Επιλογή CEPH. Μέρος 1
Είχαμε πέντε rack, δέκα οπτικούς διακόπτες, διαμορφωμένο BGP, μερικές ντουζίνες SSD και μια δέσμη μονάδων SAS όλων των χρωμάτων και μεγεθών, καθώς και proxmox και την επιθυμία να βάλουμε όλα τα στατικά στη δική μας αποθήκευση S3. Όχι ότι όλα αυτά ήταν απαραίτητα για την εικονικοποίηση, αλλά μόλις αρχίσετε να χρησιμοποιείτε ανοιχτό κώδικα, συνεχίστε το χόμπι σας μέχρι το τέλος. Το μόνο πράγμα που με ενόχλησε ήταν το BGP. Δεν υπάρχει τίποτα στον κόσμο πιο αβοήθητο, ανεύθυνο και ανήθικο από την εσωτερική δρομολόγηση BGP. Και ήξερα ότι πολύ σύντομα θα βυθιζόμασταν σε αυτό.
Το έργο ήταν κοινότοπο - υπήρχε CEPH, δεν λειτούργησε πολύ καλά. Έπρεπε να γίνει καλά.
Το σύμπλεγμα που πήρα ήταν ετερογενές, συντονισμένο βιαστικά και πρακτικά μη συντονισμένο. Αποτελούνταν από δύο ομάδες διαφορετικών κόμβων, με ένα κοινό πλέγμα που λειτουργεί ταυτόχρονα ως σύμπλεγμα και ως δημόσιο δίκτυο. Οι κόμβοι γέμισαν με τέσσερις τύπους δίσκων - δύο τύπους SSD, που συγκεντρώθηκαν σε δύο ξεχωριστούς κανόνες τοποθέτησης και δύο τύπους σκληρών δίσκων διαφορετικών μεγεθών, που συγκεντρώθηκαν σε μια τρίτη ομάδα. Το πρόβλημα με τα διαφορετικά μεγέθη επιλύθηκε με διαφορετικά βάρη OSD.
Η ίδια η εγκατάσταση χωρίζεται σε δύο μέρη - συντονισμός λειτουργικού συστήματος и συντονισμός του ίδιου του CEPH και τις ρυθμίσεις του.
Αναβάθμιση λειτουργικού συστήματος
Δίκτυο
Η υψηλή καθυστέρηση επηρέασε τόσο την εγγραφή όσο και την εξισορρόπηση. Κατά τη σύνταξη, επειδή ο πελάτης δεν θα λάβει απάντηση σχετικά με μια επιτυχημένη εγγραφή έως ότου τα αντίγραφα δεδομένων σε άλλες ομάδες τοποθετήσεων επιβεβαιώσουν την επιτυχία. Δεδομένου ότι οι κανόνες για τη διανομή αντιγράφων στον χάρτη CRUSH ήταν ένα αντίγραφο ανά κεντρικό υπολογιστή, το δίκτυο χρησιμοποιήθηκε πάντα.
Ως εκ τούτου, το πρώτο πράγμα που αποφάσισα να κάνω ήταν να προσαρμόσω ελαφρώς το τρέχον δίκτυο, προσπαθώντας παράλληλα να με πείσει να μετακινηθώ σε ξεχωριστά δίκτυα.
Αρχικά, έστριψα τις ρυθμίσεις της κάρτας δικτύου. Ξεκίνησε με τη δημιουργία ουρών:
τι συνέβη:
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: 1Μπορεί να φανεί ότι οι τρέχουσες παράμετροι απέχουν πολύ από τα μέγιστα. Αυξήθηκε:
root@ceph01:~#ethtool -G ens1f0 rx 4096
root@ceph01:~#ethtool -G ens1f0 tx 4096
root@ceph01:~#ethtool -L ens1f0 combined 63Με οδηγό ένα εξαιρετικό άρθρο
αύξησε το μήκος της ουράς αποστολής txqueuelen από 1000 έως 10 000
root@ceph01:~#ip link set ens1f0 txqueuelen 10000Λοιπόν, ακολουθώντας την τεκμηρίωση του ίδιου του ceph
αυξήθηκε MTU στο 9000.
