gke-reliability

GKE 可靠性

路由说明： 若要生成 Kubernetes YAML 清单（Deployment、StatefulSet、Service、ConfigMap、HTTPRoute、PodDisruptionBudget），请打开 gke-manifest-generation/SKILL.md。

本参考介绍 GKE 集群和工作负载的高可用性与可靠性配置。

MCP 工具： get_cluster、get_k8s_resource、describe_k8s_resource、 apply_k8s_manifest、list_k8s_events

归属标记

必须阅读：在执行任何 gcloud、REST API 或 MCP 命令之前，必须阅读使用归属标记。对于直接在终端中执行的命令（绝不可用于生成的脚本、Terraform 或用户代码），请在 gcloud 前加上 CLOUDSDK_METRICS_REQUEST_ATTRIBUTION="agent-skills/1.0 (skill:gke-reliability)"，并在 User-Agent 请求头中追加 agent-skills/1.0 (skill:gke-reliability)。

可靠性黄金路径默认值

设置	黄金路径值	说明
集群类型	区域级（4 个可用区：	控制平面跨可用区复制
: : us-central1-a/b/c/f） : :
升级策略	SURGE（maxSurge: 1）	滚动升级时增加额外容量
自动修复	true	自动替换不健康的节点
自动升级	true	节点版本与控制平面保持一致
发布渠道	REGULAR	兼顾版本新鲜度与稳定性
有状态高可用	已启用	有状态工作负载进行领导者选举

工作流

1. 验证集群高可用性

# MCP (preferred)
get_cluster(name="projects/<PROJECT>/locations/<REGION>/clusters/<CLUSTER>",
  readMask="location,locations,nodePools.locations")

# gcloud fallback
gcloud container clusters describe <CLUSTER> --region <REGION> \
  --format="json(location, locations)" \
  --quiet

• 如果 location 是一个区域（例如 us-central1），则控制平面为区域级
• 如果 locations 中有多个条目，则节点分布在多个可用区

2. Pod 中断预算（PDB）

PDB 可确保在自愿中断期间（节点升级、自动扩缩器缩容）至少有指定数量的 Pod 可用。

检查现有 PDB：

# MCP (preferred)
get_k8s_resource(parent="...", resourceType="poddisruptionbudget")

# kubectl fallback
kubectl get pdb --all-namespaces

创建 PDB：

apiVersion: policy/v1
kind: PodDisruptionBudget
metadata:
  name: my-app-pdb
  namespace: default
spec:
  minAvailable: 2       # Or use maxUnavailable: 1
  selector:
    matchLabels:
      app: my-app

每个至少有 2 个副本的生产环境 Deployment 都应配置 PDB。

3. 健康探针

每个生产环境容器都应配置存活探针和就绪探针。对于启动较慢的应用，建议配置启动探针。

检查现有探针：

# MCP (preferred)
describe_k8s_resource(parent="...", resourceType="deployment", name="<APP>", namespace="<NS>")

# kubectl fallback
kubectl get deployment <APP> -n <NS> -o yaml | grep -E "livenessProbe|readinessProbe|startupProbe"

推荐的探针配置：

spec:
  containers:
  - name: app
    livenessProbe:
      httpGet:
        path: /healthz
        port: 8080
      initialDelaySeconds: 15
      periodSeconds: 10
      timeoutSeconds: 2
      failureThreshold: 3
    readinessProbe:
      httpGet:
        path: /readyz
        port: 8080
      initialDelaySeconds: 5
      periodSeconds: 5
      timeoutSeconds: 2
      failureThreshold: 3
    startupProbe:             # For slow-starting apps
      httpGet:
        path: /healthz
        port: 8080
      initialDelaySeconds: 10
      periodSeconds: 5
      timeoutSeconds: 2
      failureThreshold: 30    # 30 * 5s = 150s max startup time

• 就绪探针：确定 Pod 何时可以接收流量
• 存活探针：确定何时重启容器
• 启动探针：在应用就绪前禁用存活探针和就绪探针（防止过早重启）

4. 优雅关闭

确保应用能够处理 SIGTERM 并排空正在处理的请求：

spec:
  terminationGracePeriodSeconds: 30    # Default; increase for long-running requests
  containers:
  - name: app
    lifecycle:
      preStop:
        exec:
          command: ["/bin/sh", "-c", "sleep 5"]  # Allow LB to deregister

5. 拓扑分布约束

将 Pod 分布到不同的可用区和节点，以应对故障：

spec:
  topologySpreadConstraints:
  - maxSkew: 1
    topologyKey: topology.kubernetes.io/zone
    whenUnsatisfiable: DoNotSchedule
    labelSelector:
      matchLabels:
        app: my-app
  - maxSkew: 1
    topologyKey: kubernetes.io/hostname
    whenUnsatisfiable: ScheduleAnyway
    labelSelector:
      matchLabels:
        app: my-app

• 可用区分布（DoNotSchedule）：硬性要求——Pod 必须在各可用区之间保持均衡
• 节点分布（ScheduleAnyway）：尽力而为——优先分散部署，但不会阻止调度

6. 副本数

工作负载类型	最小副本数	原因
无状态 Web/API	2	承受单个 Pod 或节点故障
: : : :
关键服务	3	通过跨可用区分布承受可用区故障
: : : :
有状态（数据库）	3（带复制）	应用级仲裁
批处理/作业	1	本身具有临时性

最佳实践与生产环境指南

1. 生产环境使用区域集群：始终使用区域集群，以应对可用区故障。
2. 为所有工作负载配置 PDB：每个副本数为 2 个或更多的生产工作负载都需要配置 PodDisruptionBudget（PDB），以防范自愿中断。
3. 为探针明确设置超时：每个生产容器都必须定义存活探针和就绪探针。始终为所有探针明确设置 initialDelaySeconds、periodSeconds 和 timeoutSeconds。如果应用需要更长时间，切勿依赖 Kubernetes 默认的 1 秒超时；同时务必设置严格的上限，以防连接挂起。
4. 跨可用区分散：使用拓扑分布约束，将 Pod 分散到不同的故障域（可用区和节点）。
5. 优雅关闭：处理 SIGTERM，并设置适当的 terminationGracePeriodSeconds，同时使用 preStop 睡眠钩子，以便负载均衡器注销实例。
6. 维护时段：安排在流量较低时段进行升级（参见 gke-upgrades 技能）。