Elecció de CEPH. Part 1

Teníem cinc bastidors, deu commutadors òptics, BGP configurat, un parell de dotzenes de SSD i un munt de unitats SAS de tots els colors i mides, així com proxmox i el desig de posar tota l'estàtica al nostre propi emmagatzematge S3. No és que tot això fos necessari per a la virtualització, però un cop vau començar a utilitzar codi obert, aneu a la vostra afició fins al final. L'únic que em va molestar va ser BGP. No hi ha res al món més indefens, irresponsable i immoral que l'encaminament intern de BGP. I sabia que ben aviat ens hi submergiríem.

La tasca era banal: hi havia CEPH, no va funcionar molt bé. S'havia de fer bé.
El clúster que vaig obtenir era heterogeni, sintonitzat amb pressa i pràcticament sense afinar. Constava de dos grups de nodes diferents, amb una xarxa comuna que actuava tant com a clúster com a xarxa pública. Els nodes es van omplir de quatre tipus de discs: dos tipus de SSD, recollits en dues regles de col·locació separades, i dos tipus de discs durs de diferents mides, recollits en un tercer grup. El problema amb diferents mides es va resoldre amb diferents pesos OSD.

La configuració en si es divideix en dues parts: afinació del sistema operatiu и afinant el propi CEPH i la seva configuració.

Actualització del sistema operatiu

Xarxa

L'alta latència va afectar tant la gravació com l'equilibri. En escriure, perquè el client no rebrà una resposta sobre una escriptura correcta fins que les rèpliques de dades d'altres grups d'ubicació no confirmin l'èxit. Com que les regles per distribuir les rèpliques al mapa CRUSH eren una rèplica per host, sempre s'utilitzava la xarxa.

Per tant, el primer que vaig decidir fer va ser ajustar lleugerament la xarxa actual, paral·lelament intentant convèncer-me per passar a xarxes separades.

Per començar, vaig retorçar la configuració de la targeta de xarxa. Va començar configurant cues:

què va passar:

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

Es pot veure que els paràmetres actuals estan lluny dels màxims. Augmentat:

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

Guiat per un article excel·lent

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

augmentat la longitud de la cua d'enviament txqueuelen de 1000 a 10 000

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

Bé, seguint la documentació del mateix ceph

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

augmentat MTU a 9000.

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

S'ha afegit a /etc/network/interfaces perquè tot l'anterior es carregui a l'inici

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 9000

Després d'això, seguint el mateix article, vaig començar a girar pensativament les nanses del nucli 4.15. Tenint en compte que els nodes tenen 128 G de RAM, tenim un fitxer de configuració determinat 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)

Сxarxa de brillantor es va assignar en interfícies de xarxa separades de 10 Gbps a una xarxa plana independent. Cada màquina es va subministrar amb targetes de xarxa de dos ports mellanox 10/25 Gbps connectat a dos commutadors separats de 10 Gbps. L'agregació es va dur a terme mitjançant OSPF, ja que la vinculació amb lacp per alguna raó va mostrar un rendiment total d'un màxim de 16 Gbps, mentre que l'ospf va utilitzar amb èxit les dues dotzenes completament a cada màquina. Altres plans eren utilitzar ROCE en aquests melanoxes per reduir la latència. Com es va configurar aquesta part de la xarxa:

Com que les mateixes màquines tenen IP externes a BGP, necessitem programari: (o més aviat, en el moment d'escriure, ho era frr=6.0-1 ) ja estava parat.
En total, les màquines tenien dues interfícies de xarxa, dues interfícies cadascuna, un total de 4 ports. Una targeta de xarxa va mirar la fàbrica amb dos ports i s'hi va configurar BGP, la segona va mirar dos commutadors diferents amb dos ports i s'hi va configurar OSPF.

Més informació sobre la configuració d'OSPF: la tasca principal és agregar dos enllaços i tenir tolerància a errors.
dues interfícies de xarxa configurades en dues xarxes planes senzilles: 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

pel qual els cotxes es veuen.

