文档中心

容器服务

请输入

监控组件

node-problem-detector

node-problem-detector 组件为集群节点健康监测组件，用于监测和上报节点的异常状态。本文介绍该组件的作用、核心资源以及安装与升级说明。

组件概述

node-problem-detector（简称为 NPD）组件是容器服务提供的节点健康监测组件，其核心功能如下：

Node Condition（节点状态）：对于影响较为严重的永久性或长期故障（如文件系统损坏），NPD 会更新节点的 Condition，这可能影响 Pod 的调度决策。

在集群中安装组件后，系统会在 kube-system 命名空间下创建如下 Kubernetes 资源。

资源名称	资源类型	资源说明
node-problem-detector	DaemonSet	组件核心工作负载，负责采集和上报该节点的异常。

说明

上表中仅罗列出了该组件的主要资源，以及配置组件或对应功能时可能使用到的资源，方便您了解该组件的主要组成。其他的组件相关资源（例如 ConfigMap、Secret 等）不多做介绍，请以集群中的实际为准。

组件版本

关于组件的历史发布记录、各版本新增特性及优化说明等信息，详情请参见组件发布记录。

安装组件

参数	描述
检查项阈值配置	配置 GPU 故障检测的阈值，包括 GPU 可恢复的内存故障和 GPU 不可恢复的内存故障相关检查项的故障检测阈值。
资源配置	配置 node-problem-detector 组件的资源，包括：CPU 请求、CPU 上限、内存请求、内存上限。
插件配置	是否禁用云助手健康检查。由于节点故障检查依赖云助手，禁用该功能后，将会导致部分节点诊断和节点自愈功能不可用。详情请参见节点诊断。

升级组件

组件会不定期发布新版本以提供新特性或修复已知问题。当组件卡片提示有可用更新时，建议您及时进行升级。为确保业务平稳过渡，升级前请尽量安排在业务低峰期执行操作。关于升级的操作步骤和注意事项，请参见升级组件。

观测与告警

组件观测

node-problem-detector 组件稳定性和性能直接影响组件功能正常使用和效果，建议您在集群中开启组件观测，帮助您实时掌握组件的健康度。详情请参见容器服务观测。

配置告警

容器服务基于托管 Prometheus（VMP）提供完善的集群监控告警能力，您可以直接使用系统预置模板快速创建告警规则组，也可以基于业务实际需求自定义基于 PromQL 语句的告警规则，或在导出预置模板 YAML 后调整规则并沉淀为自定义告警模板，统一复用于多个集群。详情请参见：

预置告警模板由系统根据常见运维场景预置，适合首次建设告警体系或快速补充基础监控项，帮助您及时发现组件资源不足或运行异常。预置告警模板告警规则详情，请参见预置告警模板。