Wahl von CEPH. Teil 1
Wir hatten fünf Racks, zehn optische Switches, konfiguriertes BGP, ein paar Dutzend SSDs und eine Reihe von SAS-Laufwerken in allen Farben und Größen sowie Proxmox und den Wunsch, die gesamte statische Aufladung in unserem eigenen S3-Speicher unterzubringen. Nicht, dass dies alles für die Virtualisierung notwendig wäre, aber wenn Sie erst einmal angefangen haben, OpenSource zu nutzen, dann gehen Sie Ihrem Hobby bis zum Ende nach. Das Einzige, was mich gestört hat, war BGP. Es gibt nichts Hilfloseres, Verantwortungsloseres und Unmoralischeres als das interne BGP-Routing. Und ich wusste, dass wir uns schon bald darauf stürzen würden.
Die Aufgabe war banal – es gab CEPH, es funktionierte nicht sehr gut. Es musste gut gemacht werden.
Der Cluster, den ich bekam, war heterogen, in Eile abgestimmt und praktisch nicht abgestimmt. Es bestand aus zwei Gruppen unterschiedlicher Knoten, wobei ein gemeinsames Netz sowohl als Cluster als auch als öffentliches Netzwerk fungierte. Die Knoten waren mit vier Arten von Festplatten gefüllt – zwei Arten von SSDs, zusammengefasst in zwei separaten Platzierungsregeln, und zwei Arten von HDDs unterschiedlicher Größe, zusammengefasst in einer dritten Gruppe. Das Problem mit unterschiedlichen Größen wurde durch unterschiedliche OSD-Gewichte gelöst.
Das Setup selbst gliedert sich in zwei Teile - Optimierung des Betriebssystems и Tuning des CEPH selbst und seine Einstellungen.
Betriebssystem-Upgrade
Netzwerk
Die hohe Latenz wirkte sich sowohl auf die Aufnahme als auch auf das Balancing aus. Beim Schreiben, da der Client keine Antwort über einen erfolgreichen Schreibvorgang erhält, bis Datenreplikate in anderen Platzierungsgruppen den Erfolg bestätigen. Da die Regeln für die Verteilung von Replikaten in der CRUSH-Karte ein Replikat pro Host vorsahen, wurde immer das Netzwerk verwendet.
Daher beschloss ich zunächst, das aktuelle Netzwerk leicht anzupassen und gleichzeitig zu versuchen, mich davon zu überzeugen, auf separate Netzwerke umzusteigen.
Zunächst habe ich die Netzwerkkarteneinstellungen verdreht. Begonnen mit dem Einrichten von Warteschlangen:
was war:
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: 1Es ist ersichtlich, dass die aktuellen Parameter weit von Höchstwerten entfernt sind. Erhöht:
root@ceph01:~#ethtool -G ens1f0 rx 4096
root@ceph01:~#ethtool -G ens1f0 tx 4096
root@ceph01:~#ethtool -L ens1f0 combined 63Geleitet von einem hervorragenden Artikel
Die Länge der Sendewarteschlange wurde erhöht txqueuelen von 1000 bis 10 000
root@ceph01:~#ip link set ens1f0 txqueuelen 10000Nun, ich folge der Dokumentation von Ceph selbst
erhöht MTU um 9000.
root@ceph01:~#ip link set dev ens1f0 mtu 9000Zu /etc/network/interfaces hinzugefügt, sodass alle oben genannten Dateien beim Start geladen werden
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 9000Danach begann ich nach dem gleichen Artikel, nachdenklich an den Griffen des 4.15-Kernels zu drehen. Da die Knoten über 128 GB RAM verfügen, haben wir eine bestimmte Konfigurationsdatei dafür erhalten 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)СGlanznetzwerk wurde auf separaten 10-Gbit/s-Netzwerkschnittstellen in einem separaten flachen Netzwerk zugewiesen. Jede Maschine wurde mit Netzwerkkarten mit zwei Ports geliefert Mellanox 10/25 Gbit/s, angeschlossen an zwei separate 10-Gbit/s-Switches. Die Aggregation wurde mit OSPF durchgeführt, da die Verbindung mit LACP aus irgendeinem Grund einen Gesamtdurchsatz von maximal 16 Gbit/s ergab, während OSPF beide Dutzende auf jeder Maschine erfolgreich vollständig nutzte. Weitere Pläne bestanden darin, ROCE auf diese Melanoxen anzuwenden, um die Latenz zu reduzieren. So wurde dieser Teil des Netzwerks konfiguriert:
- Da die Maschinen selbst über externe IPs auf BGP verfügen, benötigen wir Software – (oder besser gesagt, zum Zeitpunkt des Schreibens war es so ) stand schon.
