共计 1571 个字符，预计需要花费 4 分钟才能阅读完成。
背景
某我的项目 kubernetes 环境某个利用每隔 20 分钟左右就会重启一次，工夫不固定，但在容器事件外面没有任何记录。
排查
首先狐疑是健康检查没过导致容器主动重启，以下是健康检查的配置
依照该配置，查看距离 30s，不衰弱阈值 60，也就是 1800s=30 分钟后会标记为不衰弱，但很快就排除该猜想，理由是
- 手动调用健康检查是 ok 的
- 后盾有健康检查的记录，记录显示也都是通过的
- 如果是健康检查不过的话，事件外面会有记录，这里找不到记录
失常状况下如果 kubernetes 重启 pod 那会在事件里记录重启的起因，但事件外面没有任何记录，所以可能不是 kubernetes 重启的，那么很容易想到一个可能性就是 OOM，也就是过程因为内存应用超过限度触发 OOM 操作系统将其 kill 掉，查看操作系统日志 /var/log/messages 发现以下日志
May 11 15:01:36 k8s-node-prod-3 kernel: [17094.020710] oom_kill_process.cold.30+0xb/0x1cf
May 11 15:01:36 k8s-node-prod-3 kernel: [17094.020788] [pid] uid tgid total_vm rss pgtables_bytes swapents oom_score_adj name
May 11 15:01:36 k8s-node-prod-3 kernel: [17094.109707] oom_reaper: reaped process 25929 (java), now anon-rss:0kB, file-rss:0kB, shmem-rss:0kB
May 11 15:29:12 k8s-node-prod-3 kernel: [18750.337581] java invoked oom-killer: gfp_mask=0x6000c0(GFP_KERNEL), nodemask=(null), order=0, oom_score_adj=969
May 11 15:29:12 k8s-node-prod-3 kernel: [18750.337621] oom_kill_process.cold.30+0xb/0x1cf
May 11 15:29:12 k8s-node-prod-3 kernel: [18750.337709] [pid] uid tgid total_果然有 OOM 的记录，而且几次 kill 的事件也正合乎利用重启的工夫，再查看其余 java 过程的 oom_score，居然高达 1000 多有很大危险会被再次 kill 掉，因而罪魁祸首就是 OOM，那为什么会导致 OOM 呢，此时操作系统的残余内存还是很短缺，留神到容器利用的启动参数配置的内存是 4096M
JAVA_OPTS="$JAVA_OPTS -server -Xms4096M -Xmx4096M -Xss512k ..."而容器给的内存限额是 4500M，也就是说一台 4500M 的主机运行了一台须要 4096M 的程序，程序占了大比例主机内存，当然很容易被零碎 kill 掉
OOM killer 是 Linux 内核的一个个性，会查看占用内存过大的过程将其杀掉，操作系统会依据过程的内存应用状况打分，分数保留在 /proc/{过程 PID}/oom_score 中，分数越大越容易被 kill 掉
解决
因为在启动命令里限度了内存，就没必要在 kubernetes 上再对内存进行限度，因而去掉 kubernetes 的内存限度问题解决。
经验总结
问题虽小，但造成的影响十分大，因为该客户为跨国团体，业务波及多个国家，因而全天的交易量都十分大，从该问题能够总结以下教训
- 如果 kubernetes 没有事件记录，很可能是操作系统级别的问题，应该从操作系统动手排查
- 实际才是测验真谛的唯一标准，在出事之前，所有人都感觉这么配置很正当，都没想到会被 OOM，出了问题才焕然大悟
