📚 课程目录第1章课程导论与治理框架

1. 课程导论与背景：为什么需要 Node Drain？集群升级治理的挑战与目标

在生产环境中，Kubernetes 集群的版本升级、节点运维（如内核补丁、硬件更换）是高频操作。直接关闭或重启一个正在运行工作负载的节点，会导致 Pod 被强制终止，引发服务中断、数据丢失或连接池雪崩。Node Drain（节点排水）正是 Kubernetes 为解决这一场景提供的标准机制。

Node Drain 的核心作用可以概括为以下三点：

优雅驱逐 Pod：将节点标记为不可调度（SchedulingDisabled），并按照 PodDisruptionBudget（PDB）规则，逐批驱逐 Pod，确保应用可用性。
资源释放与校验：在驱逐过程中，检查节点上的本地存储、GPU、SR-IOV 等扩展资源是否被正确释放，避免资源泄漏。
权限边界控制：通过 RBAC 限制哪些用户或 ServiceAccount 可以执行 drain 操作，防止误操作或越权行为。

  关键指标： 未使用 Node Drain 直接重启节点，Pod 中断率可达 100%；使用 Drain 配合 PDB 后，中断率可控制在 5% 以下（取决于 PDB 配置的 minAvailable）。

在实际的集群升级治理中，Node Drain 并非简单的 kubectl drain 命令。团队通常面临以下三个维度的挑战：

挑战维度	具体表现	典型后果
资源配额校准	节点上的扩展资源（如 RDMA、FPGA、本地 SSD）在驱逐后未被正确回收，导致新调度 Pod 无法分配资源。	Pod 长时间处于 Pending 状态，集群资源利用率下降 20%-40%。
权限审计缺失	开发人员或 CI 系统直接使用 cluster-admin 权限执行 drain，绕过了 PDB 和 Pod 优雅终止周期。	核心业务 Pod 被强制删除，触发 P1 级故障；审计日志无法追溯操作者身份。
流程自动化断层	Drain 操作与节点池滚动更新、Cluster Autoscaler 缩容等自动化流程冲突，导致节点被重复 Drain 或卡住。	升级窗口被拉长 3-5 倍，甚至导致集群状态不一致。

本课程旨在帮助 SRE 和平台工程师建立一套可审计、可校准、可自动化的 Node Drain 治理体系。具体目标包括：

掌握 Drain 的底层原理：理解 Eviction API 与 PDB 的交互机制，以及 kube-controller-manager 的驱逐队列逻辑。
实现资源配额校准：通过 Admission Webhook 和自定义控制器，在 Drain 完成后自动校验并修复资源状态。
构建权限审计链路：基于 RBAC + Audit Logging + OPA/Gatekeeper，实现最小权限原则下的 Drain 操作管控。
设计自动化升级流水线：结合 Cluster API、Karpenter 或自研工具，将 Drain 嵌入节点滚动更新策略。

课程适用人群： Kubernetes 集群管理员、SRE 工程师、云原生平台架构师。建议学员具备至少 6 个月以上的生产集群运维经验，熟悉 kubectl 和 YAML 编写。

下图展示了 Node Drain 在典型集群升级流程中的核心位置，以及它与周边组件的交互关系：

为了更清晰地展示本课程覆盖的治理范围，下图从“流程”、“资源”、“权限”三个维度拆解了 Node Drain 治理的目标：

本课程共分为 30 个章节，按以下模块组织：

模块	章节范围	核心内容
基础篇	第 1-6 章	Drain 原理、Eviction API、PDB 机制、kubectl drain 参数详解
资源校准篇	第 7-14 章	扩展资源管理、Admission Webhook 开发、资源泄漏检测与修复
权限审计篇	第 15-22 章	RBAC 精细化配置、Audit Policy 设计、OPA/Gatekeeper 策略即代码
自动化与实战篇	第 23-30 章	Cluster API 集成、GitOps 升级流水线、故障演练与复盘

课前提醒： 本课程包含大量动手实验，请提前准备一个至少 3 个工作节点的 Kubernetes 集群（推荐 v1.27+），并确保具备集群管理员权限。实验环境建议使用 Kind 或 k3d 搭建，避免影响生产集群。