通过事件中心实时监控集群的异常问题_容器服务 Kubernetes 版 ACK(ACK)-阿里云帮助中心

事件监控是Kubernetes中的一种监控方式，可以弥补资源监控在实时性、准确性和场景上的不足。您可以通过使用NPD（node-problem-detector）结合SLS的Kubernetes事件中心、配置NPD集群检查项以及异常事件离线功能、使用钉钉、使用SLS离线Kubernetes事件及使用EventBridge离线Kubernetes事件，实时监控集群的异常与问题。

费用说明

ACK事件监控功能默认上报集群事件至SLS日志服务，SLS日志服务提供事件数据的存储、分析能力，默认90天内的ACK集群事件数据免费。详细信息，请参见创建并使用K8s事件中心。

背景信息

Kubernetes的架构设计基于状态机，不同的状态之间进行转换会生成相应的事件，正常的状态之间转换会生成Normal等级的事件，正常状态与异常状态之间的转换会生成Warning等级的事件。

ACK提供开箱即用的容器场景事件监控方案，通过ACK维护的NPD以及包含在NPD中的kube-eventer提供容器事件监控能力。

NPD（node-problem-detector）是Kubernetes节点诊断的工具，可以将节点的异常，例如Docker Engine Hang、Linux Kernel Hang、网络出网异常、文件描述符异常转换为Node的事件，结合kube-eventer可以实现节点事件告警的闭环。更多信息，请参见NPD。
kube-eventer是ACK维护的开源Kubernetes事件离线工具，可以将集群的事件离线到钉钉、SLS、EventBridge等系统，并提供不同等级的过滤条件，实现事件的实时采集、定向告警、异步归档。更多信息，请参见kube-eventer。

本文通过以下五种场景为您介绍事件监控。

场景一：使用NPD结合SLS的Kubernetes事件中心监控集群事件

NPD根据配置与第三方插件检测节点的问题或故障、生成相应的集群事件。而Kubernetes集群自身也会因为集群状态的切换产生各种事件，例如Pod驱逐、镜像拉取失败等异常情况。日志服务SLS（Log Service）的Kubernetes事件中心实时汇聚Kubernetes中的所有事件并提供存储、查询、分析、可视化、告警等能力。将集群事件接入日志服务的Kubernetes事件中心操作步骤如下。

步骤一：安装ack-node-problem-detector组件

如果您在创建集群时，已选中安装node-problem-detector并创建事件中心，可直接按照步骤二查看Kubernetes事件中心。关于如何通过创建集群时安装NPD组件，请参见创建ACK托管集群。
若创建集群时未选中安装node-problem-detector并创建事件中心，则需手动安装，具体的操作步骤如下。
1. 登录容器服务管理控制台。
2. 在集群列表页面，单击目标集群名称，然后在左侧导航栏，选择运维管理 > 组件管理。
3. 在日志与监控页签，查找并安装ack-node-problem-detector。

步骤二：查看事件中心

登录容器服务管理控制台，在左侧导航栏选择集群。
在集群列表页面，单击目标集群名称，然后在左侧导航栏，选择运维管理 > 事件中心。
单击右上角的事件中心管理，在K8s事件中心页面的左侧导航栏，单击目标集群名称左边的展开图标，查看Kubernetes事件中心相关信息。
您可以查看Kubernetes事件的总览及详情、Pod生命周期，还可以进行自定义查询和告警配置。更多信息，请参见采集Kubernetes事件。

场景二：配置NPD集群检查项以及异常事件离线功能

NPD（node-problem-detector）是Kubernetes节点诊断的工具，可以将节点的异常，例如Docker Engine Hang、Linux Kernel Hang、网络出网异常、文件描述符异常转换为Node的事件，结合kube-eventer可以实现节点事件告警的闭环。

操作流程

安装ack-node-problem-detector组件，安装过程请参见安装ack-node-problem-detector组件。
说明
若之前已安装过ack-node-problem-detector组件，请删除重新安装。具体操作，请参见如何重新安装ack-node-problem-detector组件。
在集群列表页面，单击目标集群名称，然后在左侧导航栏，选择工作负载 > 守护进程集。
在守护进程集页面，选择命名空间为kube-system，查看组件ack-node-problem-detector-daemonset运行正常。
当node-problem-detector与eventer都正常运行后，可以通过配置的eventer的离线通道进行数据的离线处理或者报警。