DISC

El següent pas va ser optimitzar el rendiment del disc. Per a SSD, vaig canviar el planificador a noop, per a disc dur - data límit. Si és dur, NOOP funciona amb el principi de "qui s'aixeca primer, això són les sabatilles", que en anglès sona com "FIFO (First In, First Out)". Les peticions es posen a la cua a mesura que arriben. DEADLINE és més fàcil de llegir, a més el procés des de la cua té accés gairebé exclusiu al disc en el moment de l'operació. Per al nostre sistema, això és fantàstic; després de tot, només funciona un procés amb cada disc: el dimoni OSD.
(Aquells que vulguin submergir-se en el programador d'E/S poden llegir-ne aquí:
http://www.admin-magazine.com/HPC/Articles/Linux-I-O-Schedulers

Els que prefereixen llegir en rus: https://www.opennet.ru/base/sys/linux_shedulers.txt.html)

A les recomanacions per ajustar Linux, també s'aconsella augmentar nr_request

nr_sol·licituds
El valor de nr_requests determina la quantitat de sol·licituds d'E/S que s'emmagatzemen en memòria intermèdia abans que el planificador d'E/S enviï/rebi dades al dispositiu de bloc, si utilitzeu una targeta RAID/dispositiu de bloc que pot gestionar una cua més gran que la que l'I/O El planificador /O està configurat en, augmentar el valor de nr_requests pot ajudar a millorar i reduir la càrrega del servidor quan es produeixen grans quantitats d'E/S al servidor. Si utilitzeu Deadline o CFQ com a planificador, us suggerim que establiu el valor nr_request a 2 vegades el valor de la profunditat de la cua.

PERÒ! Els mateixos ciutadans, els desenvolupadors de CEPH, ens convencen que el seu sistema de prioritats funciona millor.

WBTrottle i/o nr_requests

WBTrottle i/o nr_requests
L'emmagatzematge de fitxers utilitza E/S de memòria intermèdia per escriure; això aporta una sèrie d'avantatges si el registre d'emmagatzematge de fitxers es troba en un suport més ràpid. Les sol·licituds del client es notifiquen tan aviat com les dades s'escriuen al registre i després es transfereixen al disc de dades en un moment posterior mitjançant la funcionalitat estàndard de Linux. Això fa possible que les unitats d'eix OSD proporcionin una latència d'escriptura similar a les SSD quan escriuen en petites ràfegues. Aquesta escriptura endarrerida també permet que el propi nucli reorganitzi les sol·licituds d'E/S al disc, amb l'esperança de fusionar-les o deixar que els caps de disc existents prenguin un camí millor sobre els seus plats. L'efecte final és que és possible que pugueu extreure una mica més d'E/S de cada disc del que seria possible amb E/S directa o síncrona.

Tanmateix, sorgeix un cert problema si el volum d'escriptures entrants a un determinat clúster Ceph supera totes les capacitats dels discs subjacents. En aquest escenari, el nombre total d'E/S pendents a l'espera de ser escrites al disc pot créixer sense control i donar lloc a una cua d'E/S que omple tot el disc i les cues de Ceph. Les sol·licituds de lectura són especialment dolentes perquè s'enganxen entre les sol·licituds d'escriptura, cosa que pot trigar uns quants segons a carregar-se a la unitat principal.

Per superar aquest problema, Ceph té un mecanisme d'acceleració de la reescriptura integrat a l'emmagatzematge de fitxers anomenat WBThrottle. Està dissenyat per limitar la quantitat total d'E/S d'escriptura mandrosa que es pot posar a la cua i iniciar el seu procés de buidat abans del que normalment hauria habilitat el propi nucli. Malauradament, les proves mostren que els valors predeterminats encara no poden reduir el comportament a un nivell que pugui reduir aquest impacte en la latència de lectura. Els retocs poden canviar aquest comportament i reduir la longitud total de la cua d'escriptura i fer possible que l'impacte sigui menys greu. No obstant això, hi ha una compensació: reduint el nombre màxim total d'entrades que es permeten posar en cua, podeu reduir la capacitat del propi nucli per maximitzar la seva eficiència a l'hora d'ordenar les sol·licituds entrants. Val la pena pensar una mica en què necessiteu més per a la vostra aplicació específica, les càrregues de treball i ajustar-les per coincidir.