root@ceph01:~#ip link set dev ens1f0 mtu 9000Προστέθηκε στο /etc/network/interfaces έτσι ώστε όλα τα παραπάνω να φορτώνονται κατά την εκκίνηση
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 9000Μετά από αυτό, ακολουθώντας το ίδιο άρθρο, άρχισα να στρίβω προσεκτικά τις λαβές του πυρήνα 4.15. Δεδομένου ότι οι κόμβοι έχουν 128G RAM, έχουμε ένα συγκεκριμένο αρχείο ρυθμίσεων για 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)Сδίκτυο λάμψης κατανεμήθηκε σε ξεχωριστές διεπαφές δικτύου 10 Gbps σε ένα ξεχωριστό επίπεδο δίκτυο. Κάθε μηχάνημα εφοδιάστηκε με κάρτες δικτύου δύο θυρών μελανοξ 10/25 Gbps συνδεδεμένο σε δύο ξεχωριστούς διακόπτες 10 Gbps. Η συνάθροιση πραγματοποιήθηκε με τη χρήση OSPF, καθώς η συγκόλληση με το lacp για κάποιο λόγο έδειξε συνολική απόδοση 16 Gbps το πολύ, ενώ το ospf χρησιμοποίησε επιτυχώς και τις δύο δεκάδες πλήρως σε κάθε μηχανή. Περαιτέρω σχέδια ήταν η χρήση του ROCE σε αυτές τις μελανοξίδες για τη μείωση του λανθάνοντος χρόνου. Πώς διαμορφώθηκε αυτό το τμήμα του δικτύου:
- Δεδομένου ότι τα ίδια τα μηχανήματα έχουν εξωτερικές IP στο BGP, χρειαζόμαστε λογισμικό - (ή μάλλον, τη στιγμή που γράφτηκε, ήταν ) στεκόταν ήδη.
- Συνολικά, τα μηχανήματα είχαν δύο διεπαφές δικτύου, δύο διεπαφές το καθένα - συνολικά 4 θύρες. Η μία κάρτα δικτύου κοίταξε το εργοστάσιο με δύο θύρες και το BGP είχε ρυθμιστεί σε αυτήν, η δεύτερη κοίταξε δύο διαφορετικούς διακόπτες με δύο θύρες και το OSPF είχε ρυθμιστεί σε αυτήν
Περισσότερα για τη ρύθμιση του OSPF: Το κύριο καθήκον είναι να συγκεντρωθούν δύο σύνδεσμοι και να υπάρχει ανοχή σφαλμάτων.
δύο διεπαφές δικτύου διαμορφωμένες σε δύο απλά επίπεδα δίκτυα - 10.10.10.0/24 και 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 ens1f1με το οποίο βλέπονται τα αυτοκίνητα.
ΔΙΣΚΟΣ
Το επόμενο βήμα ήταν η βελτιστοποίηση της απόδοσης του δίσκου. Για SSD, άλλαξα τον προγραμματιστή σε όχι, για σκληρό δίσκο — διορία. Αν είναι τραχύ, τότε το NOOP λειτουργεί με την αρχή "ποιος σηκώνεται πρώτος - αυτό είναι οι παντόφλες", που στα αγγλικά ακούγεται σαν "FIFO (First In, First Out)". Τα αιτήματα μπαίνουν στην ουρά καθώς φτάνουν. Το DEADLINE είναι πιο φιλικό προς την ανάγνωση, καθώς και η διαδικασία από την ουρά έχει σχεδόν αποκλειστική πρόσβαση στο δίσκο τη στιγμή της λειτουργίας. Για το σύστημά μας, αυτό είναι υπέροχο - σε τελική ανάλυση, μόνο μία διαδικασία λειτουργεί με κάθε δίσκο - ο δαίμονας OSD.
