一直关注云计算领域的人，必定知道Kubernetes的崛起。

如今，世界范围内的公有云巨头（谷歌、亚马逊、微软、华为云、阿里云等等）都在其传统的公共云服务之上提供托管的Kubernetes服务。而且云服务龙头AWS也终于落地，进入企业商用K8s软件市场，这让它成了可以通吃主流公私有云的唯一基础架构平台。

信息来源：猎聘网

可以看出，不少年薪30w及以上的运维岗位，都要求会K8s技术了。K8s 凭借在扩展性、管理、大数据分析、网络场景、兼容性、负载均衡、灰度升级、失败冗余、容灾恢复、 DevOps 等方面的优势，受到不少企业的青睐。

今天给大家分享一份阿里内部流传的《Kubernetes实战手册》  ，该文档将K8S分为理论和实践两个部分进行讲解，双管齐下，事半功倍，让你能够迅速搞懂核心原理，吃透基础理论，一次学会并开始使用K8s！

【资料领取见文末！！】

【资料领取见文末！！】

理论模块

理解集群控制器

当我们尝试去理解 K8S 集群工作原理的时候，控制器肯定是一个难点。这是因为控制器有很多，具体实现大相径庭；且控制器的实现用到了一些较为晦涩的机制，不易理解。但是，我们又不能绕过控制器，因为它是集群的“大脑”。

这个章节，我们通过分析一个简易冰箱的设计过程，来深入理解集群控制器的产生，功能以及实现方法。

• 控制器原理
• 统一入口
• 控制器
• 控制器管理器
• SharedInformer
• ListWatcher
• 服务控制器
• 路由控制器

集群网络详解

阿里云 K8S 集群网络目前有两种方案，一种是 flannel 方案，另外一种是基于calico 和弹性网卡 eni 的 terway 方案。Terway 和 flannel 类似，不同的地方在于，terway 支持 Pod 弹性网卡，以及 NetworkPolicy 功能。

这个章节，我们以 flannel 为例，深入分析阿里云 K8S 集群网络的实现方法。我会从两个角度去分析，一个是网络的搭建过程，另外一个是基于网络的通信。我们的讨论基于当前的 1.12.6 版本。

• 集群网络搭建
• 通信

集群伸缩原理

阿里云 K8S 集群的一个重要特性，是集群的节点可以动态地增加或减少。有了这个特性，集群才能在计算资源不足的情况下扩容新的节点，同时也可以在资源利用率降低的时候，释放节点以节省费用。

这一章节，我们讨论阿里云 K8S 集群扩容与缩容的实现原理。理解实现原理，在遇到问题的时候，我们就可以高效地排查并定位原因。我们的讨论基于当前的1.12.6 版本。

• 节点增加原理
• 手动添加已有节点
• 自动添加已有节点
• 集群扩容
• 自动伸缩
• 节点减少原理

认证与调度

不知道大家有没有意识到一个现实，就是大部分时候，我们已经不像以前一样，通过命令行，或者可视窗口来使用一个系统了。现在我们上微博、或者网购，操作的其实不是眼前这台设备，而是一个又一个集群。

通常，这样的集群拥有成百上千个节点，每个节点都是一台物理机或虚拟机。集群一般远离用户，坐落在数据中心。为了让这些节点互相协作，对外提供一致且高效的服务，集群需要操作系统。Kubernetes 就是这样的操作系统。

比较 Kubernetes 和单机操作系统，Kubernetes 相当于内核，它负责集群软硬件资源管理，并对外提供统一的入口，用户可以通过这个入口来使用集群，和集群沟通。

而运行在集群之上的程序，与普通程序有很大的不同。这样的程序，是“关在笼子里”的程序。它们从被制作，到被部署，再到被使用，都不寻常。我们只有深挖根源，才能理解其本质。

在这节中，我们以一个简单的容器化web程序为例，着重分析了客户端怎么样通过Kubernetes集群API Server认证，以及容器应用怎么样被分派到合适节点这两件事情。

• “关在笼子里”的程序
• 双向数字证书验证
• KubeConfig文件
• Pod配置

集群服务的三个要点和一种实现

理解 K8S 集群服务的概念，是比较不容易的一件事情。尤其是当我们基于似是而非的理解，去排查服务相关问题的时候，会非常不顺利。

这体现在，对于新手来说，ping 不通服务的 IP 地址这样基础的问题，都很难理解；而就算对经验很丰富的工程师来说，看懂服务相关的 iptables 配置，也是相当的挑战。

这一章节，将深入解释一下 K8S 集群服务的原理与实现，便于大家理解。

• K8S集群服务的本质是什么
• 自带通信员
• 把服务照进现实
• 过滤器框架
• 节点网络
• 升级过滤器框架
• 用自定义链实现服务的反向代理

镜像拉取

相比 K8s 集群的其他功能，私有镜像的自动拉取，看起来可能是比较简单的。而镜像拉取失败，大多数情况下都和权限有关。所以，在处理相关问题的时候，我们往往会轻松的说：这问题很简单，肯定是权限问题。但实际的情况是，我们经常为一个问题，花了多个人的时间却找不到原因。这主要还是我们对镜像拉取，特别是私有镜像自动拉取的原理理解不深。

