本文介绍关于DNS解析异常的诊断流程、排查思路、常见解决方案和排查方法。

本文目录

类别 内容
诊断流程
排查思路 排查思路
常见排查方法
常见问题及解决方案

诊断流程

基本概念

  • 集群内部域名:CoreDNS会将集群中的服务暴露为集群内部域名,默认以.cluster.local结尾,这类域名的解析通过CoreDNS内部缓存完成,不会从上游DNS服务器查询。
  • 集群外部域名:除了集群内部域名以外的域名。外部域名可由CoreDNS配置文件提供解析结果,或从DNSConfig配置文件中指定的上游DNS服务器查询,默认使用阿里云VPC中的私网DNS服务地址(100.100.2.136和100.100.2.138)。您可以修改其为您自建的DNS服务器。
  • 业务Pod:您部署在Kubernetes集群中的容器Pod,不包含Kubernetes自身系统组件的容器。
  • 接入CoreDNS的业务Pod:容器内DNS服务器指向了CoreDNS的业务Pod。
  • 接入NodeLocal DNSCache的业务Pod:集群中安装了NodeLocal DNSCache插件后,通过自动或手动方式注入DNSConfig的业务Pod。这类Pod在解析域名时,会优先访问本地缓存组件。如果访问本地缓存组件不通时,会访问CoreDNS提供的kube-dns服务。

异常诊断流程

故障手册流程.png
  1. 判断当前的异常原因。具体信息,请参见常见客户端报错
    • 如果异常原因是域名不存在,请参见排查思路按解析异常的域名类型
    • 如果异常原因是无法连接至域名服务器,请参见排查思路按解析异常出现频次
  2. 如果以上排查无果,请按以下步骤排查。
  3. 如果以上排查无果,请提交工单排查。

常见客户端报错

客户端 报错日志 可能异常
ping ping: xxx.yyy.zzz: Name or service not known 域名不存在或无法连接域名服务器。如果解析延迟大于5秒,一般是无法连接域名服务器。
curl curl: (6) Could not resolve host: xxx.yyy.zzz
PHP HTTP客户端 php_network_getaddresses: getaddrinfo failed: Name or service not known in xxx.php on line yyy
Golang HTTP客户端 dial tcp: lookup xxx.yyy.zzz on 100.100.2.136:53: no such host 域名不存在。
dig ;; ->>HEADER<<- opcode: QUERY, status: NXDOMAIN, id: xxxxx
Golang HTTP客户端 dial tcp: lookup xxx.yyy.zzz on 100.100.2.139:53: read udp 192.168.0.100:42922->100.100.2.139:53: i/o timeout 无法连接域名服务器。
dig ;; connection timed out; no servers could be reached

排查思路

排查思路 排查依据 问题及解决方案
按解析异常的域名类型排查 集群内外域名都异常
仅集群外部域名异常 集群外部域名自身异常
仅PrivateZone 、vpc-proxy域名解析异常 PrivateZone域名解析异常
仅Headless类型服务域名异常
按解析异常出现频次排查 完全无法解析
异常仅出现在业务高峰时期
异常出现频次非常高
异常出现频次非常低
异常仅出现在节点扩缩容或CoreDNS缩容时 IPVS缺陷导致解析异常

常见检查方法

检查业务Pod的DNS配置

  • 命令
    #查看foo容器的YAML配置,并确认DNSPolicy字段是否符合预期。
    kubectl get pod foo -o yaml
    
    #当DNSPolicy符合预期时,可以进一步进入Pod容器中,查看实际生效的DNS配置。
    
    #通过bash命令进入foo容器,若bash不存在可使用sh代替。
    kubectl exec -it foo bash
    
    #进入容器后,可以查看DNS配置,nameserver后面为DNS服务器地址。
    cat /etc/resolv.conf
  • DNS Policy配置说明

    DNS Policy示例如下所示。

    apiVersion: v1
    kind: Pod
    metadata:
      name: <pod-name>
      namespace: <pod-namespace>
    spec:
      containers:
      - image: <container-image>
        name: <container-name>
    
