Valg af CEPH. Del 1

Vi havde fem racks, ti optiske switches, konfigureret BGP, et par dusin SSD'er og en masse SAS-drev i alle farver og størrelser, samt proxmox og ønsket om at lægge alt det statiske i vores eget S3-lager. Ikke at alt dette var nødvendigt for virtualisering, men når du først begyndte at bruge opensource, så gå i din hobby til slutningen. Det eneste, der generede mig, var BGP. Der er intet i verden mere hjælpeløst, uansvarligt og umoralsk end BGP intern routing. Og jeg vidste, at vi snart ville kaste os ud i det.

Opgaven var banal - der var CEPH, det fungerede ikke særlig godt. Det skulle gøres godt.
Den klynge, jeg fik, var heterogen, tunet i en fart og praktisk talt ikke tunet. Det bestod af to grupper af forskellige noder, hvor ét fælles gitter fungerede som både en klynge og et offentligt netværk. Noderne var fyldt med fire typer diske - to typer SSD'er, samlet i to separate placeringsregler, og to typer HDD'er af forskellig størrelse, samlet i en tredje gruppe. Problemet med forskellige størrelser blev løst af forskellige OSD-vægte.

Selve opsætningen er opdelt i to dele - tuning af operativsystemet и tuning af selve CEPH og dens indstillinger.

OS opgradering

Netværk

Høj latenstid påvirkede både optagelse og balancering. Når du skriver, fordi klienten ikke vil modtage et svar om en vellykket skrivning, før datareplikaer i andre placeringsgrupper bekræfter succes. Da reglerne for distribution af replikaer i CRUSH-kortet var én replika pr. vært, blev netværket altid brugt.

Derfor var den første ting, jeg besluttede at gøre, at justere det nuværende netværk en smule, samtidig med at jeg forsøgte at overbevise mig om at flytte til separate netværk.

Til at begynde med snoede jeg netværkskortindstillingerne. Startet med at opsætte køer:

hvad skete der:

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

Det kan ses, at de nuværende parametre er langt fra maksimum. Øget:

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

Guidet af en fremragende artikel

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

øget længden af sendekøen txqueuelen fra 1000 til 10 000

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

Nå, efter dokumentationen af ceph selv

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

øget MTU til 9000.

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

Tilføjet til /etc/network/interfaces, så alt ovenstående indlæses ved opstart

kat / etc / netværk / grænseflader

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

Efter den samme artikel begyndte jeg eftertænksomt at dreje håndtagene på 4.15-kernen. Da noderne har 128G RAM, fik vi en bestemt konfigurationsfil til sysctl

kat /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)

Сglans netværk blev allokeret på separate 10 Gbps netværksgrænseflader til et separat fladt netværk. Hver maskine blev forsynet med to-ports netværkskort mellanox 10/25 Gbps tilsluttet to separate 10 Gbps switche. Aggregation blev udført ved hjælp af OSPF, da bonding med lacp af en eller anden grund viste en samlet gennemstrømning på maksimalt 16 Gbps, mens ospf med succes udnyttede begge dusinvis fuldstændigt på hver maskine. Yderligere planer var at bruge ROCE på disse melanoxer for at reducere latens. Sådan blev denne del af netværket konfigureret:

Da maskinerne selv har eksterne IP'er på BGP, har vi brug for software - (eller rettere, i skrivende stund var det det frr=6.0-1 ) stod allerede.
I alt havde maskinerne to netværksinterfaces, to interfaces hver - i alt 4 porte. Det ene netværkskort kiggede på fabrikken med to porte og BGP var konfigureret på det, det andet så på to forskellige switches med to porte og OSPF var indstillet på det

Mere om opsætning af OSPF: Hovedopgaven er at samle to links og have fejltolerance.
to netværksgrænseflader konfigureret i to simple flade netværk - 10.10.10.0/24 og 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

ved hvilke biler ser hinanden.

DISK

Det næste skridt var at optimere diskens ydeevne. For SSD ændrede jeg skemalæggeren til nej, til HDD - deadline. Hvis det er groft, så arbejder NOOP efter princippet om "hvem rejser sig først - det er hjemmeskoene", som på engelsk lyder som "FIFO (First In, First Out)". Forespørgsler sættes i kø, efterhånden som de ankommer. DEADLINE er mere læsevenlig, plus processen fra køen får næsten eksklusiv adgang til disken på tidspunktet for operationen. For vores system er dette fantastisk - trods alt fungerer kun én proces med hver disk - OSD-dæmonen.
(De, der vil dykke ned i I/O-planlæggeren, kan læse om det her:
http://www.admin-magazine.com/HPC/Articles/Linux-I-O-Schedulers

Dem, der foretrækker at læse på russisk: https://www.opennet.ru/base/sys/linux_shedulers.txt.html)

I anbefalingerne til tuning af Linux anbefales det også at øge nr_request

nr_anmodninger
Værdien af nr_requests bestemmer mængden af I/O-anmodninger, der bliver bufferet, før I/O-planlæggeren sender/modtager data til blokenheden, hvis du bruger et RAID-kort/blokenhed, der kan håndtere en større kø end I /O-planlæggeren er indstillet til, kan en hævning af værdien af nr_requests hjælpe med at forbedre og reducere serverbelastningen, når der forekommer store mængder I/O på serveren. Hvis du bruger Deadline eller CFQ som skemalægger, foreslås det, at du indstiller nr_request værdien til 2 gange værdien af kødybde.