- Insgesamt verfügten die Maschinen über zwei Netzwerkschnittstellen, jeweils zwei Schnittstellen – also insgesamt 4 Ports. Eine Netzwerkkarte sah werksseitig mit zwei Ports aus und BGP war darauf konfiguriert, die zweite sah zwei verschiedene Switches mit zwei Ports aus und darauf war OSPF eingestellt
Mehr zum Einrichten von OSPF: Die Hauptaufgabe besteht darin, zwei Links zu aggregieren und Fehlertoleranz zu gewährleisten.
zwei Netzwerkschnittstellen, die in zwei einfachen flachen Netzwerken konfiguriert sind – 10.10.10.0/24 und 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 ens1f1anhand derer sich Autos sehen.
DISK
Der nächste Schritt bestand darin, die Festplattenleistung zu optimieren. Für SSD habe ich den Scheduler auf geändert nein, für Festplatte – Frist. Wenn es hart zugeht, dann funktioniert NOOP nach dem Prinzip „Wer steht zuerst auf – das sind die Pantoffeln“, was auf Englisch wie „FIFO (First In, First Out)“ klingt. Anfragen werden bei Eingang in die Warteschlange gestellt. DEADLINE ist lesefreundlicher, außerdem erhält der Prozess aus der Warteschlange zum Zeitpunkt des Vorgangs fast ausschließlichen Zugriff auf die Festplatte. Für unser System ist das großartig, schließlich arbeitet mit jeder Festplatte nur ein Prozess – der OSD-Daemon.
(Wer in den I/O-Scheduler eintauchen möchte, kann hier darüber lesen:
Wer lieber auf Russisch liest: )
In den Empfehlungen zur Optimierung von Linux wird außerdem empfohlen, nr_request zu erhöhen
nr_requests
Der Wert von nr_requests bestimmt die Anzahl der E/A-Anfragen, die gepuffert werden, bevor der E/A-Scheduler Daten an das Blockgerät sendet/empfängt. Wenn Sie eine RAID-Karte/ein Blockgerät verwenden, das eine größere Warteschlange verarbeiten kann, als der E/A-Scheduler eingestellt ist, kann eine Erhöhung des Werts von nr_requests dazu beitragen, die Gesamtleistung zu verbessern und die Serverlast zu reduzieren, wenn große Mengen an E/A auf dem Server auftreten. Wenn Sie Deadline oder CFQ als Planer verwenden, wird empfohlen, den Wert „nr_request“ auf das Zweifache des Werts der Warteschlangentiefe festzulegen.
ABER! Die Bürger selbst, die Entwickler von CEPH, überzeugen uns, dass ihr Prioritätensystem besser funktioniert.
WBTrottle und/oder nr_requests
WBTrottle und/oder nr_requests
Der Dateispeicher verwendet gepufferte E/A zum Schreiben. Dies bringt eine Reihe von Vorteilen mit sich, wenn sich das Dateispeicherprotokoll auf schnelleren Medien befindet. Clientanfragen werden benachrichtigt, sobald die Daten in das Protokoll geschrieben werden, und werden dann zu einem späteren Zeitpunkt mithilfe der Standard-Linux-Funktionalität auf die Datenfestplatte selbst geschrieben. Dadurch ist es möglich, dass OSD-Spindellaufwerke beim Schreiben in kleinen Stößen eine ähnliche Schreiblatenz wie SSDs bieten. Dieses verzögerte Zurückschreiben ermöglicht es dem Kernel auch, E/A-Anfragen auf der Festplatte neu anzuordnen, in der Hoffnung, sie entweder zusammenzuführen oder vorhandenen Plattenköpfen einen besseren Weg über ihre Platten zu ermöglichen. Der Endeffekt besteht darin, dass Sie möglicherweise etwas mehr E/A aus jeder Festplatte herausholen können, als dies mit direkter oder synchroner E/A möglich wäre.
