Google Cloud Blog · Akash Thakur ·
The three-layer GKE network mystery
Una investigación de soporte de GKE atribuyó los timeouts intermitentes al API server a tres fallos que coincidieron: reordenamiento de paquetes en Private Service Connect, sockets retenidos en FIN_WAIT_2 por el half-close de Envoy y un defecto del kernel Linux que descartaba ciertos FIN. La reutilización de puertos hacía que el kernel enviara challenge ACKs, que un cambio de USPS bloqueaba, por lo que las conexiones nuevas fallaban y unos 800 desarrolladores quedaron sin poder desplegar durante semanas. Google recuperó los clústeres revirtiendo ese cambio y luego corrigió el manejo de challenge ACKs y publicó un parche del kernel para las ramas 6.1 y 6.6.
A tricky Google Cloud support ticket that spanned GKE, Private Service Connect (PSC), Networking, Hostnet, Kernel, and the Linux kernel itself.