1. 课程导论：Node Drain 在集群升级中的核心作用、治理挑战与课程目标
1.1 为什么 Node Drain 是集群升级的“第一道关卡”？
在 Kubernetes 集群生命周期管理中，节点升级是最频繁、风险最高的运维操作之一。无论是控制面组件更新、kubelet 版本升级，还是底层操作系统补丁，都绕不开一个关键动作：将节点上的 Pod 安全、优雅地迁移走。这个动作就是 kubectl drain。
Node Drain 的核心价值在于：
- 保障工作负载连续性：通过 PodDisruptionBudget（PDB）和优雅终止期，确保关键服务在节点下线期间不中断。
- 避免数据丢失与状态异常：强制驱逐前会先执行
preStop钩子，给应用留出清理和持久化时间。 - 释放节点资源：将节点标记为
SchedulingDisabled，阻止新 Pod 调度，为升级腾出干净环境。
关键指标：在生产环境中，一次失败的 Drain 操作平均导致 3-5 分钟 的 Pod 恢复延迟，若涉及有状态服务，影响可能扩大至 15 分钟以上。
1.2 治理挑战：为什么简单的 Drain 命令会引发连锁问题？
尽管 kubectl drain 命令本身只有几个参数，但在大规模集群治理中，它暴露出的问题往往是系统性的：
| 挑战维度 | 典型问题 | 影响范围 |
|---|---|---|
| PDB 配置缺失或过严 | 未设置 PDB 导致 Pod 被全部驱逐；或 PDB minAvailable 设置过高导致 Drain 卡死 |
工作负载可用性、升级进度 |
| 节点池资源碎片化 | 节点上残留大量 local-storage 或 hostPath 卷，Drain 时无法自动迁移 |
有状态服务、数据持久性 |
| Pod 优雅终止超时 | 应用 preStop 钩子执行时间过长，超过 --grace-period 导致强制杀死 |
请求中断、连接池泄漏 |
| DaemonSet 干扰 | DaemonSet Pod 无法被驱逐，需额外添加 --ignore-daemonsets 参数 |
节点清理不彻底 |
| 配额与容量失衡 | 目标节点池剩余资源不足以接收被驱逐的 Pod，导致调度失败 | 集群稳定性、Pod 重启风暴 |
常见误区：很多团队将 Node Drain 视为“一次性命令”，忽略了它背后依赖的 PDB 策略、资源配额、节点亲和性等基础设施。这种“命令思维”是导致升级事故的头号原因。
1.3 课程目标：从“能 Drain”到“会治理”
本课程不满足于教会你如何执行 kubectl drain，而是帮助你建立一套完整的 Node Drain 治理体系。通过 30 个章节的系统学习，你将掌握：
- 节点池巡检方法论：如何自动化扫描节点池中的 PDB 配置、资源水位、Pod 分布，提前发现 Drain 风险。
- 配额校准技术：基于节点池容量和 Pod 资源请求，动态计算 Drain 后的资源余量，避免调度失败。
- 灰度 Drain 策略：结合 PDB 和
--drain-timeout，设计分批次、可回滚的节点升级方案。 - 故障自愈与回滚：当 Drain 卡死或引发级联故障时，快速定位根因并执行回滚操作。
学习建议：本课程每章都配有可复用的巡检脚本和校准工具。建议你在测试集群中跟随操作，将理论知识转化为可落地的治理能力。