Es entsteht jedoch ein gewisses Problem, wenn das Volumen der eingehenden Schreibvorgänge auf einem bestimmten Ceph-Cluster alle Fähigkeiten der zugrunde liegenden Festplatten übersteigt. In einem solchen Szenario kann die Gesamtzahl der ausstehenden E/A-Vorgänge, die darauf warten, auf die Festplatte geschrieben zu werden, unkontrolliert ansteigen und zu einer E/A-Warteschlange führen, die die gesamten Festplatten- und Ceph-Warteschlangen füllt. Besonders schlimm sind Leseanfragen, da sie zwischen Schreibanfragen hängen bleiben und es mehrere Sekunden dauern kann, bis sie auf das primäre Laufwerk übertragen werden.
Um dieses Problem zu lösen, verfügt Ceph über einen in den Dateispeicher integrierten Writeback-Drosselungsmechanismus namens WBThrottle. Es wurde entwickelt, um die Gesamtmenge an verzögerten Schreib-E/A-Vorgängen zu begrenzen, die in die Warteschlange gestellt werden können, und ihren Flush-Vorgang früher zu starten, als dies normalerweise vom Kernel selbst ermöglicht würde. Leider zeigen Tests, dass die Standardeinstellungen das Verhalten möglicherweise immer noch nicht auf ein Niveau reduzieren, das diese Auswirkungen auf die Leselatenz verringern kann. Durch Optimierungen kann dieses Verhalten geändert und die Gesamtlänge der Schreibwarteschlange reduziert werden, sodass die Auswirkungen weniger schwerwiegend sind. Es gibt jedoch einen Kompromiss: Indem Sie die maximale Gesamtzahl der Einträge reduzieren, die in die Warteschlange gestellt werden dürfen, können Sie die Fähigkeit des Kernels selbst verringern, seine Effizienz bei der Reihenfolge eingehender Anforderungen zu maximieren. Es lohnt sich, ein wenig darüber nachzudenken, was Sie für Ihre spezifische Anwendung und Arbeitslast mehr benötigen, und es entsprechend anzupassen.
Um die Tiefe einer solchen Rückschreibwarteschlange zu steuern, können Sie entweder den gesamten maximalen I/O-Rückstand verringern, indem Sie die WBThrottle-Einstellung anwenden, oder den Maximalwert für Rückstände auf der höchsten Blockebene Ihres Kernels verringern. Beide können dasselbe Verhalten effektiv steuern, und es sind Ihre Präferenzen, die die Grundlage für die Implementierung dieser Einstellung bilden.
Es sollte auch beachtet werden, dass das Operationsprioritätssystem von Ceph für kürzere Abfragen auf Festplattenebene effizienter ist. Wenn die Gesamtwarteschlange auf eine bestimmte Festplatte reduziert wird, wird der Speicherort der Hauptwarteschlange nach Ceph verschoben, wo mehr Kontrolle über die Priorität eines E/A-Vorgangs besteht. Betrachten Sie das folgende Beispiel:
echo 8 > /sys/block/sda/queue/nr_requestsCOMMON
Und ein paar weitere Kernel-Optimierungen, um Ihr Auto weich und seidig zu machen und so mehr Leistung aus Eisen herauszuholen
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. Eintauchen in CEPH
Einstellungen, auf die ich näher eingehen möchte:
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: 4Einige der Parameter, die bei der Qualitätssicherung in Version 12.2.12 getestet wurden, fehlen beispielsweise in Version ceph 12.2.2 osd_recovery_threads. Daher war in den Plänen ein Update des Produkts auf 12.2.12 vorgesehen. Die Praxis hat gezeigt, dass die Versionen 12.2.2 und 12.2.12 in einem Cluster kompatibel sind, sodass Sie ein fortlaufendes Update durchführen können.
Testcluster
Natürlich war es zum Testen notwendig, die gleiche Version wie im Battle zu haben, aber als ich anfing, mit dem Cluster zu arbeiten, gab es im Repository nur eine neuere Version. Wenn man sich anschaut, was man in der Nebenversion sehen kann, ist sie nicht sehr groß (1393 Zeilen in Konfigurationen gegen 1436 in der neuen Version), haben wir beschlossen, mit dem Testen der neuen Version zu beginnen (sowieso ein Update, warum sollte man auf die alte Version umsteigen)?
