节点作为集群的基础设施，其工作状态对用户来说至关重要。容器服务团队自研节点检查和自愈功能，面向节点进行常见故障检测和故障自愈。本文为您介绍如何配置节点检查自愈功能。

说明

本功能仅对企业用户开放，如果您无法查看对应的控制台页面，请确认已完成账号的企业认证。

## 前提条件 * 已安装 node\-problem\-detector 组件。详情请参见 [node-problem-detector](https://www.volcengine.com/docs/6460/2276745)。 * （可选）已创建托管 Prometheus 工作区，详情请参见 [创建通用工作区](https://www.volcengine.com/docs/6731/106522)。 * （可选）如需使用自定义故障功能，请首先配置自定义故障检查项。详情请参见 [自定义节点检查项](https://www.volcengine.com/docs/6460/2043223)。 ## 操作步骤 ### 步骤一：配置检查自愈规则 1. 登录 [容器服务控制台](https://console.volcengine.com/vke)。 2. 单击左侧导航栏中的 **集群**。 3. 在集群列表页面，单击目标集群，进入集群管理页面。 4. 在集群管理页面的左侧导航栏中选择 **检查自愈**，单击 **创建检查和自愈规则**，创建检查自愈规则。

说明

配置检查和自愈规则时，如果同时勾选了多个检查项，当不同检查项的自愈规则不同时，系统会自动将其拆分成多个规则。

![图片](https://portal.volccdn.com/obj/volcfe/cloud-universal-doc/upload_819ef47d1cb8e23304eaa860003e5503.png) |配置项 |说明 | |---|---| |规则名称 |配置检查自愈规则的名称。同一个集群下，规则名称必须唯一。 | |**检测自愈规则** || |故障类型 |选择需要进行检测的故障类型，支持：**GPU 故障**、**XID 异常、节点故障、系统与组件故障 ** 和 **自定义故障**。 | |检查项 |在指定故障类型下，选择需要进行检测的项目。不同类型的故障支持不同的检查项。详情请参见 [检查自愈概述](https://www.volcengine.com/docs/6460/2520840)。 | |事件监听 |当 **故障类型** 为 **节点故障**，且 **检查项** 为 **ECS 故障** 时，支持选择监听的具体事件。包括：

* **全部事件**：监听所有事件。

* **指定事件**：监听指定的事件，允许多选。支持事件详情，请参见 [检查自愈概述](https://www.volcengine.com/docs/6460/2520840)。 | |故障处理方式 |选择故障自动处理方式，包括：

* **提示异常**：仅包含 **提示异常** 流程。

* **封锁节点**：包含 **提示异常**、 **（可选）流程干预** 和 **封锁节点** 流程。

* **排干节点**：包含 **提示异常**、 **（可选）流程干预**、**封锁节点** 和 **排干节点** 流程。

* **自动修复**：包含 **提示异常**、 **（可选）流程干预**、**封锁节点**、**排干节点**、**自动恢复** 和 **（可选）解除封锁** 流程。

说明

当 故障类型 选择 自定义故障 时，仅支持 自动修复 故障处理方式。

| 5. 配置故障处理流程。 * **提示异常**：节点发生故障时，系统会将故障信息转化为监控指标，您可以使用云原生观测功能获取指标信息，并在托管 Prometheus 产品中查看对应的指标。 * **流程干预**：开启该功能后，系统会在前置步骤完成后，为节点添加指定的标签，用于标识发生故障的节点。您可以基于标签筛选指定的节点，进行人工干预和故障处理。 ![图片](https://portal.volccdn.com/obj/volcfe/cloud-universal-doc/upload_55a7ed4569559534143e2f86c2e00b1d.png) * **封锁节点**：节点发生故障时，为节点添加 NoSchedule 污点，禁止调度新的 Pod 到该节点。 * **排干节点**：节点发生故障时，为节点添加 NoExecute 污点，并驱逐节点上的所有 Pod。 |配置项 |说明 | |---|---| |禁止调度 |配置从节点被封锁到开始进行 Pod 驱逐的时间。支持多种时间段选择，包括：立刻、15 分钟、30 分钟、1 小时、2 小时、3 小时、6 小时、12 小时、24 小时、36 小时、2 天、3 天、4 天、5 天、6 天、7 天等。

