浅析 Kubelet 驱逐机制

Kubelet 出于对节点的保护，允许在节点资源不足的情况下，开启对节点上 Pod 进行驱逐的功能。最近对 Kubelet 的驱逐机制有所研究，发现其中有很多值得学习的地方，总结下来和大家分享。

Kubelet 的配置

Kubelet 的驱逐功能需要在配置中打开，并且配置驱逐的阈值。Kubelet 的配置中与驱逐相关的参数如下：

type KubeletConfiguration struct { 
    ... 
  // Map of signal names to quantities that defines hard eviction thresholds. For example: {"memory.available": "300Mi"}. 
  EvictionHard map[string]string 
  // Map of signal names to quantities that defines soft eviction thresholds.  For example: {"memory.available": "300Mi"}. 
  EvictionSoft map[string]string 
  // Map of signal names to quantities that defines grace periods for each soft eviction signal. For example: {"memory.available": "30s"}. 
  EvictionSoftGracePeriod map[string]string 
  // Duration for which the kubelet has to wait before transitioning out of an eviction pressure condition. 
  EvictionPressureTransitionPeriod metav1.Duration 
  // Maximum allowed grace period (in seconds) to use when terminating pods in response to a soft eviction threshold being met. 
  EvictionMaxPodGracePeriod int32 
  // Map of signal names to quantities that defines minimum reclaims, which describe the minimum 
  // amount of a given resource the kubelet will reclaim when performing a pod eviction while 
  // that resource is under pressure. For example: {"imagefs.available": "2Gi"} 
  EvictionMinimumReclaim map[string]string 
  ... 
} 

其中，EvictionHard 表示硬驱逐，一旦达到阈值，就直接驱逐;EvictionSoft 表示软驱逐，即可以设置软驱逐周期，只有超过软驱逐周期后，才启动驱逐，周期用 EvictionSoftGracePeriod 设置;EvictionMinimumReclaim 表示设置最小可用的阈值，比如 imagefs。

可以设置的驱逐信号有：

• memory.available：node.status.capacity[memory] - node.stats.memory.workingSet，节点可用内存
• nodefs.available：node.stats.fs.available，Kubelet 使用的文件系统的可使用容量大小
• nodefs.inodesFree：node.stats.fs.inodesFree，Kubelet 使用的文件系统的可使用 inodes 数量
• imagefs.available：node.stats.runtime.imagefs.available，容器运行时用来存放镜像及容器可写层的文件系统的可使用容量
• imagefs.inodesFree：node.stats.runtime.imagefs.inodesFree，容器运行时用来存放镜像及容器可写层的文件系统的可使用 inodes 容量
• allocatableMemory.available：留给分配 Pod 用的可用内存
• pid.available：node.stats.rlimit.maxpid - node.stats.rlimit.curproc，留给分配 Pod 用的可用 PID

Eviction Manager 工作原理

Eviction Manager的主要工作在 synchronize 函数里。有两个地方触发 synchronize 任务，一个是 monitor 任务，每 10s 触发一次;另一个是根据用户配置的驱逐信号，启动的 notifier 任务，用来监听内核事件。

notifier

notifier 由 eviction manager 中的 thresholdNotifier 启动，用户配置的每一个驱逐信号，都对应一个 thresholdNotifier，而 thresholdNotifier 和 notifier 通过 channel 通信，当 notifier 向 channel 中发送消息时，对应的 thresholdNotifier 便触发一次 synchronize 逻辑。

notifier 采用的是内核的 cgroups Memory thresholds，cgroups 允许用户态进程通过 eventfd 来设置当 memory.usage_in_bytes 达到某阈值时，内核给应用发送通知。具体做法是向 cgroup.event_control 写入 " "。

notifier 的初始化代码如下(为了方便阅读，删除了部分不相干代码)，主要是找到 memory.usage_in_bytes 的文件描述符 watchfd，cgroup.event_control 的文件描述符 controlfd，完成 cgroup memory thrsholds 的注册。

func NewCgroupNotifier(path, attribute string, threshold int64) (CgroupNotifier, error) { 
  var watchfd, eventfd, epfd, controlfd int 
 
