1. 课程导论：Helm集群升级中的故障域隔离概念、节点排空的重要性与课程目标
1.1 为什么需要故障域隔离？
在 Kubernetes 集群升级过程中，故障域（Failure Domain） 是指一组共享单一故障点的节点集合。常见的故障域包括：
- 可用区（Availability Zone, AZ）：同一机房内的独立电力、网络单元。
- 机架（Rack）：共享同一 ToR 交换机的物理服务器组。
- 节点组（Node Group）：共享同一操作系统版本或硬件配置的节点池。
如果不按故障域逐步升级，一旦某个域内的节点排空失败或应用异常，整个集群可能因级联故障而不可用。故障域隔离的核心原则是：一次只升级一个故障域，验证通过后再推进下一个。
关键认知： 故障域隔离不是“可选项”，而是生产集群升级的强制性约束。Helm 作为应用编排工具，其升级流程必须与底层节点排空策略协同，才能实现真正的零停机升级。
1.2 节点排空：升级中的“安全阀”
节点排空（Node Drain）是 Kubernetes 节点升级前的标准操作，其目的是将节点上的 Pod 优雅迁移到其他健康节点。排空过程涉及以下关键步骤：
- 标记不可调度（Cordon）：阻止新 Pod 调度到该节点。
- 驱逐 Pod（Eviction）：根据 PodDisruptionBudget（PDB）规则，逐个驱逐 Pod。
- 等待完成（Wait）：等待所有 Pod 被成功迁移或超时。
排空参数调优直接影响升级的速度与安全性。参数设置过紧会导致升级卡死；设置过松则可能引发应用中断。
| 参数 | 默认值 | 作用 | 调优风险 |
|---|---|---|---|
--grace-period |
-1（使用 Pod 自身设置） | Pod 优雅终止等待时间 | 过短：Pod 强制杀死；过长：升级阻塞 |
--timeout |
0（无限等待） | 排空操作总超时 | 过短：排空失败；过长：故障扩散 |
--delete-emptydir-data |
false | 是否删除 emptyDir 卷数据 | 设为 true 可能丢失临时数据 |
--ignore-daemonsets |
false | 是否忽略 DaemonSet Pod | 设为 true 可能导致监控/日志中断 |
1.3 故障域隔离与节点排空的协同关系
Helm 集群升级的完整流程可以抽象为以下三层协同模型：
1.4 课程目标与学习路径
本课程旨在帮助学员掌握 Helm 集群升级中故障域隔离与节点排空参数调优的实战技能。完成本课程后，您将能够：
- 理解故障域隔离的三种常见模式（AZ 级、机架级、节点组级）及其适用场景。
- 掌握
kubectl drain核心参数（--grace-period、--timeout、--pod-selector等）的调优策略。 - 设计基于 Helm 的自动化升级流水线，集成故障域隔离逻辑。
- 诊断排空失败场景（PDB 阻塞、Pod 卡死、超时等）并快速恢复。
- 验证升级后的集群健康状态，确保应用零中断。
实战提示： 本课程所有演练均基于 Helm v3.14+ 和 Kubernetes v1.28+ 环境。建议学员提前准备一个至少包含 3 个节点、2 个可用区的测试集群，以获得最佳学习效果。
1.5 课程内容概览
| 模块 | 核心内容 | 实战产出 |
|---|---|---|
| 模块 2-4 | 故障域隔离模式与 Helm 集成设计 | 故障域感知的 Helm 升级脚本 |
| 模块 5-8 | 节点排空参数深度调优 | 排空参数调优矩阵与基准测试报告 |
| 模块 9-12 | 排空失败场景模拟与恢复 | 故障注入与自动恢复流水线 |
| 模块 13-15 | 生产级升级演练与监控 | 完整升级剧本与 Grafana 监控面板 |
通过本课程的系统学习，您将具备在生产环境中安全、高效地执行 Helm 集群升级的能力，真正实现“升级不中断，故障不扩散”的运维目标。