(Όσοι θέλουν να βουτήξουν στον προγραμματιστή I/O μπορούν να διαβάσουν σχετικά εδώ:
Όσοι προτιμούν να διαβάζουν στα ρωσικά: )
Στις συστάσεις για τον συντονισμό του Linux, συνιστάται επίσης να αυξήσετε το nr_request
nr_ αιτήματα
Η τιμή του nr_requests καθορίζει τον αριθμό των αιτημάτων I/O που αποθηκεύονται στην προσωρινή μνήμη πριν ο προγραμματιστής I/O στείλει / λάβει δεδομένα στη συσκευή μπλοκ, εάν χρησιμοποιείτε κάρτα RAID / Συσκευή Block που μπορεί να χειριστεί μια μεγαλύτερη ουρά από αυτή του I Ο προγραμματιστής /O έχει ρυθμιστεί σε, η αύξηση της τιμής των nr_requests μπορεί να βοηθήσει στη βελτίωση και στη μείωση του φόρτου του διακομιστή όταν εμφανίζονται μεγάλες ποσότητες I/O στον διακομιστή. Εάν χρησιμοποιείτε το Deadline ή το CFQ ως προγραμματιστή, προτείνεται να ορίσετε την τιμή nr_request σε 2 φορές την τιμή του βάθους της ουράς.
ΑΛΛΑ! Οι ίδιοι οι πολίτες, οι προγραμματιστές του CEPH, μας πείθουν ότι το σύστημα προτεραιοτήτων τους λειτουργεί καλύτερα.
WBThrottle και/ή nr_requests
WBThrottle και/ή nr_requests
Η αποθήκευση αρχείων χρησιμοποιεί εισόδου/εξόδου στην προσωρινή μνήμη για εγγραφή. Αυτό φέρνει μια σειρά από πλεονεκτήματα εάν το αρχείο καταγραφής αποθήκευσης αρχείων βρίσκεται σε ταχύτερα μέσα. Τα αιτήματα πελατών ειδοποιούνται αμέσως μόλις τα δεδομένα εγγραφούν στο αρχείο καταγραφής και στη συνέχεια ξεπλένονται στον ίδιο τον δίσκο δεδομένων αργότερα, χρησιμοποιώντας την τυπική λειτουργικότητα Linux. Αυτό καθιστά δυνατό για τις μονάδες ατράκτου OSD να παρέχουν καθυστέρηση εγγραφής παρόμοια με αυτή των SSD κατά την εγγραφή σε μικρές εκρήξεις. Αυτή η καθυστερημένη εγγραφή επιτρέπει επίσης στον ίδιο τον πυρήνα να αναδιατάξει τα αιτήματα εισόδου/εξόδου στο δίσκο, με την ελπίδα είτε να τα συγχωνεύσει είτε να αφήσει τις υπάρχουσες κεφαλές δίσκων να ακολουθήσουν κάποια καλύτερη διαδρομή πάνω από τις πλάκες τους. Το τελικό αποτέλεσμα είναι ότι μπορεί να μπορείτε να συμπιέσετε ελαφρώς περισσότερο I/O από κάθε δίσκο από ό,τι θα ήταν δυνατό με άμεση ή σύγχρονη I/O.
Ωστόσο, προκύπτει ένα συγκεκριμένο πρόβλημα εάν ο όγκος των εισερχόμενων εγγραφών σε ένα δεδομένο σύμπλεγμα Ceph ξεπερνά όλες τις δυνατότητες των υποκείμενων δίσκων. Σε ένα τέτοιο σενάριο, ο συνολικός αριθμός των εκκρεμών εισόδων/εξόδων που περιμένουν να εγγραφούν στο δίσκο μπορεί να αυξηθεί ανεξέλεγκτα και να οδηγήσει σε μια ουρά εισόδου/εξόδου που γεμίζει ολόκληρο τον δίσκο και τις ουρές Ceph. Τα αιτήματα ανάγνωσης είναι ιδιαίτερα κακά επειδή κολλάνε μεταξύ αιτημάτων εγγραφής, τα οποία μπορεί να χρειαστούν αρκετά δευτερόλεπτα για να ξεπλυθούν στην κύρια μονάδα δίσκου.
