Выбар CEPH. Частка 1
У нас было пяць стоек, дзесяць аптычных свічак, наладжаны BGP, пару дзясяткаў SSD і куча SAS дыскаў усіх колераў і памераў, а яшчэ proxmox і жаданне засунуць усю статыку ва ўласнае S3 сховішча. Не тое каб гэта ўсё было патрэбна для віртуалізацыі, але раз пачаў выкарыстоўваць opensource - то ідзі ў сваім захапленні да канца. Адзінае, што мяне турбавала - гэта BGP. У свеце няма нікога больш бездапаможнага, безадказнага і амаральнага, чым унутраная маршртутызацыя па BGP. І я ведаў, што даволі хутка мы ў гэта акунемся.
Задача стаяла банальная - меўся CEPH, працаваў не вельмі добра. Трэба было зрабіць "добра".
Які дастаўся мне кластар быў разнастайным, настроеным на хуткую руку і практычна не тюнингованным. Ён складаўся з двух груп розных нод, з адной агульнай сеткай якая выконвае ролю як cluster так і public network. Ноды былі набітыя чатырма тыпамі дыскаў - два тыпу SSD, сабранымі ў два асобных placement rule і два тыпу HDD рознага памеру, сабранымі ў трэцюю групу. Праблема з рознымі памерамі была вырашана рознымі вагамі OSD.
Саму настройку падзялілі на дзве часткі. цюнінг аперацыйнай сістэмы и цюнінг самога CEPH і яго налад.
Прапампоўка OS
сетка
Высокае latency адбівалася як пры запісе, так і пры балансіроўцы. Пры запісе - таму, што кліент не атрымае адказ аб паспяховым запісе, пакуль рэплікі дадзеных у іншых плэйсмент групах не пацвердзяць поспех. Паколькі правілы размеркавання рэплік у CRUSH map у нас былі па адной рэпліцы на хост, то сетка выкарыстоўвалася заўсёды.
Таму перш за ўсё вырашыў злёгку наладзіць бягучую сетку, паралельна спрабуючы пераканаць пераехаць на паасобныя сеткі.
Для пачатку пакруціў наладкі сеткавых карт. Пачаў з наладкі чэргаў:
што было:
ethtool -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: 1Відаць, што current параметры далёкія ад maximums. Павялічыў:
root@ceph01:~#ethtool -G ens1f0 rx 4096
root@ceph01:~#ethtool -G ens1f0 tx 4096
root@ceph01:~#ethtool -L ens1f0 combined 63Кіруючыся выдатным артыкулам
павялічыў даўгу чарзе адпраўкі txqueuelen з 1000 да 10 000
root@ceph01:~#ip link set ens1f0 txqueuelen 10000Ну і прытрымліваючыся дакументацыі самога ceph
павялічыўся MTU да 9000.
root@ceph01:~#ip link set dev ens1f0 mtu 9000Дадаў у /etc/network/interfaces, каб усё вышэйпералічанае грузілася пры старце
cat / etc / network / interfaces
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 9000Пасля чаго, прытрымліваючыся гэтага ж артыкулу, пачаў удумліва накручваць ручкі ядра 4.15. Улічваючы, што на нодах 128G RAM, атрымаўся нейкі файл канфігурацыі для 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)Сluster network была выдзелена на асобных 10Gbps сеткавых інтэрфейсах у асобную плоскую сетку. На кожнай машыне былі пастаўлены сеткавыя двухпартовыя карты. меланокс 10/25 Gbps, уваткнутыя ў два асобных 10Gbps свіча. Агрэгацыя ажыццяўлялася з дапамогай OSPF, паколькі бандынг з lacp чамусьці паказаў сумарную прапускную здольнасць максімум у 16 Gbps, у той час як ospf паспяхова ўтылізаваў цалкам абедзве дзясяткі на кожнай машыне. У далейшых планах было скарыстацца ROCE на гэтых меланоксах, для памяншэння лэтэнсі. Як наладжвалі гэтую частку сеткі:
- Паколькі самі машыны маюць знешнія айпішнікі на BGP, то неабходны нам софт - (а дакладней на момант напісання артыкула гэта быў ) ужо стаяў.
- Усяго на машынах было дзве сеткавых па два інтэрфейсу - у суме 4 порта. Адна сеткавая карта двума партамі глядзела на фабрыку і на ёй быў настроены BGP, другая - двума партамі глядзела ў два розных світачы і на яе быў нацкаваны OSPF
Падрабязней па наладзе OSPF: Асноўная задача - агрэгаваць два лінка і мець fault tolerance.
