GKE标准集群DNS解析异常缓慢：kube-dns疑似故障

问题概述 #

当前GKE集群（版本1.28.10-gke.1075001）存在严重DNS解析延迟问题：

• 集群内Pod访问服务DNS地址（<service>.<namespace>.svc.cluster.local）耗时长达7秒以上，直接访问服务IP则无延迟
• 重启kube-dns Pod可临时恢复，但问题会复现
• kube-dns日志大量出现streamwatcher.go:111] Unexpected EOF during watch stream event decoding: unexpected EOF报错，推测是自动集群升级时kube-dns与API Server的watch连接断开，导致DNS记录无法同步

核心疑问：迁移至Cloud DNS能否永久解决该问题？

核心回答：迁移至Cloud DNS大概率能解决问题 #

原因说明 #

1. 架构层面规避问题根源：
   kube-dns是运行在集群内部的Pod，依赖与API Server的watch连接实时同步服务、Endpoint等DNS记录，一旦连接断开且无法自动恢复，就会导致DNS解析异常。而Cloud DNS for GKE是将集群内的DNS记录同步到Google托管的Cloud DNS服务，Pod直接查询Cloud DNS，不再依赖集群内部DNS组件与API Server的连接，从根源上避免了这类连接异常问题。

2. 托管服务稳定性更高：
   Cloud DNS是Google维护的高可用托管服务，具备完善的故障恢复机制，不会出现集群内部DNS Pod异常、连接中断这类问题，能大幅提升DNS解析的稳定性。

迁移注意事项 #

• 你的集群版本1.28.10-gke.1075001完全支持Cloud DNS for GKE，无版本兼容性问题
• 建议先在测试集群或非核心业务节点验证迁移效果，确认DNS解析速度和稳定性符合预期后再推广到生产环境
• GKE启用Cloud DNS for GKE时会自动配置Pod的DNS指向，无需手动修改/etc/resolv.conf，但要确保没有自定义DNS配置覆盖默认设置

其他可选永久修复方案 #

如果暂时不想迁移到Cloud DNS，也可以尝试以下方案：

• 升级集群版本：该kube-dns的watch连接EOF异常可能在后续GKE版本中已被修复，建议升级到最新稳定版（如1.29或1.30系列）
• 替换为CoreDNS：GKE新版本默认使用CoreDNS，其与API Server的交互稳定性优于kube-dns，替换后可能解决该异常
• 调整kube-dns参数：尝试修改kube-dns的watch重连策略、超时时间等参数，提升连接恢复能力

测试数据 #

直接访问服务IP（无延迟）：

/app # time curl --location '<IP>:443/api/v1/ping'
pong
real    0m 0.00s
user    0m 0.00s
sys 0m 0.00s

访问服务DNS地址（严重延迟）：

/app # time curl --location '<service>.<namespace>.svc.cluster.local:443/api/v1/ping'
pong
real    0m 7.52s
user    0m 0.00s
sys 0m 0.00s

内容的提问来源于stack exchange，提问作者Lee