節點問題偵測工具

節點問題偵測工具是開放原始碼程式庫，可監控節點健康狀態，並偵測常見的節點問題，例如硬體、核心或容器執行階段問題。在 Google Distributed Cloud 中，這項服務會在每個節點上以 systemd 服務的形式執行。

從 Google Distributed Cloud 1.10.0 版開始，Node Problem Detector 預設為啟用狀態。

如需其他協助，請與 Cloud Customer Care 團隊聯絡。如要進一步瞭解支援資源，包括下列項目，請參閱「取得支援」：

• 提出支援案件的規定。
• 工具：協助您排解問題，例如環境設定、記錄和指標。
• 支援的元件。

可偵測哪些問題？

節點問題偵測工具可以偵測下列問題：

• 容器執行階段問題，例如執行階段 Daemon 無回應
• 硬體問題，例如 CPU、記憶體或磁碟故障
• 核心問題，例如核心死結狀況或檔案系統損毀

它會在節點上執行，並以 NodeCondition 或 Event 的形式，向 Kubernetes API 伺服器回報問題。NodeCondition 是指節點無法執行 Pod 的問題，而Event 則是對 Pod 影響有限的暫時性問題，但仍被視為重要問題而需要回報。

下表說明 Node Problem Detector 探索到的 NodeConditions，以及是否可自動修復：

¹ 如果是 1.32 以上版本，系統支援在特定情況下自動修復偵測到的問題。

² 支援 1.32 以上版本。

以下是 Node Problem Detector 報告的 Events 類型範例：

• Warning TaskHung node/vm-worker-1-user-a12fabb4a99cb92-ddfce8832fd90f6f.lab.anthos kernel: task docker:7 blocked for more than 300 seconds.
• Warning KernelOops node/vm-worker-1-user-a12fabb4a99cb92-ddfce8832fd90f6f.lab.anthos kernel: BUG: unable to handle kernel NULL pointer dereference at 00x0.

可修復哪些問題？

從 1.32 版開始，節點問題偵測工具發現特定 NodeConditions 時，可以自動修復節點上的相應問題。自 1.32 版起，唯一支援自動修復的 NodeCondition 是 FailedCgroupRemoval。

如何查看偵測到的問題

執行下列 kubectl describe 指令，尋找 NodeConditions 和 Events：

kubectl describe node NODE_NAME \
    --kubeconfig=KUBECONFIG

更改下列內容：

• NODE_NAME：您要檢查的節點名稱。

• KUBECONFIG：叢集 kubeconfig 檔案的路徑。

如何啟用及停用節點問題偵測工具

節點問題偵測器預設為啟用，但可以在 node-problem-detector-config ConfigMap 資源中停用。除非您明確停用，否則節點問題偵測工具會持續監控節點，找出節點問題的特定狀況。

如要在特定叢集上停用節點問題偵測器，請按照下列步驟操作：

1. 編輯 node-problem-detector-config ConfigMap 資源：

   kubectl edit configmap node-problem-detector-config \
       --kubeconfig=KUBECONFIG \
       --namespace=CLUSTER_NAMESPACE
   

   更改下列內容：

   • KUBECONFIG：叢集 kubeconfig 檔案的路徑。

   • CLUSTER_NAMESPACE：要啟用節點問題偵測器的叢集命名空間。

   這個指令會自動啟動文字編輯器，您可以在其中編輯 node-problem-detector-config 資源。

2. 在 node-problem-detector-config 資源定義中，將 data.enabled 設為 false。

   apiVersion: v1
   kind: ConfigMap
   metadata:
     creationTimestamp: "2025-04-19T21:36:44Z"
     name: node-problem-detector-config
   ...
   data:
     enabled: "false"
   

   一開始，node-problem-detector-config ConfigMap 沒有 data 欄位，因此您可能需要新增該欄位。

3. 如要更新資源，請儲存變更並關閉編輯器。

如要重新啟用節點問題偵測器，請執行上述步驟，但在 node-problem-detector-config 資源定義中，將 data.enabled 設為 true。

如何啟用及停用自動修復功能

從 1.32 版開始，節點問題偵測工具會檢查特定 NodeConditions，並自動修復節點上的相應問題。根據預設，系統會為支援的 NodeConditions 啟用自動修復功能，但您可以在 node-problem-detector-config ConfigMap 資源中停用這項功能。

如要停用指定叢集的自動修復行為，請按照下列步驟操作：

1. 編輯 node-problem-detector-config ConfigMap 資源：

   kubectl edit configmap node-problem-detector-config \
       --kubeconfig=KUBECONFIG \
       --namespace=CLUSTER_NAMESPACE
   

   更改下列內容：

   • KUBECONFIG：叢集 kubeconfig 檔案的路徑。

   • CLUSTER_NAMESPACE：要啟用節點問題偵測器的叢集命名空間。

   這個指令會自動啟動文字編輯器，您可以在其中編輯 node-problem-detector-config 資源。

2. 在 node-problem-detector-config 資源定義中，將 data.check-only 設為 true。

   apiVersion: v1
   kind: ConfigMap
   metadata:
     creationTimestamp: "2025-04-19T21:36:44Z"
     name: node-problem-detector-config
   ...
   data:
     enabled: "true"
     check-only: "true"
   

   一開始，node-problem-detector-config ConfigMap 沒有 data 欄位，因此您可能需要新增該欄位。將 check-only 設為 "true" 會停用所有支援情況的自動修復功能。

3. 如要更新資源，請儲存變更並關閉編輯器。

如要重新啟用所有支援自動修復功能的 NodeConditions，請在 node-problem-detector-config ConfigMap 中將 data.check-only 設為 "false"。

如何停止及重新啟動節點問題偵測工具

節點問題偵測器會在每個節點上以 systemd 服務的形式執行。如要管理特定節點的節點問題偵測器，請使用 SSH 存取節點，然後執行下列 systemctl 指令。

• 如要停用 Node Problem Detector，請執行下列指令：

  systemctl stop node-problem-detector
  

• 如要重新啟動 Node Problem Detector，請執行下列指令：

  systemctl restart node-problem-detector
  

• 如要檢查 Node Problem Detector 是否在特定節點上執行，請執行下列指令：

  systemctl is-active node-problem-detector
  

不支援的功能

Google Distributed Cloud 不支援下列 Node Problem Detector 自訂項目：

• 將節點問題偵測工具報告匯出至其他監控系統，例如 Stackdriver 或 Prometheus。
• 自訂要尋找的 NodeConditions 或 Events。
• 執行使用者定義的監控指令碼。

後續步驟

如需其他協助，請與 Cloud Customer Care 團隊聯絡。如要進一步瞭解支援資源，包括下列項目，請參閱「取得支援」：

• 提出支援案件的規定。
• 工具：協助您排解問題，例如環境設定、記錄和指標。
• 支援的元件。