два сеткавых інтэрфейсу настроены ў дзве простых плоскіх сеткі - 10.10.10.0/24 і 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 ens1f1па якіх машыны адна адну бачаць.
ДЫСК
Наступным крокам вырашыў аптымізаваць працу дыскаў. Для SSD памяняў планавальнік на нуп, для HDD Крайні тэрмін. Калі грубіянска - то NOOP працуе па прынцыпе "хто першы ўстаў - таго і тапкі", што па ангельскай гучыць як "FIFO (First In, First Out)". Запыты ўстаюць у чаргу па меры іх паступлення. DEADLINE больш заменчаны на чытанне, плюс працэс з чаргі атрымлівае практычна манапольны доступ да дыска на момант аперацыі. Для нашай сістэмы гэта выдатна падыходзіць – бо з кожным дыскам працуе толькі адзін працэс – OSD daemon.
(Жадаючыя пагрузіцца ў планавальнік уводу-высновы могуць пачытаць пра яго тут:
Якія аддаюць перавагу чытаць на рускай: )
У рэкамендацыях па цюнінгу лінукса раяць таксама павялічыць nr_request
nr_requests
Вага nr_requests determines amount I/O requests that get buffered before the I/O scheduler sends / receives data to the block device, if you are using a RAID card / Block Device that can handle larger queue than what /Аб scheduler з'яўляецца наборам, вызначэннем значэння nr_requests можна ўмацоўваць праз небяспеку і памяншэнне сервера загрузкі, калі вялікія аб'ёмы з I/O occur on the server. Калі вы выкарыстоўваеце пазбаўленасць або CFQ як шпіталь, гэта лічыцца, што вы павінны вызначыць nr_request value для 2-х дзв.
АЛЕ! Самі грамадзяне распрацоўшчыкі CEPH пераконваюць нас, што іх сістэма прыярытэтаў працуе лепш
WBThrottle і/або nr_requests
WBThrottle і/або nr_requests
Файлавае сховішча выкарыстоўвае для запісу буферызаваныя аперацыі ўводу/ высновы; гэта прыўносіць цэлы шэраг пераваг калі часопіс файлавага захоўвання знаходзіцца на хутчэйшым носьбіце. Запыты кліентаў атрымліваюць апавяшчэнні як толькі дадзеныя запісаныя ў часопіс, а затым скідаюцца на сам дыск дадзеных у пазнейшы час карыстаючыся стандартнай функцыянальнасцю Linux. Гэта робіць магчымым для OSD шпіндзельных кружэлак падаваць латэнтнасць запісу аналагічную SSD пры запісах малымі пакетамі. Такі затрыманы адкладзены запіс таксама дазваляе самому ядру перабудоўваць запыты аперацый уводу/ высновы да дыска з надзеяй альбо зліць іх разам, альбо дазволіць наяўным галоўкам дыска выбраць нейкі больш аптымальны шлях па-над сваімі пласцін. Канчатковы эфект складаецца ў тым, што вы можаце выціснуць злёгку больш аперацый уводу/ высновы з кожнага дыска чым гэта было б магчыма пры прамых ці сінхронных аперацыях уводу/ высновы.
Аднак, узнікае вызначаная праблема калі аб'ём прыходных запісаў у дадзены кластар Ceph будуць апярэджваць усе магчымасці якія ляжаць у аснове дыскаў. Пры такім сцэнары агульная колькасць якія знаходзяцца ў разглядзе аперацый уводу/ высновы ў чаканні запісу на дыск могуць некантралюема расці і мець вынікам чаргі аперацый уводу/ высновы, якая запаўняе ўвесь дыск і чэргі Ceph. Запыты на чытанне ўздзейнічаюць асабліва дрэнна, бо яны захрасаюць паміж запытамі запісу, якія могуць патрабаваць некалькіх секунд для скіду на асноўны дыск.
Для перамогі над гэтай праблемай Ceph мае ўбудаваны ў файлавае захоўванне механізм дроселіравання адкладзенага запісу (writeback) з назовам WBThrottle. Ён распрацаваны для абмежавання агульнага аб'ёму аперацый уводу / высновы адкладзенага запісу, якія могуць выбудоўвацца ў чаргу і пачынаць свой працэс скіду раней, чым гэта адбылося б натуральным чынам за кошт уключэння самім ядром. Нажаль, тэставанне дэманструе, што ўсталяваныя па змаўчанні значэння ўсё яшчэ могуць не зрэзаць наяўныя паводзіны да ўзроўня, які можа памяншаць такое ўздзеянне на латэнтнасць аперацый чытання. Рэгулёўка можа змяніць гэтыя паводзіны і паменшыць агульныя даўжыні чэргаў запісу і зрабіць магчымым не моцным такое ўздзеянне. Аднак маецца нейкі кампраміс: памяншаючы агульную максімальную колькасць дазволеных да пастаноўкі ў чаргу запісаў, вы можаце зменшыць магчымасць самага ядра максымізаваць сваю эфектыўнасць упарадкавання якія паступаюць запытаў. Варта крыху задумацца што вам больш неабходна для вашага канкрэтнага выпадку прымянення, працоўных нагрузак і рэгуляваць пад адпаведнасць ім.