    #默认场景下的DNS Policy。
      dnsPolicy: ClusterFirst
    #使用了NodeLocal DNSCache时的DNS Policy。
      dnsPolicy: None
      dnsConfig:
        nameservers:
        - 169.254.20.10
        - 172.21.0.10
        options:
        - name: ndots
          value: "3"
        - name: timeout
          value: "1"
        - name: attempts
          value: "2"
        searches:
        - default.svc.cluster.local
        - svc.cluster.local
        - cluster.local
    
      securityContext: {}
      serviceAccount: default
      serviceAccountName: default
      terminationGracePeriodSeconds: 30
    DNSPolicy字段值 使用的DNS服务器
    Default 只适用于不需要访问集群内部服务的场景。Pod创建时会从ECS节点/etc/resolv.conf文件继承DNS服务器列表。
    ClusterFirst 此为DNSPolicy默认值,Pod会将CoreDNS提供的kube-dns服务IP作为DNS服务器。开启HostNetwork的Pod,如果选择ClusterFirst模式,效果等同于Default模式。
    ClusterFirstWithHostNet 开启HostNetwork的Pod,如果选择ClusterFirstWithHostNet模式,效果等同于ClusterFirst。
    None 配合DNSConfig字段,可用于自定义DNS服务器和参数。在NodeLocal DNSCache开启注入时,DNSConfig会将DNS服务器指向本地缓存IP及CoreDNS提供的kube-dns服务IP。

检查CoreDNS Pod运行状态

命令
  • 执行以下命令,查看容器组信息。
    kubectl -n kube-system get pod -o wide -l k8s-app=kube-dns
    预期输出:
    NAME                      READY   STATUS    RESTARTS   AGE   IP            NODE
    coredns-xxxxxxxxx-xxxxx   1/1     Running   0          25h   172.20.6.53   cn-hangzhou.192.168.0.198
  • 执行以下命令,查看Pod的实时资源使用情况。
    kubectl -n kube-system top pod -l k8s-app=kube-dns
    预期输出:
    NAME                      CPU(cores)   MEMORY(bytes)
    coredns-xxxxxxxxx-xxxxx   3m           18Mi
  • 如果Pod不处于Running状态,可以通过kubectl -n kube-system describe pod <CoreDNS Pod名称>命令,查询问题原因。

检查CoreDNS运行日志

命令

执行以下命令,检查CoreDNS运行日志。
kubectl -n kube-system logs -f --tail=500 --timestamps coredns-xxxxxxxxx-xxxxx
参数 描述
f 持续输出。
tail=500 输出最后500行日志。
timestamps 同时显示日志打印的时间。
coredns-xxxxxxxxx-xxxxx CoreDNS Pod副本的名称。

检查CoreDNS DNS查询请求日志

命令

DNS查询请求日志仅会在开启CoreDNS的Log插件后,才会打印到容器日志中。关于开启Log插件的具体操作,请参见CoreDNS配置说明

命令与检查CoreDNS运行日志相同,请参见检查CoreDNS运行日志

检查CoreDNS Pod的网络连通性

操作步骤

  1. 登录CoreDNS Pod所在集群节点。
  2. 执行ps aux | grep coredns,查询CoreDNS的进程ID。
  3. 执行nsenter -t <pid> -n bash,进入CoreDNS所在容器网络命名空间,其中pid为上一步得到的进程ID。
  4. 测试网络连通性。
    1. 运行telnet <apiserver_slb_ip> 443,测试Kubernetes API Server的连通性。

      其中apiserver_slb_ip为default命名空间下Kubernetes服务的IP地址。

    2. 运行dig <domain> @<upstream_dns_server_ip>,测试CoreDNS Pod到上游DNS服务器的连通性。

      其中domain为测试域名,upstream_dns_server_ip为上游DNS服务器地址,默认为100.100.2.136和100.100.2.138。

常见问题

现象 原因 处理方案
CoreDNS无法连通Kubernetes API Server APIServe异常、机器负载高、kube-proxy 没有正常运行等。 提交工单排查。
CoreDNS无法连通上游DNS服务器 机器负载高、CoreDNS配置错误、专线路由问题等。 提交工单排查。

