CEPH seçilməsi. 1-ci hissə
Beş rəfimiz, on optik açarımız, konfiqurasiya edilmiş BGP, bir neçə onlarla SSD və bütün rəng və ölçülərdə bir dəstə SAS diskimiz, həmçinin proxmox və bütün statik məlumatları öz S3 yaddaşımıza yerləşdirmək istəyimiz var idi. Bütün bunlar virtuallaşdırma üçün lazım deyil, ancaq açıq mənbədən istifadə etməyə başladıqdan sonra hobbinizi sona qədər izləyin. Məni narahat edən yeganə şey BGP idi. Dünyada daxili BGP marşrutlaşdırmasından daha aciz, məsuliyyətsiz və əxlaqsız heç kim yoxdur. Və bilirdim ki, çox keçmədən biz buna dalacağıq.
Tapşırıq mənasız idi - CEPH var idi, amma çox yaxşı işləmədi. “Yaxşılıq” etmək lazım idi.
Aldığım çoxluq heterojen, tələsik köklənmiş və praktiki olaraq tənzimlənməmişdir. O, həm klaster, həm də ictimai şəbəkə kimi fəaliyyət göstərən bir ümumi şəbəkə ilə müxtəlif qovşaqların iki qrupundan ibarət idi. Düyünlər dörd növ disklə dolduruldu - iki ayrı yerləşdirmə qaydasında toplanmış iki növ SSD və üçüncü qrupda toplanan müxtəlif ölçülü iki növ HDD. Müxtəlif ölçülü problem müxtəlif OSD çəkiləri ilə həll edildi.
Quraşdırma özü iki hissəyə bölünür - əməliyyat sisteminin tənzimlənməsi и CEPH-in özünün köklənməsi və onun parametrləri.
OS təkmilləşdirilir
şəbəkə
Yüksək gecikmə həm yazmağa, həm də balanslaşdırmağa təsir etdi. Qeydiyyat zamanı - çünki digər yerləşdirmə qruplarındakı məlumat replikaları müvəffəqiyyəti təsdiqləyənə qədər müştəri uğurlu qeyd haqqında cavab almayacaq. CRUSH xəritəsində replikaların paylanması qaydaları hər host üçün bir replika olduğundan həmişə şəbəkədən istifadə edilirdi.
Buna görə də, etmək qərarına gələn ilk şey, mövcud şəbəkəni bir az tənzimləmək, eyni zamanda məni ayrı şəbəkələrə keçməyə inandırmaq idi.
Başlamaq üçün şəbəkə kartlarının parametrlərini dəyişdirdim. Növbələri qurmaqla başladım:
nə olub:
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: 1Mövcud parametrlərin maksimumlardan uzaq olduğunu görmək olar. Artıb:
root@ceph01:~#ethtool -G ens1f0 rx 4096
root@ceph01:~#ethtool -G ens1f0 tx 4096
root@ceph01:~#ethtool -L ens1f0 combined 63Əla məqalə ilə idarə olunur
göndərmə növbəsinin uzunluğunu artırdı txqueuelen 1000-dən 10-ə qədər
root@ceph01:~#ip link set ens1f0 txqueuelen 10000Yaxşı, ceph-in özünün sənədlərinə əməl edin
artdı MTU 9000-a.
root@ceph01:~#ip link set dev ens1f0 mtu 9000/etc/network/interfaces-ə əlavə edildi ki, yuxarıdakıların hamısı başlanğıcda yüklənsin.
cat / etc / network / interfeyslər
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 9000Bundan sonra, eyni məqalədən sonra 4.15 nüvəsinin tutacaqlarını düşünərək bükməyə başladım. Düyünlərin 128G RAM olduğunu nəzərə alsaq, bunun üçün bir konfiqurasiya faylı əldə etdik sysctl
cat /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)Сparlaq şəbəkə ayrı 10Gbps şəbəkə interfeyslərində ayrıca düz şəbəkəyə ayrıldı. Hər bir maşın iki portlu şəbəkə kartları ilə təchiz edilmişdir melanoks 10/25 Gbps, iki ayrı 10Gbps keçidə qoşulmuşdur. Toplama OSPF-dən istifadə etməklə həyata keçirilib, çünki nədənsə lacp ilə əlaqə maksimum 16 Gbps ümumi ötürmə qabiliyyətini göstərdi, ospf isə hər maşında hər iki onluğu uğurla istifadə etdi. Gələcək planlar gecikməni azaltmaq üçün bu melanokslarda ROCE-dən istifadə etmək idi. Şəbəkənin bu hissəsini necə qurmaq olar:
- Maşınların BGP-də xarici IP ünvanları olduğundan, bizə proqram təminatı lazımdır - (daha doğrusu, bu məqaləni yazarkən belə idi ) artıq dayanmışdı.
