Keuse van CEPH. Deel 1

Ons het vyf rakke, tien optiese skakelaars, gekonfigureerde BGP, 'n paar dosyn SSD's en 'n klomp SAS-aandrywers van alle kleure en groottes gehad, sowel as proxmox en die begeerte om al die statiese in ons eie S3-berging te plaas. Nie dat dit alles nodig was vir virtualisering nie, maar sodra jy oopbron begin gebruik het, gaan dan in jou stokperdjie tot die einde toe. Die enigste ding wat my gepla het, was BGP. Daar is niks in die wêreld meer hulpeloos, onverantwoordelik en immoreel as BGP interne roetes nie. En ek het geweet dat ons binnekort daarin sou duik.

Die taak was banaal - daar was CEPH, dit het nie baie goed gewerk nie. Dit moes goed gedoen word.
Die cluster wat ek gekry het, was heterogeen, inderhaas ingestel en feitlik nie ingestel nie. Dit het bestaan uit twee groepe verskillende nodusse, met een gemeenskaplike rooster wat as beide 'n groepering en 'n publieke netwerk optree. Die nodusse is gevul met vier soorte skywe - twee tipes SSD's, versamel in twee afsonderlike plasingsreëls, en twee tipes HDD's van verskillende groottes, versamel in 'n derde groep. Die probleem met verskillende groottes is opgelos deur verskillende OSD-gewigte.

Die opstelling self is in twee dele verdeel - bedryfstelsel-instelling и die CEPH self in te stel en sy instellings.

OS opgradering

Netwerk

Hoë latensie het beide opname en balansering beïnvloed. Wanneer jy skryf, want die kliënt sal nie 'n antwoord oor 'n suksesvolle skryf ontvang totdat data replikas in ander plasingsgroepe sukses bevestig nie. Aangesien die reëls vir die verspreiding van replikas in die CRUSH-kaart een replika per gasheer was, is die netwerk altyd gebruik.

Daarom was die eerste ding wat ek besluit het om te doen om die huidige netwerk effens aan te pas, terwyl ek my probeer oortuig om na aparte netwerke te beweeg.

Om mee te begin, het ek die netwerkkaartinstellings verdraai. Begin deur toue op te stel:

wat het gebeur:

ettool -l ens1f1

root@ceph01:~# ethtool -l ens1f1
Channel parameters for ens1f1:
Pre-set maximums:
RX:     0
TX:     0
Other:      1
Combined:   63
Current hardware settings:
RX:     0
TX:     0
Other:      1
Combined:   1
root@ceph01:~# ethtool -g ens1f1
Ring parameters for ens1f1:
Pre-set maximums:
RX:     4096
RX Mini:    0
RX Jumbo:   0
TX:     4096
Current hardware settings:
RX:     256
RX Mini:    0
RX Jumbo:   0
TX:     256
root@ceph01:~# ethtool -l ens1f1
Channel parameters for ens1f1:
Pre-set maximums:
RX:     0
TX:     0
Other:      1
Combined:   63
Current hardware settings:
RX:     0
TX:     0
Other:      1
Combined:   1

Dit kan gesien word dat die huidige parameters ver van die maksimum is. Verhoog:

root@ceph01:~#ethtool -G ens1f0 rx 4096
root@ceph01:~#ethtool -G ens1f0 tx 4096
root@ceph01:~#ethtool -L ens1f0 combined 63

Gelei deur 'n uitstekende artikel

https://blog.packagecloud.io/eng/2017/02/06/monitoring-tuning-linux-networking-stack-sending-data/

het die lengte van die stuurwaglys vergroot txqueuelen van 1000 tot 10 000

root@ceph01:~#ip link set ens1f0  txqueuelen 10000

Wel, na aanleiding van die dokumentasie van ceph self

https://ceph.com/geen-categorie/ceph-loves-jumbo-frames/

verhoog MTU na 9000.

root@ceph01:~#ip link set dev ens1f0  mtu 9000

Bygevoeg by /etc/network/interfaces sodat al die bogenoemde by opstart gelaai word

kat / ens / netwerk / koppelvlakke

root@ceph01:~# cat /etc/network/interfaces
auto lo
iface lo inet loopback

auto ens1f0
iface ens1f0 inet manual
post-up /sbin/ethtool -G ens1f0 rx 4096
post-up /sbin/ethtool -G ens1f0 tx 4096
post-up /sbin/ethtool -L ens1f0 combined 63
post-up /sbin/ip link set ens1f0  txqueuelen 10000
mtu 9000

auto ens1f1
iface ens1f1 inet manual
post-up /sbin/ethtool -G ens1f1 rx 4096
post-up /sbin/ethtool -G ens1f1 tx 4096
post-up /sbin/ethtool -L ens1f1 combined 63
post-up /sbin/ip link set ens1f1  txqueuelen 10000
mtu 9000

Daarna, na aanleiding van dieselfde artikel, het ek die handvatsels van die 4.15-pit ingedagte begin draai. Aangesien die nodusse 128G RAM het, het ons 'n sekere konfigurasielêer gekry sysctl