Каб кіраваць глыбінёй такой чаргі адкладзенага запісу, вы можаце альбо памяншаць агульную максімальную колькасць нявыкананых аперацый уводу/ высновы, ужываючы ўсталёўкі WBThrottle, альбо памяншаючы максімальнае значэнне для нявыкананых аперацый на самым блокавым узроўні свайго ядра. І тое, і іншае могуць эфектыўна кіраваць адным і тым жа паводзінамі і менавіта вашы перавагі будуць у аснове рэалізацыі дадзенай налады.
Таксама варта адзначыць, што наяўная ў Ceph сістэма прыярытэтаў аперацый з'яўляецца больш эфектыўнай для карацейшых запытаў на дыскавым узроўні. Пры скарачэнні агульнай чаргі да дадзенай кружэлкі асноўнае месцазнаходжанне знаходжання ў чарзе перамяшчаецца ў Ceph, дзе ён мае большае кіраванне над тым які прыярытэт мае аперацыя ўводу/ высновы. Разгледзім наступны прыклад:
echo 8 > /sys/block/sda/queue/nr_requestsАгульны
І яшчэ некалькі налад ядра, якія дазваляюць зрабіць вашу тачку мяккай і шаўкавістай выціснуць яшчэ трохі прадукцыйнасці з жалеза
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. Апусканне ў CEPH
Налады, на якіх хацелася б затрымацца падрабязней:
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: 4Частка параметраў, якія тэставаліся на QA на версіі 12.2.12, адсутнічаюць у версіі ceph 12.2.2, напрыклад osd_recovery_threads. Таму ў планы было ўключана абнаўленне на продзе да 12.2.12. Практыка паказала сумяшчальнасць у адным кластары версій 12.2.2 і 12.2.12, што дазваляе зрабіць rolling update.
Тэставы кластар
Натуральна, для тэставання было неабходна мець тую-ж версію што і на баі, але на момант пачатку маёй працы з кластарам у рэпазітары мелася толькі навейшая. Паглядзеўшы, што адрозніце ў мінорнай версіі не моцна вялікае (1393 радкі ў канфігах супраць 1436 у новай версіі), вырашылі пачаць тэставаць новую (усё роўна абнаўляцца, чаго ехаць на старым халусце)
Адзінае, што пастараліся пакінуць старой версіі - гэта пакет ceph-deploy, паколькі частка ўтыліт (і частка супрацоўнікаў) была заменчаная пад яе сінтаксіс. Новая версія дастаткова моцна адрознівалася, але на працу самога кластара ніяк не ўплывала, і яе пакінулі версіі 1.5.39
Паколькі каманда ceph-disk відавочна кажа што яна deprecated і карыстайцеся, паважаныя, камандай ceph-volume — мы пачалі ствараць OSD менавіта гэтай камандай, не марнуючы час на састарэлае.
План быў такі – стварыць люстэрка з двух SSD дыскаў, на якіх размесцім часопісы OSD, якія, у сваю чаргу, размяшчаюцца на шпіндзельных SASах. Так падстрахуемся ад праблем з дадзенымі пры падзенні дыска з часопісам.
Ствараць кластар сталі па дакументацыі
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-qПершае, пра што спатыкнуўся ў працы гэтай версіі ceph-deploy з кластарам версіі 12.2.12 - гэта памылка пры спробе стварыць OSD з db на софтверным рэйдзе.
root@ceph01-qa:~#ceph-volume lvm create --bluestore --data /dev/sde --block.db /dev/md0
blkid could not detect a PARTUUID for device: /dev/md1Сапраўды, blkid не кажа PARTUUID, прыйшлося ствараць раздзелы ручкамі:
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; doneНакшталт усё гатова, спрабуем яшчэ раз стварыць OSD і атрымліваем наступную памылку (якая, дарэчы, на баі не прайгравалася)
пры стварэнні OSD тыпу bluestore без указання шляху да WAL, але з указаннем db
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 argumenПры гэтым калі на тым жа люстэрку (ці ў іншым месцы, на выбар) стварыць яшчэ адну частку пад WAL і паказаць яго пры стварэнні OSD — тое ўсё пойдзе гладка (за выключэннем з'яўлення паасобнага WAL, які вы, магчыма, і не жадалі) .
