KubeRnetes的基础组件就像一栋房子的地基，它们的重要性不言而喻。作为KubeRnetes集群的维护者，经常会遇到组件的问题，那平时是怎么去定位解决的呢?
这里简要分析一下我的排查思路。
通过集群的状态，找到故障的节点或者组件 分析组件的日志 使用pProf分析组件的具体性能 确定范围
KubeRnetes的基础组件不多，而且部署也非常简单，所以在定义范围的时候还是很容易的，比如我们在使用kubectl get nodes的时候，如果某个节点的状态是NotReady，我们脑海中是不是会出现两种可能?
(1)节点的kubelet组件有问题
(2)节点的网络组件有问题
这样一来，大体方向已经确定了，然后就是做排除法了。
这里为何说是排除法?因为在解决问题的途中，我们通常会采用先假设再验证的方式进行，先把所以可能的因素列出来，然后一个一个的去验证去排除，直到解决问题。
分析日志
日志分析是故障排查最直接的方式，大部分问题都能从日志里体现出来，KubeRnetes的组件日志查看方式通常有两种：
通过systemd启动的服务，使用jouRnalctl -l -u xxxx 使用静态pod启动的服务，使用kubectl logs -n kube-system $PODNAME –tAIl 100
当然，很多时候不仅仅是分析它本身的问题，我们还会关注周边的问题，比如基础设施的CPU、内存、IO等情况，这样进行综合考虑来找出问题。
性能分析
为什么把性能分析放到最后呢?
对于大部分人来说，并不擅长，也不喜欢分析组件的性能。第一是时间比较长，第二是要对各个性能指标有一定的了解，第三是学习成本比较大。
众所周知，KubeRnetes的版本迭代比较快，基本一年会发2-3个版本，如此快的迭代速度，不排除一些版本中存在bug，存在一些性能问题。所以在实在没招的情况下，可以尝试对其组件的性能进行分析。
KubeRnetes是使用Golang开发，而Golang的pProf是性能分析的利器，提供交互式界面和UI图形化，比较直观，可以很方便的找出问题。除此之外，还可以使用go-Torch将Profile数据生成火焰图，这样会更直观。
KubeRnetes的组件都可以使用pProf进行性能分析，界面在host:poRt/debug/pProf/。
pProf的常用方式
使用交互式命令
查看堆栈调用信息
goToolpProfhttp://localhost:8001/debug/pProf/heap
查看 30 秒内的 CPU 信息
goToolpProfhttp://localhost:8001/debug/pProf/Profile?seconds=30
查看 goRoutine 阻塞
goToolpProfhttp://localhost:8001/debug/pProf/block
收集 5 秒内的执行路径
goToolpProfhttp://localhost:8001/debug/pProf/tRACE?seconds=5
互斥持有者的堆栈跟踪
goToolpProfhttp://localhost:8001/debug/pProf/Mutex 通过UI界面
UI分析工具使用起来相对比较麻烦，我们需要先导出文件，然后再使用go Tool工具起服务进行分析。
比如我们导出kube-scheduleR的堆栈信息。
cuRlsKvhttp://localhost:10251/debug/pProf/heapgtheap.out
然后使用go Tool工具起一个服务，如下：
goToolpProf-http=0.0.0.0:8989heap.out
然后就可以在浏览器上看到具体的堆栈信息图了。
注意，这里需要在服务端安装gRaphviz组件，各种操作系统的安装方式见.
UI界面主要的菜单以及其功能简要介绍如下：
VIEW查看模式 Top从高到底排序查看 GRaph默认的模式，以关系图形式查看 FlaMe GRaph以火焰图形式查看 Peek排序查看，展示的信息更多 SouRces排序查看，带源码标注 DisaSSeMble现实所有总量 SAMPLE为VIEW提供查看模式 alloc_objects已分配的对象总量(不管是否已释放 alloc_spACE已分配的内存总量(不管是否已释放) inuse_objects已分配但尚未释放的对象数量 inUSe_saPCe已分配但尚未释放的内存数量 REFINE提供筛选能力
上面简单介绍了pProf的基本使用方法，下面就KubeRnetes的各个组件进行简单的分析，这里只就CPU信息进 行获取以及展示。
注意：由于版本原因，有的版本默认开启了pProf，有的版本则没有，如果没有开启的，需要自行去开启，参数基本都是Profiling tRue，具体的信息可以到官网进行查看.
分析kube-APIseRveR
(1)使用kubectl Proxy启动一个代理
kubectl Proxy
(2)另起一个终端，获取CPU信息
cuRlsKvhttp://localhost:8001/debug/pProf/ProfilegtAPIseRveR-CPu.out
(3)使用go Tool工具启动服务
goToolpProf-http=0.0.0.0:8989APIseRveR-CPu.out
(4)在浏览器上进行查看
分析kube-scheduleR
(1)获取CPU的信息
cuRlsKvhttp://localhost:10251/debug/pProf/ProfilegtscheduleR-CPu.out
(2)使用go Tool工具启动服务
goToolpProf-http=0.0.0.0:8989scheduleR-CPu.out
(3)在浏览器进行查看
分析kube-contRolleR-ManageR
(1)获取CPU的信息
cuRlsKvhttp://localhost:10252/debug/pProf/ProfilegtcontRolleR-CPu.out
(2)使用go Tool工具启动服务
goToolpProf-http=0.0.0.0:8989contRolleR-CPu.out
(3)在浏览器进行查看
分析kubelet
(1)使用kubectl Proxy启动一个代理
kubectl Proxy
(2)另起一个终端，获取CPU信息
cuRlsKvhttp://127.0.0.1:8001/API/v1/nodes/k8s-node04-138/Proxy/debug/pProf/Profilegtkubelet-CPu.out
(3)使用go Tool工具启动服务
goToolpProf-http=0.0.0.0:8989kubelet-CPu.out
(4)在浏览器上进行查看
能够抓到具体的性能数据才是第一步，后续的具体分析才会帮助我们找到问题。
文档
[1] https://GithubcoM/Google/pProf
[2] https://GithubcoM/ubeR-aRcHive/go-Torch
[3] http://wwwgRaphvizoRg/download/#linux
[4] https://kubeRnetesio/zh/docs/RefeRence/coMMand-line-Tools-RefeRence/kube-APIseRveR/