kat /etc/sysctl.d/50-ceph.conf

net.core.rmem_max = 56623104  
#Максимальный размер буфера приема данных для всех соединений  54M
net.core.wmem_max = 56623104
#Максимальный размер буфера передачи данных для всех соединений 54M
net.core.rmem_default = 56623104
#Размер буфера приема данных по умолчанию для всех соединений. 54M
net.core.wmem_default = 56623104
#Размер буфера передачи данных по умолчанию для всех соединений 54M  
# на каждый сокет
net.ipv4.tcp_rmem = 4096 87380 56623104
#Векторная (минимум, по умолчанию, максимум) переменная в файле tcp_rmem
# содержит 3 целых числа, определяющих размер приемного буфера сокетов TCP.
# Минимум: каждый сокет TCP имеет право использовать эту память по 
# факту своего создания. Возможность использования такого буфера 
# гарантируется даже при достижении порога ограничения (moderate memory pressure).
# Размер минимального буфера по умолчанию составляет 8 Кбайт (8192).
#Значение по умолчанию: количество памяти, допустимое для буфера 
# передачи сокета TCP по умолчанию. Это значение применяется взамен
# параметра /proc/sys/net/core/rmem_default, используемого другими протоколами.
# Значение используемого по умолчанию буфера обычно (по умолчанию) 
# составляет 87830 байт. Это определяет размер окна 65535 с 
# заданным по умолчанию значением tcp_adv_win_scale и tcp_app_win = 0, 
# несколько меньший, нежели определяет принятое по умолчанию значение tcp_app_win.
# Максимум: максимальный размер буфера, который может быть автоматически
# выделен для приема сокету TCP. Это значение не отменяет максимума, 
# заданного в файле /proc/sys/net/core/rmem_max. При «статическом»
# выделении памяти с помощью SO_RCVBUF этот параметр не имеет значения.
net.ipv4.tcp_wmem = 4096 65536 56623104
net.core.somaxconn = 5000    
# Максимальное число открытых сокетов, ждущих соединения.
net.ipv4.tcp_timestamps=1
# Разрешает использование временных меток (timestamps), в соответствии с RFC 1323.
net.ipv4.tcp_sack=1
# Разрешить выборочные подтверждения протокола TCP
net.core.netdev_max_backlog=5000 (дефолт 1000)
# максимальное количество пакетов в очереди на обработку, если 
# интерфейс получает пакеты быстрее, чем ядро может их обработать.
net.ipv4.tcp_max_tw_buckets=262144
# Максимальное число сокетов, находящихся в состоянии TIME-WAIT одновременно.
# При превышении этого порога – «лишний» сокет разрушается и пишется
# сообщение в системный журнал.
net.ipv4.tcp_tw_reuse=1
#Разрешаем повторное использование TIME-WAIT сокетов в случаях,
# если протокол считает это безопасным.
net.core.optmem_max=4194304
#Увеличить максимальный общий буфер-космической ALLOCATABLE
#измеряется в единицах страниц (4096 байт)
net.ipv4.tcp_low_latency=1
#Разрешает стеку TCP/IP отдавать предпочтение низкому времени ожидания
# перед более высокой пропускной способностью.
net.ipv4.tcp_adv_win_scale=1
# Эта переменная влияет на вычисление объема памяти в буфере сокета,
# выделяемой под размер TCP-окна и под буфер приложения.
# Если величина tcp_adv_win_scale отрицательная, то для вычисления размера
# используется следующее выражение:
# Bytes- bytes2в степени -tcp_adv_win_scale
# Где bytes – это размер окна в байтах. Если величина tcp_adv_win_scale
# положительная, то для определения размера используется следующее выражение:
# Bytes- bytes2в степени tcp_adv_win_scale
# Переменная принимает целое значение. Значение по-умолчанию – 2, 
# т.е. под буфер приложения отводится ¼ часть объема, определяемого переменной
# tcp_rmem.
net.ipv4.tcp_slow_start_after_idle=0
# механизм перезапуска медленного старта, который сбрасывает значение окна 
# перегрузки, если соединение не использовалось заданный период времени.
# Лучше отключить SSR на сервере, чтобы улучшить производительность 
# долгоживущих соединений.
net.ipv4.tcp_no_metrics_save=1
#Не сохранять результаты измерений TCP соединения в кеше при его закрытии.
net.ipv4.tcp_syncookies=0
#Отключить механизм отправки syncookie
net.ipv4.tcp_ecn=0
#Explicit Congestion Notification (Явное Уведомление о Перегруженности) в 
# TCP-соединениях. Используется для уведомления о возникновении «затора» 
# на маршруте к заданному хосту или сети. Может использоваться для извещения
# хоста-отправителя о необходимости снизить скорость передачи пакетов через
# конкретный маршрутизатор или брандмауэр.
net.ipv4.conf.all.send_redirects=0
# выключает выдачу ICMP Redirect … другим хостам. Эта опция обязательно
# должна быть включена, если хост выступает в роли маршрутизатора любого рода.
# У нас нет маршрутизации.
net.ipv4.ip_forward=0
#Сопсно отключение форвардинга. Мы не шлюз, докер на машинах не поднят,
# нам это не нужно.
net.ipv4.icmp_echo_ignore_broadcasts=1
#Не отвечаем на ICMP ECHO запросы, переданные широковещательными пакетами
net.ipv4.tcp_fin_timeout=10
#определяет время сохранения сокета в состоянии FIN-WAIT-2 после его
# закрытия локальной стороной. Дефолт 60
net.core.netdev_budget=600 # (дефолт 300)
# Если выполнение программных прерываний не выполняются достаточно долго,
# то темп роста входящих данных может превысить возможность ядра 
# опустошить буфер. В результате буферы NIC переполнятся, и трафик будет потерян.
# Иногда, необходимо увеличить длительность работы SoftIRQs
# (программных прерываний) с CPU. За это отвечает netdev_budget. 
# Значение по умолчанию 300. Параметр заставит процесс SoftIRQ обработать
# 300 пакетов от NIC перед тем как отпустить CPU
net.ipv4.tcp_fastopen=3
# TFO TCP Fast Open
# если и клиент и сервер имеют поддержку TFO, о которой сообщают за счет
# специального флага в TCP пакете. В нашем случае является плацебо, просто
# выглядит красиво)

Сglans netwerk is op aparte 10Gbps-netwerkkoppelvlakke in 'n aparte plat netwerk toegewys. Elke masjien is van tweepoortnetwerkkaarte voorsien mellanox 10/25 Gbps ingeprop in twee afsonderlike 10 Gbps skakelaars. Aggregasie is uitgevoer met behulp van OSPF, aangesien binding met lacp om een of ander rede 'n totale deurset van 'n maksimum van 16 Gbps getoon het, terwyl ospf beide dosyne volledig op elke masjien suksesvol benut het. Verdere planne was om ROCE op hierdie melanokse te gebruik om latensie te verminder. Hoe hierdie deel van die netwerk opgestel is:

Aangesien die masjiene self eksterne IP's op BGP het, benodig ons sagteware - (of eerder, ten tyde van die skryf hiervan, was dit frr=6.0-1 ) het reeds gestaan.
In totaal het die masjiene twee netwerkkoppelvlakke gehad, twee koppelvlakke elk - 'n totaal van 4 poorte. Een netwerkkaart het na die fabriek gekyk met twee poorte en BGP is daarop gekonfigureer, die tweede het na twee verskillende skakelaars met twee poorte gekyk en OSPF is daarop ingestel

Meer oor die opstel van OSPF: Die hooftaak is om twee skakels saam te voeg en fouttoleransie te hê.
twee netwerkkoppelvlakke gekonfigureer in twee eenvoudige plat netwerke - 10.10.10.0/24 en 10.10.20.0/24

1: ens1f0: <BROADCAST,MULTICAST,UP,LOWER_UP> mtu 9000 qdisc mq state UP group default qlen 1000
inet 10.10.10.2/24 brd 10.10.10.255 scope global ens1f0
2: ens1f1: <BROADCAST,MULTICAST,UP,LOWER_UP> mtu 9000 qdisc mq state UP group default qlen 1000
inet 10.10.20.2/24 brd 10.10.20.255 scope global ens1f1

waardeur motors mekaar sien.

SKYF

Die volgende stap was om skyfwerkverrigting te optimaliseer. Vir SSD het ek die skeduleerder verander na noop, vir HDD - sperdatum. As dit rof is, dan werk NOOP op die beginsel van "wie kom eerste op - dit is die pantoffels", wat in Engels soos "EIEU (First In, First Out)" klink. Versoeke word in die tou gesit soos dit aankom. DEADLINE is meer leesvriendelik, plus die proses vanaf die tou kry byna eksklusiewe toegang tot die skyf ten tyde van die operasie. Vir ons stelsel is dit wonderlik - per slot van rekening werk net een proses met elke skyf - die OSD-demon.
(Diegene wat in die I/O-skeduleerder wil duik, kan hieroor lees:
http://www.admin-magazine.com/HPC/Articles/Linux-I-O-Schedulers

Diegene wat verkies om in Russies te lees: https://www.opennet.ru/base/sys/linux_shedulers.txt.html)

In die aanbevelings vir die instel van Linux, word dit ook aangeraai om nr_request te verhoog

nr_versoeke
Die waarde van nr_requests bepaal die hoeveelheid I/O-versoeke wat gebuffer word voordat die I/O-skeduleerder data na die bloktoestel stuur/ontvang, as jy 'n RAID-kaart / Bloktoestel gebruik wat 'n groter tou kan hanteer as wat die I /O skeduleerder is ingestel op, die verhoging van die waarde van nr_requests kan help om deurgaans te verbeter en bedienerlading te verminder wanneer groot hoeveelhede I/O op die bediener voorkom. As jy Deadline of CFQ as die skeduleerder gebruik, word voorgestel dat jy die nr_request waarde moet stel na 2 keer die waarde van tou diepte.

MAAR! Burgers self, die ontwikkelaars van CEPH, oortuig ons dat hul stelsel van prioriteite beter werk.

WBTrottle en/of nr_requests

WBTrottle en/of nr_requests
Lêerberging gebruik gebufferde I/O vir skryf; dit bring 'n aantal voordele in as die lêerberginglogboek op vinniger media is. Kliëntversoeke word in kennis gestel sodra die data na die logboek geskryf is, en dan na die dataskyf self gespoel op 'n later tydstip deur gebruik te maak van standaard Linux-funksionaliteit. Dit maak dit moontlik vir OSD-spilaandrywers om skryfvertraging soortgelyk aan SSD's te verskaf wanneer in klein sarsies geskryf word. Hierdie vertraagde terugskryf laat ook die kern self toe om I/O-versoeke na skyf te herrangskik, met die hoop om hulle óf saam te voeg óf bestaande skyfkoppe 'n beter pad oor hul plate te laat loop. Die eindeffek is dat jy dalk effens meer I/O uit elke skyf kan druk as wat moontlik sou wees met direkte of sinchrone I/O.

'n Sekere probleem ontstaan egter as die volume van inkomende skrywes na 'n gegewe Ceph-groepering al die vermoëns van die onderliggende skywe oorskry. In so 'n scenario kan die totale aantal hangende I/O's wat wag om na skyf geskryf te word, onbeheerbaar groei en 'n I/O-tou tot gevolg hê wat die hele skyf en Ceph-rye vul. Leesversoeke is veral sleg omdat hulle vashaak tussen skryfversoeke, wat 'n paar sekondes kan neem om na die primêre aandrywer te spoel.

Om hierdie probleem te oorkom, het Ceph 'n terugskryf-versnellingsmeganisme ingebou in lêerberging genaamd WBThrottle. Dit is ontwerp om die totale hoeveelheid lui skryf I/O te beperk wat in tou kan staan en hul spoelproses gouer kan begin as wat normaalweg deur die kern self geaktiveer sou word. Ongelukkig toon toetsing dat die verstekwaardes dalk steeds nie die gedrag tot 'n vlak sny wat hierdie impak op leesvertraging kan verminder nie. Verstellings kan hierdie gedrag verander en algehele skryfwaglengtes verminder en dit moontlik maak dat die impak minder ernstig is. Daar is egter 'n kompromis: deur die totale maksimum aantal rekords te verminder wat toegelaat word om in tou te staan, kan jy die vermoë van die kern self verminder om sy doeltreffendheid te maksimeer om inkomende versoeke te bestel. Dit is die moeite werd om 'n bietjie na te dink oor wat jy meer nodig het vir jou spesifieke toepassing, werklading en aanpas om by te pas.