Але, паколькі ўсё роўна ў далёкіх планах было выносіць WAL на NVMe, то практыка лішняй не аказалася.
root@ceph01-qa:~#ceph-volume lvm create --bluestore --data /dev/sdf --block.wal /dev/md0p2 --block.db /dev/md1p2Стварылі маніторы, менеджэры і OSD. Зараз жадаецца іх пагрупаваць па розным, бо ў планах мець кружэлкі розных тыпаў - хуткія пулы на SSD і вялікія, але павольныя на блінах SAS.
Будзем лічыць што на серверах па 20 дыскаў, першая дзясятка гэта адзін тып, другая - іншы.
Першапачатковая, дэфолтная, карта выглядае так:
ceph osd tree
root@сeph01-q:~# ceph osd tree
ID CLASS WEIGHT TYPE NAME STATUS REWEIGHT PRI-AFF
-1 14.54799 root default
-3 9.09200 host ceph01-q
0 ssd 1.00000 osd.0 up 1.00000 1.00000
1 ssd 1.00000 osd.1 up 1.00000 1.00000
2 ssd 1.00000 osd.2 up 1.00000 1.00000
3 ssd 1.00000 osd.3 up 1.00000 1.00000
4 hdd 1.00000 osd.4 да 1.00000 1.00000
5 hdd 0.27299 osd.5 да 1.00000 1.00000
6 hdd 0.27299 osd.6 да 1.00000 1.00000
7 hdd 0.27299 osd.7 да 1.00000 1.00000
8 hdd 0.27299 osd.8 да 1.00000 1.00000
9 hdd 0.27299 osd.9 да 1.00000 1.00000
10 hdd 0.27299 osd.10 да 1.00000 1.00000
11 hdd 0.27299 osd.11 да 1.00000 1.00000
12 hdd 0.27299 osd.12 да 1.00000 1.00000
13 hdd 0.27299 osd.13 да 1.00000 1.00000
14 hdd 0.27299 osd.14 да 1.00000 1.00000
15 hdd 0.27299 osd.15 да 1.00000 1.00000
16 hdd 0.27299 osd.16 да 1.00000 1.00000
17 hdd 0.27299 osd.17 да 1.00000 1.00000
18 hdd 0.27299 osd.18 да 1.00000 1.00000
19 hdd 0.27299 osd.19 да 1.00000 1.00000
-5 5.45599 host ceph02-q
20 ssd 0.27299 osd.20 up 1.00000 1.00000
21 ssd 0.27299 osd.21 up 1.00000 1.00000
22 ssd 0.27299 osd.22 up 1.00000 1.00000
23 ssd 0.27299 osd.23 up 1.00000 1.00000
24 hdd 0.27299 osd.24 да 1.00000 1.00000
25 hdd 0.27299 osd.25 да 1.00000 1.00000
26 hdd 0.27299 osd.26 да 1.00000 1.00000
27 hdd 0.27299 osd.27 да 1.00000 1.00000
28 hdd 0.27299 osd.28 да 1.00000 1.00000
29 hdd 0.27299 osd.29 да 1.00000 1.00000
30 hdd 0.27299 osd.30 да 1.00000 1.00000
31 hdd 0.27299 osd.31 да 1.00000 1.00000
32 hdd 0.27299 osd.32 да 1.00000 1.00000
33 hdd 0.27299 osd.33 да 1.00000 1.00000
34 hdd 0.27299 osd.34 да 1.00000 1.00000
35 hdd 0.27299 osd.35 да 1.00000 1.00000
36 hdd 0.27299 osd.36 да 1.00000 1.00000
37 hdd 0.27299 osd.37 да 1.00000 1.00000
38 hdd 0.27299 osd.38 да 1.00000 1.00000
39 hdd 0.27299 osd.39 да 1.00000 1.00000
-7 6.08690 host ceph03-q
40 ssd 0.27299 osd.40 up 1.00000 1.00000
41 ssd 0.27299 osd.41 up 1.00000 1.00000
42 ssd 0.27299 osd.42 up 1.00000 1.00000
43 ssd 0.27299 osd.43 up 1.00000 1.00000
44 hdd 0.27299 osd.44 да 1.00000 1.00000
45 hdd 0.27299 osd.45 да 1.00000 1.00000
46 hdd 0.27299 osd.46 да 1.00000 1.00000
47 hdd 0.27299 osd.47 да 1.00000 1.00000
48 hdd 0.27299 osd.48 да 1.00000 1.00000
49 hdd 0.27299 osd.49 да 1.00000 1.00000
50 hdd 0.27299 osd.50 да 1.00000 1.00000
51 hdd 0.27299 osd.51 да 1.00000 1.00000
52 hdd 0.27299 osd.52 да 1.00000 1.00000
53 hdd 0.27299 osd.53 да 1.00000 1.00000
54 hdd 0.27299 osd.54 да 1.00000 1.00000
55 hdd 0.27299 osd.55 да 1.00000 1.00000
56 hdd 0.27299 osd.56 да 1.00000 1.00000
57 hdd 0.27299 osd.57 да 1.00000 1.00000
58 hdd 0.27299 osd.58 да 1.00000 1.00000
59 hdd 0.89999 osd.59 да 1.00000 1.00000
Створым свае віртуальныя стойкі і сервера з блэкджэкам і іншым:
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 rack01Праблемы, з якімі мы сутыкнуліся ў баявым кластары, пры спробе стварыць новых хост і перасунуць яго ў існуючую стойку - каманда ceph osd crush move ceph01-host root=rack01 завісала, і маніторы пачыналі падаць па адным. Перапыненне каманды простым CTRL+C вяртала кластар у мір жывых.
