Harvester升级过程中节点卡在预排空状态的故障分析与解决方案

问题现象

在Harvester集群从v1.4.0版本升级到v1.4.1-rc1版本的过程中，部分节点会卡在"Pre-drained"(预排空)状态，同时节点保持"Cordoned"(不可调度)状态。这种状况会导致整个升级流程无法继续推进。

根本原因分析

经过深入排查，发现问题源于Longhorn存储系统的实例管理器(Instance Manager)组件存在一个已知问题。具体表现为：

1. 实例管理器错误地认为某个卷引擎(engine)仍在运行，但实际上该引擎已处于停止状态
2. 由于这种错误判断，实例管理器创建了PodDisruptionBudget(PDB)资源并阻止节点排空操作
3. 这种状态不一致导致升级流程无法继续执行节点排空步骤

技术细节

在Kubernetes集群升级过程中，Harvester会执行以下关键步骤：

1. 将节点标记为不可调度(Cordon)
2. 排空(Drain)节点上的工作负载
3. 执行节点组件升级

当Longhorn实例管理器错误报告卷状态时，第二步的排空操作会被PDB机制阻止。PDB是Kubernetes中用于保证应用可用性的机制，它会确保在维护操作期间至少保留一定数量的Pod实例。

解决方案

对于遇到此问题的用户，可以按照以下步骤手动解决：

1. 首先确认受影响节点上的Longhorn卷状态
2. 检查实例管理器报告的引擎状态与实际状态是否一致
3. 如果确认是误报状态，可以安全删除相关的PDB资源
4. 删除PDB后，升级流程会自动继续

具体操作命令示例：

kubectl delete pdb [实例管理器名称] -n longhorn-system

长期解决方案

Harvester开发团队已经意识到这个问题的严重性，并在以下方面开展工作：

1. 在v1.4.1和v1.4.2版本中将此问题标记为已知问题
2. 计划在v1.6.0版本中通过升级到Longhorn 1.9来彻底解决
3. 完善了相关文档，指导用户在遇到此问题时的处理方法

最佳实践建议

为避免在升级过程中遇到此类问题，建议用户：

1. 在升级前检查所有Longhorn卷的状态
2. 确保没有异常的卷引擎实例存在
3. 按照官方文档执行预升级检查
4. 保留足够的集群资源以应对可能的副本迁移

总结

Harvester集群升级过程中节点卡在预排空状态的问题，主要是由于Longhorn组件状态报告不一致导致的。虽然可以通过手动干预解决，但用户应关注后续版本中提供的永久性修复方案。对于生产环境，建议在非关键时段进行升级操作，并确保有完整的备份方案。