Om die diepte van so 'n terugskryf-tou te beheer, kan jy óf die totale maksimum agterstand van I/O's verminder deur die WBThrottle-instelling toe te pas, óf die maksimum waarde vir agterstande op die meeste blokvlak van jou kern verlaag. Albei kan dieselfde gedrag effektief beheer, en dit is jou voorkeure wat die basis sal wees vir die implementering van hierdie instelling.
Daar moet ook op gelet word dat Ceph se operasievoorrangstelsel meer doeltreffend is vir korter skyfvlaknavrae. Wanneer die algehele tou na 'n gegewe skyf verminder word, word die hoof tou-ligging na Ceph geskuif, waar dit meer beheer het oor watter prioriteit 'n I/O-bewerking het. Oorweeg die volgende voorbeeld:

echo 8 > /sys/block/sda/queue/nr_requests

http://onreader.mdl.ru/MasteringCeph/content/Ch09.html#030202

ALGEMENE

En nog 'n paar pit-tweaks om jou motor sag en syerig te maak om nog 'n bietjie meer werkverrigting uit yster te druk

kat /etc/sysctl.d/60-ceph2.conf

 kernel.pid_max = 4194303
#Дисков в каждой машине по 25, потому рассчитывали что процессов будет много
kernel.threads-max=2097152
# Тредов, естессно, тоже.
vm.max_map_count=524288
# Увеличили количество областей карты памяти процесса. 
# Как следует из документации по ядерным переменным 
# Области карты памяти используется как побочный эффект вызова
# malloc, напрямую с помощью mmap, mprotect и madvise, а также при загрузке
# общих библиотек.
fs.aio-max-nr=50000000
# Подтюним параметры input-output
# Ядро Linux предоставляет функцию асинхронного неблокирующего ввода-вывода (AIO),
# которая позволяет процессу инициировать несколько операций ввода-вывода
# одновременно, не дожидаясь завершения какой-либо из них. 
# Это помогает повысить производительность приложений, 
# которые могут перекрывать обработку и ввод-вывод.
# Параметр aio-max-nr определяет максимальное количество допустимых 
# одновременных запросов.
vm.min_free_kbytes=1048576
# минимальный размер свободной памяти который необходимо поддерживать.
# Выставлен 1Gb, чего вполне достаточно для работы операционной системы, 
# и позволяет избегать OOM Killer для процессов OSD. Хотя памяти и так
# как у дурака фантиков, но запас карман не тянет
vm.swappiness=10
# Говорим использовать своп если осталось свободным 10% памяти.
# На машинах 128G оперативы, и 10% это 12 Гигов. Более чем достаточно для работы.
# Штатный параметр в 60% заставлял тормозить систему, залезая в своп,
# когда есть еще куча свободной памяти
vm.vfs_cache_pressure=1000
# Увеличиваем со штатных 100. Заставляем ядро активнее выгружать
# неиспользуемые страницы памяти из кеша.
vm.zone_reclaim_mode=0
# Позволяет  устанавливать более или менее агрессивные подходы к
# восстановлению памяти, когда в зоне заканчивается память. 
# Если он установлен на ноль, то не происходит восстановление зоны.
# Для файловых серверов или рабочих нагрузок
# выгодно, если их данные кэшированы, zone_reclaim_mode
# оставить отключенным, поскольку эффект кэширования, 
# вероятно, будет более важным, чем местонахождение данных.
vm.dirty_ratio=20
# Процент оперативной памяти, который можно выделить под "грязные" страницы
# Вычисляли из примерного расчета: 
# В система 128 гигов памяти.
# Примерно по 20 дисков SSD, у которых в настройках CEPH указано 
# выделять под кэширование по 3G оперативы.
# Примерно по 40 дисков HDD, для которых этот параметр равен 1G
# 20% от 128 это 25.6 гигов. Итого, в случае максимальной утилизации памяти,
# для системы останется 2.4G памяти. Чего ей должно хватить чтоб выжить и дождаться
# стука копыт кавалерии - то есть пришествия DevOps который все починит.
vm.dirty_background_ratio=3
# процент системной памяти, который можно заполнить dirty pages до того,
# как фоновые процессы pdflush/flush/kdmflush запишут их на диск
fs.file-max=524288
# Ну и открытых файлов у нас,вероятно, будет сильно больше, чем указано по дефолту.

Onderdompeling in CEPH

Instellings waarby ek in meer besonderhede wil stilstaan:

kat /etc/ceph/ceph.conf

osd:
journal_aio: true               # Три параметра, включающие 
journal_block_align: true       # прямой i/o
journal_dio: true               # на журнал
journal_max_write_bytes: 1073714824 # Немного растянем максимальный размер
# разово записываемой операции в журнал
journal_max_write_entries: 10000    # Ну и количество одновременных записей
journal_queue_max_bytes: 10485760000 
journal_queue_max_ops: 50000
rocksdb_separate_wal_dir: true      # Решили делать отдельный wal                                                                            
# Даже попытались выбить под это дело                                                                                                                                                                                     
# NVMe
bluestore_block_db_create: true     # Ну и под журнал отдельное устройство
bluestore_block_db_size: '5368709120 #5G'
bluestore_block_wal_create: true
bluestore_block_wal_size: '1073741824   #1G' 
bluestore_cache_size_hdd: '3221225472   # 3G' 
# большой объем оперативы позволяет 
# хранить достаточно большие объемы
bluestore_cache_size_ssd: '9663676416   # 9G' 
keyring: /var/lib/ceph/osd/ceph-$id/keyring
osd_client_message_size_cap: '1073741824 #1G'
osd_disk_thread_ioprio_class: idle
osd_disk_thread_ioprio_priority: 7
osd_disk_threads: 2 # количество тредов у демона на один диск
osd_failsafe_full_ratio: 0.95
osd_heartbeat_grace: 5
osd_heartbeat_interval: 3
osd_map_dedup: true
osd_max_backfills: 2 # количество одновременных операций заполнения на один ОСД.
osd_max_write_size: 256
osd_mon_heartbeat_interval: 5
osd_op_threads: 16
osd_op_num_threads_per_shard: 1
osd_op_num_threads_per_shard_hdd: 2
osd_op_num_threads_per_shard_ssd: 2
osd_pool_default_min_size: 1     # Особенности жадности. Очень быстро стало
osd_pool_default_size: 2         # нехватать места, потому как временное                                                                                                                                                      
# решение приняли уменьшение количество 
# реплик данных
osd_recovery_delay_start: 10.000000
osd_recovery_max_active: 2
osd_recovery_max_chunk: 1048576
osd_recovery_max_single_start: 3
osd_recovery_op_priority: 1
osd_recovery_priority: 1            # параметр регулируем по необходимости на ходу
osd_recovery_sleep: 2
osd_scrub_chunk_max: 4

Sommige van die parameters wat op QA op weergawe 12.2.12 getoets is, ontbreek byvoorbeeld in weergawe ceph 12.2.2. osd_recovery_threads. Daarom het die planne 'n opdatering van die prod tot 12.2.12 ingesluit. Oefening het versoenbaarheid getoon in een groep weergawes 12.2.2 en 12.2.12, wat jou toelaat om 'n deurlopende opdatering te maak.