Per controlar la profunditat d'aquesta cua de reescriptura, podeu disminuir l'endarreriment màxim total d'E/S aplicant el paràmetre WBThrottle, o bé disminuir el valor màxim per a les endarrerides al nivell de bloc més gran del vostre nucli. Tots dos poden controlar de manera efectiva el mateix comportament, i les vostres preferències seran la base per implementar aquesta configuració.
També cal tenir en compte que el sistema de precedència d'operacions de Ceph és més eficient per a consultes més curtes a nivell de disc. Quan es redueix la cua general a un disc determinat, la ubicació de la cua principal es mou a Ceph, on té més control sobre quina prioritat té una operació d'E/S. Considereu l'exemple següent:

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

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

COMÚN

I uns quants retocs més del nucli per fer que el vostre cotxe sigui suau i sedós per extreure més rendiment del ferro

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.

Immersió en CEPH

Configuracions en què m'agradaria detenir-me amb més detall:

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: 4

Alguns dels paràmetres que es van provar a QA a la versió 12.2.12 falten a la versió ceph 12.2.2, per exemple osd_recovery_threads. Per tant, els plans incloïen una actualització del producte a 12.2.12. La pràctica ha demostrat la compatibilitat en un clúster de versions 12.2.2 i 12.2.12, que us permet fer una actualització continuada.

Clúster de prova

Naturalment, per provar era necessari tenir la mateixa versió que a la batalla, però quan vaig començar a treballar amb el clúster, el repositori només en tenia una de més nova. Després de mirar el que podeu veure a la versió menor, no és gaire gran (1393 línies a les configuracions contra 1436 a la nova versió), vam decidir començar a provar la nova (actualitzeu de totes maneres, per què continuar amb les coses antigues)

L'únic que van intentar deixar la versió antiga és el paquet ceph-desplegament perquè algunes de les utilitats (i alguns dels empleats) es van adaptar a la seva sintaxi. La nova versió era força diferent, però no va afectar el funcionament del propi clúster, i es va deixar per les versions 1.5.39

Com que l'ordre ceph-disk diu clarament que està obsoleta i utilitzeu l'ordre ceph-volume, benvolguts, vam començar a crear OSD amb aquesta ordre, sense perdre temps amb l'obsoleta.

El pla era el següent: crear un mirall de dos discs SSD, en els quals col·locarem els registres OSD, que, al seu torn, es troben als SAS de l'eix. Així que ens assegurarem contra els problemes de dades quan el disc del diari es bloqueja.

Creeu un clúster d'acer segons la documentació

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-q

El primer que em vaig ensopegar en el treball d'aquesta versió de ceph-deploy amb un clúster de la versió 12.2.12 és un error en intentar crear un OSD amb db en un raid de programari:

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

De fet, blkid no mostra PARTUUID, vaig haver de crear particions manualment:

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

Sembla que tot està a punt, intentem tornar a crear l'OSD i obtenim el següent error (que, per cert, no es va reproduir a la batalla)

quan es crea un OSD bluestore sense especificar el camí a WAL, però especificant 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

A més, si al mateix mirall (o en un altre lloc, per triar) creeu una altra partició per a WAL i especifiqueu-la en crear l'OSD, tot anirà bé (excepte l'aparició d'un WAL independent, que potser no tingueu). volgut).

Però, com que encara estava en els plans llunyans portar WAL a NVMe, la pràctica no era superflua.

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

Crear monitors, gestors i OSD. Ara vull agrupar-los de diferents maneres, perquè penso tenir diferents tipus de discs: grups ràpids en SSD i grans, però lents en pancakes SAS.