- Ümumilikdə, maşınların hər birində iki interfeys olan iki şəbəkə interfeysi var idi - cəmi 4 port. Bir şəbəkə kartı iki portlu zavoda baxdı və onun üzərində BGP konfiqurasiya edildi, ikincisi iki portlu iki fərqli açara baxdı və üzərində OSPF quruldu.
OSPF-nin qurulması ilə bağlı daha çox təfərrüat: Əsas vəzifə iki keçidi birləşdirmək və xətaya dözümlü olmaqdır.
iki şəbəkə interfeysi iki sadə düz şəbəkəyə konfiqurasiya edilmişdir - 10.10.10.0/24 və 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 ens1f1hansı maşınlar bir-birini görür.
DİQQƏT
Növbəti addım diskləri optimallaşdırmaq idi. SSD üçün planlaşdırıcını dəyişdirdim noop, HDD üçün - tarixi. Açıqcasına desək, NOOP “ilk girən, ilk çıxan” prinsipi ilə işləyir, bu da ingilis dilində “FIFO (First In, First Out)” kimi səslənir. Müraciətlər gələn kimi növbəyə qoyulur. DEADLINE daha çox oxunma yönümlüdür, üstəlik növbəyə qoyulmuş proses əməliyyat zamanı diskə demək olar ki, eksklüziv giriş əldə edir. Bu, bizim sistemimiz üçün mükəmməldir - axırda hər disklə yalnız bir proses işləyir - OSD daemon.
(I/O planlayıcısına dalmaq istəyənlər bu barədə burada oxuya bilərlər:
Rus dilində oxumağa üstünlük verənlər: )
Linux-u tənzimləmək üçün tövsiyələrdə nr_request-i artırmaq da tövsiyə olunur
nr_istəklər
nr_requests dəyəri I/O planlaşdırıcısı blok cihazına məlumat göndərməzdən/qəbul etməzdən əvvəl buferləşən I/O sorğularının miqdarını müəyyən edir, əgər siz I/O-dan daha böyük növbəni idarə edə bilən RAID kartı/Blok Cihazı istifadə edirsinizsə. /O planlaşdırıcısı təyin edilib, nr_requests dəyərinin artırılması serverdə böyük həcmdə I/O baş verdikdə server yükünü yaxşılaşdırmağa və azaltmağa kömək edə bilər. Əgər planlaşdırıcı kimi Deadline və ya CFQ istifadə edirsinizsə, nr_request dəyərini növbə dərinliyinin dəyərinin 2 qatına təyin etməyiniz tövsiyə olunur.
AMMA! Vətəndaşların özləri, CEPH-nin yaradıcıları bizi inandırır ki, onların prioritetləri sistemi daha yaxşı işləyir
WBTthrottle və/və ya nr_requests
WBTthrottle və/və ya nr_requests
Fayl saxlama sistemi yazmaq üçün buferləşdirilmiş giriş/çıxış əməliyyatlarından istifadə edir; fayl saxlama jurnalı daha sürətli mediada yerləşirsə, bu, bir sıra üstünlüklər təklif edir. Müştəri sorğuları jurnala məlumatlar yazılan kimi dərhal bildirilir və daha sonra standart funksionallıqdan istifadə edərək məlumat diskinə göndərilir. LinuxBu, OSD mili sürücülərinin kiçik paketlərdə yazarkən SSD-lərə bənzər yazma gecikməsini təmin etməsinə imkan verir. Bu gecikmiş yazma həmçinin nüvənin özünün diskə giriş/çıxış sorğularını yenidən qurmasına imkan verir və onları birləşdirmək və ya disk başlıqlarının lövhələri arasında daha optimal bir yol seçməsinə imkan vermək ümidi ilə. Son nəticə budur ki, hər diskdən birbaşa və ya sinxron giriş/çıxış əməliyyatları ilə mümkün olduğundan bir az daha çox giriş/çıxış əməliyyatı edə bilərsiniz.
