如何使用 K8s 两大利器"审计"和"事件"帮你摆脱运维困境？

张鹏，腾讯云容器产品工程师，拥有多年云原生项目开发落地经验。目前主要负责腾讯云容器服务 TKE 集群和运维中心开发工作。

概述

下面几个问题，相信广大 K8s 用户在日常集群运维中都曾经遇到过:

集群中的某个应用被删除了，谁干的？
Apiserver 的负载突然变高，大量访问失败，集群中到底发生了什么？
集群节点 NotReady，是什么原因导致的？
集群的节点发生了自动扩容，是什么触发的？什么时间触发的？

以前，排查这些问题，对客户来说并不容易。生产环境中的 Kubernetes 集群通常是一个相当复杂的系统：

底层是各种异构的主机、网络、存储等云基础设施；
上层承载着大量的应用负载；
中间运行着各种原生（例如：Scheduler、Kubelet）和第三方的组件（例如：各种 Operator），负责对基础设施和应用进行管理和调度；
此外不同角色的人员频繁地在集群上进行部署应用、添加节点等各种操作。

在集群运行的过程中，为了对集群中发生的状况能够尽可能的了如指掌，我们通常会从多个维度对集群进行观测。

日志，作为实现软件可观测性的三大支柱之一，为了解系统运行状况，排查系统故障提供了关键的线索，在运维管理中起着至关重要的作用。

Kubernetes 提供了两种原生的日志形式——审计（Audit）和事件（Event），它们分别记录了对于集群资源的访问以及集群中发生的事件信息。从腾讯云容器团队长期运维 K8s 集群的经验来看，审计和事件并不是可有可无的东西，善用它们可以极大的提高集群的可观测性，为运维带来巨大的便利。

下面让我们来详细认识一下它们。

什么是 Kubernetes 审计？

Kubernetes 审计日志是 Kube-apiserver 产生的可配置策略的结构化日志，记录了对 Apiserver 的访问事件。审计日志提供 Metrics 之外的另一种集群观测维度，通过查看、分析审计日志，可以追溯对集群状态的变更；了解集群的运行状况；排查异常；发现集群潜在的安全、性能风险等等。

审计来源

在 Kubernetes 中，所有对集群状态的查询和修改都是通过向 Apiserver 发送请求，对 Apiserver 的请求来源可以分为 4类：

控制面组件，例如 Scheduler，各种 Controller，Apiserver 自身
节点上的各种 Agent，例如 Kubelet、Kube-proxy 等
集群的其它服务，例如 Coredns、Ingress-controller、各种第三方的 Operator 等
外部用户，例如运维人员通过 Kubectl

审计中都记录了些什么？

每一条审计日志都是一个 JSON 格式的结构化记录，包括元数据（metadata）、请求内容（requestObject）和响应内容（responseObject）3个部分。其中元数据一定会存在，请求和响应内容是否存在取决于审计级别。元数据包含了请求的上下文信息，例如谁发起的请求，从哪里发起的，访问的 URI 等等；

审计有什么用？

Apiserver 做为 Kubernetes 集群唯一的资源查询、变更入口，审计日志可以说记录了所有对于集群访问的流水，通过它可以从宏观和微观了解整个集群的运行状况，比如：

资源被删掉了，什么时候删掉的，被“谁”删掉的？
服务出现问题，什么时候做过版本变更？
Apiserver 的响应延时变长，或者出现大量 5XX 响应 Status Code，Apiserver 负载变高，是什么导致的？
Apiserver 返回 401/403 请求，究竟是证书过期，非法访问，还是 RBAC 配置错误等。
Apiserver 收到大量来自外网 IP 对敏感资源的访问请求，这种请求是否合理，是否存在安全风险；

什么是 Kubernetes 事件？

事件（Event）是 Kubernetes 中众多资源对象中的一员，通常用来记录集群内发生的状态变更，大到集群节点异常，小到 Pod 启动、调度成功等等。我们常用的kubectl describe命令就可以查看相关资源的事件信息。

事件中记录了什么？

级别（Type）：目前仅有“Normal”和“Warning”，但是如果需要，可以使用自定义类型。
资源类型/对象(Involved Object)：事件所涉及的对象，例如 Pod，Deployment，Node 等。
事件源（Source）：报告此事件的组件；如 Scheduler、Kubelet 等。
内容（Reason）：当前发生事件的简短描述，一般为枚举值，主要在程序内部使用。
详细描述（Message）：当前发生事件的详细描述信息。
出现次数（Count）：事件发生的次数。

事件有什么用？

集群内已经翻江倒海，集群外却风平浪静，这可能是我们日常集群运维中常常遇到的情况，集群内的状况如果无法透过事件来感知，很可能会错过最佳的问题处理时间，待问题扩大，影响到业务时才发现往往已经为时已晚。

