本文翻译自：https://sematext.com/blog/top-10-must-have-alerts-for-kubernetes/
运行 Kubernetes 集群，显然不止是启动，还需要持续监控，以确保 Kubernetes 中的服务能正常运行。
不过，您不想整天盯着一堆 Kubernetes 仪表板（即便仪表板再多么美观）。您希望使用适当的警报来设置 Kubernetes 警报，对吗？
借助 k8s 警报，您将快速发现 Kubernetes 集群中的问题，并希望也能快速修复它们。那么问题来了，最应该关注的警报有哪些？
1. 过高的 CPU 使用率
为什么这很重要
当 Kubernetes Pod 超出其 CPU 限制时，将触发此警报，表明可能存在资源争用或资源分配效率低下。如果 CPU 限制不断达到，则可能导致应用程序响应时间变慢和潜在的服务中断。简而言之，你不希望看到这种情况发生。
行动
调查受影响的 Pod，并考虑调整资源限制或优化应用程序。
使用以下命令检查受影响 Pod 的 CPU 使用率：
kubectl top pod <pod_name> -n <namespace>
要调整 pod 的资源限制，请编辑其 YAML 配置文件：
kubectl edit pod <pod_name> -n <namespace>
在 YAML 文件中，修改“resources”部分以调整 CPU 限制：
resources:
limits:
cpu: <new_cpu_limit>
替换为所需的 CPU 限制值。
2. 已达到 CPU 使用限制
为什么这很重要
与上一个警报类似，当 Pod 达到其 CPU 限制时，此警报会发出通知。
行动
分析工作负载的资源需求和扩展要求，以防止性能下降。
运行以下命令以获取与受影响的 Pod 关联的工作负载的 CPU 使用率指标：
kubectl top pod --selector=<selector> -n <namespace>
替换为工作负载的适当标签选择器，例如 app=，以聚合属于工作负载的所有 Pod 的 CPU 使用情况。
3. Kubelet 卷管理器不可用
为什么这很重要
kubelet 卷管理器故障可能会影响 pod 存储，从而可能导致数据丢失。不可用的卷管理器可能会阻止挂载 Pod 卷，从而影响依赖于持久存储的应用程序。
行动
调查 kubelet 服务和底层存储基础设施是否存在问题，并在必要时重新启动受影响的组件。
运行以下命令以检查 kubelet 服务的状态：
kubectl get pods -n kube-system | grep kubelet
检查 kubelet pod 的日志，以识别与卷管理器相关的任何错误或警告：
kubectl logs <kubelet_pod_name> -n kube-system
检查存储卷和网络连接的状态：
kubectl get pv,pvc -n <namespace>
确保存储卷已正确连接并由 kubelet 服务访问。
如有必要，请重新启动 kubelet 服务和任何相关组件。此命令强制 Kubernetes 重新创建 kubelet pod，希望能解决卷管理器的任何问题。
kubectl delete pod <kubelet_pod_name> -n kube-system
4. Kubernetes API 服务器错误
为什么这很重要
监视来自 Kubernetes API 服务器的客户端错误 （4XX） 和服务器错误 （5XX），这可能表示通信问题或内部服务器问题。
行动
检查网络连接和 API 服务器日志，以识别并解决根本问题。
验证 Kubernetes API 服务器的状态：
kubectl get pods -n kube-system | grep kube-apiserver
检查日志中是否存在与 API 服务器相关的错误或警告：
kubectl logs <kube-apiserver_pod_name> -n kube-system
检查与 API 服务器的网络连接：
kubectl cluster-info
5. Node Under Pressure
为什么这很重要
当 Kubernetes 节点遇到资源压力时发出警报，这可能会影响 Pod 调度和性能。
行动
监视 Kubernetes 节点上的资源，以确定承受压力的部分：
kubectl describe node <node_name>
查找可能表明资源压力过高的 CPU、内存或磁盘使用率。
查看节点上运行的工作负载，以识别资源密集的应用程序或容器：
kubectl get pods --all-namespaces -o wide
如果资源压力持续存在，请考虑扩展 CPU、内存或存储等资源：
kubectl scale node <node_name> --cpu=<new_cpu_capacity> --memory=<new_memory_capacity>
根据工作负载要求和可用节点容量调整资源限制。
将工作负载分布在多个节点上，以缓解资源压力：
kubectl drain <node_name> --ignore-daemonsets
