k8s健康检查失败问题，如何解决

问题概述：

在更新或者创建工作负载时，经查会遇到，健康检查失败的错误，导致容器一直无法正常启动。类似如下：

问题原因：

容器内应用原因：
1. 健康检查所配置规则对应的端口或者脚本，无法成功探测，如容器内应用没正常启动等
用户使用不当：
1. 设置的阈值过小，详见“基础概念”章节中的示例
2. 配置有误，如写错的检查的端口等
系统层问题：
1. 节点负载非常高：节点负载高导致的健康检查失败，通常出现在容器已经正常运行，然后突然挂掉，事件有健康检查失败的错误。k8s的调度是预选优选，一般会优选低负载的节点，所以初始调度，不太会直接落到极高负载的节点。（但因k8s默认调度器规则是基于request权重，所以不绝对，具体可了解k8s的调度器策略，不在本文讨论范围）
2. 其他bug，或系统组件问题

几乎所有案例都因为1&2两项导致，故本文针对于1&2两项，进行排查说明，这也是大多用户遇到此问题的原因。系统层问题遇到较少，不在此文章讨论。

基础概念：

首先，需要明确，liveness（存活检查）和readiness（就绪检查）可一起使用，也可以只使用其中一种，具体取决于用户。

容器健康检查分两种，liveness（存活检查）和readiness（就绪检查），统称为健康检查。
官方概念，liveness（存活检查）和readiness（就绪检查）都代表什么？参考文档：https://kubernetes.io/zh/docs/concepts/workloads/pods/pod-lifecycle/ livenessProbe：指示容器是否正在运行。如果存活态探测失败，则 kubelet 会杀死容器，并且容器将根据其重启策略决定未来。 readinessProbe：指示容器是否准备好为请求提供服务。如果就绪态探测失败，端点控制器将从与 Pod 匹配的所有服务的端点列表中删除该 Pod 的 IP 地址。
举例对上述文字概念进行说明。注意： 1. 健康检查对检测间隔，失败阈值等，有多种配置可定义，本例只是对概念进行说明，具体配置请自行参考文档了解。 2. 本例只对容器初次启动时，遇到的现象进行说明，但是容器在正常Running的时候，也可能因为容器内进程crash，或者容器夯死，也会触发检查失败的报错。

例1：
配置了liveness（存活检查）规则：检测80端口，容器启动后10s开始检查，每次检查间隔1s，一次不通过即失败
容器实际80端口应用启动时间：15s
结果：死循环，容器不断重启，事件有“Liveness probe failed”字样报错。为典型用户配置不合理导致，直接影响使用。
例2：
配置了liveness（存活检查）规则：检测80端口，容器启动后20s开始检查，每次检查间隔1s，一次不通过即失败
容器实际80端口应用启动时间：15s
结果：检查成功，不会打印Liveness相关日志，容器正常Running
例3：
配置了readiness（就绪检查）规则：检测80端口，容器启动后10s开始检查，每次检查间隔1s，一次不通过即失败
容器实际80端口应用启动时间：15s
结果：事件会报5次“Readiness probe failed”，然后停止报错，容器正常Running，待报错停止后，k8s会将此pod加入endpoint，也就是可以被service后端负载上，去提供服务。为用户配置不合理导致报错，但不会影响使用，检测通过后即正常。
例4：
配置了readiness（就绪检查）规则：检测80端口，容器启动后20s开始检查，每次检查间隔1s，一次不通过即失败
容器实际80端口应用启动时间：15s
结果：检查成功，不会打印Readiness相关日志，容器正常Running

解决方案：

通过如上概念和示例，可得知，一般出现健康检查失败报错的两种情形：容器自身应用问题&&用户使用不当问题。关于配置有误，如写错的检查的端口或者脚本等行为，还请优先自行排除。（系统层问题和写错配置的端口和脚本不在讨论范围，假设系统都健康且配置的端口正确）

那么遇到此类报错该如何解决，可按如下场景对号入座：

同时配置了liveness（存活检查）和readiness（就绪检查）

如上文所说，readiness（就绪检查）会在探测规则就绪后，便检查通过。所以此处应优先考虑如下几点

liveness是否阈值设置过小，导致死循环
容器进程是否真的有问题

处理方法：可重新更新工作负载，**去除**liveness（存活检查）后观察，如果去除liveness（存活检查）后，事件有几次“Readiness probe failed”后即正常，那么说明是阈值过小导致，调大阈值即可。如果去除后“Readiness probe failed”一直持续不断，请检查镜像是否有问题。

只配置了liveness（存活检查）

liveness是否阈值设置过小，导致死循环
容器进程是否真的有问题

处理方法：可重新更新工作负载，尽可能适当调大liveness（存活检查）阈值（如启动延迟）后观察，如果调大liveness（存活检查）阈值后即正常，那么说明是阈值过小导致，如果仍然事件一直报错“Liveness probe failed”，请检查镜像是否有问题。

注意：这里并没有让用户去掉liveness（存活检查），因为去除后，如果容器内有常驻进程，容器会直接Running，不利于问题判断，当然用户也可去除liveness（存活检查），手动进入容器查看。

只配置了readiness（就绪检查）

请检查镜像。

我该如何检查镜像哪里有问题？

如上所述，对于异常情况，多数都提到要去检查镜像，该如何进行检查？方法如下：

场景一：

容器已经正常running，只是健康检查未通过。这种一般情况下在事件只会有“Liveness probe failed”和“Readiness probe failed”的错误。在确认没有liveness（存活检查）的情况下，直接进入容器，排查即可，如查看应用启动失败的日志，尝试手工拉起应用看看卡点在哪等。

场景二：

除“Liveness probe failed”和“Readiness probe failed”的错误，还有“Back-off restarting failed container”的错误。

“Back-off restarting failed container”一般是因为容器内没有常驻进程，或者进程意外退出导致。

可通过如下方法，让容器先行启动，然后进入容器排查。（确认没有liveness（存活检查）的情况，否则会导致容器反复重启，不利于排查）

1、创建工作负载，在容器配置中如下位置填入以下两行内容