Guía práctica para investigar timeouts intermitentes hacia el plano de control de GKE, a partir del caso de Google con tres fallos en capas distintas.
Hace poco Google detalló cómo fallos intermitentes de conectividad hacia la API de Kubernetes acabaron bloqueando a unos 800 desarrolladores que no podían desplegar a producción. La causa no era una sola: eran tres errores en capas distintas que se combinaban. Esta guía convierte ese caso, resumido por InfoQ, en un método para investigar problemas parecidos en tu propio entorno.
FIN_WAIT_2.Lo que necesitas
Necesitas acceso a los nodos o a un pod con herramientas de red para capturar paquetes, el historial de cambios de tu infraestructura (versiones, despliegues, reglas de red) y saber qué versión de GKE y de kernel ejecutan tus nodos. Si usas acceso privado al plano de control mediante Private Service Connect, incluye también ese componente en el inventario.
Un aviso importante: este método sirve para investigar, no garantiza que tu problema sea el mismo. El análisis original es un caso anonimizado que, como señala un comentarista, no aporta una tasa de fallo general ni explica todos los timeouts de API.

El método paso a paso
- Acota el síntoma: anota si el error es un timeout de E/S en conexiones que nunca llegan a completarse y desde qué clústeres o redes ocurre.
- Captura paquetes en más de una capa a la vez: en el pod o nodo cliente y, si puedes, en el punto intermedio del acceso privado.
- Busca anomalías en el establecimiento de conexión, como respuestas ACK que pertenecen a conexiones ya cerradas.
- Lista los cambios recientes (servicio de conexión privada, proxies, versiones de nodo) y compáralos en el tiempo con el inicio de los fallos.
- Revisa el estado de los sockets en los nodos para detectar conexiones que permanecen indefinidamente en un estado intermedio de cierre.
- Comprueba la versión del kernel de los nodos y si el fallo ya está corregido aguas arriba y disponible como backport en tu versión.
- Aplica una corrección cada vez y vuelve a medir: distingue entre que el síntoma remita y que el estado se corrija de verdad.
Qué comprobar en los nodos
Para el paso de los sockets atascados, una consulta con ss te da una primera idea del volumen de conexiones en cada estado. Es un ejemplo de lectura, no un diagnóstico definitivo:
# Resumen de sockets TCP por estado
ss -tan | awk 'NR>1 {c[$1]++} END {for (s in c) print s, c[s]}'
# Versión del kernel del nodo
uname -rSi ves una cifra anormalmente alta de FIN-WAIT-2 que no baja con el tiempo, merece la pena investigar. En el caso descrito, los tres fallos eran el reordenamiento de paquetes en el servicio de conexión privada, el comportamiento de semicierre del proxy Envoy y un error del kernel que descartaba ciertos paquetes FIN reordenados.

Cómo se resolvió y qué te llevas
Google actuó en tres tiempos durante varias semanas: revirtió un cambio en Private Service Connect para recuperar la conectividad, corrigió el manejo del protocolo del proxy añadiendo pruebas de regresión y, por último, aplicó el parche del kernel. La enseñanza es que ninguna capa, por sí sola, explicaba el fallo, y que apuntar a una causa única habría dejado el problema a medias.
Si gestionas clústeres, programa revisiones de la versión del kernel de tus nodos y anota qué correcciones llegan por backport a tu rama. Para seguir aprendiendo sobre diagnóstico de sistemas en producción, hay charlas y certificaciones en QCon, aunque la fuente principal sigue siendo el análisis original de Google.
Para saber más: Chinese edition.
Fuente original: infoq.com
Artículo generado mediante AI.larebelion



Comentarios (0)
Todavía no hay comentarios. Puedes ser el primero.
Escribe un comentario