真实企业级K8S故障案例：ETCD集群断电恢复与数据保障实践

背景描述

某跨境电商平台生产环境使用Kubernetes（v1.23.17）管理500+微服务。某日机房突发市电中断，UPS未能及时接管导致：

1. 3节点ETCD集群（v3.5.4）全部异常掉电

2. Control-Plane节点无法启动api-server

3. 业务Pod出现大规模CrashLoopBackOff

---

故障现象

kube-apiserver日志报错：

journalctl -u kube-apiserver | grep -C 5 'etcd'

输出关键信息：

error while dialing: dial tcp 172.21.8.101:2379: connect: connection refused
storage backend: etcd3 client is not responding

手动检查ETCD状态：

ETCDCTL_API=3 etcdctl --endpoints=https://172.21.8.101:2379 \
--cacert=/etc/kubernetes/pki/etcd/ca.crt \
--cert=/etc/kubernetes/pki/etcd/server.crt \
--key=/etc/kubernetes/pki/etcd/server.key endpoint status

返回错误：

{"code":14,"message":"transport: authentication handshake failed: x509: certificate has expired or is not yet valid"}

---

故障分析

1. 证书损坏：ETCD进程异常终止导致证书状态不一致

2. 数据损坏：WAL日志写入中断引发数据页校验失败

3. 集群分裂：三节点同时掉电导致无法形成法定人数

---

恢复方案

执行步骤：

阶段一：数据恢复

1. 获取最新有效快照（5小时前）：

# 查找有效备份（运维团队每日2次快照）
ls -lh /backup/etcd/
-rw-r----- 1 root root 2.1G Mar 15 04:00 etcd-snapshot-20240315.db
-rw-r----- 1 root root 2.1G Mar 15 16:00 etcd-snapshot-20240315-2.db# 验证快照完整性
ETCDCTL_API=3 etcdctl --write-out=table snapshot status \
/backup/etcd/etcd-snapshot-20240315.db

1. 全量恢复ETCD集群：

# 停止所有ETCD节点
systemctl stop etcd# 清空损坏数据目录
rm -rf /var/lib/etcd/member/# 执行恢复操作（所有节点）
ETCDCTL_API=3 etcdctl snapshot restore /backup/etcd/etcd-snapshot-20240315.db \
--data-dir /var/lib/etcd/new \
--initial-cluster "etcd1=https://172.21.8.101:2380,etcd2=https://172.21.8.102:2380,etcd3=https://172.21.8.103:2380" \
--initial-cluster-token k8s-etcd-cluster \
--initial-advertise-peer-urls https://172.21.8.101:2380# 迁移数据目录
mv /var/lib/etcd/new/member /var/lib/etcd/

阶段二：集群重启

# 启动ETCD服务（所有节点）
systemctl start etcd && journalctl -u etcd -f# 验证集群健康状态
ETCDCTL_API=3 etcdctl endpoint health --cluster

阶段三：K8S组件恢复

# 重启control-plane组件
systemctl restart kube-apiserver kube-controller-manager kube-scheduler# 验证节点状态
kubectl get nodes -o wide
kubectl get pods --all-namespaces

---

数据一致性保障

5小时数据缺口处理方案：

1. 业务层补偿：

   • 从MySQL binlog恢复交易数据（last_commit=0x4a3f2c）

   • Redis AOF日志重放恢复会话状态

   • 消息队列重新投递未ACK消息

2. 基础设施增强：

# 配置每30分钟增量快照
crontab -e
*/30 * * * * etcdctl snapshot save /backup/etcd/incr-snapshot-$(date +\%Y\%m%d-\%H\%M).db

1. 电源优化方案：

   • 部署APC Smart-UPS 3000VA

   • 配置Nut监控服务：

apt install nut -y
vim /etc/nut/upsmon.conf
MONITOR ups@172.21.8.200 1 monuser secret master

---

恢复结果

1. 业务完全恢复耗时2小时38分钟

2. 订单数据损失率0.12%（通过补偿机制恢复）

3. ETCD集群P99写入延迟下降15%（得益于碎片整理）

---

经验总结

• 备份策略：必须遵循3-2-1原则（3副本、2种介质、1个离线）

• 3-2-1原则的落地实现：

  # 多介质备份示例（本地磁盘+对象存储+磁带）
  aws s3 cp /backup/etcd/ s3://k8s-prod-backup/etcd/ --recursive --storage-class DEEP_ARCHIVE
  ltfs -o device=/dev/nst0 /mnt/tape && cp /backup/etcd/*.db /mnt/tape/

  • 3副本：本地磁盘（SSD）、AWS S3 Glacier、LTO-8磁带

  • 2种介质：电子介质（云存储）+物理介质（磁带）

  • 1个离线：每周人工更换磁带并转移至防爆保险柜

• 备份生命周期管理：

  # 自动清理旧备份（保留策略）
  find /backup/etcd/ -name "*.db" -mtime +30 -exec rm -vf {} \;
  aws s3 ls s3://k8s-prod-backup/etcd/ | awk '{print $4}' | sort -r | tail -n +30 | xargs -I {} aws s3 rm s3://k8s-prod-backup/etcd/{}

  • 热备份保留7天

  • 冷备份保留30天

  • 归档备份保留5年

• 断电防护：UPS容量需按实际负载的150%配置

• 数据验证：每次备份后必须执行etcdctl snapshot status

• 监控覆盖：增加ETCD_WAL_FSYNC_DURATION_SECONDS指标告警

# 实际恢复过程中的关键操作记录
[operator@k8s-master01 ~]$ etcdctl snapshot restore ...
Members:[{ID:1a2b3c4d Name:etcd1 PeerURLs:[https://172.21.8.101:2380]}...]
Restored cluster ID: 7d89f1a3b5c6d7e[operator@k8s-master01 ~]# systemctl status etcd
● etcd.service - etcd key-value storeLoaded: loaded (/usr/lib/systemd/system/etcd.service; enabled;)Active: active (running) since Fri 2024-03-15 21:15:03 CST; 5s ago