检查业务Pod到CoreDNS的网络连通性

操作步骤

  1. 选择以下任意一种方式,进入客户端Pod容器网络。
    • 方法一:使用kubectl exec命令。
    • 方法二:
      1. 登录业务Pod所在集群节点。
      2. 执行ps aux | grep <业务进程名>命令,查询业务容器的进程ID。
      3. 执行nsenter -t <pid> -n bash命令,进入业务Pod所在容器网络命名空间。

        其中pid为上一步得到的进程ID。

    • 方法三:如果频繁重启,请按以下步骤操作。
      1. 登录业务Pod所在集群节点。
      2. 执行docker ps -a | grep <业务容器名>命令,查询k8s_POD_ 开头的沙箱容器,记录容器ID。
      3. 执行docker inspect <沙箱容器 ID> | grep netns命令,查询/var/run/docker/netns/xxxx的容器网络命名空间路径。
      4. 执行nsenter -n<netns 路径> bash命令,进入容器网络命名空间。

        其中netns 路径为上一步得到的路径。

        说明 -n<netns 路径>之间不加空格。
  2. 测试网络连通性。
    1. 执行dig <domain> @<kube_dns_svc_ip>命令,测试业务Pod到CoreDNS服务kube-dns解析查询的连通性。

      其中<domain>为测试域名,<kube_dns_svc_ip>为kube-system命名空间中kube-dns的服务IP。

    2. 执行ping <coredns_pod_ip>命令,测试业务Pod到CoreDNS容器副本的连通性。

      其中<coredns_pod_ip>为kube-system命名空间中CoreDNS Pod的IP。

    3. 执行dig <domain> @<coredns_pod_ip>命令,测试业务Pod到CoreDNS容器副本解析查询的连通性。

      其中<domain>为测试域名,<coredns_pod_ip>为kube-system命名空间中CoreDNS Pod的IP。

常见问题

现象 原因 处理方案
业务Pod无法通过CoreDNS服务kube-dns解析 机器负载高、kube-proxy没有正常运行、安全组没有放开UDP协议53端口等。 检查安全组是否放开UDP 53端口,若已放开请提交工单排查。
业务Pod无法连通CoreDNS容器副本 容器网络异常或安全组没有放开ICMP。 检查安全组是否放开ICMP,若已放开请提交工单排查。
业务Pod无法通过CoreDNS容器副本解析 机器负载高、安全组没有放开UDP协议53端口等。 检查安全组是否放开UDP 53端口,若已放开请提交工单排查。

抓包

当无法定位问题时,需要抓包进行辅助诊断。

  1. 登录出现异常的业务Pod、CoreDNS Pod所在节点。
  2. 在ECS(非容器内)执行以下命令,可以将最近所有的53端口信息抓取到文件中。
    tcpdump -i any port 53 -C 20 -W 200 -w /tmp/client_dns.pcap
  3. 结合业务日志的报错定位到精准的报错时间的报文信息。
    说明
    • 在正常情况下,抓包对业务无影响,仅会增加小部分的CPU负载和磁盘写入。
    • 以上命令会对抓取到的包进行rotate,最多可以写200个20 MB的.pcap文件。

集群外部域名自身异常

问题原因

上游服务器返回记录显示域名异常。

问题现象

业务Pod可以正常解析集群内部域名,但无法解析某些集群外部域名。

解决方案

检查CoreDNS DNS查询请求日志。

常见请求日志
CoreDNS接收到请求并回复客户端后会打印一行日志,示例如下:
# 其中包含状态码RCODE NOERROR,代表解析结果正常返回。
[INFO] 172.20.2.25:44525 - 36259 "A IN redis-master.default.svc.cluster.local. udp 56 false 512" NOERROR qr,aa,rd 110 0.000116946s
常见返回码RCODE
关于返回码RCODE定义的具体信息,请参见规范
返回码RCODE 含义 原因
NXDOMAIN 域名不存在 容器内请求域名时,会被拼接上search后缀,若拼接的结果域名不存在,则会出现该请求码。如果确认日志中请求的域名内容存在,则说明存在异常。
SERVFAIL 上游服务器异常 常见于无法连接上游DNS服务器等情况。
REFUSED 拒绝应答 常见于CoreDNS配置或集群节点/etc/resolv.conf文件指向的上游DNS服务器无法处理该域名的情况,请排查CoreDNS配置文件。

