Odabirom CEPH. Dio 1

Imali smo pet rekova, deset optičkih prekidača, konfigurisan BGP, nekoliko desetina SSD-ova i gomilu SAS diskova svih boja i veličina, kao i proxmox i želju da sve statičke podatke stavimo u sopstveno S3 skladište. Nije da je sve ovo potrebno za virtuelizaciju, ali kada počnete da koristite opensource, pratite svoj hobi do kraja. Jedina stvar koja mi je smetala je BGP. Ne postoji niko na svijetu bespomoćniji, neodgovorniji i nemoralniji od internog BGP rutiranja. I znao sam da ćemo uskoro zaroniti u to.

Zadatak je bio trivijalan - postojao je CEPH, ali nije dobro funkcionirao. Trebalo je učiniti „dobro“.
Klaster koji sam dobio bio je heterogen, na brzinu podešen i praktički nepodešen. Sastojao se od dvije grupe različitih čvorova, s jednom zajedničkom mrežom koja je djelovala i kao klaster i kao javna mreža. Čvorovi su bili ispunjeni sa četiri tipa diskova - dva tipa SSD-a, sakupljenih u dva odvojena pravila postavljanja, i dva tipa HDD-a različitih veličina, sakupljenih u treću grupu. Problem s različitim veličinama riješen je različitim težinama OSD-a.

Sama postavka je podeljena na dva dela - podešavanje operativnog sistema и podešavanje samog CEPH-a i njegove postavke.

Nadogradnja OS

mreža

Visoko kašnjenje je uticalo i na snimanje i na balansiranje. Prilikom snimanja - jer klijent neće dobiti odgovor o uspješnom snimanju sve dok replike podataka u drugim grupama plasmana ne potvrde uspjeh. Pošto su pravila za distribuciju replika u CRUSH mapi bila jedna replika po hostu, uvijek se koristila mreža.

Stoga, prva stvar koju sam odlučio da uradim je da malo podesim trenutnu mrežu, dok me u isto vrijeme pokušava uvjeriti da pređem na odvojene mreže.

Za početak sam podesio postavke mrežnih kartica. Počeo sam postavljanjem redova:

šta se desilo:

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:   1

Vidi se da su trenutni parametri daleko od maksimuma. Povećano:

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

Vođen odličnim člankom

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

povećala dužinu reda za slanje txqueuelen od 1000 do 10 000

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

Pa, prateći dokumentaciju samog ceph-a

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

povećana MTU do 9000.

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

Dodato u /etc/network/interfaces tako da se sve gore učitava pri pokretanju

cat / etc / network / sučelja

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

Nakon toga, slijedeći isti članak, počeo sam zamišljeno okretati ručke kernela 4.15. S obzirom da čvorovi imaju 128G RAM-a, na kraju smo dobili konfiguracijski fajl za sysctl

mačka /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)

Сsjajna mreža je dodijeljen na odvojenim mrežnim interfejsima od 10Gbps u zasebnu ravnu mrežu. Svaka mašina je bila opremljena mrežnim karticama sa dva porta mellanox 10/25 Gbps, priključen na dva odvojena 10Gbps prekidača. Agregacija je izvršena korišćenjem OSPF-a, pošto je povezivanje sa lacp-om iz nekog razloga pokazalo ukupnu propusnost od maksimalno 16 Gbps, dok je ospf uspešno koristio obe desetke na svakoj mašini. Budući planovi su bili da se iskoristi prednost ROCE-a na ovim melanoksima kako bi se smanjila latencija. Kako postaviti ovaj dio mreže:

1. Pošto same mašine imaju eksterne IP adrese na BGP-u, potreban nam je softver - (tačnije, u vrijeme pisanja ovog članka bio je frr=6.0-1 ) je već stajao.
2. Ukupno, mašine su imale dva mrežna interfejsa, svaki sa dva interfejsa - ukupno 4 porta. Jedna mrežna kartica je fabrički gledala sa dva porta i na njoj je konfigurisan BGP, druga je gledala dva različita prekidača sa dva porta i na njoj je postavljen OSPF