Toetsgroep

Natuurlik, vir toetsing was dit nodig om dieselfde weergawe te hê as in die geveg, maar toe ek met die groep begin werk het, het die bewaarplek net 'n nuwer een gehad. Nadat jy gekyk het na wat jy in die minderjarige weergawe kan sien, is dit nie baie groot nie (1393 lyne in konfigurasies teen 1436 in die nuwe weergawe), het ons besluit om die nuwe een te begin toets (werk in elk geval op, hoekom gaan op die ou goed)

Die enigste ding wat hulle probeer het om die ou weergawe te verlaat, is die pakket ceph-ontplooiing, omdat sommige van die nutsdienste (en sommige van die werknemers) volgens die sintaksis daarvan aangepas is. Die nuwe weergawe was heel anders, maar dit het nie die werking van die groep self beïnvloed nie, en dit is deur die weergawes verlaat 1.5.39

Aangesien die ceph-skyf-opdrag duidelik sê dat dit afgekeur is en gebruik die ceph-volume-opdrag, geliefdes - ons het begin om OSD met hierdie opdrag te skep, sonder om tyd te mors op die verouderde een.

Die plan was soos volg - om 'n spieël van twee SSD-skywe te skep, waarop ons OSD-logs sal plaas, wat op hul beurt op spil-SAS'e geleë is. Ons sal dus verseker teen dataprobleme wanneer die joernaalskyf ineenstort.

Skep 'n staalkluster volgens die dokumentasie

kat /etc/ceph/ceph.conf

root@ceph01-qa:~# cat /etc/ceph/ceph.conf # положили заранее подготовленный конфиг
[client]
rbd_cache = true
rbd_cache_max_dirty = 50331648
rbd_cache_max_dirty_age = 2
rbd_cache_size = 67108864
rbd_cache_target_dirty = 33554432
rbd_cache_writethrough_until_flush = true
rbd_concurrent_management_ops = 10
rbd_default_format = 2
[global]
auth_client_required = cephx
auth_cluster_required = cephx
auth_service_required = cephx
cluster network = 10.10.10.0/24
debug_asok = 0/0
debug_auth = 0/0
debug_buffer = 0/0
debug_client = 0/0
debug_context = 0/0
debug_crush = 0/0
debug_filer = 0/0
debug_filestore = 0/0
debug_finisher = 0/0
debug_heartbeatmap = 0/0
debug_journal = 0/0
debug_journaler = 0/0
debug_lockdep = 0/0
debug_mon = 0/0
debug_monc = 0/0
debug_ms = 0/0
debug_objclass = 0/0
debug_objectcatcher = 0/0
debug_objecter = 0/0
debug_optracker = 0/0
debug_osd = 0/0
debug_paxos = 0/0
debug_perfcounter = 0/0
debug_rados = 0/0
debug_rbd = 0/0
debug_rgw = 0/0
debug_throttle = 0/0
debug_timer = 0/0
debug_tp = 0/0
fsid = d0000000d-4000-4b00-b00b-0123qwe123qwf9
mon_host = ceph01-q, ceph02-q, ceph03-q
mon_initial_members = ceph01-q, ceph02-q, ceph03-q
public network = 8.8.8.8/28 # адрес изменен, естественно ))
rgw_dns_name = s3-qa.mycompany.ru # и этот адрес измен
rgw_host = s3-qa.mycompany.ru # и этот тоже
[mon]
mon allow pool delete = true
mon_max_pg_per_osd = 300 # больше трехсот плейсмент групп
# на диск не решились
# хотя параметр, естественно, зависит от количества пулов,
# их размеров и количества OSD. Иметь мало но здоровых PG
# тоже не лучший выбор - страдает точность балансировки
mon_osd_backfillfull_ratio = 0.9
mon_osd_down_out_interval = 5
mon_osd_full_ratio = 0.95 # пока для SSD дисков местом для их
# журнала является тот-же девайс что и для ОСД
# решили что 5% от диска (который сам размером 1.2Tb)
#  должно вполне хватить, и коррелирует с параметром
# bluestore_block_db_size плюс вариативность на большие 
# плейсмент группы
mon_osd_nearfull_ratio = 0.9
mon_pg_warn_max_per_osd = 520
[osd]
bluestore_block_db_create = true
bluestore_block_db_size = 5368709120 #5G
bluestore_block_wal_create = true
bluestore_block_wal_size = 1073741824 #1G
bluestore_cache_size_hdd = 3221225472 # 3G
bluestore_cache_size_ssd = 9663676416 # 9G
journal_aio = true
journal_block_align = true
journal_dio = true
journal_max_write_bytes = 1073714824
journal_max_write_entries = 10000
journal_queue_max_bytes = 10485760000
journal_queue_max_ops = 50000
keyring = /var/lib/ceph/osd/ceph-$id/keyring
osd_client_message_size_cap = 1073741824 #1G
osd_disk_thread_ioprio_class = idle
osd_disk_thread_ioprio_priority = 7
osd_disk_threads = 2
osd_failsafe_full_ratio = 0.95
osd_heartbeat_grace = 5
osd_heartbeat_interval = 3
osd_map_dedup = true
osd_max_backfills = 4
osd_max_write_size = 256
osd_mon_heartbeat_interval = 5
osd_op_num_threads_per_shard = 1
osd_op_num_threads_per_shard_hdd = 2
osd_op_num_threads_per_shard_ssd = 2
osd_op_threads = 16
osd_pool_default_min_size = 1
osd_pool_default_size = 2
osd_recovery_delay_start = 10.0
osd_recovery_max_active = 1
osd_recovery_max_chunk = 1048576
osd_recovery_max_single_start = 3
osd_recovery_op_priority = 1
osd_recovery_priority = 1
osd_recovery_sleep = 2
osd_scrub_chunk_max = 4
osd_scrub_chunk_min = 2
osd_scrub_sleep = 0.1
rocksdb_separate_wal_dir = true