新增Headless类型域名无法解析

问题原因

1.7.0以前版本CoreDNS会在API Server抖动时异常退出,导致Headless域名停止更新。

问题现象

接入CoreDNS的业务Pod无法解析新增的Headless类型域名。

解决方案

升级CoreDNS至1.7.0以上。具体操作,请参见【组件升级】CoreDNS升级公告

StatefulSets Pod域名无法解析

问题原因

StatefulSets Pod YAML中ServiceName必须和其暴露SVC的名字一致,否则无法访问Pod域名(例如pod.headless-svc.ns.svc.cluster.local),只能访问到服务域名(例如headless-svc.ns.svc.cluster.local)。

问题现象

Headless服务无法通过Pod域名解析。

解决方案

修改StatefulSets Pod YAML中ServiceName名称。

安全组、交换机ACL配置错误

问题原因

修改了ECS或容器使用的安全组(或交换机ACL),拦截了UDP协议下53端口的通信。

问题现象

部分节点或全部节点上接入CoreDNS的业务,Pod解析域名持续性失败。

解决方案

恢复安全组、交换机ACL的配置,放开其以UDP协议对53端口的通信。

容器网络连通性异常

问题原因

由于容器网络或其它原因导致的UDP协议53端口持续性不通。

问题现象

部分节点或全部节点上接入CoreDNS的业务,Pod解析域名持续性失败。

解决方案

提交工单排查。

CoreDNS Pod负载高

问题原因

由于CoreDNS副本数不足、业务请求量高等情况导致的CoreDNS负载高。

问题现象
  • 部分节点或全部节点接入CoreDNS的业务,Pod解析域名的延迟增加、概率性或持续性失败。
  • 检查CoreDNS Pod运行状态发现各副本CPU、Memory使用量接近其资源限制。
解决方案
  • 考虑采用NodeLocal DNSCache缓存方案,提升DNS解析性能,降低CoreDNS负载。具体操作,请参见使用NodeLocal DNSCache
  • 适当扩充CoreDNS副本数,使每个Pod的峰值CPU始终低于节点空闲CPU数。

CoreDNS Pod负载不均

问题原因

由于CoreDNS副本调度不均、Service亲和性设置导致CoreDNS Pod负载不均衡。

问题现象
  • 部分接入CoreDNS的业务Pod解析域名的延迟增加、概率性或持续性失败。
  • 检查CoreDNS Pod运行状态发现各副本CPU使用量负载不均衡。
  • CoreDNS副本数少于两个,或多个CoreDNS副本位于同节点上。
解决方案
  • 扩容并打散CoreDNS副本到不同的节点上。
  • 负载不均衡时,可禁用kube-dns服务的亲和性属性。具体操作,请参见配置Kube-DNS服务

CoreDNS Pod运行状态异常

问题原因

由于CoreDNS YAML模板、配置文件等导致CoreDNS运行异常。

问题现象
  • 部分接入CoreDNS的业务Pod解析域名的延迟增加、概率性或持续性失败。
  • CoreDNS副本状态Status不处于Running状态,或重启次数RESTARTS持续增加。
  • CoreDNS运行日志中出现异常。
解决方案

检查CoreDNS Pod运行状态和运行日志。

常见异常日志及处理方案
日志中字样 原因 处理方案
/etc/coredns/Corefile:4 - Error during parsing: Unknown directive 'ready' 配置文件和CoreDNS不兼容,Unknown directive代表当前运行的CoreDNS版本不支持ready插件。 从kube-system命名空间中CoreDNS配置项中删除ready插件,其它报错同理。
pkg/mod/k8s.io/client-go@v0.18.3/tools/cache/reflector.go:125: Failed to watch *v1.Pod: Get "https://192.168.0.1:443/api/v1/": dial tcp 192.168.0.1:443: connect: connection refused 日志出现时间段内,API Server中断。 如果是日志出现时间和异常不吻合,可以排除该原因,否则请检查CoreDNS Pod网络连通性。具体操作,请参见检查CoreDNS Pod的网络连通性
[ERROR] plugin/errors: 2 www.aliyun.com. A: read udp 172.20.6.53:58814->100.100.2.136:53: i/o timeout 日志出现时间段内,CoreDNS无法连接到上游DNS服务器。