Για να ξεπεραστεί αυτό το πρόβλημα, ο Ceph έχει έναν ενσωματωμένο μηχανισμό στραγγαλισμού εγγραφής στην αποθήκευση αρχείων που ονομάζεται WBThrottle. Έχει σχεδιαστεί για να περιορίζει το συνολικό ποσό των lazy εγγραφής I/O που μπορούν να μπουν στην ουρά και να ξεκινήσουν τη διαδικασία έκπλυσης νωρίτερα από ό,τι θα ενεργοποιούνταν κανονικά από τον ίδιο τον πυρήνα. Δυστυχώς, οι δοκιμές δείχνουν ότι οι προεπιλογές ενδέχεται να μην μειώνουν τη συμπεριφορά σε επίπεδο που μπορεί να μειώσει αυτόν τον αντίκτυπο στον λανθάνοντα χρόνο ανάγνωσης. Η προσαρμογή μπορεί να αλλάξει αυτή τη συμπεριφορά και να μειώσει τα συνολικά μήκη της ουράς εγγραφής και να καταστήσει δυνατό τον αντίκτυπο να είναι λιγότερο σοβαρός. Ωστόσο, υπάρχει μια αντιστάθμιση: μειώνοντας τον συνολικό μέγιστο αριθμό καταχωρήσεων που επιτρέπεται να βρίσκονται στην ουρά, μπορείτε να μειώσετε την ικανότητα του ίδιου του πυρήνα να μεγιστοποιεί την αποτελεσματικότητά του στην παραγγελία εισερχόμενων αιτημάτων. Αξίζει να σκεφτείτε λίγο τι χρειάζεστε περισσότερο για τη συγκεκριμένη εφαρμογή σας, τον φόρτο εργασίας και να προσαρμόσετε ώστε να ταιριάζει.
Για να ελέγξετε το βάθος μιας τέτοιας ουράς επανάληψης εγγραφής, μπορείτε είτε να μειώσετε το συνολικό μέγιστο ανεκτέλεστο αρχείο εισόδου/εξόδου εφαρμόζοντας τη ρύθμιση WBThrottle είτε να μειώσετε τη μέγιστη τιμή για τα backlog στο μεγαλύτερο επίπεδο μπλοκ του πυρήνα σας. Και οι δύο μπορούν να ελέγξουν αποτελεσματικά την ίδια συμπεριφορά και οι προτιμήσεις σας θα αποτελέσουν τη βάση για την εφαρμογή αυτής της ρύθμισης.
Θα πρέπει επίσης να σημειωθεί ότι το σύστημα προτεραιότητας λειτουργίας του Ceph είναι πιο αποτελεσματικό για πιο σύντομα ερωτήματα σε επίπεδο δίσκου. Όταν μειώνεται η συνολική ουρά σε έναν δεδομένο δίσκο, η κύρια θέση ουράς μεταφέρεται στο Ceph, όπου έχει περισσότερο έλεγχο ως προς την προτεραιότητα που έχει μια λειτουργία I/O. Εξετάστε το ακόλουθο παράδειγμα:
echo 8 > /sys/block/sda/queue/nr_requestsΚΟΙΝΗ
Και μερικές ακόμη προσαρμογές στον πυρήνα για να κάνετε το αυτοκίνητό σας απαλό και μεταξένιο για να συμπιέσετε λίγη περισσότερη απόδοση από το σίδερο
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. Βύθιση σε CEPH
Ρυθμίσεις στις οποίες θα ήθελα να σταθώ πιο αναλυτικά:
γάτα /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: 4Μερικές από τις παραμέτρους που δοκιμάστηκαν στο QA στην έκδοση 12.2.12 λείπουν στην έκδοση ceph 12.2.2, για παράδειγμα osd_recovery_threads. Ως εκ τούτου, τα σχέδια περιελάμβαναν μια ενημέρωση για την παραγωγή στις 12.2.12. Η πρακτική έχει δείξει συμβατότητα σε ένα σύμπλεγμα εκδόσεων 12.2.2 και 12.2.12, το οποίο σας επιτρέπει να κάνετε μια κυλιόμενη ενημέρωση.