Bununla belə, müəyyən bir Ceph klasterinə daxil olan qeydlərin həcmi əsas disklərin bütün imkanlarını üstələyirsə, müəyyən bir problem yaranır. Bu ssenaridə diskə yazılmağı gözləyən gözlənilən I/O əməliyyatlarının ümumi sayı nəzarətsiz şəkildə arta bilər və I/O növbələrinin bütün diski və Ceph növbələrini doldurması ilə nəticələnə bilər. Oxuma sorğuları xüsusilə təsirlənir, çünki onlar yazma sorğuları arasında ilişib qalırlar, bu da əsas diskə köçürülməsi bir neçə saniyə çəkə bilər.
Bu problemin öhdəsindən gəlmək üçün Ceph WBThrottle adlı fayl anbarına quraşdırılmış geri yazmağı məhdudlaşdıran mexanizmə malikdir. O, növbəyə dura bilən və öz yuyulma prosesinə nüvənin özü tərəfindən aktivləşdirildiyi üçün təbii olaraq baş verəndən daha tez başlaya bilən tənbəl yazma I/O-nun ümumi miqdarını məhdudlaşdırmaq üçün nəzərdə tutulmuşdur. Təəssüf ki, sınaq nümayiş etdirir ki, defolt dəyərlər hələ də mövcud davranışı oxunma gecikməsinə bu təsiri azalda biləcək səviyyəyə endirməyə bilər. Tənzimləmələr bu davranışı dəyişdirə və ümumi yazma növbəsinin uzunluğunu azalda və bu təsiri daha az ağırlaşdıra bilər. Bununla belə, bir güzəşt var: növbəyə qoyulmasına icazə verilən ümumi maksimum giriş sayını azaltmaqla, nüvənin özünün gələn sorğuları sifariş etməkdə səmərəliliyini artırmaq qabiliyyətini azalda bilərsiniz. Xüsusi istifadə vəziyyətiniz, iş yükləri və onlara uyğunlaşdırmaq üçün daha çox nəyə ehtiyacınız olduğunu bir az düşünməyə dəyər.
Belə bir geri yazma növbəsinin dərinliyinə nəzarət etmək üçün siz ya WBThrottle parametrlərindən istifadə edərək görkəmli I/O əməliyyatlarının ümumi maksimum sayını azalda, ya da nüvənizin blok səviyyəsində görkəmli əməliyyatlar üçün maksimum dəyəri azalda bilərsiniz. Hər ikisi eyni davranışı effektiv şəkildə idarə edə bilər və seçimləriniz bu parametrin həyata keçirilməsi üçün əsas olacaqdır.
Onu da qeyd etmək lazımdır ki, Ceph-in əməliyyat prioritet sistemi disk səviyyəsində daha qısa sorğular üçün daha səmərəlidir. Ümumi növbəni müəyyən bir diskə daraltmaqla növbənin əsas yeri Ceph-ə keçir və burada I/O əməliyyatının hansı prioritet olduğuna daha çox nəzarət edir. Aşağıdakı misalı nəzərdən keçirək:
echo 8 > /sys/block/sda/queue/nr_requestsYığıncaq
Avtomobilinizi yumşaq və ipək kimi etmək və aparatdan bir az daha çox performansı sıxmaq üçün daha bir neçə kernel düzəlişləri
cat /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. CEPH-ə daldırma
Daha ətraflı dayanmaq istədiyim parametrlər:
cat /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: 4Məsələn, 12.2.12 versiyasında QA üçün sınaqdan keçirilmiş bəzi parametrlər ceph 12.2.2 versiyasında yoxdur. osd_recovery_threads. Buna görə də, planlara hasilatın 12.2.12-yə qədər yeniləməsi daxildir. Təcrübə bir klasterdə 12.2.2 və 12.2.12 versiyaları arasında uyğunluğu göstərdi ki, bu da yayma yeniləmələrə imkan verir.