Пошук паказаў такую праблему:
Рашэннем аказалася здампіць crushmap і выдаліць адтуль секцыю rule 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 кластерАхтунг: дадзеная аперацыя можа выклікаць рэбаланс placement group паміж OSD. У нас гэта выклікала, але вельмі невялікае.
А дзівацтва, з якой мы сутыкнуліся ў тэставым кластары - гэта тое, што пасля перазагрузкі сервера OSD забывалі, што іх перасунулі ў новыя серверы і стойкі, і вярталіся ў root default.
У выніку, сабраўшы канчатковую схему, у якой мы стварылі асобна root для ssd кружэлак і асобна для шпіндзельных, мы расцягнулі ўсе ОСД па стойках а проста выдалілі default root. Пасля перазагрузкі OSD сталі заставацца на сваіх месцах.
Пакапаўшыся пазней у дакументацыі знайшлі параметр, які адказвае за гэтыя паводзіны. Аб ім у другой частцы
Як мы рабілі розныя групы па тыпах дыскаў.
Для пачатку стварылі два root-а - для ssd і для hdd
root@ceph01-q:~#ceph osd crush add-bucket ssd-root root
root@ceph01-q:~#ceph osd crush add-bucket hdd-root rootПаколькі фізічна сервера стаяць у розных стойках - для выгоды стварылі стойкі і ў іх ужо сервера
# 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 hostі параскідалі дыскі па іх тыпах у розныя серверы
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 серверамиРаскідаўшы кружэлкі па рутах ssd-root і hdd-root мы пакінулі root-default пустым, таму можам яго выдаліць
root-ceph01-q:~#ceph osd crush remove defaultДалей трэба стварыць правілы размеркавання, якія мы будзем прывязваць да ствараных пулаў - у правілах пакажам у якія root можна класці дадзеныя нашага пула і ўзровень унікальнасці рэплікі - напрыклад рэплікі павінны быць абавязкова на розных серверах, ці ў розных стойках (можна нават у розных root, калі маем такое размеркаванне)
Перад тым як абраць тып лепш пачытаць дакументацыю:
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 firstnНу і ствараем пулы, у якіх мы хочам у будучыні захоўваць выявы дыскаў нашай віртуалізацыі – 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 1024І гаворым гэтым пулам якімі правіламі размяшчэння карыстацца
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
Да выбару колькасці плэйсмент груп трэба падыходзіць з загадзя наяўным бачаннем на свой кластар - колькі прыкладна ОСД там будзе, якая колькасць дадзеных (у працэнтах ад агульнага аб'ёму) будзе ў пуле, якая колькасць дадзеных за ўсё.
Сумарна пажадана не мець больш за 300 плейсмент груп на дыск, і прасцей будзе балансаваць маленькімі плейсмент групамі - гэта значыць калі ўвесь ваш пул займае 10 Tb і ў ім 10 PG - то балансаваць перакіданнем тэрабайтнай цэглы (pg) будзе праблематычна - перасыпаць пясок з маленькім памерам пясчынак па вёдрах прасцей і раўней).
Але трэба памятаць што чым большая колькасць PG – тым больш рэсурсаў марнуецца на вылічэнне іх размяшчэння – пачынае утылізавацца памяць і ЦПУ.
Прыкладнае разуменне можа , прадстаўлены распрацоўшчыкамі дакументацыі CEPH.
Спіс матэрыялаў:
Крыніца: habr.com