Δοκιμαστικό σύμπλεγμα
Φυσικά, για τη δοκιμή ήταν απαραίτητο να έχουμε την ίδια έκδοση όπως στη μάχη, αλλά τη στιγμή που άρχισα να δουλεύω με το σύμπλεγμα, το αποθετήριο είχε μόνο μια νεότερη. Αφού κοιτάξετε τι μπορείτε να δείτε στη δευτερεύουσα έκδοση, δεν είναι πολύ μεγάλο (1393 γραμμές στις ρυθμίσεις παραμέτρων έναντι 1436 στη νέα έκδοση), αποφασίσαμε να ξεκινήσουμε τη δοκιμή της νέας (ενημέρωση ούτως ή άλλως, γιατί να συνεχίσουμε τα παλιά)
Το μόνο πράγμα που προσπάθησαν να αφήσουν την παλιά έκδοση είναι το πακέτο ceph-ανάπτυξη γιατί κάποια από τα βοηθητικά προγράμματα (και κάποιοι από τους υπαλλήλους) ήταν προσαρμοσμένα στη σύνταξή του. Η νέα έκδοση ήταν αρκετά διαφορετική, αλλά δεν επηρέασε τη λειτουργία του ίδιου του συμπλέγματος και έμεινε από τις εκδόσεις 1.5.39
Δεδομένου ότι η εντολή ceph-disk λέει ξεκάθαρα ότι έχει καταργηθεί και χρησιμοποιήστε την εντολή ceph-volume, αγαπητοί μου - ξεκινήσαμε να δημιουργούμε OSD με αυτήν την εντολή, χωρίς να χάνουμε χρόνο στο ξεπερασμένο.
Το σχέδιο ήταν το εξής - να δημιουργήσουμε έναν καθρέφτη δύο δίσκων SSD, στους οποίους θα τοποθετήσουμε αρχεία καταγραφής OSD, τα οποία, με τη σειρά τους, βρίσκονται σε SAS ατράκτου. Έτσι, θα ασφαλιστούμε για προβλήματα δεδομένων όταν ο δίσκος του περιοδικού κολλάει.
Δημιουργήστε ένα σύμπλεγμα χάλυβα σύμφωνα με την τεκμηρίωση
γάτα /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-qΤο πρώτο πράγμα που σκόνταψα στην εργασία αυτής της έκδοσης του ceph-deploy με ένα σύμπλεγμα της έκδοσης 12.2.12 είναι ένα σφάλμα κατά την προσπάθεια δημιουργίας ενός OSD με db σε μια επιδρομή λογισμικού -
root@ceph01-qa:~#ceph-volume lvm create --bluestore --data /dev/sde --block.db /dev/md0
blkid could not detect a PARTUUID for device: /dev/md1Πράγματι, το blkid δεν εμφανίζει το PARTUUID, έπρεπε να δημιουργήσω κατατμήσεις με μη αυτόματο τρόπο:
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; doneΦαίνεται ότι όλα είναι έτοιμα, προσπαθούμε να δημιουργήσουμε ξανά το OSD και λάβουμε το ακόλουθο σφάλμα (το οποίο, παρεμπιπτόντως, δεν αναπαράχθηκε στη μάχη)
όταν δημιουργείτε ένα OSD του bluestore χωρίς να καθορίσετε τη διαδρομή προς το WAL, αλλά να καθορίσετε 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 argumenΕπιπλέον, εάν στον ίδιο καθρέφτη (ή σε άλλο μέρος, για να διαλέξετε) δημιουργήσετε ένα άλλο διαμέρισμα για το WAL και το καθορίσετε κατά τη δημιουργία του OSD, τότε όλα θα πάνε ομαλά (εκτός από την εμφάνιση ενός ξεχωριστού WAL, το οποίο μπορεί να μην έχετε καταζητούμενος).
