EKS マネージド型ノードグループのノード修復設定のサポート

EKS Managed Nodegroups は、マネージドノードの状態がモニタリングされ、異常なワーカーノードがそれに応じて置き換えまたは再起動されるノード修復をサポートしています。eksctl は、ノード修復動作をきめ細かく制御するための包括的な設定オプションを提供するようになりました。

基本的なノード修復設定

CLI フラグの使用

基本的なノード修復を使用してマネージド型ノードグループを持つクラスターを作成するには、 --enable-node-repairフラグを渡します。

eksctl create cluster --enable-node-repair

既存のクラスターでノード修復を使用してマネージド型ノードグループを作成するには:

eksctl create nodegroup --cluster=<clusterName> --enable-node-repair

設定ファイルの使用

# basic-node-repair.yaml
apiVersion: eksctl.io/v1alpha5
kind: ClusterConfig

metadata:
  name: basic-node-repair-cluster
  region: us-west-2

managedNodeGroups:
- name: ng-1
  nodeRepairConfig:
    enabled: true

eksctl create cluster -f basic-node-repair.yaml

拡張ノード修復設定

しきい値の設定

ノード修復アクションがパーセンテージまたはカウントベースのしきい値を使用して停止するタイミングを設定できます。注: パーセンテージしきい値とカウントしきい値を同時に使用することはできません。

しきい値の CLI フラグ

# Percentage-based threshold - repair stops when 20% of nodes are unhealthy
eksctl create cluster --enable-node-repair \
  --node-repair-max-unhealthy-percentage=20

# Count-based threshold - repair stops when 5 nodes are unhealthy
eksctl create cluster --enable-node-repair \
  --node-repair-max-unhealthy-count=5

しきい値の設定ファイル

managedNodeGroups:
- name: threshold-ng
  nodeRepairConfig:
    enabled: true
    # Stop repair actions when 20% of nodes are unhealthy
    maxUnhealthyNodeThresholdPercentage: 20
    # Alternative: stop repair actions when 3 nodes are unhealthy
    # maxUnhealthyNodeThresholdCount: 3
    # Note: Cannot use both percentage and count thresholds simultaneously

並列修復の制限

同時にまたは並行して修復できるノードの最大数を制御します。これにより、ノード置換のペースをよりきめ細かく制御できます。注: パーセンテージ制限とカウント制限を同時に使用することはできません。

並列制限の CLI フラグ

# Percentage-based parallel limits - repair at most 15% of unhealthy nodes in parallel
eksctl create cluster --enable-node-repair \
  --node-repair-max-parallel-percentage=15

# Count-based parallel limits - repair at most 2 unhealthy nodes in parallel
eksctl create cluster --enable-node-repair \
  --node-repair-max-parallel-count=2

並列制限の設定ファイル

managedNodeGroups:
- name: parallel-ng
  nodeRepairConfig:
    enabled: true
    # Repair at most 15% of unhealthy nodes in parallel
    maxParallelNodesRepairedPercentage: 15
    # Alternative: repair at most 2 unhealthy nodes in parallel
    # maxParallelNodesRepairedCount: 2
    # Note: Cannot use both percentage and count limits simultaneously

カスタム修復オーバーライド

特定の修復アクションの詳細なオーバーライドを指定します。これらのオーバーライドは、ノードが修復対象と見なされるまでの修復アクションと修復遅延時間を制御します。これを使用する場合は、各オーバーライドのすべての値を指定する必要があります。

managedNodeGroups:
- name: custom-repair-ng
  instanceType: g4dn.xlarge  # GPU instances
  nodeRepairConfig:
    enabled: true
    maxUnhealthyNodeThresholdPercentage: 25
    maxParallelNodesRepairedCount: 1
    nodeRepairConfigOverrides:
      # Handle GPU-related failures with immediate termination
      - nodeMonitoringCondition: "AcceleratedInstanceNotReady"
        nodeUnhealthyReason: "NvidiaXID13Error"
        minRepairWaitTimeMins: 10
        repairAction: "Terminate"
      # Handle network issues with restart after waiting
      - nodeMonitoringCondition: "NetworkNotReady"
        nodeUnhealthyReason: "InterfaceNotUp"
        minRepairWaitTimeMins: 20
        repairAction: "Restart"

