Výběr CEPH. Část 1
Měli jsme pět racků, deset optických přepínačů, nakonfigurované BGP, několik desítek SSD a spoustu SAS disků všech barev a velikostí, stejně jako proxmox a touhu umístit veškerou statiku do našeho vlastního úložiště S3. Ne, že by to všechno bylo nutné pro virtualizaci, ale jakmile začnete používat opensource, jděte se svým koníčkem až do konce. Jediné, co mi vadilo, bylo BGP. Na světě není nic bezmocnějšího, nezodpovědnějšího a nemorálnějšího než interní směrování BGP. A věděl jsem, že se do toho brzy vrhneme.
Úkol byl banální - byl tam CEPH, moc to nefungovalo. Muselo se to udělat dobře.
Cluster, který jsem dostal, byl heterogenní, naladěný ve spěchu a prakticky nenaladěný. Skládal se ze dvou skupin různých uzlů, přičemž jedna společná síť fungovala jako klastr i veřejná síť. Uzly byly vyplněny čtyřmi typy disků – dvěma typy SSD, shromážděnými ve dvou samostatných pravidlech umístění, a dvěma typy HDD různých velikostí, shromážděnými ve třetí skupině. Problém s různými velikostmi vyřešily různé hmotnosti OSD.
Samotné nastavení je rozděleno na dvě části - ladění operačního systému и ladění samotného CEPH a jeho nastavení.
upgrade OS
Síť
Vysoká latence ovlivnila nahrávání i vyvážení. Při zápisu, protože klient neobdrží odpověď o úspěšném zápisu, dokud repliky dat v jiných skupinách umístění nepotvrdí úspěch. Protože pravidla pro distribuci replik v mapě CRUSH byla jedna replika na hostitele, byla vždy použita síť.
První věc, kterou jsem se proto rozhodl udělat, bylo mírně upravit současnou síť a zároveň se mě snažit přesvědčit, abych přešel na samostatné sítě.
Pro začátek jsem zkroutil nastavení síťové karty. Zahájeno nastavením front:
co se stalo:
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: 1Je vidět, že současné parametry mají k maximům daleko. Zvýšeno:
root@ceph01:~#ethtool -G ens1f0 rx 4096
root@ceph01:~#ethtool -G ens1f0 tx 4096
root@ceph01:~#ethtool -L ens1f0 combined 63Vedeno skvělým článkem
zvětšila délku fronty odesílání txqueuelen od 1000 do 10
root@ceph01:~#ip link set ens1f0 txqueuelen 10000No, po dokumentaci samotného ceph
zvýšil MTU na 9000.
root@ceph01:~#ip link set dev ens1f0 mtu 9000Přidáno do /etc/network/interfaces, takže vše výše uvedené je načteno při spuštění
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 9000Poté jsem podle stejného článku začal zamyšleně kroutit rukojetí jádra 4.15. Vzhledem k tomu, že uzly mají 128G RAM, dostali jsme určitý konfigurační soubor 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)Сlesková síť byla alokována na samostatných 10Gbps síťových rozhraních do samostatné ploché sítě. Každý stroj byl dodáván s dvouportovými síťovými kartami mellanox 10/25 Gbps zapojený do dvou samostatných 10Gbps přepínačů. Agregace byla provedena pomocí OSPF, protože bonding s lacp z nějakého důvodu vykazoval celkovou propustnost maximálně 16 Gbps, zatímco ospf úspěšně využil obě desítky kompletně na každém počítači. Další plány byly použít ROCE na tyto melanoxy ke snížení latence. Jak byla tato část sítě nakonfigurována:
- Protože samotné stroje mají externí IP adresy na BGP, potřebujeme software - (nebo spíše v době psaní článku to tak bylo ) už stál.
- Celkem měly stroje dvě síťová rozhraní, každé dvě rozhraní – celkem 4 porty. Jedna síťová karta se podívala do továrny se dvěma porty a bylo na ní nakonfigurováno BGP, druhá se podívala na dva různé přepínače se dvěma porty a bylo na ní nastaveno OSPF
Více o nastavení OSPF: Hlavním úkolem je agregovat dva odkazy a mít odolnost proti chybám.
dvě síťová rozhraní nakonfigurovaná ve dvou jednoduchých plochých sítích - 10.10.10.0/24 a 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 ens1f1kterými se auta navzájem vidí.