MEN! Borgerne selv, udviklerne af CEPH, overbeviser os om, at deres prioriteringssystem fungerer bedre.

WBTrottle og/eller nr_requests

WBTrottle og/eller nr_requests
Fillagring bruger bufferet I/O til skrivning; dette giver en række fordele, hvis fillagringsloggen er på hurtigere medier. Klientforespørgsler meddeles, så snart dataene er skrevet til loggen, og skylles derefter til selve datadisken på et senere tidspunkt ved hjælp af standard Linux-funktionalitet. Dette gør det muligt for OSD-spindeldrev at give skriveforsinkelse svarende til SSD'er, når der skrives i små bursts. Denne forsinkede tilbageskrivning gør det også muligt for kernen selv at omarrangere I/O-anmodninger til disk, med håbet om enten at flette dem sammen eller lade eksisterende diskhoveder tage en bedre vej hen over deres plader. Sluteffekten er, at du muligvis kan presse lidt mere I/O ud af hver disk, end det ville være muligt med direkte eller synkron I/O.

Der opstår dog et vist problem, hvis mængden af indgående skrivninger til en given Ceph-klynge overgår alle de underliggende diskes muligheder. I et sådant scenarie kan det samlede antal afventende I/O'er, der venter på at blive skrevet til disk, vokse ukontrolleret og resultere i en I/O-kø, der fylder hele disken og Ceph-køerne. Læseanmodninger er særligt dårlige, fordi de sætter sig fast mellem skriveanmodninger, hvilket kan tage flere sekunder at skylle til det primære drev.

For at overvinde dette problem har Ceph en tilbageskrivningsreguleringsmekanisme indbygget i fillageret kaldet WBThrottle. Den er designet til at begrænse den samlede mængde af lazy write I/O, der kan stå i kø og starte deres flush-proces hurtigere, end det normalt ville være aktiveret af kernen selv. Desværre viser test, at standardindstillingerne muligvis stadig ikke skærer adfærden til et niveau, der kan reducere denne indvirkning på læselatens. Tweaking kan ændre denne adfærd og reducere den samlede skrivekølængde og gøre det muligt for påvirkningen at være mindre alvorlig. Der er dog en afvejning: ved at reducere det samlede maksimale antal indgange, der må stå i kø, kan du reducere kernens evne til at maksimere dens effektivitet i bestilling af indkommende anmodninger. Det er værd at tænke lidt over, hvad du har brug for mere til din specifikke applikation, arbejdsbelastninger og tilpasse til match.

For at kontrollere dybden af en sådan tilbageskrivningskø kan du enten reducere den totale maksimale backlog af I/O'er ved at anvende WBThrottle-indstillingen eller reducere den maksimale værdi for backlogs på det højeste blokeringsniveau i din kerne. Begge kan effektivt kontrollere den samme adfærd, og det er dine præferencer, der vil være grundlaget for implementering af denne indstilling.
Det skal også bemærkes, at Cephs operation precedence-system er mere effektivt til forespørgsler på kortere diskniveau. Når den samlede kø reduceres til en given disk, flyttes hovedkøplaceringen til Ceph, hvor den har mere kontrol over, hvilken prioritet en I/O-operation har. Overvej følgende eksempel:

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

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

ALMINDELIGE

Og et par kernejusteringer mere for at gøre din bil blød og silkeblød for at presse noget mere ydeevne ud af jern

kat /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.

Fordybelse i CEPH

Indstillinger, som jeg gerne vil dvæle ved mere detaljeret:

kat /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

Nogle af de parametre, der blev testet på QA i version 12.2.12 mangler i version ceph 12.2.2, f.eks. osd_recovery_threads. Derfor indeholdt planerne en opdatering af prod til 12.2.12. Praksis har vist kompatibilitet i en klynge af versioner 12.2.2 og 12.2.12, som giver dig mulighed for at lave en løbende opdatering.

Test klynge

Til test var det naturligvis nødvendigt at have samme version som i slaget, men på det tidspunkt, jeg begyndte at arbejde med klyngen, havde repository kun en nyere. Efter at have set på, hvad du kan se i den mindre version, er den ikke særlig stor (1393 linjer i konfigurationer imod 1436 i den nye version), besluttede vi at begynde at teste den nye (opdater alligevel, hvorfor fortsætte med de gamle ting)

Det eneste, de forsøgte at forlade den gamle version, er pakken ceph-deploy fordi nogle af værktøjerne (og nogle af medarbejderne) var skræddersyet til dets syntaks. Den nye version var helt anderledes, men den påvirkede ikke driften af selve klyngen, og den blev efterladt af versionerne 1.5.39

Da ceph-disk-kommandoen tydeligt siger, at den er forældet og brug ceph-volume-kommandoen, kære jer - begyndte vi at oprette OSD med denne kommando uden at spilde tid på den forældede.

