手把手教你使用容器服务 TKE 集群审计排查问题

概述

有时候，集群资源莫名被删除或修改，有可能是人为误操作，也有可能是某个应用的 bug 或恶意程序调用 apiserver 接口导致，需要找出 “真凶”。这时候，我们需要为集群开启审计，记录 apiserver 的接口调用，然后根据条件检索和分析审计日志来找到原因。

关于 TKE 的集群审计简介与基础操作，请参考官方文档 [集群审计]。因为集群审计的数据存储在日志服务，所以我们需要在日志服务控制台去对审计结果进行检索和分析，检索语法请参考 [日志检索语法与规则]，要进行分析就还需要写日志服务所支持的 SQL 语句，请参考 [日志服务分析简介]。

> 注: 本文仅适用于 TKE 集群

场景示例

下面给出一些集群审计使用场景和查询的示例。

找出是谁做的操作

如果节点被封锁了，不知道是哪个应用或人为操作的，需要查出来，可以在开启集群审计后，使用下面的语句来检索:

objectRef.resource:nodes AND requestObject:unschedulable

版面设置可以设置显示 user.username, requestObject 和 objectRef.name 三个字段，分别表示做操作的用户、请求内容以及节点名称:

从上图可以看出，是 10001****958 这个子账号在 2020-10-09 16:13:22 的时候对 main.63u5qua9.0 这台节点进行了封锁操作，我们在 [访问管理-用户-用户列表]里可以根据账号 ID 找到关于这个子账号的详细信息。

如果某个工作负载被删除，想知道是谁删除的，这里以 deployments/nginx 为例来查询:

objectRef.resource:deployments AND objectRef.name:"nginx" AND verb:"delete"

查询结果:

揪出导致 apiserver 限频的真凶

apiserver 会有默认的请求频率限制保护，避免恶意程序或 bug 导致对 apiserver 请求频率过高，使得 apiserver/etcd 负载过高，影响正常请求。如果发生了限频，我们可以通过审计来找出到底是谁在发大量请求。

如果我们通过 userAgent 来分析统计请求的客户端，首先需要修改下日志主题的键值索引，为 userAgent 字段开启统计:

通过以下 SQL 语句进行统计每种客户端请求 apiserver 的 QPS 大小:

* | SELECT CAST((__TIMESTAMP_US__ /1000-__TIMESTAMP_US__ /1000%1000) as TIMESTAMP) AS time, COUNT(1) AS qps,userAgent GROUP BY time,userAgent ORDER BY time

切换到图标分析，选择折线图，X 轴用 time，Y 轴用 qps，聚合列使用 userAgent:

可以看到查到数据了，但可能结果太多，小面板显示不下，点击添加到仪表盘，放大显示:

此例中可以看到 kube-state-metrics 这个客户端对 apiserver 请求频率远远高于其它客户端，这就找到了 “真凶” 是 kube-state-metrics，查看日志可以发现是因为 RBAC 权问题导致 kube-state-metrics 不停的请求 apiserver 重试，触发了 apiserver 的限频:

I1009 13:13:09.760767       1 request.go:538] Throttling request took 1.393921018s, request: GET:https://172.16.252.1:443/api/v1/endpoints?limit=500&resourceVersion=1029843735
E1009 13:13:09.766106       1 reflector.go:156] pkg/mod/k8s.io/client-go@v0.0.0-20191109102209-3c0d1af94be5/tools/cache/reflector.go:108: Failed to list *v1.Endpoints: endpoints is forbidden: User "system:serviceaccount:monitoring:kube-state-metrics" cannot list resource "endpoints" in API group "" at the cluster scope

同理，如果要使用其它字段来区分要统计的客户端，可以根据需求灵活修改 SQL，比如使用 user.username 来区分，SQL 这样写:

* | SELECT CAST((__TIMESTAMP_US__ /1000-__TIMESTAMP_US__ /1000%1000) as TIMESTAMP) AS time, COUNT(1) AS qps,user.username GROUP BY time,user.username ORDER BY time

显示效果:

小结

本文介绍了如何利用 TKE 的集群审计功能来辅助我们排查问题，给出了一些实践的例子。