Όμως, καθώς ήταν ακόμα στα μακρινά σχέδια να φέρει το WAL στο NVMe, η πρακτική δεν ήταν περιττή.
root@ceph01-qa:~#ceph-volume lvm create --bluestore --data /dev/sdf --block.wal /dev/md0p2 --block.db /dev/md1p2Δημιουργήθηκαν οθόνες, διαχειριστές και OSD. Τώρα θέλω να τα ομαδοποιήσω με διαφορετικούς τρόπους, γιατί σκοπεύω να έχω διαφορετικούς τύπους δίσκων - γρήγορες πισίνες σε SSD και μεγάλες, αλλά αργές σε τηγανίτες SAS.
Θα υποθέσουμε ότι υπάρχουν 20 δίσκοι στους διακομιστές, ο πρώτος δέκα είναι ένας τύπος, ο δεύτερος είναι άλλος.
Ο προεπιλεγμένος χάρτης μοιάζει με αυτό:
δέντρο ceph osd
root@ceph01-q:~# δέντρο ceph osd
ID ΚΑΤΗΓΟΡΙΑΣ ΒΑΡΟΣ ΤΥΠΟΣ ΟΝΟΜΑ ΚΑΤΑΣΤΑΣΗ REWEIGHT PRI-AFF
-1 14.54799 ριζική προεπιλογή
-3 9.09200 ξενιστής ceph01-q
0 ssd 1.00000 osd.0 μέχρι 1.00000 1.00000
1 ssd 1.00000 osd.1 μέχρι 1.00000 1.00000
2 ssd 1.00000 osd.2 μέχρι 1.00000 1.00000
3 ssd 1.00000 osd.3 μέχρι 1.00000 1.00000
4 hdd 1.00000 osd.4 μέχρι 1.00000 1.00000
5 hdd 0.27299 osd.5 μέχρι 1.00000 1.00000
6 hdd 0.27299 osd.6 μέχρι 1.00000 1.00000
7 hdd 0.27299 osd.7 μέχρι 1.00000 1.00000
8 hdd 0.27299 osd.8 μέχρι 1.00000 1.00000
9 hdd 0.27299 osd.9 μέχρι 1.00000 1.00000
10 hdd 0.27299 osd.10 μέχρι 1.00000 1.00000
11 hdd 0.27299 osd.11 μέχρι 1.00000 1.00000
12 hdd 0.27299 osd.12 μέχρι 1.00000 1.00000
13 hdd 0.27299 osd.13 μέχρι 1.00000 1.00000
14 hdd 0.27299 osd.14 μέχρι 1.00000 1.00000
15 hdd 0.27299 osd.15 μέχρι 1.00000 1.00000
16 hdd 0.27299 osd.16 μέχρι 1.00000 1.00000
17 hdd 0.27299 osd.17 μέχρι 1.00000 1.00000
18 hdd 0.27299 osd.18 μέχρι 1.00000 1.00000
19 hdd 0.27299 osd.19 μέχρι 1.00000 1.00000
-5 5.45599 ξενιστής ceph02-q
20 ssd 0.27299 osd.20 μέχρι 1.00000 1.00000
21 ssd 0.27299 osd.21 μέχρι 1.00000 1.00000
22 ssd 0.27299 osd.22 μέχρι 1.00000 1.00000
23 ssd 0.27299 osd.23 μέχρι 1.00000 1.00000
24 hdd 0.27299 osd.24 μέχρι 1.00000 1.00000
25 hdd 0.27299 osd.25 μέχρι 1.00000 1.00000
26 hdd 0.27299 osd.26 μέχρι 1.00000 1.00000
27 hdd 0.27299 osd.27 μέχρι 1.00000 1.00000
28 hdd 0.27299 osd.28 μέχρι 1.00000 1.00000
29 hdd 0.27299 osd.29 μέχρι 1.00000 1.00000
30 hdd 0.27299 osd.30 μέχρι 1.00000 1.00000
31 hdd 0.27299 osd.31 μέχρι 1.00000 1.00000
32 hdd 0.27299 osd.32 μέχρι 1.00000 1.00000
33 hdd 0.27299 osd.33 μέχρι 1.00000 1.00000
34 hdd 0.27299 osd.34 μέχρι 1.00000 1.00000
35 hdd 0.27299 osd.35 μέχρι 1.00000 1.00000
36 hdd 0.27299 osd.36 μέχρι 1.00000 1.00000