Više detalja o postavljanju OSPF-a: Glavni zadatak je združiti dvije veze i imati toleranciju grešaka.
dva mrežna sučelja su konfigurirana u dvije jednostavne ravne mreže - 10.10.10.0/24 i 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

po kojima se automobili vide.

disk

Sljedeći korak je bila optimizacija diskova. Za SSD sam promijenio planer u noop, za HDD - rok. Iskreno rečeno, NOOP radi po principu “prvi ušao, prvi izašao”, što na engleskom zvuči kao “FIFO (prvi ušao, prvi izašao)”. Zahtjevi se čekaju u redu kako stignu. DEADLINE je više orijentisan na čitanje, plus proces u redu čekanja dobija gotovo isključivi pristup disku u vrijeme operacije. Ovo je savršeno za naš sistem - na kraju krajeva, samo jedan proces radi sa svakim diskom - OSD demon.
(Oni koji žele da zarone u I/O planer mogu pročitati o tome ovdje:
http://www.admin-magazine.com/HPC/Articles/Linux-I-O-Schedulers

Oni koji više vole da čitaju na ruskom: https://www.opennet.ru/base/sys/linux_shedulers.txt.html)

U preporukama za podešavanje Linuxa, također se preporučuje povećanje nr_request

nr_requests
Vrijednost nr_requests određuje količinu I/O zahtjeva koji se slažu u međuspremnik prije nego I/O planer pošalje/primi podatke na blok uređaj, ako koristite RAID karticu/blok uređaj koji može podnijeti veći red od onoga što ja /O planer je postavljen na, podizanje vrijednosti nr_requests može pomoći u poboljšanju i smanjenju opterećenja servera kada se na serveru pojave velike količine I/O. Ako koristite Deadline ili CFQ kao planer, predlaže se da postavite vrijednost nr_request na 2 puta veću od vrijednosti dubine reda.

ALI! Sami građani, programeri CEPH-a, uvjeravaju nas da njihov sistem prioriteta bolje funkcionira

WBThrottle i/ili nr_requests

WBThrottle i/ili nr_requests
Skladištenje datoteka koristi baferovani I/O za pisanje; ovo donosi brojne prednosti ako je dnevnik pohrane datoteka na bržim medijima. Zahtjevi klijenta se obavještavaju čim se podaci upisuju u dnevnik, a zatim se kasnije ispuštaju na sam disk s podacima koristeći standardnu ​​Linux funkcionalnost. Ovo omogućava vretenastim OSD-ovima da obezbede latenciju pisanja sličnu SSD-ovima kada pišu u malim rafovima. Ovo odloženo upisivanje takođe omogućava samom kernelu da reorganizuje I/O zahteve diska, sa nadom da će ih ili spojiti zajedno ili dozvoliti postojećim glavama diskova da izaberu neki optimalniji put preko svojih ploča. Neto efekat je da možete izvući nešto više I/O iz svakog diska nego što bi bilo moguće sa direktnim ili sinhronim I/O.

Međutim, određeni problem nastaje ako obim ulaznih zapisa u dati Ceph klaster premašuje sve mogućnosti osnovnih diskova. U ovom scenariju, ukupan broj čekajućih I/O operacija koje čekaju da budu upisane na disk mogao bi nekontrolirano rasti i rezultirati I/O redovima koji ispunjavaju cijeli disk i Ceph redove. Zahtjevi za čitanje su posebno pogođeni jer se zaglave između zahtjeva za pisanje, za koje može potrajati nekoliko sekundi da se isprazne na primarni disk.

Da bi prevladao ovaj problem, Ceph ima mehanizam za ograničavanje povratnog upisivanja ugrađen u skladište datoteka pod nazivom WBThrottle. Dizajniran je tako da ograniči ukupnu količinu lijenog pisanja I/O koji može stati u red čekanja i započeti proces ispuštanja ranije nego što bi se prirodno dogodilo zbog toga što je omogućeno od strane samog kernela. Nažalost, testiranje pokazuje da zadane vrijednosti možda i dalje ne smanjuju postojeće ponašanje na nivo koji može smanjiti ovaj utjecaj na kašnjenje čitanja. Prilagođavanja mogu promijeniti ovo ponašanje i smanjiti ukupne dužine reda za pisanje i učiniti ovaj utjecaj manje ozbiljnim. Međutim, postoji kompromis: smanjenjem ukupnog maksimalnog broja unosa koji su dozvoljeni u redu čekanja, možete smanjiti sposobnost samog kernela da maksimizira svoju efikasnost u naručivanju dolaznih zahtjeva. Vrijedi razmisliti malo o tome šta vam je potrebno više za vaš specifični slučaj upotrebe, radna opterećenja i prilagođavanje da im odgovara.