Planen var som følger - at skabe et spejl af to SSD-diske, hvorpå vi vil placere OSD-logfiler, som igen er placeret på spindel-SAS'er. Så vi forsikrer os mod dataproblemer, når journaldisken går ned.

Opret en stålklynge i henhold til dokumentationen

kat /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

Den første ting jeg faldt over i arbejdet med denne version af ceph-deploy med en klynge af version 12.2.12 er en fejl, da jeg forsøgte at oprette en OSD med db på et softwareraid -

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

Faktisk viser blkid ikke PARTUUID, jeg var nødt til at oprette partitioner manuelt:

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

Det ser ud til, at alt er klar, vi prøver at oprette OSD igen og få følgende fejl (som i øvrigt ikke blev gengivet i kamp)

når du opretter en bluestore OSD uden at angive stien til WAL, men angive 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

Desuden, hvis du på det samme spejl (eller et andet sted at vælge imellem) opretter en anden partition til WAL og angiver den, når du opretter OSD'en, så vil alt gå glat (bortset fra udseendet af en separat WAL, som du muligvis ikke har ønsket).

Men da det stadig lå i de fjerne planer at bringe WAL til NVMe, var praksis ikke overflødig.

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

Oprettet monitorer, ledere og OSD. Nu vil jeg gruppere dem på forskellige måder, fordi jeg planlægger at have forskellige typer diske - hurtige pools på SSD og store, men langsomme på SAS pandekager.

Vi vil antage, at der er 20 diske på serverne, de første ti er en type, den anden er en anden.
Standardkortet ser sådan ud:

ceph osd træ

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

Lad os skabe vores egne virtuelle racks og servere med blackjack og andre ting:

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

Problemerne vi stødte på i bekæmpe klynge, når du forsøger at oprette en ny vært og flytte den til et eksisterende rack - kommandoen ceph osd crush move ceph01-host root=rack01 hang, og monitorerne begyndte at falde en efter en. Ved at afbryde kommandoen med en simpel CTRL+C returnerede klyngen til de levendes verden.

Søgningen viste følgende problem: https://tracker.ceph.com/issues/23386

Løsningen var at dumpe crushmap'et og fjerne sektionen derfra regel 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

Efterfølgende: denne handling kan forårsage en genbalancering af placeringsgruppe mellem OSD'er. Vi har det forårsaget, men meget lille.

Og det mærkelige, vi stødte på i testklyngen, er, at efter genstart af OSD-serveren, glemte de, at de blev flyttet til nye servere og racks og vendte tilbage til root-standard.
Som et resultat, efter at have samlet det endelige skema, hvor vi oprettede en separat rod til ssd-diske og separat til spindel-diske, trak vi alle OSD'erne langs stativene og slettede simpelthen standardroden. Efter genstarten begyndte OSD'erne at blive på deres pladser.
Ved at rode senere i dokumentationen fandt man en parameter, der er ansvarlig for denne adfærd. Om ham i anden del

Hvordan vi lavede forskellige grupper efter typer af diske.

Til at begynde med oprettede vi to rødder - til ssd og til hdd

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

Da serverne fysisk er placeret i forskellige racks, lavede vi for nemheds skyld racks, og der er allerede servere i dem

# 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

og spredte diske i henhold til deres typer på forskellige 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

Efter at have spredt diskene over ssd-root og hdd-root rødderne, lod vi root-standarden være tom, så vi kan slette den

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

Dernæst skal vi lave distributionsregler, som vi vil binde til de oprettede puljer - i reglerne vil vi specificere i hvilken rod vi kan lægge vores pooldata og replikaens unikke niveau - for eksempel skal replikaer være på forskellige servere, eller i forskellige stativer (du kan endda i forskellige rod, hvis vi har en sådan fordeling)

Før du vælger en type, er det bedre at læse dokumentationen:
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

Nå, vi opretter puljer, hvori vi ønsker at gemme diskbilleder af vores virtualisering i fremtiden - 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

Og vi fortæller disse puljer, hvilke placeringsregler de skal bruge

 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

Valget af antallet af placeringsgrupper bør behandles med en allerede eksisterende vision for din klynge - hvor meget OSD vil være der, hvor meget data (som en procentdel af det samlede antal) vil være i puljen, hvor meget data i alt .

I alt er det ønskeligt ikke at have mere end 300 placeringsgrupper pr. disk, og det vil være nemmere at balancere med små placeringsgrupper - altså hvis hele din pulje fylder 10 Tb og 10 PG i den - så vil det være problematisk at balancere ved at kaste terabyte mursten (pg) - at hælde sand med en lille størrelse sandkorn i spande er enklere og mere glat).

Men vi skal huske, at jo større antal PG'er - jo flere ressourcer bruges på at beregne deres placering - begynder hukommelsen og CPU'en at blive udnyttet.

Tilnærmelsesvis forståelse kan give lommeregner, leveret af udviklerne af CEPH-dokumentationen.

Liste over materialer:

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/

Kilde: www.habr.com

Ceph - fra "på knæet" til "produktion"