Das einzige, was sie versucht haben, die alte Version zu belassen, ist das Paket Ceph-Bereitstellung, weil einige der Dienstprogramme (und einige der Mitarbeiter) auf seine Syntax zugeschnitten waren. Die neue Version war ganz anders, hatte aber keinen Einfluss auf den Betrieb des Clusters selbst und wurde von den Versionen beibehalten 1.5.39
Da der Befehl ceph-disk eindeutig sagt, dass er veraltet ist, und verwenden Sie den Befehl ceph-volume, meine Lieben, wir haben mit der Erstellung eines OSD mit diesem Befehl begonnen, ohne Zeit mit dem veralteten Befehl zu verschwenden.
Der Plan war wie folgt: einen Spiegel von zwei SSD-Festplatten zu erstellen, auf denen wir OSD-Protokolle platzieren werden, die sich wiederum auf Spindel-SASs befinden. So versichern wir uns gegen Datenprobleme, wenn die Journalplatte abstürzt.
Erstellen Sie gemäß der Dokumentation einen Stahlcluster
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-qDas erste, worüber ich bei der Arbeit dieser Version von ceph-deploy mit einem Cluster der Version 12.2.12 gestolpert bin, ist ein Fehler beim Versuch, ein OSD mit db auf einem Software-Raid zu erstellen –
root@ceph01-qa:~#ceph-volume lvm create --bluestore --data /dev/sde --block.db /dev/md0
blkid could not detect a PARTUUID for device: /dev/md1Tatsächlich zeigt blkid PARTUUID nicht an, ich musste Partitionen manuell erstellen:
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; doneEs scheint, dass alles bereit ist. Wir versuchen, das OSD erneut zu erstellen und erhalten die folgende Fehlermeldung (die übrigens im Kampf nicht reproduziert wurde).
beim Erstellen eines Bluestore-OSD ohne Angabe des Pfads zu WAL, aber Angabe von 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 argumenWenn Sie außerdem auf demselben Spiegel (oder an einem anderen Ort zur Auswahl) eine weitere Partition für WAL erstellen und diese beim Erstellen des OSD angeben, läuft alles reibungslos (bis auf das Erscheinen einer separaten WAL, die Sie möglicherweise nicht gewollt haben).
Da die Pläne, WAL auf NVMe zu übertragen, jedoch noch in weiter Ferne lagen, war die Praxis nicht überflüssig.
root@ceph01-qa:~#ceph-volume lvm create --bluestore --data /dev/sdf --block.wal /dev/md0p2 --block.db /dev/md1p2Erstellte Monitore, Manager und OSD. Jetzt möchte ich sie auf unterschiedliche Weise gruppieren, da ich verschiedene Arten von Festplatten haben möchte – schnelle Pools auf SSD und große, aber langsame auf SAS-Pancakes.
Wir gehen davon aus, dass sich auf den Servern 20 Festplatten befinden, die ersten zehn sind von einem Typ, die zweiten von einem anderen.