Suposarem que hi ha 20 discs als servidors, els deu primers són d'un tipus, el segon d'un altre.
El mapa predeterminat és el següent:

arbre ceph osd

root@ceph01-q:~# ceph osd tree
ID CLASSE PES TIPUS NOM ESTAT REPESO PRI-AFF
-1 14.54799 arrel per defecte
-3 9.09200 host ceph01-q
0 ssd 1.00000 osd.0 fins 1.00000 1.00000
1 ssd 1.00000 osd.1 fins 1.00000 1.00000
2 ssd 1.00000 osd.2 fins 1.00000 1.00000
3 ssd 1.00000 osd.3 fins 1.00000 1.00000
4 hdd 1.00000 osd.4 amunt 1.00000 1.00000
5 hdd 0.27299 osd.5 amunt 1.00000 1.00000
6 hdd 0.27299 osd.6 amunt 1.00000 1.00000
7 hdd 0.27299 osd.7 amunt 1.00000 1.00000
8 hdd 0.27299 osd.8 amunt 1.00000 1.00000
9 hdd 0.27299 osd.9 amunt 1.00000 1.00000
10 hdd 0.27299 osd.10 amunt 1.00000 1.00000
11 hdd 0.27299 osd.11 amunt 1.00000 1.00000
12 hdd 0.27299 osd.12 amunt 1.00000 1.00000
13 hdd 0.27299 osd.13 amunt 1.00000 1.00000
14 hdd 0.27299 osd.14 amunt 1.00000 1.00000
15 hdd 0.27299 osd.15 amunt 1.00000 1.00000
16 hdd 0.27299 osd.16 amunt 1.00000 1.00000
17 hdd 0.27299 osd.17 amunt 1.00000 1.00000
18 hdd 0.27299 osd.18 amunt 1.00000 1.00000
19 hdd 0.27299 osd.19 amunt 1.00000 1.00000
-5 5.45599 host ceph02-q
20 ssd 0.27299 osd.20 fins 1.00000 1.00000
21 ssd 0.27299 osd.21 fins 1.00000 1.00000
22 ssd 0.27299 osd.22 fins 1.00000 1.00000
23 ssd 0.27299 osd.23 fins 1.00000 1.00000
24 hdd 0.27299 osd.24 amunt 1.00000 1.00000
25 hdd 0.27299 osd.25 amunt 1.00000 1.00000
26 hdd 0.27299 osd.26 amunt 1.00000 1.00000
27 hdd 0.27299 osd.27 amunt 1.00000 1.00000
28 hdd 0.27299 osd.28 amunt 1.00000 1.00000
29 hdd 0.27299 osd.29 amunt 1.00000 1.00000
30 hdd 0.27299 osd.30 amunt 1.00000 1.00000
31 hdd 0.27299 osd.31 amunt 1.00000 1.00000
32 hdd 0.27299 osd.32 amunt 1.00000 1.00000
33 hdd 0.27299 osd.33 amunt 1.00000 1.00000
34 hdd 0.27299 osd.34 amunt 1.00000 1.00000
35 hdd 0.27299 osd.35 amunt 1.00000 1.00000
36 hdd 0.27299 osd.36 amunt 1.00000 1.00000
37 hdd 0.27299 osd.37 amunt 1.00000 1.00000
38 hdd 0.27299 osd.38 amunt 1.00000 1.00000
39 hdd 0.27299 osd.39 amunt 1.00000 1.00000
-7 6.08690 host ceph03-q
40 ssd 0.27299 osd.40 fins 1.00000 1.00000
41 ssd 0.27299 osd.41 fins 1.00000 1.00000
42 ssd 0.27299 osd.42 fins 1.00000 1.00000
43 ssd 0.27299 osd.43 fins 1.00000 1.00000
44 hdd 0.27299 osd.44 amunt 1.00000 1.00000
45 hdd 0.27299 osd.45 amunt 1.00000 1.00000
46 hdd 0.27299 osd.46 amunt 1.00000 1.00000
47 hdd 0.27299 osd.47 amunt 1.00000 1.00000
48 hdd 0.27299 osd.48 amunt 1.00000 1.00000
49 hdd 0.27299 osd.49 amunt 1.00000 1.00000
50 hdd 0.27299 osd.50 amunt 1.00000 1.00000
51 hdd 0.27299 osd.51 amunt 1.00000 1.00000
52 hdd 0.27299 osd.52 amunt 1.00000 1.00000
53 hdd 0.27299 osd.53 amunt 1.00000 1.00000
54 hdd 0.27299 osd.54 amunt 1.00000 1.00000
55 hdd 0.27299 osd.55 amunt 1.00000 1.00000
56 hdd 0.27299 osd.56 amunt 1.00000 1.00000
57 hdd 0.27299 osd.57 amunt 1.00000 1.00000
58 hdd 0.27299 osd.58 amunt 1.00000 1.00000
59 hdd 0.89999 osd.59 amunt 1.00000 1.00000