37 hdd 0.27299 osd.37 μέχρι 1.00000 1.00000
38 hdd 0.27299 osd.38 μέχρι 1.00000 1.00000
39 hdd 0.27299 osd.39 μέχρι 1.00000 1.00000
-7 6.08690 ξενιστής ceph03-q
40 ssd 0.27299 osd.40 μέχρι 1.00000 1.00000
41 ssd 0.27299 osd.41 μέχρι 1.00000 1.00000
42 ssd 0.27299 osd.42 μέχρι 1.00000 1.00000
43 ssd 0.27299 osd.43 μέχρι 1.00000 1.00000
44 hdd 0.27299 osd.44 μέχρι 1.00000 1.00000
45 hdd 0.27299 osd.45 μέχρι 1.00000 1.00000
46 hdd 0.27299 osd.46 μέχρι 1.00000 1.00000
47 hdd 0.27299 osd.47 μέχρι 1.00000 1.00000
48 hdd 0.27299 osd.48 μέχρι 1.00000 1.00000
49 hdd 0.27299 osd.49 μέχρι 1.00000 1.00000
50 hdd 0.27299 osd.50 μέχρι 1.00000 1.00000
51 hdd 0.27299 osd.51 μέχρι 1.00000 1.00000
52 hdd 0.27299 osd.52 μέχρι 1.00000 1.00000
53 hdd 0.27299 osd.53 μέχρι 1.00000 1.00000
54 hdd 0.27299 osd.54 μέχρι 1.00000 1.00000
55 hdd 0.27299 osd.55 μέχρι 1.00000 1.00000
56 hdd 0.27299 osd.56 μέχρι 1.00000 1.00000
57 hdd 0.27299 osd.57 μέχρι 1.00000 1.00000
58 hdd 0.27299 osd.58 μέχρι 1.00000 1.00000
59 hdd 0.89999 osd.59 μέχρι 1.00000 1.00000
Ας δημιουργήσουμε τα δικά μας εικονικά rack και διακομιστές με blackjack και άλλα πράγματα:
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 rack01Τα προβλήματα που αντιμετωπίσαμε μάχη cluster, όταν προσπαθείτε να δημιουργήσετε έναν νέο κεντρικό υπολογιστή και να τον μετακινήσετε σε ένα υπάρχον rack - η εντολή ceph osd crush move ceph01-host root=rack01 κρεμάστηκε και οι οθόνες άρχισαν να πέφτουν ένα-ένα. Η διακοπή της εντολής με ένα απλό CTRL+C επέστρεψε το σύμπλεγμα στον κόσμο των ζωντανών.
Στην αναζήτηση προέκυψε το εξής πρόβλημα:
Η λύση ήταν να πετάξουμε το θρυμματισμένο χάρτη και να αφαιρέσουμε το τμήμα από εκεί κανόνας 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 кластерAchtung: αυτή η λειτουργία μπορεί να προκαλέσει μια επανεξισορρόπηση της ομάδας τοποθετήσεων μεταξύ των OSD. Το έχουμε προκαλέσει, αλλά πολύ μικρό.
Και το περίεργο που συναντήσαμε στο σύμπλεγμα δοκιμών είναι ότι μετά την επανεκκίνηση του διακομιστή OSD, ξέχασαν ότι μεταφέρθηκαν σε νέους διακομιστές και rack και επέστρεψαν στην προεπιλογή του root.
Ως αποτέλεσμα, έχοντας συναρμολογήσει το τελικό σχήμα, στο οποίο δημιουργήσαμε μια ξεχωριστή ρίζα για δίσκους ssd και ξεχωριστά για ατράκτους, τραβήξαμε όλα τα OSD κατά μήκος των rack και απλώς διαγράψαμε την προεπιλεγμένη ρίζα. Μετά την επανεκκίνηση, τα OSD άρχισαν να μένουν στις θέσεις τους.