Die Standardkarte sieht so aus:
Ceph OSD-Baum
root@ceph01-q:~# Ceph OSD-Baum
ID KLASSE GEWICHT TYP NAME STATUS NEUGEWICHT PRI-AFF
-1 14.54799 Root-Standard
-3 9.09200 Host ceph01-q
0 SSD 1.00000 OSD.0 bis 1.00000 1.00000
1 SSD 1.00000 OSD.1 bis 1.00000 1.00000
2 SSD 1.00000 OSD.2 bis 1.00000 1.00000
3 SSD 1.00000 OSD.3 bis 1.00000 1.00000
4 Festplatte 1.00000 OSD.4 bis 1.00000 1.00000
5 Festplatte 0.27299 OSD.5 bis 1.00000 1.00000
6 Festplatte 0.27299 OSD.6 bis 1.00000 1.00000
7 Festplatte 0.27299 OSD.7 bis 1.00000 1.00000
8 Festplatte 0.27299 OSD.8 bis 1.00000 1.00000
9 Festplatte 0.27299 OSD.9 bis 1.00000 1.00000
10 Festplatte 0.27299 OSD.10 bis 1.00000 1.00000
11 Festplatte 0.27299 OSD.11 bis 1.00000 1.00000
12 Festplatte 0.27299 OSD.12 bis 1.00000 1.00000
13 Festplatte 0.27299 OSD.13 bis 1.00000 1.00000
14 Festplatte 0.27299 OSD.14 bis 1.00000 1.00000
15 Festplatte 0.27299 OSD.15 bis 1.00000 1.00000
16 Festplatte 0.27299 OSD.16 bis 1.00000 1.00000
17 Festplatte 0.27299 OSD.17 bis 1.00000 1.00000
18 Festplatte 0.27299 OSD.18 bis 1.00000 1.00000
19 Festplatte 0.27299 OSD.19 bis 1.00000 1.00000
-5 5.45599 Host ceph02-q
20 SSD 0.27299 OSD.20 bis 1.00000 1.00000
21 SSD 0.27299 OSD.21 bis 1.00000 1.00000
22 SSD 0.27299 OSD.22 bis 1.00000 1.00000
23 SSD 0.27299 OSD.23 bis 1.00000 1.00000
24 Festplatte 0.27299 OSD.24 bis 1.00000 1.00000
25 Festplatte 0.27299 OSD.25 bis 1.00000 1.00000
26 Festplatte 0.27299 OSD.26 bis 1.00000 1.00000
27 Festplatte 0.27299 OSD.27 bis 1.00000 1.00000
28 Festplatte 0.27299 OSD.28 bis 1.00000 1.00000
29 Festplatte 0.27299 OSD.29 bis 1.00000 1.00000
30 Festplatte 0.27299 OSD.30 bis 1.00000 1.00000
31 Festplatte 0.27299 OSD.31 bis 1.00000 1.00000
32 Festplatte 0.27299 OSD.32 bis 1.00000 1.00000
33 Festplatte 0.27299 OSD.33 bis 1.00000 1.00000
34 Festplatte 0.27299 OSD.34 bis 1.00000 1.00000
35 Festplatte 0.27299 OSD.35 bis 1.00000 1.00000
36 Festplatte 0.27299 OSD.36 bis 1.00000 1.00000
37 Festplatte 0.27299 OSD.37 bis 1.00000 1.00000
38 Festplatte 0.27299 OSD.38 bis 1.00000 1.00000
39 Festplatte 0.27299 OSD.39 bis 1.00000 1.00000
-7 6.08690 Host ceph03-q
40 SSD 0.27299 OSD.40 bis 1.00000 1.00000
41 SSD 0.27299 OSD.41 bis 1.00000 1.00000
42 SSD 0.27299 OSD.42 bis 1.00000 1.00000
43 SSD 0.27299 OSD.43 bis 1.00000 1.00000
44 Festplatte 0.27299 OSD.44 bis 1.00000 1.00000
45 Festplatte 0.27299 OSD.45 bis 1.00000 1.00000
46 Festplatte 0.27299 OSD.46 bis 1.00000 1.00000
47 Festplatte 0.27299 OSD.47 bis 1.00000 1.00000
48 Festplatte 0.27299 OSD.48 bis 1.00000 1.00000
49 Festplatte 0.27299 OSD.49 bis 1.00000 1.00000
50 Festplatte 0.27299 OSD.50 bis 1.00000 1.00000
51 Festplatte 0.27299 OSD.51 bis 1.00000 1.00000
52 Festplatte 0.27299 OSD.52 bis 1.00000 1.00000
53 Festplatte 0.27299 OSD.53 bis 1.00000 1.00000
54 Festplatte 0.27299 OSD.54 bis 1.00000 1.00000
55 Festplatte 0.27299 OSD.55 bis 1.00000 1.00000
56 Festplatte 0.27299 OSD.56 bis 1.00000 1.00000
57 Festplatte 0.27299 OSD.57 bis 1.00000 1.00000
58 Festplatte 0.27299 OSD.58 bis 1.00000 1.00000
59 Festplatte 0.89999 OSD.59 bis 1.00000 1.00000
Lassen Sie uns unsere eigenen virtuellen Racks und Server mit Blackjack und anderen Dingen erstellen:
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 rack01Die Probleme, auf die wir gestoßen sind Kampf Cluster, wenn Sie versuchen, einen neuen Host zu erstellen und ihn in ein vorhandenes Rack zu verschieben – der Befehl Ceph OSD Crush Move Ceph01-Host Root = Rack01 hing, und die Monitore begannen einer nach dem anderen zu fallen. Das Unterbrechen des Befehls mit einer einfachen STRG+C-Taste brachte den Cluster in die Welt der Lebenden zurück.