# создаем мониторы
root@ceph01-qa:~#ceph-deploy mon create ceph01-q
# генерируем ключи для аутентификации нод в кластере
root@ceph01-qa:~#ceph-deploy gatherkeys ceph01-q
# Это если поштучно. Если у нас несколько машин доступны - те, которые описаны в конфиге в секции 
# mon_initial_members = ceph01-q, ceph02-q, ceph03-q
# можно запустить эти две команды в виде одной
root@ceph01-qa:~#ceph-deploy mon create-initial
# Положим ключи в указанные в конфиге места
root@ceph01-qa:~#cat ceph.bootstrap-osd.keyring > /var/lib/ceph/bootstrap-osd/ceph.keyring 
root@ceph01-qa:~#cat ceph.bootstrap-mgr.keyring > /var/lib/ceph/bootstrap-mgr/ceph.keyring 
root@ceph01-qa:~#cat ceph.bootstrap-rgw.keyring > /var/lib/ceph/bootstrap-rgw/ceph.keyring
# создадим ключ для управления кластером
root@ceph01-qa:~#ceph-deploy admin ceph01-q
# и менеджер, плагинами управлять
root@ceph01-qa:~#ceph-deploy mgr create ceph01-q

Die eerste ding waaroor ek gestruikel het in die werk van hierdie weergawe van ceph-deploy met 'n cluster van weergawe 12.2.12 is 'n fout wanneer ek probeer het om 'n OSD met db op 'n sagteware-aanval te skep -

root@ceph01-qa:~#ceph-volume lvm create --bluestore --data /dev/sde --block.db /dev/md0
blkid could not detect a PARTUUID for device: /dev/md1

Inderdaad, blkid wys nie PARTUUID nie, ek moes partisies handmatig skep:

root@ceph01-qa:~#parted /dev/md0 mklabel GPT 
# разделов будет много, 
# без GPT их создать не получится
# размер раздела мы указали в конфиге выше = bluestore_block_db_size: '5368709120 #5G'
# Дисков у меня 20 под OSD, руками создавать разделы лень
# потому сделал цикл
root@ceph01-qa:~#for i in {1..20}; do echo -e "nnnn+5Gnw" | fdisk /dev/md0; done

Dit blyk dat alles gereed is, ons probeer om die OSD weer te skep en kry die volgende fout (wat terloops nie in die geveg gereproduseer is nie)

wanneer 'n bluestore OSD geskep word sonder om die pad na WAL te spesifiseer, maar db te spesifiseer

root@ceph01-qa:~#ceph-volume lvm create --bluestore --data /dev/sde --block.db /dev/md0
stderr: 2019-04-12 10:39:27.211242 7eff461b6e00 -1 bluestore(/var/lib/ceph/osd/ceph-0/) _read_fsid unparsable uuid
stderr: 2019-04-12 10:39:27.213185 7eff461b6e00 -1 bdev(0x55824c273680 /var/lib/ceph/osd/ceph-0//block.wal) open open got: (22) Invalid argument
stderr: 2019-04-12 10:39:27.213201 7eff461b6e00 -1 bluestore(/var/lib/ceph/osd/ceph-0/) _open_db add block device(/var/lib/ceph/osd/ceph-0//block.wal) returned: (22) Invalid argument
stderr: 2019-04-12 10:39:27.999039 7eff461b6e00 -1 bluestore(/var/lib/ceph/osd/ceph-0/) mkfs failed, (22) Invalid argument
stderr: 2019-04-12 10:39:27.999057 7eff461b6e00 -1 OSD::mkfs: ObjectStore::mkfs failed with error (22) Invalid argument
stderr: 2019-04-12 10:39:27.999141 7eff461b6e00 -1  ** ERROR: error creating empty object store in /var/lib/ceph/osd/ceph-0/: (22) Invalid argumen

Verder, as op dieselfde spieël (of op 'n ander plek, om van te kies) 'n ander partisie vir WAL skep en dit spesifiseer wanneer die OSD geskep word, sal alles glad verloop (behalwe vir die voorkoms van 'n aparte WAL, wat jy dalk nie het nie gesoek).

Maar aangesien dit nog in die verre planne was om WAL na NVMe te bring, was die praktyk nie oorbodig nie.

root@ceph01-qa:~#ceph-volume lvm create --bluestore --data /dev/sdf --block.wal  /dev/md0p2 --block.db /dev/md1p2

Geskep monitors, bestuurders en OSD. Nou wil ek hulle op verskillende maniere groepeer, want ek beplan om verskillende soorte skywe te hê - vinnige poele op SSD en groot, maar stadig op SAS-pannekoek.

Ons sal aanvaar dat daar 20 skywe op die bedieners is, die eerste tien is een tipe, die tweede is 'n ander.
Die verstek kaart lyk soos volg:

ceph osd boom

root@ceph01-q:~# ceph osd boom
ID KLAS GEWIG TIPE NAAM STATUS HERGEWIG PRI-AFF
-1 14.54799 wortel verstek
-3 9.09200 gasheer ceph01-q
0 ssd 1.00000 osd.0 op 1.00000 1.00000
1 ssd 1.00000 osd.1 op 1.00000 1.00000
2 ssd 1.00000 osd.2 op 1.00000 1.00000
3 ssd 1.00000 osd.3 op 1.00000 1.00000
4 hdd 1.00000 osd.4 op 1.00000 1.00000
5 hdd 0.27299 osd.5 op 1.00000 1.00000
6 hdd 0.27299 osd.6 op 1.00000 1.00000
7 hdd 0.27299 osd.7 op 1.00000 1.00000
8 hdd 0.27299 osd.8 op 1.00000 1.00000
9 hdd 0.27299 osd.9 op 1.00000 1.00000
10 hdd 0.27299 osd.10 op 1.00000 1.00000
11 hdd 0.27299 osd.11 op 1.00000 1.00000
12 hdd 0.27299 osd.12 op 1.00000 1.00000
13 hdd 0.27299 osd.13 op 1.00000 1.00000
14 hdd 0.27299 osd.14 op 1.00000 1.00000
15 hdd 0.27299 osd.15 op 1.00000 1.00000
16 hdd 0.27299 osd.16 op 1.00000 1.00000
17 hdd 0.27299 osd.17 op 1.00000 1.00000
18 hdd 0.27299 osd.18 op 1.00000 1.00000
19 hdd 0.27299 osd.19 op 1.00000 1.00000
-5 5.45599 gasheer ceph02-q
20 ssd 0.27299 osd.20 op 1.00000 1.00000
21 ssd 0.27299 osd.21 op 1.00000 1.00000
22 ssd 0.27299 osd.22 op 1.00000 1.00000
23 ssd 0.27299 osd.23 op 1.00000 1.00000
24 hdd 0.27299 osd.24 op 1.00000 1.00000
25 hdd 0.27299 osd.25 op 1.00000 1.00000
26 hdd 0.27299 osd.26 op 1.00000 1.00000
27 hdd 0.27299 osd.27 op 1.00000 1.00000
28 hdd 0.27299 osd.28 op 1.00000 1.00000
29 hdd 0.27299 osd.29 op 1.00000 1.00000
30 hdd 0.27299 osd.30 op 1.00000 1.00000
31 hdd 0.27299 osd.31 op 1.00000 1.00000
32 hdd 0.27299 osd.32 op 1.00000 1.00000
33 hdd 0.27299 osd.33 op 1.00000 1.00000
34 hdd 0.27299 osd.34 op 1.00000 1.00000
35 hdd 0.27299 osd.35 op 1.00000 1.00000
36 hdd 0.27299 osd.36 op 1.00000 1.00000
37 hdd 0.27299 osd.37 op 1.00000 1.00000
38 hdd 0.27299 osd.38 op 1.00000 1.00000
39 hdd 0.27299 osd.39 op 1.00000 1.00000
-7 6.08690 gasheer ceph03-q
40 ssd 0.27299 osd.40 op 1.00000 1.00000
41 ssd 0.27299 osd.41 op 1.00000 1.00000
42 ssd 0.27299 osd.42 op 1.00000 1.00000
43 ssd 0.27299 osd.43 op 1.00000 1.00000
44 hdd 0.27299 osd.44 op 1.00000 1.00000
45 hdd 0.27299 osd.45 op 1.00000 1.00000
46 hdd 0.27299 osd.46 op 1.00000 1.00000
47 hdd 0.27299 osd.47 op 1.00000 1.00000
48 hdd 0.27299 osd.48 op 1.00000 1.00000
49 hdd 0.27299 osd.49 op 1.00000 1.00000
50 hdd 0.27299 osd.50 op 1.00000 1.00000
51 hdd 0.27299 osd.51 op 1.00000 1.00000
52 hdd 0.27299 osd.52 op 1.00000 1.00000
53 hdd 0.27299 osd.53 op 1.00000 1.00000
54 hdd 0.27299 osd.54 op 1.00000 1.00000
55 hdd 0.27299 osd.55 op 1.00000 1.00000
56 hdd 0.27299 osd.56 op 1.00000 1.00000
57 hdd 0.27299 osd.57 op 1.00000 1.00000
58 hdd 0.27299 osd.58 op 1.00000 1.00000
59 hdd 0.89999 osd.59 op 1.00000 1.00000

Kom ons skep ons eie virtuele rakke en bedieners met blackjack en ander dinge:

root@ceph01-q:~#ceph osd crush add-bucket rack01 root #создали новый root
root@ceph01-q:~#ceph osd crush add-bucket ceph01-q host #создали новый хост
root@ceph01-q:~#ceph osd crush move ceph01-q root=rack01 #переставили сервер в другую стойку
root@ceph01-q:~#osd crush add 28 1.0 host=ceph02-q # Добавили ОСД в сервер
# Если криво создали то можно удалить
root@ceph01-q:~# ceph osd crush remove osd.4
root@ceph01-q:~# ceph osd crush remove rack01

Die probleme wat ons in geveg cluster, wanneer jy probeer om 'n nuwe gasheer te skep en dit na 'n bestaande rek te skuif - die opdrag ceph osd crush move ceph01-host root=rack01 hang, en die monitors het een vir een begin val. Deur die opdrag met 'n eenvoudige CTRL+C te onderbreek, het die groep teruggekeer na die wêreld van die lewendes.

Die soektog het die volgende probleem opgelewer: https://tracker.ceph.com/issues/23386

Die oplossing was om die crushmap te stort en die gedeelte daarvandaan te verwyder reël replicated_ruleset

root@ceph01-prod:~#ceph osd getcrushmap -o crushmap.row #Дампим карту в сыром виде
root@ceph01-prod:~#crushtool -d crushmap.row -o crushmap.txt #переводим в читаемый
root@ceph01-prod:~#vim  crushmap.txt #редактируем, удаляя rule replicated_ruleset
root@ceph01-prod:~#crushtool -c crushmap.txt  -o new_crushmap.row #компилируем обратно
root@ceph01-prod:~#ceph osd setcrushmap -i  new_crushmap.row #загружаем в кластер

Toepassing: hierdie operasie kan 'n plasingsgroepherbalansering tussen OSD's veroorsaak. Ons het dit veroorsaak, maar baie klein.

En die eienaardigheid wat ons in die toetsgroep teëgekom het, is dat hulle, nadat hulle die OSD-bediener herlaai het, vergeet het dat hulle na nuwe bedieners en rakke geskuif is, en teruggekeer is na wortelstandaard.
As gevolg hiervan, nadat ons die finale skema saamgestel het, waarin ons 'n aparte wortel vir ssd-skywe en afsonderlik vir spilskywe geskep het, het ons al die OSD's langs die rakke getrek en eenvoudig die verstekwortel uitgevee. Na die herlaai het die OSD's op hul plekke begin bly.
Deur later in die dokumentasie te vroetel, is 'n parameter gevind wat vir hierdie gedrag verantwoordelik is. Oor hom in die tweede deel

Hoe ons verskillende groepe volgens tipe skywe gedoen het.