注意

节点排干前会检查节点是否运行了以下工作负载，您需要确保节点上不存在这些工作负载，否则将不会进行节点排干的操作：

ingress\-controller Pod。

强绑定节点的工作负载。

单副本的工作负载。

Static Pod。

节点排干不能完全保证终止/驱离节点上的工作负载，如果有工作负载无法被驱离，在不进行人工干预的前提下，将不会执行下一步自愈操作直至强制重启（若配置强制重启时间）。

| * **自动恢复**：当开启该功能时，系统在节点排干后会尝试修复节点故障，完成自愈。 |配置项 |说明 | |---|---| |必要时重启 ECS |不同故障的自动修复操作不同。勾选该配置时，除自动修复操作外，会自动重启节点。

配置从节点排干到重启节点的等待时间，包括：立即、30 分钟、1 小时、2 小时、3 小时、6 小时等。 | * **解除封锁**：节点重启并修复故障后，是否自动解除封锁。当开启该功能时，节点重启后系统会再次进行健康检查，当所有检测项均无异常时，将解除节点封锁。

注意

系统仅能确保已有检测项无异常，若发生超出节点检测项范围的故障，仍有可能导致训练或推理任务运行异常，如果自愈流程完成后，仍然存在问题，请提交工单获取技术支持。

6. （可选）单击 **添加检测自愈规则**，允许添加多个规则。 7. 配置完成后，仔细阅读 **注意事项**，并勾选 **我已知晓并同意**，单击 **确定**，完成配置。 ### 步骤二：节点池绑定检查自愈规则您可以在创建节点池时绑定检查自愈规则，也可以为存量节点池绑定检查自愈规则。本文以创建节点池时绑定检查自愈规则为例。

说明

当前仅托管节点池支持绑定检查自愈规则，如果您的节点池为普通节点池，可以将其开启托管后，再绑定检查自愈规则。

1. 在集群管理页面的左侧导航栏，选择 **节点管理** \> **节点池**，单击 **创建节点池**，创建新的节点池。 2. 在节点池配置详情页面中，开启 **检查和自愈** 功能，并绑定检查自愈规则。 ![图片](https://portal.volccdn.com/obj/volcfe/cloud-universal-doc/upload_9d1f9f691bf16e3906e9f64a1fb283c3.png) |**配置项** |**说明** | |---|---| |检查和自愈 |配置是否开启节点检查自愈功能。

* **开启**：（默认）通过配置节点自愈规则，系统会自动检查节点状态，当节点故障时及时进行处理和自愈。

* **关闭：** 不开启节点检查自愈功能。 | |检查和自愈规则 |配置检查自愈规则：

* **推荐规则**：使用系统默认的推荐规则，详情请参见 [推荐规则](https://www.volcengine.com/docs/6460/1158626)。

* **自定义规则**：使用用户的自定义规则，请在下拉菜单中选择已配置的检查自愈规则。 |

说明

节点池的其他配置详情，请参见创建节点池。

4. 单击 **确定**，完成绑定。 ### 步骤三：（可选）开启云原生观测如果您需要使用节点故障指标获取节点的状态，需要开启云原生观测功能，操作步骤如下： 1. 为集群绑定托管 Prometheus 工作区，安装 Prometheus\-agent 组件，并开启云原生观测。详情请参见 [开启观测](https://www.volcengine.com/docs/6460/1213992)。 2. 开启检查自愈观测，详情请参见 [检查自愈观测](https://www.volcengine.com/docs/6460/1336077)。 ## 结果验证 ### 查看检查自愈规则 1. 在集群管理页面的左侧导航栏中，单击 **检查自愈**。 2. 在自愈规则列表中，单击检查自愈规则名称，即可查看规则的详情。 ![图片](https://portal.volccdn.com/obj/volcfe/cloud-universal-doc/upload_e9acbbb7055cb0b24c2ec62638d765e1.png) ### 查看自愈任务详情当节点发生故障，并完成自愈后，您可以在节点详情页面中查看自愈任务列表和自愈详情。 1. 在集群管理页面的左侧导航栏，选择 **节点**。 2. 单击目标节点名称，进入节点详情页面。 3. 选择 **故障自愈** 页签，即可查看当前节点的故障自愈任务列表。 ![图片](https://portal.volccdn.com/obj/volcfe/cloud-universal-doc/upload_771c24a98634aa81542a94fddfd83585.png) 4. 单击自愈任务名称，支持查看当前节点的自愈详情。 ![图片](https://portal.volccdn.com/obj/volcfe/cloud-universal-doc/upload_ee171de9001d72a6ccc5fa7bf855f74e.png) ### 查看检查自愈观测您可以在云原生观测大盘中查看检查自愈观测的监控信息，并配置相应的告警。详情请参见 [检查自愈观测](https://www.volcengine.com/docs/6460/1336077)。 ### 查看告警规则详情配置检查自愈告警后，可以在 VMP 控制台查看对应的告警规则详情。 1. 登录 [VMP 服务控制台](https://console.volcengine.com/prometheus)。 2. 单击左侧导航栏的 **告警中心 \> 告警规则**。在 **告警规则组** 页签中，查看配置的检查自愈告警规则组。 ![图片](https://portal.volccdn.com/obj/volcfe/cloud-universal-doc/upload_443c22bae9bfe4c3f38f41edbbaa657b.png) 3. 单击告警规则组名称，进入告警规则组详情页面，选择 **告警规则列表** 页签，查看告警规则详情。 ![图片](https://portal.volccdn.com/obj/volcfe/cloud-universal-doc/upload_a939217396c0b8be2577de911f80f00d.png) ## 其他操作 ### 终止检查自愈流程检查自愈任务执行过程中，您可以随时手动终止自愈流程。