  watchfd, err = unix.Open(fmt.Sprintf("%s/%s", path, attribute), unix.O_RDONLY|unix.O_CLOEXEC, 0) 
  defer unix.Close(watchfd) 
   
  controlfd, err = unix.Open(fmt.Sprintf("%s/cgroup.event_control", path), unix.O_WRONLY|unix.O_CLOEXEC, 0) 
  defer unix.Close(controlfd) 
   
  eventfd, err = unix.Eventfd(0, unix.EFD_CLOEXEC) 
  defer func() { 
    // Close eventfd if we get an error later in initialization 
    if err != nil { 
      unix.Close(eventfd) 
    } 
  }() 
   
  epfd, err = unix.EpollCreate1(unix.EPOLL_CLOEXEC) 
  defer func() { 
    // Close epfd if we get an error later in initialization 
    if err != nil { 
      unix.Close(epfd) 
    } 
  }() 
   
  config := fmt.Sprintf("%d %d %d", eventfd, watchfd, threshold) 
  _, err = unix.Write(controlfd, []byte(config)) 
 
  return &linuxCgroupNotifier{ 
    eventfd: eventfd, 
    epfd:    epfd, 
    stop:    make(chan struct{}), 
  }, nil 
} 

notifier 在启动时还会通过 epoll 来监听上述的 eventfd，当监听到内核发送的事件时，说明使用的内存已超过阈值，便向 channel 中发送信号。

func (n *linuxCgroupNotifier) Start(eventCh chan<- struct{}) { 
  err := unix.EpollCtl(n.epfd, unix.EPOLL_CTL_ADD, n.eventfd, &unix.EpollEvent{ 
    Fd:     int32(n.eventfd), 
    Events: unix.EPOLLIN, 
  }) 
 
  for { 
    select { 
    case <-n.stop: 
      return 
    default: 
    } 
    event, err := wait(n.epfd, n.eventfd, notifierRefreshInterval) 
    if err != nil { 
      klog.InfoS("Eviction manager: error while waiting for memcg events", "err", err) 
      return 
    } else if !event { 
      // Timeout on wait.  This is expected if the threshold was not crossed 
      continue 
    } 
    // Consume the event from the eventfd 
    buf := make([]byte, eventSize) 
    _, err = unix.Read(n.eventfd, buf) 
    if err != nil { 
      klog.InfoS("Eviction manager: error reading memcg events", "err", err) 
      return 
    } 
    eventCh <- struct{}{} 
  } 
} 

synchronize 逻辑每次执行都会判断 10s 内 notifier 是否有更新，并重新启动 notifier。cgroup memory threshold 的计算方式为内存总量减去用户设置的驱逐阈值。

synchronize

Eviction Manager 的主逻辑 synchronize 细节比较多，这里就不贴源码了，梳理下来主要是以下几个事项：

1. 针对每个信号构建排序函数;
2. 更新 threshold 并重新启动 notifier;
3. 获取当前节点的资源使用情况(cgroup 的信息)和所有活跃的 pod;
4. 针对每个信号，分别确定当前节点的资源使用情况是否达到驱逐的阈值，如果都没有，则退出当前循环;
5. 将所有的信号进行优先级排序，优先级为：跟内存有关的信号先进行驱逐;
6. 向 apiserver 发送 驱逐事件;
7. 将所有活跃的 pod 进行优先级排序;
8. 按照排序后的顺序对 pod 进行驱逐。

计算驱逐顺序

对 pod 的驱逐顺序主要取决于三个因素：

• pod 的资源使用情况是否超过其 requests;
• pod 的 priority 值;
• pod 的内存使用情况;

三个因素的判断顺序也是根据注册进 orderedBy 的顺序。这里 orderedBy 函数的多级排序也是 Kubernetes 里一个值得学习(抄作业)的一个实现，感兴趣的读者可以自行查阅源码。