Om mee te begin, het ons twee wortels geskep - vir ssd en vir hdd

root@ceph01-q:~#ceph osd crush add-bucket ssd-root root
root@ceph01-q:~#ceph osd crush add-bucket hdd-root root

Aangesien die bedieners fisies in verskillende rakke geleë is, het ons gerieflikheidshalwe rakke geskep en daar is reeds bedieners daarin

# Стойки:
root@ceph01-q:~#ceph osd crush add-bucket ssd-rack01 rack
root@ceph01-q:~#ceph osd crush add-bucket ssd-rack02 rack
root@ceph01-q:~#ceph osd crush add-bucket ssd-rack03 rack
root@ceph01-q:~#ceph osd crush add-bucket hdd-rack01 rack
root@ceph01-q:~#ceph osd crush add-bucket hdd-rack01 rack
root@ceph01-q:~#ceph osd crush add-bucket hdd-rack01 rack
# Сервера
root@ceph01-q:~#ceph osd crush add-bucket ssd-ceph01-q host
root@ceph01-q:~#ceph osd crush add-bucket ssd-ceph02-q host
root@ceph01-q:~#ceph osd crush add-bucket ssd-ceph03-q host
root@ceph01-q:~#ceph osd crush add-bucket hdd-ceph01-q host
root@ceph01-q:~#ceph osd crush add-bucket hdd-ceph02-q host
root@ceph01-q:~#ceph osd crush add-bucket hdd-ceph02-q host

en verspreide skywe volgens hul tipes in verskillende bedieners

root@ceph01-q:~# Диски с 0 по 3 это SSD, находятся в ceph01-q, ставим их в сервер 
root@ceph01-q:~#  ssd-ceph01-q
root@ceph01-q:~#ceph osd crush add 0 1 host=ssd-ceph01-q
root@ceph01-q:~#ceph osd crush add 1 1 host=ssd-ceph01-q
root@ceph01-q:~#ceph osd crush add 2 1 host=ssd-ceph01-q
root@ceph01-q:~#ceph osd crush add 3 1 host=ssd-ceph01-q
root-ceph01-q:~# аналогично с другими серверами

Nadat ons die skywe oor die ssd-root en hdd-root wortels gestrooi het, het ons die root-default leeg gelaat, sodat ons dit kan uitvee

root-ceph01-q:~#ceph osd crush remove default

Vervolgens moet ons verspreidingsreëls skep wat ons aan die geskepte poele sal bind - in die reëls sal ons aandui in watter wortel ons ons poeldata kan plaas en die uniekheidsvlak van die replika - byvoorbeeld, replikas moet op verskillende bedieners wees, of in verskillende rakke (jy kan selfs in verskillende wortels, as ons so 'n verspreiding het)

Voordat u 'n tipe kies, is dit beter om die dokumentasie te lees:
http://docs.ceph.com/docs/jewel/rados/operations/crush-map/#crushmaprules

root-ceph01-q:~#ceph osd crush rule create-simple rule-ssd ssd-root host firstn
root-ceph01-q:~#ceph osd crush rule create-simple rule-hdd hdd-root host firstn
root-ceph01-q:~# Мы указали два правила, в которых данные реплицируются 
root-ceph01-q:~# между хостами - то есть реплика должна лежать на другом хосте,
root-ceph01-q:~# даже если они в одной стойке
root-ceph01-q:~# В продакшене, если есть возможность, лучше распределить хосты
root-ceph01-q:~# по стойкам и указать распределять реплики по стойкам:
root-ceph01-q:~# ##ceph osd crush rule create-simple rule-ssd ssd-root rack firstn

Wel, ons skep poele waarin ons skyfbeelde van ons virtualisering in die toekoms wil stoor - PROXMOX:

    root-ceph01-q:~# #ceph osd pool create {NAME} {pg_num}  {pgp_num}
root-ceph01-q:~# ceph osd pool create ssd_pool 1024 1024 
root-ceph01-q:~# ceph osd pool create hdd_pool 1024 1024

En ons vertel hierdie poele watter plasingsreëls om te gebruik

 root-ceph01-q:~#ceph osd crush rule ls # смотрим список правил
root-ceph01-q:~#ceph osd crush rule dump rule-ssd | grep rule_id #выбираем ID нужного
root-ceph01-q:~#ceph osd pool set ssd_pool crush_rule 2

Die keuse van die aantal plasingsgroepe moet benader word met 'n voorafbestaande visie vir jou groepering - hoeveel OSD daar sal wees, hoeveel data (as 'n persentasie van die totaal) in die poel sal wees, hoeveel data in totaal .

In totaal is dit wenslik om nie meer as 300 plasingsgroepe per skyf te hê nie, en dit sal makliker wees om met klein plasingsgroepe te balanseer - dit wil sê as jou hele swembad 10 Tb en 10 PG daarin beslaan - dan sal dit problematies wees om te balanseer deur terabyte-stene (bl.) te gooi - om sand met 'n klein grootte sandkorrels in emmers te gooi, is eenvoudiger en gladder).

Maar ons moet onthou dat hoe groter die aantal PG's - hoe meer hulpbronne word spandeer om hul ligging te bereken - die geheue en SVE begin benut word.

Benaderde begrip kan gee sakrekenaar, verskaf deur die ontwikkelaars van die CEPH-dokumentasie.

Lys van materiale:

https://blog.packagecloud.io/eng/2017/02/06/monitoring-tuning-linux-networking-stack-sending-data
http://www.admin-magazine.com/HPC/Articles/Linux-I-O-Schedulers
http://onreader.mdl.ru/MasteringCeph/content/Ch09.html#030202
https://tracker.ceph.com/issues/23386
https://ceph.com/pgcalc/

Bron: will.com

Ceph - van "op die knie" tot "produksie"