Creem els nostres propis bastidors i servidors virtuals amb blackjack i altres coses:

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

Els problemes que ens hem trobat combat clúster, quan intenteu crear un amfitrió nou i moure'l a un bastidor existent: l'ordre ceph osd crush move ceph01-host root=rack01 es van penjar, i els monitors van començar a caure un a un. Interrompre l'ordre amb un simple CTRL + C va tornar el clúster al món dels vius.

La cerca va trobar el següent problema: https://tracker.ceph.com/issues/23386

La solució va ser abocar el mapa de trituració i eliminar-ne la secció regla replicated_rulesset

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

Achtung: aquesta operació pot provocar un reequilibri del grup de col·locació entre OSD. Ho tenim causat, però molt petit.

I la curiositat que vam trobar al clúster de prova és que després de reiniciar el servidor OSD, es van oblidar que es van traslladar a nous servidors i bastidors i van tornar a l'arrel predeterminat.
Com a resultat, després d'haver reunit l'esquema final, en el qual vam crear una arrel separada per als discos ssd i per separat per als de eix, vam treure tots els OSD al llarg dels bastidors i simplement vam eliminar l'arrel predeterminada. Després del reinici, els OSD van començar a quedar-se al seu lloc.
Buscant més endavant a la documentació, es va trobar un paràmetre responsable d'aquest comportament. Sobre ell a la segona part

Com hem fet diferents grups per tipus de discos.

Per començar, vam crear dues arrels: per a ssd i per a hdd

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

Com que els servidors es troben físicament en bastidors diferents, per comoditat, hem creat bastidors i ja hi ha servidors en ells

# 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 discos dispersos segons els seus tipus en diferents servidors

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

Després d'haver escampat els discs per les arrels ssd-root i hdd-root, hem deixat l'arrel per defecte buit, de manera que el podem suprimir

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

A continuació, hem de crear regles de distribució que vincularem a les agrupacions creades -a les regles indicarem en quina arrel podem posar les dades de la nostra agrupació i el nivell d'unicitat de la rèplica - per exemple, les rèpliques han d'estar en diferents servidors, o en diferents bastidors (fins i tot podeu en diferents arrels, si tenim aquesta distribució)

Abans de triar un tipus, és millor llegir la documentació:
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

Bé, creem grups en els quals volem emmagatzemar imatges de disc de la nostra virtualització en el futur - 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 diem a aquests grups quines regles de col·locació utilitzar

 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

L'elecció del nombre de grups d'ubicació s'ha d'abordar amb una visió preexistent per al vostre clúster: quanta OSD hi haurà, quantes dades (com a percentatge del total) hi haurà al grup, quantes dades en total. .

En total, és desitjable no tenir més de 300 grups de col·locació per disc, i serà més fàcil equilibrar-se amb grups de col·locació petits, és a dir, si tota la vostra piscina ocupa 10 Tb i 10 PG, llavors serà problemàtic. per equilibrar-se llançant maons de terabytes (pg): abocar sorra amb grans de sorra de mida petita en galledes és més senzill i suau).

Però hem de recordar que com més gran sigui el nombre de PG, més recursos es gasten en calcular la seva ubicació, la memòria i la CPU es comencen a utilitzar.

La comprensió aproximada pot donar calculadora, proporcionat pels desenvolupadors de la documentació CEPH.

Llista de materials:

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/

Font: www.habr.com

Ceph - de "al genoll" a "producció"