注意

自愈任务流程被终止后，当前进行的步骤将继续执行结束，后续的步骤将不再执行，您必须手动解决遗留的问题。在节点解除封锁前，将不会对该节点再次执行故障处理操作。

1. 在集群管理页面的左侧导航栏，选择 **节点**。 2. 单击目标节点名称，进入节点详情页面。 3. 选择 **故障自愈** 页签，并在故障自愈任务列表中选择目标自愈任务。 4. 单击自愈任务名称，进入自愈详情页。单击 **终止故障处理**，即可终止当前自愈任务。 ![图片](https://portal.volccdn.com/obj/volcfe/cloud-universal-doc/upload_7d6da3fb64715d1ad6ea1ca28d976ba1.png) ### 手动清除异常 Condition 完成 GPU XID 相关故障处理后，如果本次故障是由您自行处理（而非由 VKE 检查自愈功能自动修复），节点`status.conditions`中可能仍保留故障期间产生的异常 Condition（例如 GPUXidError），需要手动清理，以避免残留状态影响后续运维判断。

注意

删除 Condition 前，请先确认目标条目确为故障处理后残留的异常 Condition，避免误删正常状态信息。

kubectl patch 命令中的/status/conditions/ 表示待删除 Condition 在列表中的下标，需根据实际查询结果替换。

建议在删除完成后重新检查节点状态，确认节点已恢复正常。

1. 查看节点当前的 Condition 列表，确认需要删除的异常 Condition 及其下标。其中，``为节点名称。 ```Bash kubectl get node -o json | jq '.status.conditions' ``` 预期结果如下，系统会返回节点的 Condition 列表。列表中每条 Condition 从 0 开始依次编号，编号即为该条目的位置下标。请根据返回结果找到目标异常 Condition（通常可通过`type`字段识别，如示例中的`GPUXidError`），并记录其顺序（即 Condition 下标，本例中为 2）。 ```JSON [ { "lastHeartbeatTime": "2026-08-28T03:00:00Z", "lastTransitionTime": "2026-08-01T08:00:00Z", "message": "kubelet has sufficient memory available", "reason": "KubeletHasSufficientMemory", "status": "False", "type": "MemoryPressure" }, { "lastHeartbeatTime": "2026-08-28T03:00:00Z", "lastTransitionTime": "2026-08-01T08:00:00Z", "message": "kubelet is posting ready status", "reason": "KubeletReady", "status": "True", "type": "Ready" }, { "lastHeartbeatTime": "2026-08-28T02:58:00Z", "lastTransitionTime": "2026-08-28T02:58:00Z", "message": "xid 79 detected on GPU 0", "reason": "GPUXidError", "status": "True", "type": "GPUXidError" } ... ] ``` 2. 执行以下命令，删除目标异常 Condition。其中``为节点名称，``为异常 Condition 的下标，本例中为 2。 ```Bash kubectl patch node --subresource=status --type=json \ -p '[{"op":"remove","path":"/status/conditions/"}]' ``` 实际命令示例如下： ```Bash kubectl patch node 192.168.10.10 --subresource=status --type=json \ -p '[{"op":"remove","path":"/status/conditions/2"}]' ``` 3. 再次查看节点 Condition 列表，确认目标异常 Condition 已删除。 ```Bash kubectl get node -o json | jq '.status.conditions' ```