Introducción
En enero, un cliente corporativo con múltiples clústeres de Google Kubernetes Engine (GKE) enfrentó interrupciones críticas en el despliegue a producción. Aproximadamente 800 desarrolladores quedaron bloqueados porque sus pods no lograban establecer conexiones estables con el servidor API de Kubernetes. Los síntomas eran engañosos: timeouts intermitentes de I/O que sugerían problemas de red o configuración, pero las herramientas estándar de monitoreo no arrojaban errores claros en los firewalls ni en los pools de conexión agotados.
El problema real residía en la interacción sutil entre tres capas distintas de la infraestructura de Google Cloud: Private Service Connect (PSC), el proxy Envoy y el estado de las conexiones TCP dentro del kernel Linux. Esta cadena de fallos no se resolvió con un simple ajuste de configuración o un feature flag, sino que culminó en la aplicación de un parche directo al kernel del sistema operativo subyacente para corregir el manejo de paquetes FIN desordenados.
Qué ocurrió
La investigación comenzó cuando los ingenieros de Google Cloud notaron que las capturas de paquetes (tcpdump) mostraban respuestas extrañas desde el plano de control. Ante nuevas solicitudes de conexión TCP, el servidor API respondía con paquetes ACK (acknowledgment) «viejos» o stale, pertenecientes a conexiones que ya habían sido cerradas previamente. Este comportamiento sugería que el estado de la sesión TCP no se estaba sincronizando correctamente entre las diferentes capas de red virtualizadas.
Para diagnosticar esto, Akash Thakur, senior technical solutions engineer en Google Cloud, coordinó equipos de GKE, PSC, networking, hostnet y el equipo del kernel. El análisis reveló que el problema era un «caos perfecto» de tres bugs independientes pero interdependientes. En primer lugar, había un reordenamiento de paquetes en la capa de Private Service Connect. En segundo lugar, Envoy, el proxy utilizado por PSC, tenía un comportamiento de half-close que impedía el cierre limpio de las conexiones TCP bajo ciertas condiciones de reordenamiento. Finalmente, estos dos factores exponían un bug preexistente en el kernel Linux.
Impacto para DevOps / Infraestructura / Cloud / Seguridad
Este incidente subraya la complejidad creciente de las arquitecturas cloud-native donde la abstracción de red oculta el estado real del protocolo TCP/IP. Para los equipos de SRE y DevOps, el impacto inmediato fue operativo: la incapacidad de desplegar código durante ventanas críticas debido a timeouts incomprensibles en llamadas kubectl o APIs REST hacia el plano de control.
Desde una perspectiva de seguridad y estabilidad, el hallazgo destaca cómo las actualizaciones incrementales en servicios gestionados (como PSC) pueden introducir regresiones que interactúan con componentes fundamentales del sistema operativo. No se trató de un fallo de servicio total (outage), sino de una degradación intermitente difícil de replicar en entornos de desarrollo o staging, lo cual es típico de bugs relacionados con condiciones de carrera (race conditions) y reordenamiento de paquetes a nivel de hardware/virtualización.
Además, el caso expone la dependencia crítica que tienen plataformas como GKE en versiones específicas del kernel Linux. Justin Garrison, Field CTO de Sidero, señaló un detalle crucial para la gestión de parches: GKE estaba ejecutando una versión del kernel (6.1) con tres años de antigüedad en ese momento. El bug ya había sido corregido en el upstream principal, pero requería de backporting a las ramas LTS utilizadas por los nodos gestionados de Google.
Detalles técnicos
El núcleo del problema radicaba en la máquina de estados TCP del kernel Linux. Cuando una conexión se cierra, pasa por estados como FIN_WAIT_1 y FIN_WAIT_2. El bug identificado hacía que, bajo condiciones específicas de reordenamiento de paquetes causadas por PSC y Envoy, el kernel descartara ciertos paquetes FIN desordenados. Esto dejaba a los sockets atrapados indefinidamente en el estado FIN_WAIT_2, consumiendo recursos del kernel y evitando la liberación correcta de los puertos locales.