Test klasteri
Təbii ki, sınaqdan keçmək üçün döyüşdə olduğu kimi eyni versiyaya sahib olmaq lazım idi, lakin mən klasterlə işləməyə başlayanda anbarda yalnız daha yenisi mövcud idi. Baxdıqdan sonra kiçik versiyada görə biləcəyiniz şey çox böyük deyil (1393 qarşı konfiqurasiya xətləri 1436 yeni versiyada), biz yenisini sınamağa qərar verdik (hər halda yenilənir, niyə köhnə zibillə gedirik)
Köhnə versiyanı geridə qoymağa çalışdığımız yeganə şey paketdir yerləşdirmək çünki bəzi kommunal proqramlar (və bəzi işçilər) onun sintaksisinə uyğunlaşdırılmışdır. Yeni versiya tamamilə fərqli idi, lakin klasterin özünün işinə təsir etmədi və versiyada qaldı 1.5.39
Ceph-disk əmri onun köhnəldiyini və ceph-volume əmrindən istifadə etdiyini açıq şəkildə söylədiyi üçün, əzizlərim, köhnəlmişlərə vaxt itirmədən bu əmrlə OSD yaratmağa başladıq.
Plan, öz növbəsində milli SAS-larda yerləşən OSD jurnallarını yerləşdirəcəyimiz iki SSD sürücüsünün güzgüsünü yaratmaq idi. Beləliklə, jurnalın olduğu disk düşərsə, özümüzü məlumatlarla bağlı problemlərdən qoruya bilərik.
Sənədlərə uyğun olaraq klaster yaratmağa başladıq
cat /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-q12.2.12 klaster versiyası ilə ceph-deploy-un bu versiyası ilə işləyərkən rastlaşdığım ilk şey proqram reydində db ilə OSD yaratmağa çalışarkən səhv oldu -
root@ceph01-qa:~#ceph-volume lvm create --bluestore --data /dev/sde --block.db /dev/md0
blkid could not detect a PARTUUID for device: /dev/md1Həqiqətən, blkid PARTUUID kimi görünmür, ona görə də əl ilə arakəsmələr yaratmalı oldum:
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; doneHər şey hazır görünür, biz yenidən OSD yaratmağa çalışırıq və aşağıdakı səhvi alırıq (yeri gəlmişkən, döyüşdə təkrarlanmadı)
WAL-a gedən yolu göstərmədən, lakin db-ni göstərmədən bluestore tipli OSD yaradarkən
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 argumenÜstəlik, eyni güzgüdə (və ya seçdiyiniz başqa yerdə) WAL üçün başqa bir bölmə yaratsanız və OSD yaradarkən onu göstərsəniz, hər şey rəvan gedəcək (ayrıca WAL-ın görünüşü istisna olmaqla, bunu edə bilməzsiniz. istədim).
Ancaq WAL-ı NVMe-yə köçürmək hələ də uzaq planlarda olduğundan, təcrübə artıq olmadı.
root@ceph01-qa:~#ceph-volume lvm create --bluestore --data /dev/sdf --block.wal /dev/md0p2 --block.db /dev/md1p2Monitorlar, menecerlər və OSD yaradıldı. İndi mən onları fərqli qruplaşdırmaq istərdim, çünki müxtəlif növ disklərə sahib olmağı planlaşdırıram - SSD-də sürətli hovuzlar və SAS pancake-də böyük, lakin yavaş hovuzlar.
Tutaq ki, serverlərdə 20 disk var, birinci on bir növ, ikincisi başqadır.
