集群监控

集群监控用于判断 TKE 集群整体是否健康，重点关注节点、控制面、系统组件、资源水位和网络存储依赖。

前置条件

已连接 TKE 集群。
已启用集群监控、Managed Prometheus 或等效指标采集能力。
已安装 kubectl，并具备查看节点、Pod、事件的权限。

核心检查项

维度	关注指标
节点	Ready 状态、CPU、内存、磁盘、网络、Pod 容量
控制面	API Server 错误率、请求延迟、限流、连接失败
系统组件	CoreDNS、kube-proxy、CSI、CNI、metrics-server
容量	可调度 CPU/内存、Pod 数、PVC、CLB、子网 IP
事件	Node NotReady、驱逐、镜像拉取、挂载失败

常用命令

kubectl get nodes -o wide
kubectl describe node <node-name>
kubectl top nodes
kubectl get pods -n kube-system -o wide
kubectl get events -A --sort-by=.lastTimestamp

如果 kubectl top 不可用，优先检查指标采集组件是否部署完成。

PromQL 示例

# 节点 Ready 数量
sum(kube_node_status_condition{condition="Ready",status="true"})

# 节点 CPU 使用率
100 - (avg by(instance) (rate(node_cpu_seconds_total{mode="idle"}[5m])) * 100)

# 节点内存使用率
(1 - node_memory_MemAvailable_bytes / node_memory_MemTotal_bytes) * 100

# API Server P99 延迟
histogram_quantile(0.99, rate(apiserver_request_duration_seconds_bucket[5m]))

指标名称取决于采集组件和版本，使用前先在 Prometheus 查询页确认实际 label。

看板建议

集群总览：节点数、Pod 数、CPU/内存/磁盘总水位。
节点详情：单节点资源、Pod 密度、网络、磁盘。
系统组件：CoreDNS、CSI、CNI、kube-proxy 状态。
控制面：API Server 延迟、错误率、限流、请求量。

常见异常

现象	优先检查
节点 NotReady	`kubectl describe node`、kubelet、网络、安全组
CoreDNS 异常	`kube-system` Pod、DNS QPS、上游 DNS
API 请求慢	控制面规格、客户端 list/watch、限流
Pod 大量 Pending	节点资源、污点、PVC、子网 IP