DISK
Dalším krokem byla optimalizace výkonu disku. U SSD jsem změnil plánovač na noop, pro HDD — lhůta. Pokud je to drsné, pak NOOP funguje na principu „kdo vstává první - to jsou pantofle“, což v angličtině zní jako „FIFO (First In, First Out)“. Požadavky jsou zařazeny do fronty, jakmile dorazí. DEADLINE je příjemnější pro čtení a navíc proces z fronty získá téměř výhradní přístup k disku v době operace. Pro náš systém je to skvělé – vždyť s každým diskem funguje pouze jeden proces – OSD démon.
(Ti, kteří se chtějí ponořit do I/O plánovače, si o tom mohou přečíst zde:
Ti, kteří raději čtou v ruštině: )
V doporučeních pro ladění Linuxu se také doporučuje zvýšit nr_request
nr_requests
Hodnota nr_requests určuje množství I/O požadavků, které se ukládají do vyrovnávací paměti, než I/O plánovač odešle/přijme data na blokové zařízení, pokud používáte RAID kartu / Blokové zařízení, které dokáže zpracovat větší frontu, než na jakou je I/O plánovač nastaven, zvýšení hodnoty nr_requests může pomoci zlepšit a snížit zatížení serveru, když se objeví velké množství I/O serveru. Pokud jako plánovač používáte Deadline nebo CFQ, doporučujeme nastavit hodnotu nr_request na dvojnásobek hodnoty hloubky fronty.
ALE! O tom, že jejich systém priorit funguje lépe, nás přesvědčují sami občané, vývojáři CEPH.
WBTrottle a/nebo nr_requests
WBTrottle a/nebo nr_requests
Úložiště souborů používá pro zápis I/O s vyrovnávací pamětí; to přináší řadu výhod, pokud je protokol úložiště souborů na rychlejším médiu. Požadavky klienta jsou oznamovány, jakmile jsou data zapsána do protokolu, a poté jsou později vyprázdněny na samotný datový disk pomocí standardních funkcí Linuxu. To umožňuje vřetenovým jednotkám OSD poskytovat latenci zápisu podobnou jako SSD při zápisu v malých dávkách. Toto zpožděné zpětné zapisování také umožňuje samotnému jádru přeskupit I/O požadavky na disk s nadějí, že je buď sloučí dohromady, nebo umožní stávajícím diskovým hlavám, aby se přes své plotny vydaly nějakou lepší cestou. Konečným efektem je, že můžete z každého disku vymáčknout o něco více I/O, než by bylo možné s přímým nebo synchronním I/O.
Určitý problém však nastává, pokud objem příchozích zápisů do daného clusteru Ceph předčí všechny možnosti podkladových disků. V takovém scénáři může celkový počet čekajících I/O čekajících na zápis na disk nekontrolovatelně narůst a vést k I/O frontě, která zaplní celý disk a fronty Ceph. Požadavky na čtení jsou obzvláště špatné, protože se zaseknou mezi požadavky na zápis, což může trvat několik sekund, než se vyprázdní na primární jednotku.
K překonání tohoto problému má Ceph mechanismus omezení zpětného zápisu vestavěný do úložiště souborů s názvem WBThrottle. Je navržen tak, aby omezil celkové množství I/O líného zápisu, které se mohou zařadit do fronty a spustit proces vyprázdnění dříve, než by normálně umožnilo samotné jádro. Testování bohužel ukazuje, že výchozí nastavení stále nemusí snížit chování na úroveň, která může snížit tento dopad na latenci čtení. Tweaking může toto chování změnit a snížit celkovou délku fronty zápisu a umožnit, aby dopad byl méně závažný. Existuje však kompromis: snížením celkového maximálního počtu záznamů, které mohou být zařazeny do fronty, můžete snížit schopnost samotného jádra maximalizovat jeho efektivitu při objednávání příchozích požadavků. Stojí za to se trochu zamyslet nad tím, co potřebujete více pro vaši konkrétní aplikaci, pracovní zatížení a přizpůsobit tomu, aby to odpovídalo.