完全な設定例

すべての設定オプションを含む包括的な例については、「examples/44-node-repair.yaml」を参照してください。

例 1: しきい値の割合による基本的な修復

apiVersion: eksctl.io/v1alpha5
kind: ClusterConfig

metadata:
  name: basic-repair-cluster
  region: us-west-2

managedNodeGroups:
- name: basic-ng
  instanceType: m5.large
  desiredCapacity: 3
  nodeRepairConfig:
    enabled: true
    maxUnhealthyNodeThresholdPercentage: 20
    maxParallelNodesRepairedPercentage: 15

例 2: 重要なワークロードの保守的な修復

apiVersion: eksctl.io/v1alpha5
kind: ClusterConfig

metadata:
  name: critical-workload-cluster
  region: us-west-2

managedNodeGroups:
- name: critical-ng
  instanceType: c5.2xlarge
  desiredCapacity: 6
  nodeRepairConfig:
    enabled: true
    # Very conservative settings
    maxUnhealthyNodeThresholdPercentage: 10
    maxParallelNodesRepairedCount: 1
    nodeRepairConfigOverrides:
      # Wait longer before taking action on critical workloads
      - nodeMonitoringCondition: "NetworkNotReady"
        nodeUnhealthyReason: "InterfaceNotUp"
        minRepairWaitTimeMins: 45
        repairAction: "Restart"

例 3: 特殊な修復による GPU ワークロード

apiVersion: eksctl.io/v1alpha5
kind: ClusterConfig

metadata:
  name: gpu-workload-cluster
  region: us-west-2

managedNodeGroups:
- name: gpu-ng
  instanceType: g4dn.xlarge
  desiredCapacity: 4
  nodeRepairConfig:
    enabled: true
    maxUnhealthyNodeThresholdPercentage: 25
    maxParallelNodesRepairedCount: 1
    nodeRepairConfigOverrides:
      # GPU failures require immediate termination
      - nodeMonitoringCondition: "AcceleratedInstanceNotReady"
        nodeUnhealthyReason: "NvidiaXID13Error"
        minRepairWaitTimeMins: 5
        repairAction: "Terminate"

CLI リファレンス

ノード修復フラグ

フラグ	説明	例
--enable-node-repair	自動ノード修復を有効にする	--enable-node-repair
--node-repair-max-unhealthy-percentage	修復前の異常なノードの最大パーセンテージ	--node-repair-max-unhealthy-percentage=20
--node-repair-max-unhealthy-count	修復前の異常なノードの最大数	--node-repair-max-unhealthy-count=5
--node-repair-max-parallel-percentage	並行して修復するノードの最大パーセンテージ	--node-repair-max-parallel-percentage=15
--node-repair-max-parallel-count	並行して修復するノードの最大数	--node-repair-max-parallel-count=2

注: ノード修復設定の上書きは、その複雑さにより YAML 設定ファイルでのみサポートされます。

設定リファレンス

nodeRepairConfig

フィールド	タイプ	説明	制約	例
enabled	boolean	ノード修復の有効化/無効化	-	true
maxUnhealthyNodeThresholdPercentage	integer	ノードの自動修復アクションが停止する異常ノードのしきい値の割合	では使用できません maxUnhealthyNodeThresholdCount	20
maxUnhealthyNodeThresholdCount	integer	ノードの自動修復アクションが停止する異常なノードのカウントしきい値	では使用できません maxUnhealthyNodeThresholdPercentage	5
maxParallelNodesRepairedPercentage	integer	同時にまたは並行して修復できる異常なノードの最大割合	では使用できません maxParallelNodesRepairedCount	15
maxParallelNodesRepairedCount	integer	同時または並行して修復できる異常なノードの最大数	では使用できません maxParallelNodesRepairedPercentage	2
nodeRepairConfigOverrides	array	修復アクションと遅延時間を制御する特定の修復アクションの詳細なオーバーライド	オーバーライドごとにすべての値を指定する必要があります	上記の例を参照してください。

nodeRepairConfigOverrides

フィールド	タイプ	説明	有効な値
nodeMonitoringCondition	string	このオーバーライドが適用されるノードモニタリングエージェントによって報告される異常な状態	"AcceleratedInstanceNotReady", "NetworkNotReady"
nodeUnhealthyReason	string	このオーバーライドが適用されるノードモニタリングエージェントによって報告された理由	"NvidiaXID13Error", "InterfaceNotUp"
minRepairWaitTimeMins	integer	指定された条件と理由でノードを修復しようとするまでの最小待機時間	任意の正の整数
repairAction	string	指定された条件がすべて満たされたときにノードに対して実行する修復アクション	"Terminate", "Restart", "NoAction"

詳細情報

• EKS マネージド型ノードグループノードのヘルス