4. DNS 故障场景分类

在生产环境中，DNS 故障的表现形式多种多样，但根据故障发生的层次和原因，可以归纳为五大核心类别。理解这些分类是进行故障域划分和 Helm 部署隔离的前提。每一类故障对 Kubernetes 集群的影响范围、恢复手段均不相同。

4.1 故障分类总览

4.2 上游递归故障

上游递归故障指集群 CoreDNS 所依赖的外部递归解析器（如 8.8.8.8、114.114.114.114）无法正常完成递归查询。常见原因包括：上游 DNS 服务器宕机、网络链路中断、递归查询超时。

• 故障表现： 集群内 Pod 无法解析外部域名（如 www.example.com），但集群内部 Service 解析正常。
• 故障域划分： 影响所有使用该上游解析器的节点和命名空间，属于全局性故障。
• Helm 模拟方式： 在 CoreDNS ConfigMap 中配置 forward . 0.0.0.0:53 或设置超时时间为 0。

4.3 权威服务器故障

权威服务器故障是指特定域名的权威名称服务器（Authoritative Nameserver）不可用或返回 SERVFAIL。例如 example.com 的 NS 记录指向的服务器宕机。

• 故障表现： 仅特定域名解析失败，其他域名正常。例如 api.example.com 无法解析，但 google.com 正常。
• 故障域划分： 影响所有请求该域名的 Pod，属于局部性故障。
• Helm 模拟方式： 在测试命名空间部署自定义权威服务器，并配置 CoreDNS 的 rewrite 规则指向不可达地址。

4.4 缓存污染

缓存污染（DNS Cache Poisoning）指递归解析器或本地 CoreDNS 缓存中存储了错误的 DNS 记录，导致域名被解析到错误的 IP 地址。攻击或配置错误均可引发。

• 故障表现： 域名解析返回错误 IP，导致连接失败或安全风险。例如 db-service 被解析到错误的 Pod IP。
• 故障域划分： 影响所有使用该缓存实例的 Pod，属于局部性故障，但扩散速度快。
• Helm 模拟方式： 通过 faultInjection.cachePoison 参数注入伪造的 A 记录到 CoreDNS 缓存。

4.5 网络分区

网络分区（Network Partition）指集群内部分节点或 Pod 之间的网络连通性中断，导致 DNS 请求无法到达 CoreDNS Pod 或上游服务器。这是分布式系统中最棘手的故障之一。

• 故障表现： 部分节点上的 Pod 无法解析任何域名，而其他节点正常。或特定命名空间的 Pod 无法访问 CoreDNS Service。
• 故障域划分： 影响特定节点组或网络拓扑区域，属于区域性故障。
• Helm 模拟方式： 使用 NetworkPolicy 或 Service Mesh 的流量规则，阻断特定命名空间到 CoreDNS 的 UDP/53 流量。

4.6 配置错误

配置错误是最常见且最容易复现的 DNS 故障。包括 CoreDNS 配置错误、kubelet 的 --cluster-dns 参数错误、Pod 的 dnsPolicy 设置不当、ndots 值不合理等。

• 故障表现： 解析超时、搜索域拼接错误、域名解析顺序混乱。例如 my-svc 被解析为 my-svc.default.svc.cluster.local 失败。
• 故障域划分： 影响配置错误的命名空间或 Pod，属于局部性故障。
• Helm 模拟方式： 在 values.yaml 中设置 coreDNS.configOverrides 注入错误配置，如错误的 forward 目标或缺失的 rewrite 规则。

4.7 故障分类关系图

下图展示了五类 DNS 故障在 Kubernetes 集群中的影响层次和传播路径，帮助理解故障域划分的边界。

4.8 故障分类与 Helm 测试策略对照