Die Suche ergab folgendes Problem:
Die Lösung bestand darin, die Crushmap zu löschen und den Abschnitt von dort zu entfernen Regel replizierter_Regelsatz
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: Dieser Vorgang kann zu einer Neuverteilung der Platzierungsgruppe zwischen OSDs führen. Wir haben es verursacht, aber sehr klein.
Und die Kuriosität, auf die wir im Testcluster gestoßen sind, ist, dass sie nach dem Neustart des OSD-Servers vergessen haben, dass sie auf neue Server und Racks verschoben wurden, und auf die Root-Standardeinstellungen zurückgesetzt wurden.
Nachdem wir das endgültige Schema zusammengestellt hatten, in dem wir ein separates Stammverzeichnis für SSD-Festplatten und separat für Spindelfestplatten erstellt hatten, zogen wir alle OSDs entlang der Racks und löschten einfach das Standard-Stammverzeichnis. Nach dem Neustart blieben die OSDs an ihrem Platz.
Beim späteren Stöbern in der Dokumentation wurde ein Parameter gefunden, der für dieses Verhalten verantwortlich ist. Über ihn im zweiten Teil
Wie wir verschiedene Gruppen nach Disc-Typen gebildet haben.
Zunächst haben wir zwei Roots erstellt – für SSD und für HDD
root@ceph01-q:~#ceph osd crush add-bucket ssd-root root
root@ceph01-q:~#ceph osd crush add-bucket hdd-root rootDa sich die Server physisch in verschiedenen Racks befinden, haben wir der Einfachheit halber Racks erstellt, in denen sich bereits Server befinden
# 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 hostund verstreute Festplatten je nach Typ auf verschiedenen Servern
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 серверамиNachdem wir die Festplatten über die SSD-Root- und HDD-Root-Roots verteilt haben, haben wir den Root-Standard leer gelassen, damit wir ihn löschen können
root-ceph01-q:~#ceph osd crush remove defaultAls Nächstes müssen wir Verteilungsregeln erstellen, die wir an die erstellten Pools binden. In den Regeln geben wir an, in welchem Root wir unsere Pooldaten ablegen können, sowie den Eindeutigkeitsgrad des Replikats. Replikate müssen sich beispielsweise auf verschiedenen Servern oder in unterschiedlichen Racks befinden (Sie können sogar in unterschiedlichen Roots, wenn wir über eine solche Verteilung verfügen).
Bevor Sie einen Typ auswählen, ist es besser, die Dokumentation zu lesen:
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 firstnNun, wir erstellen Pools, in denen wir in Zukunft Disk-Images unserer Virtualisierung speichern wollen – 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 1024Und wir sagen diesen Pools, welche Platzierungsregeln sie verwenden sollen
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
Die Wahl der Anzahl der Platzierungsgruppen sollte mit einer bereits bestehenden Vision für Ihren Cluster angegangen werden – wie viel OSD wird vorhanden sein, wie viele Daten (als Prozentsatz der Gesamtmenge) werden im Pool sein, wie viele Daten insgesamt.
Insgesamt ist es wünschenswert, nicht mehr als 300 Platzierungsgruppen pro Festplatte zu haben, und das Ausbalancieren in kleinen Platzierungsgruppen ist einfacher – das heißt, wenn Ihr gesamter Pool 10 TB und 10 PG darin belegt – dann wird es problematisch, das Gleichgewicht durch Werfen von Terabyte-Steinen (pg) herzustellen – das Gießen von Sand mit kleinen Sandkörnern in Eimer ist einfacher und reibungsloser.
Wir müssen jedoch bedenken, dass je größer die Anzahl der PGs ist – desto mehr Ressourcen für die Berechnung ihres Standorts aufgewendet werden –, desto mehr Speicher und CPU werden ausgelastet.
Ungefähres Verständnis kann , bereitgestellt von den Entwicklern der CEPH-Dokumentation.
Materialliste:
Source: habr.com