除了早早发现问题，Event 也是排查问题的最佳帮手，由于Event记录了全面的集群状态变更信息，所以大部分的集群问题都可通过 Event 来排查。

总结一下 Event 在集群中扮演两大重要角色：

“吹哨人”：当集群发生异常情况时，用户可通过事件第一时间感知；
“目击者”：集群中的大小事件都会通过 Event 记录，如果集群中发生意外情况，如:节点状态异常，Pod 重启，都可以通过事件查找发生的时间点及原因；

TKE 如何发掘审计/事件的价值

传统的通过输入查询语句检索日志的方式来使用审计和事件，固然可以提供很高的灵活性，但也有着较高的使用门槛，不仅要求使用者对于日志的数据结构非常了解，还要熟悉 Lucene、SQL 语法。这往往导致使用效率偏低，也无法充分发掘数据的价值。

腾讯云容器服务 TKE 联合腾讯云日志服务CLS[1]，打造出针对 Kubernetes 审计/事件采集、存储、检索、分析的一站式产品级服务，不仅提供了一键开启/关闭功能，免去一切繁琐的配置；还根据容器团队长期运维海量集群的经验中总结出对于 Kubernetes 审计/事件的最佳使用实践。

TKE 支持通过可视化的图表，以多个维度对审计日志[2]和集群事件[3]进行呈现，使用者只需了解 K8s 的基本概念，就能很“直觉”地在 TKE 控制台上进行各种检索和分析操作，足以支撑绝大多数常见集群运维场景，使得无论是发现问题还是定位问题都能做到事半功倍，从而提升运维效率，真正地将审计和事件数据的价值最大化。

如何使用 TKE 审计/事件服务去排查问题？

关于 TKE 的集群审计/事件简介与基础操作，请参考集群审计[4]、事件存储[5]的官方文档。

场景示例：

下面我们看几个现实中的典型场景：

示例1：排查一个工作负载消失的问题

在审计检索页面中，单击【K8s 对象操作概览】标签，指定操作类型和资源对象：

查询结果如下图所示：

由图可见，是 10001****7138 这个帐号，对应用「nginx」进行了删除。可根据帐号 ID 在【访问管理】>【用户列表】中找到关于此账号的详细信息。

示例2：排查一个节点被封锁的问题

在审计检索页面中，单击【节点操作概览】标签，填写被封锁的节点名：

查询结果如下图所示：

由图可见，是10001****7138这个帐号在2020-1-30T06:22:18时对172.16.18.13这台节点进行了封锁操作。

示例3：排查 Apiserver 响应变慢的问题

在审计检索的【聚合检索】标签页中，提供了从用户、操作类型、返回状态码等多个维度对于 Apiserver 访问聚合趋势图。

由图可见，用户tke-kube-state-metrics的访问量远高于其他用户，并且在“操作类型分布趋势”图中可以看出大多数都是 list 操作，在“状态码分布趋势”图中可以看出，状态

码大多数为 403，结合业务日志可知，由于 RBAC 鉴权问题导致tke-kube-state-metrics组件不停的请求 Apiserver 重试，导致 Apiserver 访问剧增。日志如下所示：

代码语言：javascript复制

E1130 06:19:37.368981       1 reflector.go:156] pkg/mod/k8s.io/client-go@v0.0.0-20191109102209-3c0d1af94be5/tools/cache/reflector.go:108: Failed to list *v1.VolumeAttachment: volumeattachments.storage.k8s.io is forbidden: User "system:serviceaccount:kube-system:tke-kube-state-metrics" cannot list resource "volumeattachments" in API group "storage.k8s.io" at the cluster scope

示例4：排查节点异常的问题

一台 Node 节点出现异常，在事件检索页面，点击【事件总览】，在过滤项中输入异常节点名称：

查询结果显示，有一条节点磁盘空间不足的事件记录查询结果如下图：

进一步查看异常事件趋势：

可以发现，2020-11-25号开始，节点172.16.18.13由于磁盘空间不足导致节点异常，此后 kubelet 开始尝试驱逐节点上的 pod 以回收节点磁盘空间；

示例5：查找触发节点扩容的原因

开启了节点池[6]「弹性伸缩」的集群，CA（cluster-autoscler）组件会根据负载状况自动对集群中节点数量进行增减。如果集群中的节点发生了自动扩（缩）容，用户可通过事件检索对整个扩（缩）容过程进行回溯。

在事件检索页面，点击【全局检索】，输入以下检索命令：

代码语言：javascript复制

event.source.component : "cluster-autoscaler"

在左侧隐藏字段中选择event.reason、event.message、event.involvedObject.name、event.involvedObject.name进行显示，将查询结果按照日志时间倒序排列，结果如下图所示：

通过上图的事件流水，可以看到节点扩容操作在2020-11-25 20:35:45左右，分别由三个 nginx Pod(nginx-5dbf784b68-tq8rd、nginx-5dbf784b68-fpvbx、nginx-5dbf784b68-v9jv5) 触发，最终扩增了3个节点，后续的扩容由于达到节点池的最大节点数没有再次触发。