// rankMemoryPressure orders the input pods for eviction in response to memory pressure. 
// It ranks by whether or not the pod's usage exceeds its requests, then by priority, and 
// finally by memory usage above requests. 
func rankMemoryPressure(pods []*v1.Pod, stats statsFunc) { 
  orderedBy(exceedMemoryRequests(stats), priority, memory(stats)).Sort(pods) 
} 

驱逐 Pod

接下来就是驱逐 Pod 的实现。Eviction Manager 驱逐 Pod 就是干净利落的 kill，里面具体的实现这里不展开分析，值得注意的是在驱逐之前有一个判断，如果 IsCriticalPod 返回为 true 则不驱逐。

func (m *managerImpl) evictPod(pod *v1.Pod, gracePeriodOverride int64, evictMsg string, annotations map[string]string) bool { 
  // If the pod is marked as critical and static, and support for critical pod annotations is enabled, 
  // do not evict such pods. Static pods are not re-admitted after evictions. 
  // https://github.com/kubernetes/kubernetes/issues/40573 has more details. 
  if kubelettypes.IsCriticalPod(pod) { 
    klog.ErrorS(nil, "Eviction manager: cannot evict a critical pod", "pod", klog.KObj(pod)) 
    return false 
  } 
  // record that we are evicting the pod 
  m.recorder.AnnotatedEventf(pod, annotations, v1.EventTypeWarning, Reason, evictMsg) 
  // this is a blocking call and should only return when the pod and its containers are killed. 
  klog.V(3).InfoS("Evicting pod", "pod", klog.KObj(pod), "podUID", pod.UID, "message", evictMsg) 
  err := m.killPodFunc(pod, true, &gracePeriodOverride, func(status *v1.PodStatus) { 
    status.Phase = v1.PodFailed 
    status.Reason = Reason 
    status.Message = evictMsg 
  }) 
  if err != nil { 
    klog.ErrorS(err, "Eviction manager: pod failed to evict", "pod", klog.KObj(pod)) 
  } else { 
    klog.InfoS("Eviction manager: pod is evicted successfully", "pod", klog.KObj(pod)) 
  } 
  return true 
} 

再看看 IsCriticalPod 的代码：

func IsCriticalPod(pod *v1.Pod) bool { 
  if IsStaticPod(pod) { 
    return true 
  } 
  if IsMirrorPod(pod) { 
    return true 
  } 
  if pod.Spec.Priority != nil && IsCriticalPodBasedOnPriority(*pod.Spec.Priority) { 
    return true 
  } 
  return false 
} 
 
// IsMirrorPod returns true if the passed Pod is a Mirror Pod. 
func IsMirrorPod(pod *v1.Pod) bool { 
  _, ok := pod.Annotations[ConfigMirrorAnnotationKey] 
  return ok 
} 
 
// IsStaticPod returns true if the pod is a static pod. 
func IsStaticPod(pod *v1.Pod) bool { 
  source, err := GetPodSource(pod) 
  return err == nil && source != ApiserverSource 
} 
 
func IsCriticalPodBasedOnPriority(priority int32) bool { 
  return priority >= scheduling.SystemCriticalPriority 
} 

从代码看，如果 Pod 是 Static、Mirror、Critical Pod 都不驱逐。其中 Static 和 Mirror 都是从 Pod 的 annotation 中判断;而 Critical 则是通过 Pod 的 Priority 值判断的，如果 Priority 为 system-cluster-critical/system-node-critical 都属于 Critical Pod。

不过这里值得注意的是，官方文档里提及 Critical Pod 是说，如果非 Static Pod 被标记为 Critical，并不完全保证不会被驱逐：https://kubernetes.io/docs/tasks/administer-cluster/guaranteed-scheduling-critical-addon-pods 。因此，很有可能是社区并没有想清楚这种情况是否要驱逐，并不排除后面会改变这段逻辑，不过也有可能是文档没有及时更新??。

总结

本文主要分析了 Kubelet 的 Eviction Manager，包括其对 Linux CGroup 事件的监听、判断 Pod 驱逐的优先级等。了解了这些之后，我们就可以根据自身应用的重要性来设置优先级，甚至设置成 Critical Pod。