客户端负载原因导致解析失败

问题原因

接入CoreDNS的业务Pod所在ECS负载达到100%等情况导致UDP报文丢失。

问题现象

业务高峰期间或突然偶发的解析失败,ECS监控显示机器网卡重传率、CPU负载有异常。

解决方案

Conntrack表满

问题原因

Linux内Conntrack表条目有限,无法进行新的UDP或TCP请求。

问题现象
  • 部分节点或全部节点上接入CoreDNS的业务,Pod解析域名在业务高峰时间段内出现大批量域名解析失败,高峰结束后失败消失。
  • 运行dmesg -H,滚动到问题对应时段的日志,发现出现conntrack full字样的报错信息。
解决方案

增加Conntrack表限制。具体操作,请参见如何提升Linux连接跟踪Conntrack数量限制?

AutoPath插件异常

问题原因

CoreDNS处理缺陷导致AutoPath无法正常工作。

问题现象
  • 解析集群外部域名时,概率性解析失败或解析到错误的IP地址,解析集群内部域名无异常。
  • 高频创建容器时,集群内部服务域名解析到错误的IP地址。
解决方案
按照以下步骤,关闭AutoPath插件。
  1. 执行kubectl -n kube-system edit configmap coredns命令,打开CoreDNS配置文件。
  2. 删除autopath @kubernetes一行后保存退出。
  3. 检查CoreDNS Pod运行状态和运行日志,运行日志中出现reload字样后说明修改成功。

A记录和AAAA记录并发解析异常

问题原因

并发A和AAAA的DNS请求触发Linux内核Conntrack模块缺陷,导致UDP报文丢失。

问题现象
  • 接入CoreDNS的业务Pod解析域名概率性失败。
  • 从抓包或检查CoreDNS DNS查询请求日志可以发现,A和AAAA通常在同一时间的出现,并且请求的源端口一致。
解决方案
  • 考虑采用NodeLocal DNSCache缓存方案,提升DNS解析性能,降低CoreDNS负载。具体操作,请参见使用NodeLocal DNSCache
  • CentOS、Ubuntu等基础镜像,可以通过options timeout:2 attempts:3 rotate single-request-reopen等参数优化。
  • 如果容器镜像是以Alpine制作的,建议更换基础镜像。更多信息,请参见Alpine
  • PHP类应用短连接解析问题较多,如果使用的是PHP Curl的调用,可以使用CURL_IPRESOLVE_V4参数仅发送IPv4解析。更多信息,请参见函数说明

IPVS缺陷导致解析异常

问题原因

若您集群的kube-proxy负载均衡模式为IPVS,在CentOS、Alibaba Cloud Linux 2内核版本小于4.19.91-25.1.al7.x86_64的节点上,摘除IPVS UDP类型后端后,一段时间内若新发起的UDP报文源端口冲突,该报文会被丢弃。

问题现象

当集群节点扩缩容、节点关机、CoreDNS缩容时,出现概率性解析失败,通常时长在五分钟左右。

解决方案

NodeLocal DNSCache未生效

问题原因
  • 未配置DNSConfig注入,业务Pod实际仍配置了CoreDNS kube-dns服务IP作为DNS服务器地址。
  • 业务Pod采用Alpine作为基础镜像,Alpine基础镜像会并发请求所有nameserver,包括本地缓存和CoreDNS。
问题现象

NodeLocal DNSCache没有流量进入,所有请求仍在CoreDNS上。

解决方案
  • 配置DNSConfig自动注入。具体操作,请参见使用NodeLocal DNSCache
  • 如果容器镜像是以Alpine制作的,建议更换基础镜像。更多信息,请参见Alpine

PrivateZone域名解析异常

问题原因

PrivateZone不支持TCP协议,需要使用UDP协议访问。

问题现象

对于接入NodeLocal DNSCache的业务,Pod无法解析PrivateZone上注册的域名,或无法解析包含vpc-proxy字样的阿里云云产品API域名,或解析结果不正确。

解决方案

在CoreDNS中配置prefer_udp。具体操作,请参见CoreDNS配置说明