节点意外故障时
4. 使用单个固定注册地址而非负载均衡地址的场景

解决方案探讨

针对这一问题，社区提出了几种可能的改进方向：

1. 周期性重新同步机制：定期强制从etcd重新获取apiserver列表，特别是在检测到所有当前服务器都不可达时

2. 改进的端点监控：同时监控apiserver端点和控制平面节点状态，只有当节点和端点都不可达时才将其移除

3. 更智能的重试策略：延长获取apiserver列表的超时时间，并实现指数退避重试机制

4. 状态清理优化：在检测到持久化状态可能过时时自动清理本地缓存

临时解决方案

对于受影响的集群，管理员可以采取以下临时措施：

1. 手动删除所有节点上的/var/lib/rancher/k3s/agent/etc/k3s-agent-load-balancer.json文件
2. 重启k3s服务，强制节点重新获取apiserver列表
3. 确保至少有一个控制平面节点保持运行状态

最佳实践建议

为避免此类问题，建议在生产环境中：

1. 使用负载均衡器作为固定的注册地址，而非单个控制平面节点的地址
2. 确保控制平面节点有足够的冗余(至少3个节点)
3. 规划维护窗口时，避免同时停止多个控制平面节点
4. 监控apiserver端点和控制平面节点的健康状态

总结

K3s集群中etcd-only节点和agent节点在apiserver故障时的恢复问题揭示了分布式系统状态同步的复杂性。该问题的根本原因在于负载均衡器状态管理机制不够健壮，特别是在所有已知服务器都不可达时的恢复路径不完善。社区正在探讨多种技术方案来从根本上解决这一问题，同时管理员可以采取临时措施和遵循最佳实践来减轻影响。