İlkin, standart kart belə görünür:
ceph osd ağacı
root@ceph01-q:~# ceph osd ağacı
ID SINIF ÇƏKİ NÖVÜ ADI STATUS YENİ ÇƏKİ PRI-AFF
-1 14.54799 kök default
-3 9.09200 host ceph01-q
0 ssd 1.00000 osd.0 yuxarı 1.00000 1.00000
1 ssd 1.00000 osd.1 yuxarı 1.00000 1.00000
2 ssd 1.00000 osd.2 yuxarı 1.00000 1.00000
3 ssd 1.00000 osd.3 yuxarı 1.00000 1.00000
4 hdd 1.00000 osd.4 yuxarı 1.00000 1.00000
5 hdd 0.27299 osd.5 yuxarı 1.00000 1.00000
6 hdd 0.27299 osd.6 yuxarı 1.00000 1.00000
7 hdd 0.27299 osd.7 yuxarı 1.00000 1.00000
8 hdd 0.27299 osd.8 yuxarı 1.00000 1.00000
9 hdd 0.27299 osd.9 yuxarı 1.00000 1.00000
10 hdd 0.27299 osd.10 yuxarı 1.00000 1.00000
11 hdd 0.27299 osd.11 yuxarı 1.00000 1.00000
12 hdd 0.27299 osd.12 yuxarı 1.00000 1.00000
13 hdd 0.27299 osd.13 yuxarı 1.00000 1.00000
14 hdd 0.27299 osd.14 yuxarı 1.00000 1.00000
15 hdd 0.27299 osd.15 yuxarı 1.00000 1.00000
16 hdd 0.27299 osd.16 yuxarı 1.00000 1.00000
17 hdd 0.27299 osd.17 yuxarı 1.00000 1.00000
18 hdd 0.27299 osd.18 yuxarı 1.00000 1.00000
19 hdd 0.27299 osd.19 yuxarı 1.00000 1.00000
-5 5.45599 host ceph02-q
20 ssd 0.27299 osd.20 yuxarı 1.00000 1.00000
21 ssd 0.27299 osd.21 yuxarı 1.00000 1.00000
22 ssd 0.27299 osd.22 yuxarı 1.00000 1.00000
23 ssd 0.27299 osd.23 yuxarı 1.00000 1.00000
24 hdd 0.27299 osd.24 yuxarı 1.00000 1.00000
25 hdd 0.27299 osd.25 yuxarı 1.00000 1.00000
26 hdd 0.27299 osd.26 yuxarı 1.00000 1.00000
27 hdd 0.27299 osd.27 yuxarı 1.00000 1.00000
28 hdd 0.27299 osd.28 yuxarı 1.00000 1.00000
29 hdd 0.27299 osd.29 yuxarı 1.00000 1.00000
30 hdd 0.27299 osd.30 yuxarı 1.00000 1.00000
31 hdd 0.27299 osd.31 yuxarı 1.00000 1.00000
32 hdd 0.27299 osd.32 yuxarı 1.00000 1.00000
33 hdd 0.27299 osd.33 yuxarı 1.00000 1.00000
34 hdd 0.27299 osd.34 yuxarı 1.00000 1.00000
35 hdd 0.27299 osd.35 yuxarı 1.00000 1.00000
36 hdd 0.27299 osd.36 yuxarı 1.00000 1.00000
37 hdd 0.27299 osd.37 yuxarı 1.00000 1.00000
38 hdd 0.27299 osd.38 yuxarı 1.00000 1.00000
39 hdd 0.27299 osd.39 yuxarı 1.00000 1.00000
-7 6.08690 host ceph03-q
40 ssd 0.27299 osd.40 yuxarı 1.00000 1.00000
41 ssd 0.27299 osd.41 yuxarı 1.00000 1.00000
42 ssd 0.27299 osd.42 yuxarı 1.00000 1.00000
43 ssd 0.27299 osd.43 yuxarı 1.00000 1.00000
44 hdd 0.27299 osd.44 yuxarı 1.00000 1.00000
45 hdd 0.27299 osd.45 yuxarı 1.00000 1.00000
46 hdd 0.27299 osd.46 yuxarı 1.00000 1.00000
47 hdd 0.27299 osd.47 yuxarı 1.00000 1.00000
48 hdd 0.27299 osd.48 yuxarı 1.00000 1.00000
49 hdd 0.27299 osd.49 yuxarı 1.00000 1.00000
50 hdd 0.27299 osd.50 yuxarı 1.00000 1.00000
51 hdd 0.27299 osd.51 yuxarı 1.00000 1.00000
52 hdd 0.27299 osd.52 yuxarı 1.00000 1.00000
53 hdd 0.27299 osd.53 yuxarı 1.00000 1.00000
54 hdd 0.27299 osd.54 yuxarı 1.00000 1.00000
55 hdd 0.27299 osd.55 yuxarı 1.00000 1.00000
56 hdd 0.27299 osd.56 yuxarı 1.00000 1.00000
57 hdd 0.27299 osd.57 yuxarı 1.00000 1.00000
58 hdd 0.27299 osd.58 yuxarı 1.00000 1.00000
59 hdd 0.89999 osd.59 yuxarı 1.00000 1.00000
Gəlin blackjack və başqa şeylərlə öz virtual rəflərimizi və serverlərimizi yaradaq:
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 rack01Qarşılaşdığımız problemlər döyüş klaster, yeni bir host yaratmağa və onu mövcud rafa köçürməyə çalışarkən - əmr ceph osd crush hərəkət ceph01-host root=rack01 dondu və monitorlar bir-bir düşməyə başladı. Sadə CTRL+C ilə əmrin ləğvi klasteri canlılar dünyasına qaytardı.