NPD支持的问题检查插件

插件名	功能	说明
fd_check	检查集群节点系统的已打开的文件描述符是否超过最大上限的80%。	80%为默认值，可通过参数修改。该检查项消耗资源较多，不建议开启。
ram_role_check	检查集群节点是否具有RAM Role以及相应的鉴权密钥。	无
ntp_check	检查集群节点上的NTP时间同步服务是否正常运行。	默认开启项。
nvidia_gpu_check	检查集群节点上的NVIDIA GPU计算卡是否具有有效的`xid`。	无
network_problem_check	检查集群节点上的`conntrack`表用量是否超过了总量的90%。	默认开启项。
inodes_usage_check	检查集群节点系统盘的`inode`是否超过了总量的80%。	80%为默认值，可通过参数修改。默认开启项。
csi_hang_check	检查集群节点上的CSI存储插件状态是否正常。	无
ps_hang_check	检查集群节点系统中是否有状态为D（挂起且无法唤醒）的进程。	无
public_network_check	检查集群节点是否可以访问公网。	无
irqbalance_check	检查集群节点系统中的`irqbalance`服务是否正常。	无
pid_pressure_check	检查集群节点系统中的进程`pid`数与系统内核中允许的`pid`最大数占比是否超过了85%。	默认开启项。
docker_offline_check	检测集群节点上的`docker daemon`服务是否正常。	默认开启项。

场景三：使用钉钉实现Kubernetes监控告警

使用钉钉机器人监控并告警Kubernetes的事件是一个非常典型的ChatOps实现。具体的操作步骤如下。

单击钉钉群右上角的图标，进入群设置页面。
单击机器人，然后单击添加机器人，选择需要添加的机器人。此处选择自定义机器人。
在机器人详情页面，单击添加，进入添加机器人页面。

根据以下信息配置群机器人后，阅读并同意服务及免责条款，然后单击完成。

参数	说明
编辑头像	（可选）为群机器人设置头像。
机器人名字	添加的机器人名称。
添加到群组	添加机器人的群组。
安全设置	安全设置支持3种方式：自定义关键词、加签和IP地址（段）。目前集群的事件监控仅支持第一种方式，即自定义关键词。选中自定义关键词，填入`Warning`可接收所有监控报警。如果发现机器人消息发送过于频繁，可增加关键词进行过滤，最多支持设置10个关键词。ACK发送消息时也会同步此关键词。

单击复制，复制webhook地址以备后续使用。
说明
在群机器人页面，选择目标群机器人，单击右侧图标可以进行以下操作：
- 修改群机器人的头像及机器人名字。
- 开启或关闭消息推送。
- 重置webhook地址。
- 删除群机器人。
安装ack-node-problem-detector组件，安装过程请参见安装ack-node-problem-detector组件。
说明
若之前已安装过ack-node-problem-detector组件，请删除重新安装，具体操作请参见如何重新安装ack-node-problem-detector组件。
在集群列表页面，单击目标集群名称，然后在左侧导航栏，选择应用 > Helm。
在Helm页面，找到ack-node-problem-detector组件，然后在组件对应的操作列单击更新，修改以下内容，然后单击确定。
- 将npd下方的enabled设置为false。
- 将eventer.sinks.dingtalk.enabled设置为true。
- 通过步骤5创建webhook地址查看Token，填入Token字段。

预期结果：

部署成功后30秒，eventer生效，当事件等级超过阈值等级时，即可在钉钉群收到如下告警。消息提醒

场景四：使用SLS离线Kubernetes事件

阿里云日志服务SLS（Log Service）可以将Kubernetes的事件以更持久的方式进行存储，从而提供更多的事件归档、审计的能力。详情请参见创建并使用K8s事件中心。