Chcete-li řídit hloubku takové fronty zpětného zápisu, můžete buď snížit celkový maximální počet nevyřízených vstupů/výstupů použitím nastavení WBThrottle, nebo snížit maximální hodnotu pro nevyřízené položky na nejvyšší úrovni bloků vašeho jádra. Oba mohou efektivně ovládat stejné chování a jsou to vaše preference, které budou základem pro implementaci tohoto nastavení.
Je třeba také poznamenat, že systém priority operací Ceph je efektivnější pro kratší dotazy na úrovni disku. Při redukci celkové fronty na daný disk se umístění hlavní fronty přesune do Ceph, kde má větší kontrolu nad prioritou I/O operace. Zvažte následující příklad:
echo 8 > /sys/block/sda/queue/nr_requestsSPOLEČNÉ
A několik dalších vylepšení jádra, aby bylo vaše auto měkké a hedvábné, abyste ze železa vymáčkli více výkonu
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. Ponoření do CEPH
Nastavení, kterým bych se rád věnoval podrobněji:
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: 4Některé parametry, které byly testovány na QA na verzi 12.2.12, chybí například ve verzi ceph 12.2.2 osd_recovery_threads. Proto plány zahrnovaly aktualizaci produktu k 12.2.12. Praxe ukázala kompatibilitu v jednom clusteru verzí 12.2.2 a 12.2.12, což umožňuje provádět průběžnou aktualizaci.
Testovací cluster
Pro testování bylo přirozeně nutné mít stejnou verzi jako v bitvě, ale v době, kdy jsem s clusterem začal pracovat, měl repozitář pouze novější. Když se podíváte na to, co můžete vidět v menší verzi, není to příliš velké (1393 řádků v konfiguracích proti 1436 v nové verzi) jsme se rozhodli začít testovat novou (stejně aktualizovat, proč jít na staré věci)
Jediná věc, kterou se pokusili opustit starou verzi, je balíček ceph-deploy protože některé nástroje (a někteří zaměstnanci) byly přizpůsobeny jeho syntaxi. Nová verze byla dost odlišná, ale na chod samotného clusteru to nemělo vliv a verze ji opustily 1.5.39
Protože příkaz ceph-disk jasně říká, že je zastaralý a použijte příkaz ceph-volume, vážení - začali jsme vytvářet OSD tímto příkazem, aniž bychom ztráceli čas na zastaralém.
Plán byl následující - vytvořit zrcadlo dvou SSD disků, na které umístíme OSD logy, které jsou zase umístěny na vřetenových SASech. Pojistíme se tedy proti problémům s daty při havárii disku žurnálu.
Vytvořte ocelový klastr podle dokumentace
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-qPrvní věc, na kterou jsem při práci této verze ceph-deploy s clusterem verze 12.2.12 narazil, je chyba při pokusu o vytvoření OSD s db na softwarový raid -
root@ceph01-qa:~#ceph-volume lvm create --bluestore --data /dev/sde --block.db /dev/md0
blkid could not detect a PARTUUID for device: /dev/md1Blkid skutečně nezobrazuje PARTUUID, musel jsem vytvořit oddíly ručně:
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; doneZdá se, že je vše připraveno, pokusíme se znovu vytvořit OSD a zobrazí se následující chyba (která mimochodem nebyla v bitvě reprodukována)
při vytváření bluestore OSD bez zadání cesty k WAL, ale zadáním 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 argumenNavíc pokud na stejném zrcadle (nebo na jiném místě, na výběr) vytvoříte další oddíl pro WAL a určíte jej při vytváření OSD, pak vše půjde hladce (až na vzhled samostatného WAL, který jste možná nechtěli).
Ale protože bylo stále ve vzdálených plánech přinést WAL do NVMe, nebyla tato praxe zbytečná.
root@ceph01-qa:~#ceph-volume lvm create --bluestore --data /dev/sdf --block.wal /dev/md0p2 --block.db /dev/md1p2Vytvořené monitory, manažery a OSD. Teď je chci různě seskupovat, protože plánuji mít různé typy disků – rychlé pooly na SSD a velké, ale pomalé na SAS placky.
