アップグレードは完了していたが、ノードはまだ仕事を受け付けていなかった

背景

3 ノード全てで kubeadm による 1.32.13 → 1.33.13 のアップグレードが実施済みでした。バイナリは入れ替わり、全ノードが新バージョンを報告していました——通常はここでアップグレード完了と判断する状態です。

経路

症状

完了したはずのアップグレード後、4 つのレプリカが Pending のまま

仮説

Pod 自体が壊れていると仮定

計測

スケジューラーの数字を読む: 0/3 nodes available、ノード一覧は SchedulingDisabled

判断

uncordon し、最後の uncordon を明示的な手順に格上げ

対応

control plane を uncordon し、バージョン確認をアップグレードの完了条件として扱うのをやめました。残りのスケジューリング余地は偶然ではありません——worker はワークロードの affinity に適合せず、3 台目は専用の taint を持っていたため、cordon された control plane が唯一の候補で 0/3 という結果でした。同時に半数の namespace で発生していた CrashLoopBackOff / ImagePullBackOff の波は意図的に放置しました——ノードアップグレード後の sandbox とレジストリの再起動ウィンドウであり、数分で自然に解消しました。

運用スキルの更新