创建Project与Logstore。
1. 登录日志服务管理控制台。
2. 在Project列表区域，单击创建Project，填写Project的基本信息并单击确认进行创建。
  本示例创建一个名为k8s-log4j的Project，与Kubernetes集群位于同一地域（华东1）。
  说明
  为降低成本并提高效率，通常建议将日志服务与Kubernetes集群配置在同一地域。这样可以使日志数据通过内网进行传输，避免因地域不一致产生的外网数据传输费用，并减少传输延迟，实现日志的实时采集和快速查询。
3. 创建完成后，k8s-log4j出现在Project列表下，单击该Project名称，进入Project详情页面。
4. 默认进入日志库页面，在页面左侧，单击加号+，弹出创建Logstore对话框。
5. 填写日志库配置信息并单击确定。
  本示例创建名为k8s-logstore的日志库。
6. 创建完毕后，页面会提示您使用数据接入向导。单击数据接入向导，弹出接入数据对话框。
7. 选择Log4j 1/2，根据页面引导进行配置。
  本示例使用了默认配置，您可根据日志数据的具体使用场景，进行相应的配置。
在Kubernetes集群中配置log4j。
1. 安装ack-node-problem-detector组件，安装过程请参见安装ack-node-problem-detector组件。
重要
- 单击安装ack-node-problem-detector组件时，在配置项中将步骤1创建好的Project和Logstore分别填入各字段。
- 若之前已安装过ack-node-problem-detector组件，请删除重新安装，具体操作请参见如何重新安装ack-node-problem-detector组件。
1. 在集群列表页面，单击目标集群名称，然后在左侧导航栏，选择应用 > Helm。
2. 在Helm页面，找到ack-node-problem-detector组件，然后在组件对应的操作列单击更新，修改以下内容，然后单击确定。
  - 将npd下方的enabled设置为false。
  - 将eventer.sinks.sls.enabled设置为true。
操作集群（例如，删除Pod或者创建应用等）产生事件后，登录日志服务控制台查看数据采集。请参见通过API消费。
设置索引与归档。请参见创建索引。
1. 在日志服务控制台Project列表区域，单击Project名称。
2. 单击日志库名称后的图标，选择查询分析。
3. 单击右上角的开启索引。
4. 在查询分析对话框中配置索引，然后单击确定。
  此时会出现日志查询与分析页面。
  说明
  - 索引配置在1分钟之内生效。
  - 开启或修改索引后，新的索引配置只对新写入的数据生效。
5. （可选）在需要设置离线归档与计算的场景下，在Logstore上将数据投递给MaxCompute或者OSS，请参见创建MaxCompute投递任务（新版）、创建OSS投递任务（新版）。

场景五：使用EventBridge离线Kubernetes事件

事件总线EventBridge是阿里云提供的一款无服务器事件总线服务，支持阿里云服务、自定义应用及SaaS应用以标准化、中心化的方式接入，并能够以标准化的CloudEvents 1.0协议在这些应用之间路由事件。容器服务事件可支持通过离线到EventBridge实现构建松耦合、分布式的事件驱动架构。关于EventBridge的详情，请参见什么是事件总线EventBridge。

开通事件总线EventBridge。具体操作，请参见开通事件总线EventBridge并授权。
安装ack-node-problem-detector组件，安装过程请参见安装ack-node-problem-detector组件。
说明
若之前已安装过ack-node-problem-detector组件，请删除重新安装，具体操作请参见如何重新安装ack-node-problem-detector组件。
在集群列表页面，单击目标集群名称，然后在左侧导航栏，选择应用 > Helm。
在Helm页面，定位ack-node-problem-detector组件，然后在组件对应的操作列单击更新，将eventer.sinks.eventbridge.enable修改为true，以配置事件中心并开启EventBridge事件离线数据链路，然后单击确定。
数据链路开启成功后，在事件总线EventBridge控制台查看容器事件。
1. 登录事件总线EventBridge控制台。
2. 在左侧导航栏，单击事件总线。
3. 在事件总线页面，单击目标总线名称。
4. 在左侧导航栏，单击事件追踪。
5. 选择事件查询方式，设置查询条件，单击查询。
6. 在事件列表操作列，单击事件详情，查看事件详细内容。
  更多信息，请参见查询事件。

如何重新安装ack-node-problem-detector组件

登录容器服务管理控制台，在左侧导航栏单击集群。
在集群列表页面，单击目标集群名称，然后在左侧导航栏，选择工作负载 > 任务。
在任务页面，单击kube-eventer-init-v1.7-xxxx右侧更多，单击删除。
在集群列表页面，单击目标集群名称，然后在左侧导航栏，选择应用 > Helm。
在Helm页面，删除原有的ack-node-problem-detector组件。
在集群列表页面，单击目标集群名称，然后在左侧导航栏，选择运维管理 > 组件管理。
在日志与监控页签，查找并重新安装ack-node-problem-detector。