Budeme předpokládat, že na serverech je 20 disků, prvních deset je jednoho typu, druhých je jiný.
Výchozí mapa vypadá takto:
strom ceph osd
root@ceph01-q:~# strom ceph osd
ID TŘÍDA HMOTNOST TYP NÁZEV STAV VÁHA PRI-AFF
-1 14.54799 výchozí kořenový adresář
-3 9.09200 hostitel ceph01-q
0 ssd 1.00000 osd.0 až o 1.00000 1.00000
1 ssd 1.00000 osd.1 až o 1.00000 1.00000
2 ssd 1.00000 osd.2 až o 1.00000 1.00000
3 ssd 1.00000 osd.3 až o 1.00000 1.00000
4 hdd 1.00000 osd.4 až 1.00000 1.00000
5 hdd 0.27299 osd.5 až 1.00000 1.00000
6 hdd 0.27299 osd.6 až 1.00000 1.00000
7 hdd 0.27299 osd.7 až 1.00000 1.00000
8 hdd 0.27299 osd.8 až 1.00000 1.00000
9 hdd 0.27299 osd.9 až 1.00000 1.00000
10 hdd 0.27299 osd.10 až 1.00000 1.00000
11 hdd 0.27299 osd.11 až 1.00000 1.00000
12 hdd 0.27299 osd.12 až 1.00000 1.00000
13 hdd 0.27299 osd.13 až 1.00000 1.00000
14 hdd 0.27299 osd.14 až 1.00000 1.00000
15 hdd 0.27299 osd.15 až 1.00000 1.00000
16 hdd 0.27299 osd.16 až 1.00000 1.00000
17 hdd 0.27299 osd.17 až 1.00000 1.00000
18 hdd 0.27299 osd.18 až 1.00000 1.00000
19 hdd 0.27299 osd.19 až 1.00000 1.00000
-5 5.45599 hostitel ceph02-q
20 ssd 0.27299 osd.20 až o 1.00000 1.00000
21 ssd 0.27299 osd.21 až o 1.00000 1.00000
22 ssd 0.27299 osd.22 až o 1.00000 1.00000
23 ssd 0.27299 osd.23 až o 1.00000 1.00000
24 hdd 0.27299 osd.24 až 1.00000 1.00000
25 hdd 0.27299 osd.25 až 1.00000 1.00000
26 hdd 0.27299 osd.26 až 1.00000 1.00000
27 hdd 0.27299 osd.27 až 1.00000 1.00000
28 hdd 0.27299 osd.28 až 1.00000 1.00000
29 hdd 0.27299 osd.29 až 1.00000 1.00000
30 hdd 0.27299 osd.30 až 1.00000 1.00000
31 hdd 0.27299 osd.31 až 1.00000 1.00000
32 hdd 0.27299 osd.32 až 1.00000 1.00000
33 hdd 0.27299 osd.33 až 1.00000 1.00000
34 hdd 0.27299 osd.34 až 1.00000 1.00000
35 hdd 0.27299 osd.35 až 1.00000 1.00000
36 hdd 0.27299 osd.36 až 1.00000 1.00000
37 hdd 0.27299 osd.37 až 1.00000 1.00000
38 hdd 0.27299 osd.38 až 1.00000 1.00000
39 hdd 0.27299 osd.39 až 1.00000 1.00000
-7 6.08690 hostitel ceph03-q
40 ssd 0.27299 osd.40 až o 1.00000 1.00000
41 ssd 0.27299 osd.41 až o 1.00000 1.00000
42 ssd 0.27299 osd.42 až o 1.00000 1.00000
43 ssd 0.27299 osd.43 až o 1.00000 1.00000
44 hdd 0.27299 osd.44 až 1.00000 1.00000
45 hdd 0.27299 osd.45 až 1.00000 1.00000
46 hdd 0.27299 osd.46 až 1.00000 1.00000
47 hdd 0.27299 osd.47 až 1.00000 1.00000
48 hdd 0.27299 osd.48 až 1.00000 1.00000
49 hdd 0.27299 osd.49 až 1.00000 1.00000
50 hdd 0.27299 osd.50 až 1.00000 1.00000
51 hdd 0.27299 osd.51 až 1.00000 1.00000
52 hdd 0.27299 osd.52 až 1.00000 1.00000
53 hdd 0.27299 osd.53 až 1.00000 1.00000
54 hdd 0.27299 osd.54 až 1.00000 1.00000
55 hdd 0.27299 osd.55 až 1.00000 1.00000
56 hdd 0.27299 osd.56 až 1.00000 1.00000
57 hdd 0.27299 osd.57 až 1.00000 1.00000
58 hdd 0.27299 osd.58 až 1.00000 1.00000
59 hdd 0.89999 osd.59 až 1.00000 1.00000
Pojďme si vytvořit vlastní virtuální racky a servery s blackjackem a dalšími věcmi:
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 rack01Problémy, na které jsme narazili boj cluster, při pokusu o vytvoření nového hostitele a jeho přesunutí do existujícího racku - příkaz ceph osd crush move ceph01-host root=rack01 visel a monitory začaly jeden po druhém padat. Přerušení příkazu jednoduchým CTRL+C vrátilo cluster do světa živých.