Da biste kontrolirali dubinu takvog reda zaostalog pisanja, možete ili smanjiti ukupan maksimalni broj neriješenih I/O operacija koristeći WBThrottle postavke, ili možete smanjiti maksimalnu vrijednost za izvanredne operacije na nivou bloka samog kernela. Oba mogu efikasno kontrolisati isto ponašanje, a vaše željene postavke će biti osnova za implementaciju ove postavke.
Takođe treba napomenuti da je Cephov sistem prioriteta rada efikasniji za kraće upite na nivou diska. Smanjivanjem ukupnog reda na dati disk, primarna lokacija reda se pomiče u Ceph, gdje ima veću kontrolu nad prioritetom I/O operacije. Razmotrite sljedeći primjer:

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

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

ČESTO

I još nekoliko podešavanja kernela kako bi vaš automobil bio mekan i svilenkast i iscijedio malo više performansi iz hardvera

mačka /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. 

Uranjanje u CEPH

Postavke na kojima bih se želio detaljnije zadržati:

mačka /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

Neki od parametara koji su testirani za QA na verziji 12.2.12 nedostaju u ceph verziji 12.2.2, na primjer osd_recovery_threads. Stoga su planovi uključivali ažuriranje proizvodnje do 12.2.12. Praksa je pokazala kompatibilnost između verzija 12.2.2 i 12.2.12 u jednom klasteru, što omogućava kontinuirano ažuriranje.

Test klaster

Naravno, za testiranje je bilo potrebno imati istu verziju kao u bitci, ali u vrijeme kada sam počeo raditi sa klasterom, samo je novija bila dostupna u spremištu. Gledajući, ono što možete uočiti u manjoj verziji nije baš veliko (1393 linije u konfiguracijama protiv 1436 u novoj verziji), odlučili smo da počnemo testirati novu (svejedno ažuriranje, zašto ići sa starim smećem)

Jedina stvar koju smo pokušali ostaviti iza stare verzije je paket ceph-deploy budući da su neki od uslužnih programa (i neki od zaposlenih) bili prilagođeni njegovoj sintaksi. Nova verzija je bila dosta drugačija, ali nije utjecala na rad samog klastera, te je ostavljena u verziji 1.5.39

Pošto naredba ceph-disk jasno kaže da je zastarjela i koristite naredbu ceph-volume, dragi naši, počeli smo kreirati OSD-ove sa ovom komandom, bez gubljenja vremena na zastarjele.

Plan je bio da napravimo ogledalo od dva SSD diska na koje ćemo postaviti OSD logove, koji se, pak, nalaze na vretenastim SAS-ovima. Na taj način možemo se zaštititi od problema s podacima ako disk sa dnevnikom padne.

Krenuli smo sa kreiranjem klastera prema dokumentaciji

mačka /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

Prva stvar na koju sam naleteo dok sam radio sa ovom verzijom ceph-deploy-a sa klaster verzijom 12.2.12 bila je greška prilikom pokušaja kreiranja OSD-a sa db-om na softverskom napadu -

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

Zaista, izgleda da blkid nije PARTUUID, pa sam morao ručno kreirati particije:

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

Čini se da je sve spremno, pokušavamo ponovo kreirati OSD i dobijamo sljedeću grešku (koja, usput rečeno, nije reproducirana u borbi)

kada kreirate OSD tipa bluestore bez navođenja putanje do WAL-a, ali navođenja 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 argumen

Štaviše, ako na istom ogledalu (ili na drugom mjestu, po vašem izboru) kreirate drugu particiju za WAL i navedete je prilikom kreiranja OSD-a, onda će sve ići glatko (osim pojave zasebnog WAL-a, što možda nećete želeo).