Ψάχνοντας αργότερα στην τεκμηρίωση βρέθηκε μια παράμετρος που ευθύνεται για αυτήν τη συμπεριφορά. Σχετικά με αυτόν στο δεύτερο μέρος
Πώς κάναμε διαφορετικές ομάδες ανά τύπους δίσκων.
Αρχικά, δημιουργήσαμε δύο ρίζες - για ssd και για hdd
root@ceph01-q:~#ceph osd crush add-bucket ssd-root root
root@ceph01-q:~#ceph osd crush add-bucket hdd-root rootΔεδομένου ότι οι διακομιστές βρίσκονται φυσικά σε διαφορετικά rack, για λόγους ευκολίας, δημιουργήσαμε rack και υπάρχουν ήδη διακομιστές σε αυτά
# 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 hostκαι διάσπαρτους δίσκους ανάλογα με τους τύπους τους σε διαφορετικούς διακομιστές
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 серверамиΈχοντας διασκορπίσει τους δίσκους στις ρίζες ssd-root και hdd-root, αφήσαμε το root-default κενό, ώστε να μπορούμε να το διαγράψουμε
root-ceph01-q:~#ceph osd crush remove defaultΣτη συνέχεια, πρέπει να δημιουργήσουμε κανόνες διανομής που θα δεσμεύσουμε στα δημιουργημένα pools - στους κανόνες θα καθορίσουμε σε ποια ρίζα μπορούμε να βάλουμε τα δεδομένα του pool μας και το επίπεδο μοναδικότητας του replica - για παράδειγμα, τα αντίγραφα πρέπει να βρίσκονται σε διαφορετικούς διακομιστές, ή σε διαφορετικά rack (μπορείτε ακόμα και σε διαφορετικό root, αν έχουμε τέτοια διανομή)
Πριν επιλέξετε έναν τύπο, είναι καλύτερο να διαβάσετε την τεκμηρίωση:
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 firstnΛοιπόν, δημιουργούμε ομάδες στις οποίες θέλουμε να αποθηκεύσουμε εικόνες δίσκου της εικονικοποίησής μας στο μέλλον - 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 1024Και λέμε σε αυτές τις ομάδες ποιους κανόνες τοποθέτησης να χρησιμοποιήσουν
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
Η επιλογή του αριθμού των ομάδων τοποθέτησης θα πρέπει να προσεγγιστεί με ένα προϋπάρχον όραμα για το σύμπλεγμα σας - πόση OSD θα υπάρχει εκεί, πόσα δεδομένα (ως ποσοστό του συνόλου) θα υπάρχουν στη συγκέντρωση, πόσα δεδομένα συνολικά .
Συνολικά, είναι επιθυμητό να μην υπάρχουν περισσότερες από 300 ομάδες τοποθέτησης ανά δίσκο και θα είναι ευκολότερο να εξισορροπηθεί με μικρές ομάδες τοποθέτησης - δηλαδή, εάν ολόκληρη η πισίνα σας καταλαμβάνει 10 Tb και 10 PG σε αυτήν - τότε θα είναι προβληματικό για να ισορροπήσετε ρίχνοντας τούβλα terabyte (σελ.) - το να ρίχνετε άμμο με μικρού μεγέθους κόκκους άμμου σε κουβάδες είναι πιο απλό και λείο).
Αλλά πρέπει να θυμόμαστε ότι όσο μεγαλύτερος είναι ο αριθμός των PG - τόσο περισσότεροι πόροι δαπανώνται για τον υπολογισμό της θέσης τους - η μνήμη και η CPU αρχίζουν να χρησιμοποιούνται.
Η κατά προσέγγιση κατανόηση μπορεί , που παρέχεται από τους προγραμματιστές της τεκμηρίωσης του CEPH.
Κατάλογος υλικών:
Πηγή: www.habr.com