Axtarış bu problemi göstərdi:
Çözüm, əzilmiş parçanı boşaltmaq və bölməni oradan çıxarmaq olduğu ortaya çıxdı qayda təkrarlanan_qaydalar toplusu
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 кластерAkhtung: Bu əməliyyat OSD-lər arasında yerləşdirmə qrupunun yenidən balanslaşdırılmasına səbəb ola bilər. Bu, bizim üçün buna səbəb oldu, amma çox az.
Və test klasterində qarşılaşdığımız qəribə şey OSD serverini yenidən işə saldıqdan sonra onlar yeni serverlərə və raflara köçürüldüklərini unutdular və kök standartına qayıtdılar.
Nəticədə, ssd sürücüləri üçün ayrıca bir kök və milli sürücülər üçün ayrıca bir kök yaratdığımız son sxemi yığaraq, bütün OSD-ləri raflara götürdük və sadəcə standart kökü sildik. Yenidən başladıqdan sonra OSD yerində qalmağa başladı.
Daha sonra sənədləri araşdırdıqdan sonra bu davranışa cavabdeh olan bir parametr tapdıq. Onun haqqında ikinci hissədə
Disk növünə görə müxtəlif qrupları necə yaratdıq.
Başlamaq üçün iki kök yaratdıq - ssd və hdd üçün
root@ceph01-q:~#ceph osd crush add-bucket ssd-root root
root@ceph01-q:~#ceph osd crush add-bucket hdd-root rootServerlər fiziki olaraq müxtəlif raflarda yerləşdiyindən rahatlıq üçün onların içərisində serverləri olan rəflər yaratdıq.
# 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 hostdiskləri növlərinə görə müxtəlif serverlərə payladı
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 серверамиDiskləri ssd-root və hdd-root marşrutları arasında səpələdikdən sonra kök standartını boş qoyduq ki, onu silə bilək.
root-ceph01-q:~#ceph osd crush remove defaultBundan sonra, yaradılan hovuzlara bağlayacağımız paylama qaydaları yaratmalıyıq - qaydalarda hansı köklərin hovuz məlumatlarımızı yerləşdirə biləcəyini və replikanın unikallıq səviyyəsini göstərəcəyik - məsələn, replikalar müxtəlif serverlərdə olmalıdır, və ya fərqli raflarda (belə bir paylamamız varsa, hətta fərqli köklərdə də edə bilərsiniz)
Bir növ seçməzdən əvvəl sənədləri oxumaq daha yaxşıdır:
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 firstnYaxşı, biz gələcəkdə virtuallaşdırmamızın disk şəkillərini saxlamaq istədiyimiz hovuzlar yaradırıq - 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 1024Və biz bu hovuzlara hansı yerləşdirmə qaydalarından istifadə edəcəyimizi deyirik
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
Yerləşdirmə qruplarının sayının seçiminə klasteriniz üçün əvvəlcədən mövcud olan baxışla yanaşmaq lazımdır - orada təxminən neçə OSD olacaq, hovuzda nə qədər məlumat (ümumi həcmin faizi kimi) olacaq, nədir? məlumatların ümumi miqdarı.
Ümumilikdə, diskdə 300-dən çox yerləşdirmə qrupunun olmaması məsləhətdir və kiçik yerləşdirmə qrupları ilə balanslaşdırmaq daha asan olacaq - yəni bütün hovuzunuz 10 Tb tutursa və 10 PG varsa - balanslaşdırma terabayt kərpic ataraq (pg) problemli olacaq - kiçik ölçülü qum dənələri ilə qumu daha asan və bərabər şəkildə çömçələrə tökün).
Ancaq yadda saxlamalıyıq ki, PG-lərin sayı nə qədər çox olarsa, onların yerini hesablamaq üçün bir o qədər çox resurs sərf olunur - yaddaş və CPU istifadə olunmağa başlayır.
Kobud bir anlayış ola bilər , CEPH sənədlərinin tərtibatçıları tərəfindən təmin edilmişdir.
Materialların siyahısı:
Mənbə: www.habr.com