La secuencia técnica fue la siguiente:
- PSC (Private Service Connect): Introdujo un reordenamiento de paquetes que llegaban fuera de orden desde el plano de control hacia los nodos.
- Envoy: Su lógica de cierre de conexión no toleraba adecuadamente este reordenamiento, dejando conexiones en estados ambiguos de medio cierre.
- Kernel Linux (v6.1): El código del stack TCP no recuperaba correctamente el estado cuando recibía estos paquetes FIN tardíos o desordenados tras la confusión generada por Envoy/PSC, fallando en transicionar el socket fuera de
FIN_WAIT_2.
Eric Dumazet, ex-ingeniero de software en Google y maintainer del networking en Linux, desarrolló la solución definitiva. El parche corrige la lógica de manejo de paquetes FIN para asegurar que los sockets no queden huérfanos en estados de espera infinitos. Esta corrección fue fusionada originalmente en Linux 6.9.7 y luego backporteada a las ramas de soporte a largo plazo (LTS) 6.6 y 6.1.
Es vital notar que la versión del kernel afectada no era la más reciente del upstream, sino una versión LTS específica utilizada por GKE en ese periodo. Los clientes de GKE con clústeres en la serie gke-1.33.x fueron los principales afectados hasta recibir la actualización de nodos.
Qué deberían hacer los administradores y equipos técnicos
Para evitar que este tipo de fallos a nivel de kernel escalen a interrupciones prolongadas, los equipos técnicos deben adoptar una estrategia proactiva de visibilidad de red y gestión de versiones del SO en sus clústeres gestionados.
Primero, si experimentan timeouts intermitentes hacia la API del plano de control en GKE (o EKS con variantes similares de networking), no descarten el nivel de kernel. Ejecuten capturas de paquetes en los nodos afectados para inspeccionar el estado TCP:
ss -tan state fin-wait-2 | wc -l
Un número creciente o alto constante de sockets en FIN_WAIT_2 que no decrecen con el tiempo es un indicador fuerte de este tipo de fugas de memoria/estado. Comparen esto con las métricas del plano de control para correlacionar síntomas.
Segundo, verifiquen la versión del kernel en sus nodos actuales. En GKE, pueden consultar esto mediante:
kubectl get nodes -o custom-columns=NAME:.metadata.name,KERNEL:.status.nodeInfo.kernelVersion
Asegúrense de que sus clústeres estén actualizados a versiones que incluyan los parches backporteados (para el caso específico, GKE versión 1.33.5 o superior con kernels actualizados). Si gestionan nodos propios en Google Cloud usando imágenes COS o Ubuntu, verifiquen las notas de la release para confirmar la inclusión del fix de Eric Dumazet.
Tercero, implementen pruebas de regresión de red que simulen reordenamientos de paquetes si utilizan proxies customizados (como Envoy) entre sus servicios y el plano de control. Herramientas como tc en Linux permiten inyectar latencia y desorden para reproducir estos escenarios antes de llevar cambios a producción:
tc qdisc add dev eth0 root netem delay 100ms reorder 25% gap 50
Conclusión
La resolución de este incidente demuestra que, en infraestructura cloud moderna, los bugs más difíciles no siempre están en el código de aplicación o en la configuración de Kubernetes, sino en las interacciones profundas entre virtualización, proxies y el kernel del sistema operativo. La colaboración entre equipos de GKE, PSC y la comunidad upstream de Linux fue esencial para aislar tres causas raíz simultáneas.
Para los arquitectos de plataforma, la lección principal es mantener una estrategia rigurosa de seguimiento de vulnerabilidades y bugs críticos en el kernel, incluso cuando se gestionan servicios cloud completamente administrados. La abstracción de «servicio gestionado» no elimina la necesidad de entender el sustrato subyacente, especialmente cuando las fallas se manifiestan como anomalías del protocolo TCP que los monitoreos de alto nivel suelen pasar por alto.
Fuentes
https://www.infoq.com/news/2026/11/gke-kernel-network-bug/?utm_campaign=infoq_content&utm_source=infoq&utm_medium=feed&utm_term=global