6. 异常节点 CPU/内存 容量
为什么这很重要
检测 Kubernetes 节点何时使用比平时更多的 CPU 或内存，这可能意味着它们耗尽了资源或无法有效工作。
行动
检查资源的使用方式随时间推移，并在必要时更改节点容量或工作负载的分配方式。
监控 Kubernetes 节点上的 CPU 和内存使用情况：
kubectl top nodes
查看一段时间内的资源使用趋势，以识别 CPU 和内存使用率的异常或峰值。
如果节点持续超出 CPU 或内存限制，请考虑纵向扩展节点容量：
kubectl scale node <node_name> --cpu=<new_cpu_capacity> --memory=<new_memory_capacity>
替换为受影响节点的名称、 所需的 CPU 容量和所需的内存容量。
7. 缺少 Deployments/StatefulSet 的 Pod 副本
为什么这很重要
当由 Deployments 或 StatefulSet 控制的 Pod 丢失时发出通知 ，指示部署失败或 Pod 被驱逐。当缺少 Pod 时，这意味着应用程序的基本组件未按预期运行，这可能导致停机、性能不佳和数据丢失。 例如，如果您将集群配置为具有 Pod 的 2 个副本，并且缺少其中一个副本，则您实际上正在运行 Pod 的单个实例，并且具有 SPOF（single point of failure 单点故障）并存在容错问题。
行动
检查 Deployment/Statefulset 配置和集群事件，以诊断和解决部署问题。
检查受影响的 Deployment 或 StatefulSet 的配置：
kubectl describe deployment <deployment_name> -n <namespace>
或：
kubectl describe statefulset <statefulset_name> -n <namespace>
查看所需的副本计数和当前副本计数，以确定是否存在任何差异。
查看集群事件，以识别与丢失的 Pod 副本相关的任何事件：
kubectl get events -n <namespace>
查找指示 Pod 逐出或部署失败的事件。
8. Pod 状态问题
为什么这很重要
检查 Pod 状态对于发现应用程序错误、资源不足或调度问题等问题非常重要。例如，如果 Pod 停滞在“等待”状态，则可能表明由于缺少资源或配置问题而无法启动。
行动
分析 Pod 日志、事件和配置，以排查和解决影响 Pod 稳定性和性能的根本问题。
查看 Pod 的日志以识别潜在的错误或问题：
kubectl logs <pod_name> -n <namespace>
检查 Pod 事件以了解影响 Pod 状态的最近更改或事件：
kubectl describe pod <pod_name> -n <namespace>
检查容器的配置以验证设置和资源分配：
kubectl describe pod <pod_name> -n <namespace>
9. Pod 重启和失败场景
为什么这很重要
频繁的 Pod 重启、容器崩溃、镜像拉取失败或内存不足 （OOM） 错误可能会影响应用程序的可靠性和用户体验，因此有效的 Kubernetes Pod 监控至关重要。想象一下，一个关键的微服务反复遇到内存不足错误。这可能会导致停机时间延长，从而可能导致收入损失和客户不满。没有人想要那样。
行动
如果 Pod 因为内存不足而不断重启，请查看其日志以了解原因：
kubectl logs <pod_name> -n <namespace>
查找 Pod 重启或失败的模式，例如内存不足错误、容器崩溃或镜像拉取失败。
如果 Pod 由于资源限制而重新启动，请考虑增加其资源限制：
kubectl edit pod <pod_name> -n <namespace>
10. ETCD leader 变化频繁或无 leader
为什么这很重要
监控 ETCD 集群的运行状况，在频繁更换领导者或缺少领导者时发出警报，这可能会影响集群的一致性和弹性。频繁更换领导者或缺少领导者表明集群通信或稳定性可能存在问题。就像在恋爱关系中一样，Kubernetes 集群中的良好沟通是其幸福的关键。😉
行动
调查 ETCD 集群运行状况、网络连接和磁盘性能，以确保正常运行和稳定性。
检查 ETCD 集群的健康状态并确定当前领导者：
etcdctl endpoint health --endpoints=<etcd_endpoints>
其中 <etcd_endpoints> 替换为你的 ETCD 集群的端点。
监控 ETCD 集群事件，了解领导者的频繁变更：
etcdctl watch --prefix / --rev=<current_revision> --endpoints=<etcd_endpoints>
验证 ETCD 节点之间的网络连通性，并检查 ETCD 节点上的磁盘性能，以防止 I/O 相关问题。
本文是 Flashcat 小伙伴翻译整理，Flashcat 是一家监控/可观测性创业公司，联系 Flashcat 做产品技术交流：https://flashcat.cloud/contact/。