• 理解OAuth2.0协议
• Docker扮演的角色
• K8s实现的私有镜像自动拉取
• 阿里云实现的Acr credential helper

实践

读懂这一篇，集群节点不下线

排查完全陌生的问题，完全不熟悉的系统组件，是售后工程师的一大工作乐趣，当然也是挑战。今天借这个章节，跟大家分析一例这样的问题。排查过程中，需要理解一些自己完全陌生的组件，比如 systemd 和 dbus。但是排查问题的思路和方法基本上还是可以复用了，希望对大家有所帮助。

• 需要知道的Kubernetes知识
• 什么是PLEG
• 容器runtime
• Docker Daemon调用栈分析
• Containerd调用栈分析
• 什么是Dbus
• RunC请求Dbus
• Systemd
• Live Debugging
• 问题修复

节点下线姊妹篇

之前分享过一例集群节点 NotReady 的问题。在那个问题中，我们的排查路劲，从 K8S 集群到容器运行时，再到 sdbus 和 systemd，不可谓不复杂。那个问题目前已经在 systemd 中做了修复，所以基本上能看到那个问题的几率是越来越低了。

但是，集群节点就绪问题还是有的，然而原因却有所不同。

这一章节，跟大家分享另外一例集群节点 NotReady 的问题。这个问题和之前那个问题相比，排查路劲完全不同。作为姊妹篇分享给大家。

• 问题现象
• 止步不前的 PLEG
• 无响应的 Terwayd

我们为什么会删除不了集群的命名空间?

阿里云售后技术团队的同学，每天都在处理各式各样千奇百怪的线上问题。常见的有，网络连接失败，服务器宕机，性能不达标，请求响应慢等。但如果要评选，什么问题看起来微不足道事实上却足以让人绞尽脑汁，我相信答案肯定是“删不掉”的问题。比如文件删不掉，进程结束不掉，驱动卸载不了等。

这样的问题就像冰山，隐藏在它们背后的复杂逻辑，往往超过我们的预想。

• 从集群入口开始
• Controller 在做什么？
• API、Group、Version
• Controller 为什么不能删除命名空间里的资源
• 节点与 Pod 之间的通信
• Route Controller 为什么不工作？
• 集群节点访问云资源

阿里云ACK产品安全组配置管理

阿里云容器产品 Kubernetes 版本，即 ACK，基于阿里云 IaaS 层云资源创建。资源包括云服务器 ECS，专有网络 VPC，弹性伸缩 ESS 等。以这些资源为基础，ACK 产品实现了 Kubernetes 集群的节点，网络，自动伸缩等组件和功能。

一般而言，用户对 ACK 产品有很大的管理权限，这包括集群扩容，创建服务等。与此同时，用户可以绕过 ACK 产品，对集群底层云资源进行修改。如释放 ECS，删除 SLB。如果不能理清背后的影响，这样的修改会损坏集群功能。

这一章节会以 ACK 产品安全组的配置管理为核心，深入讨论安全组在集群中扮演的角色，安全组在网络链路中所处的位置，以及非法修改安全组会产生的各类问题。文章内容适用于专有集群和托管集群。

• 安全组在 ACK 产品中扮演的角色
• 安全组与 ACK 集群网络
• 怎么样管理 ACK 集群的安全组规则
• 限制集群访问外网
• IDC 与集群互访
• 使用新的安全组管理节点
• 典型问题与解决方案
• 使用多个安全组管理集群节点
• 限制集群访问公网或者运营级 NAT 保留地址
• 容器组跨节点通信异常

二分之一活的微服务

Istio is the future ！基本上，我相信对云原生技术趋势有些微判断的同学，都会有这个觉悟。其背后的逻辑其实是比较简单的：当容器集群，特别是 K8S 成为事实上的标准之后，应用必然会不断的复杂化，服务治理肯定会成为强需求。

Istio 的现状是，聊的人很多，用的人其实很少。所以导致我们能看到的文章，讲道理的很多，讲实际踩坑经验的极少。

阿里云售后团队作为一线踩坑团队，分享问题排查经验，我们责无旁贷。这一章节，我就跟大家聊一个简单 Istio 问题的排查过程，权当抛砖。

• 代理与代理的生命周期管理
• 就绪检查的实现
• 控制面和数据面

半夜两点Ca证书过期问题处理惨况总结

11 月 22 号半夜 2 点，被值班同学的电话打醒。了解下来，大概情况是，客户某一台 K8s 集群节点重启之后，他再也无法创建 Istio 虚拟服务和 Pod 了。

一来对 Istio 还不是那么熟悉，二来时间可能有点晚，脑子还在懵圈中，本来一个应该比较轻松解决掉的问题，花了几十分钟看代码，处理的惨不忍睹。最终还是在某位大神帮助下，解决了问题。

鉴于此问题，以及相关报错，在网上找不到对应的文章，所以这里分享下这个问题，避免后来的同学，在同样的地方踩坑。另外谨以此篇致敬工作中遇到过的大神！

• 不断重启的 Citadel
• 一般意义上的证书验证
• Citadel 证书体系

以上就是这份文档的概况，一次搞懂6个核心原理吃透基础理论，学会6个典型问题的华丽操作，不管是架构师还是开发者，又或是运维，都能够从中学到不少。

需要这份资料的小伙伴麻烦点赞转发关注后，私信小编666免费获取