Hledání ukázalo následující problém:
Řešením bylo vysypat crushmapu a odstranit sekci odtud pravidlo replikované_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 кластерAchtung: tato operace může způsobit opětovné vyvážení skupiny umístění mezi OSD. Máme to způsobené, ale velmi malé.
A zvláštnost, se kterou jsme se setkali v testovacím clusteru, je, že po restartu OSD serveru zapomněli, že byli přesunuti na nové servery a stojany, a vrátili se do výchozího nastavení root.
V důsledku toho jsme po sestavení konečného schématu, ve kterém jsme vytvořili samostatný kořen pro ssd disky a samostatně pro vřetenové, vytáhli všechny OSD podél stojanů a jednoduše odstranili výchozí kořen. Po restartu začaly OSD zůstávat na svých místech.
Prohledávání později v dokumentaci nalezlo parametr, který je zodpovědný za toto chování. O něm v druhé části
Jak jsme dělali různé skupiny podle typů disků.
Pro začátek jsme vytvořili dva kořeny - pro ssd a pro hdd
root@ceph01-q:~#ceph osd crush add-bucket ssd-root root
root@ceph01-q:~#ceph osd crush add-bucket hdd-root rootVzhledem k tomu, že servery jsou fyzicky umístěny v různých stojanech, pro pohodlí jsme vytvořili stojany a v nich již servery jsou
# 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 hosta rozptýlené disky podle jejich typů na různých serverech
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 серверамиPo rozmístění disků přes kořeny ssd-root a hdd-root jsme nechali root-default prázdný, takže jej můžeme smazat
root-ceph01-q:~#ceph osd crush remove defaultDále musíme vytvořit pravidla distribuce, která navážeme na vytvořené pooly - v pravidlech uvedeme, do kterého rootu můžeme dát naše poolová data a úroveň jedinečnosti repliky - např. repliky musí být na různých serverech, nebo v různých rackech (můžete i v jiném rootu, pokud takovou distribuci máme)
Před výběrem typu je lepší si přečíst dokumentaci:
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 firstnNo, vytváříme fondy, do kterých chceme v budoucnu ukládat obrazy disků naší virtualizace - 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 1024A těmto fondům říkáme, jaká pravidla umístění mají používat
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
K volbě počtu skupin umístění je třeba přistupovat s již existující vizí pro váš cluster – kolik tam bude OSD, kolik dat (v procentech z celkového počtu) bude ve fondu, kolik dat celkem.
Celkově je žádoucí nemít více než 300 skupin umístění na disk a bude snazší vyvažovat v malých skupinách umístění - to znamená, že pokud celý váš bazén zabírá 10 Tb a 10 PG v něm - pak bude problematické vyvážit házením terabajtových cihel (pg) - sypání písku s malou zrnitostí do kbelíků je jednodušší a hladší.
Musíme si ale pamatovat, že čím větší je počet PG – tím více prostředků se vynakládá na výpočet jejich umístění – paměť a CPU se začínají využívat.
Přibližné porozumění může , kterou poskytli zpracovatelé dokumentace CEPH.
Seznam materiálů:
Zdroj: www.habr.com