No, budući da je još uvijek bilo u dalekim planovima prebacivanje WAL-a na NVMe, praksa se nije pokazala suvišnom.

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

Kreirani monitori, menadžeri i OSD. Sada bih ih grupisao drugačije, jer planiram imati različite tipove diskova - brze pulove na SSD-u i velike, ali spore na SAS palačinke.

Pretpostavimo da serveri imaju 20 diskova, prvih deset je jednog tipa, a drugih drugog.
Početna, zadana, kartica izgleda ovako:

ceph osd drvo

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

Kreirajmo vlastite virtuelne police i servere s blackjackom i drugim stvarima:

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

Problemi sa kojima smo se susreli combat klaster, kada pokušavate kreirati novi host i premjestiti ga na postojeći rack - naredbu ceph osd crush move ceph01-host root=rack01 smrznuo, a monitori su počeli da padaju jedan po jedan. Prekid naredbe jednostavnim CTRL+C vratio je klaster u svijet živih.

Pretraga je pokazala ovaj problem: https://tracker.ceph.com/issues/23386

Ispostavilo se da je rješenje bilo izbaciti crushmap i ukloniti odjeljak odatle pravilo 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

Ahtung: Ova operacija može uzrokovati rebalans grupe smještaja između OSD-ova. To je uzrokovalo ovo za nas, ali vrlo malo.

I čudna stvar na koju smo naišli u testnom klasteru je da su nakon ponovnog pokretanja OSD servera zaboravili da su premješteni na nove servere i rekove i vratili se na root default.
Kao rezultat toga, nakon što smo sastavili konačnu šemu u kojoj smo kreirali poseban root za ssd diskove i poseban za vretenaste diskove, sve OSD-ove smo stavili u stalak i jednostavno izbrisali zadani root. Nakon ponovnog pokretanja, OSD je počeo da ostaje na svom mjestu.
Nakon kasnijeg kopanja po dokumentaciji, pronašli smo parametar koji je odgovoran za ovo ponašanje. O njemu u drugom dijelu

Kako smo napravili različite grupe po tipu diska.

Za početak smo kreirali dva korijena - za ssd i za hdd

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

Pošto su serveri fizički locirani u različitim stalcima, radi praktičnosti kreirali smo rekove sa serverima u njima

# 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

i distribuirao diskove prema njihovim tipovima na različite servere

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

Nakon što smo raspršili diskove između ssd-root i hdd-root ruta, ostavili smo root-default prazan, tako da ga možemo izbrisati

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

Zatim trebamo kreirati pravila distribucije koja ćemo vezati za skupove koji se kreiraju - u pravilima ćemo naznačiti koji korijeni mogu staviti naše podatke bazena i nivo jedinstvenosti replike - na primjer, replike moraju biti na različitim serverima, ili u različitim regalima (možete čak i u različitim korijenima, ako imamo takvu distribuciju)

Prije nego što odaberete vrstu, bolje je pročitati dokumentaciju:
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

Pa, kreiramo bazene u koje želimo pohraniti slike diska naše virtualizacije u budućnosti - 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

I ovim skupovima govorimo koja pravila postavljanja da koriste

 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

Izboru broja grupa za plasman mora se pristupiti sa već postojećom vizijom za vaš klaster - koliko će otprilike OSD-ova biti tamo, kolika će količina podataka (kao procenat ukupnog volumena) biti u grupi, šta je ukupna količina podataka.

Ukupno, preporučljivo je da nemate više od 300 grupa plasmana na disku, a biće lakše balansirati sa malim grupama plasmana - to jest, ako vaš čitav skup zauzima 10 Tb i ima 10 PG u sebi - onda balansiranje bacanjem terabajtnih cigli (pg) će biti problematično - sipajte pijesak sa sitnim zrncima pijeska u kante lakše i ravnomjernije).

Ali moramo zapamtiti da što je veći broj PG-ova, to se više resursa troši na izračunavanje njihove lokacije – memorija i CPU počinju da se koriste.

Grubo razumevanje može daj mi kalkulator, koje su dali programeri CEPH dokumentacije.

Spisak materijala:

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/

izvor: www.habr.com