Elektante CEPH. Parto 1

Ni havis kvin rakojn, dek optikajn ŝaltilojn, agordis BGP, kelkajn dekduojn da SSD-oj kaj amason da SAS-diskoj de ĉiuj koloroj kaj grandecoj, same kiel proxmox kaj la deziron meti ĉiujn statikajn datumojn en nian propran S3-stokadon. Ne ĉio ĉi estas necesa por virtualigo, sed post kiam vi komencas uzi malfermfonton, tiam sekvu vian ŝatokupon ĝis la fino. La sola afero, kiu ĝenis min, estis BGP. Estas neniu en la mondo pli senhelpa, nerespondeca kaj malmorala ol interna BGP-vojigo. Kaj mi sciis, ke baldaŭ ni plonĝos en ĝi.

La tasko estis bagatela - estis CEPH, sed ĝi ne funkciis tre bone. Necesis fari "bon".
La areto kiun mi ricevis estis heterogena, haste agordita kaj praktike ne agordita. Ĝi konsistis el du grupoj de malsamaj nodoj, kun unu komuna krado funkcianta kiel kaj areto kaj publika reto. La nodoj estis plenigitaj per kvar specoj de diskoj - du specoj de SSD, kolektitaj en du apartaj lokigaj reguloj, kaj du specoj de HDD de malsamaj grandecoj, kolektitaj en tria grupo. La problemo kun malsamaj grandecoj estis solvita per malsamaj OSD-pezoj.

La aranĝo mem estas dividita en du partojn - agordado de operaciumo и agordado de CEPH mem kaj ĝiaj agordoj.

Ĝisdatigante OS

reto

Alta latenteco influis kaj registradon kaj ekvilibron. Dum registrado - ĉar la kliento ne ricevos respondon pri sukcesa registrado ĝis datumaj kopioj en aliaj lokigaj grupoj konfirmos sukceson. Ĉar la reguloj por distribuado de kopioj en la CRUSH-mapo estis unu kopio per gastiganto, la reto ĉiam estis uzita.

Tial, la unua afero, kiun mi decidis fari, estis iomete ĝustigi la nunan reton, samtempe provante konvinki min moviĝi al apartaj retoj.

Komence, mi tajlis la agordojn de la retaj kartoj. Mi komencis agordante vostojn:

kio okazis:

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

Oni povas vidi, ke la nunaj parametroj estas malproksime de maksimumoj. Pliigita:

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

Gvidite de bonega artikolo

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

pliigis la longecon de la sendovico txqueuelen de 1000 ĝis 10

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

Nu, sekvante la dokumentadon de ceph mem

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

pliiĝis MTU al 9000.

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

Aldonita al /etc/network/interfaces tiel ke ĉio ĉi-supra estas ŝarĝita ĉe ekfunkciigo

cat / ktp / reto / interfacoj

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

Post tio, sekvante la saman artikolon, mi komencis penseme tordi la tenilojn de la 4.15-kerno. Konsiderante, ke la nodoj havas 128G RAM, ni finis kun agorda dosiero por sysctl

kato /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)

Сbrila reto estis asignita sur apartaj 10Gbps retaj interfacoj en apartan platan reton. Ĉiu maŝino estis ekipita per du-havenaj retkartoj mellanox 10/25 Gbps, konektitaj al du apartaj 10Gbps-ŝaltiloj. Agregado estis farita uzante OSPF, ĉar ligado kun lacp ial montris totalan trairon de maksimumo de 16 Gbps, dum ospf sukcese utiligis ambaŭ dekojn sur ĉiu maŝino. Estontaj planoj estis utiligi ROCE sur tiuj melanoksoj por redukti latentecon. Kiel agordi ĉi tiun parton de la reto:

Ĉar la maŝinoj mem havas eksterajn IP-adresojn sur BGP, ni bezonas programaron - (pli precize, en la momento de verkado de ĉi tiu artikolo ĝi estis frr=6.0-1 ) jam staris.
Entute, la maŝinoj havis du retajn interfacojn, ĉiu kun du interfacoj - entute 4 havenoj. Unu retkarto rigardis la fabrikon kun du havenoj kaj BGP estis agordita sur ĝi, la dua rigardis du malsamajn ŝaltilojn kun du havenoj kaj OSPF estis agordita sur ĝi.

Pliaj detaloj pri agordo de OSPF: La ĉefa tasko estas kunigi du ligilojn kaj havi misfunkciadon.
du retaj interfacoj estas agorditaj en du simplajn platajn retojn - 10.10.10.0/24 kaj 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

per kiu aŭtoj vidas unu la alian.

DISKO

La sekva paŝo estis optimumigi la rendimenton de la diskoj. Por SSD mi ŝanĝis la planilon al nup, por HDD - limdato. Por diri ĝin malklare, NOOP funkcias laŭ la principo de "unua eniro, unua eliro", kiu en la angla sonas kiel "FIFO (First In, First Out)." Petoj estas vicigitaj kiam ili alvenas. TEMPLIMO estas pli leg-orientita, kaj plie, la vica procezo ricevas preskaŭ ekskluzivan aliron al la disko dum la operacio. Ĉi tio estas perfekta por nia sistemo - post ĉio, nur unu procezo funkcias kun ĉiu disko - OSD-demono.
(Tiuj, kiuj volas plonĝi en la I/O-planilon, povas legi pri ĝi ĉi tie:
http://www.admin-magazine.com/HPC/Articles/Linux-I-O-Schedulers

Tiuj, kiuj preferas legi en la rusa: https://www.opennet.ru/base/sys/linux_shedulers.txt.html)

En rekomendoj por agordi Linukso, estas ankaŭ rekomendite pliigi nr_request

nr_petoj
La valoro de nr_requests determinas la kvanton da I/O-petoj kiuj estas bufrigitaj antaŭ ol la I/O-planilo sendas/ricevas datumojn al la bloka aparato, se vi uzas RAID-karton/Blokan aparaton, kiu povas trakti pli grandan atendovicon ol la I/O-planilo. /O-planisto estas agordita al, plialtigi la valoron de nr_requests povas helpi plibonigi kaj redukti servilan ŝarĝon kiam grandaj kvantoj da I/O okazas sur la servilo. Se vi uzas Deadline aŭ CFQ kiel la planilon, oni sugestas, ke vi agordu la nr_request-valoron al 2-oble la valoro de vostoprofundo.

SED! La civitanoj mem, la programistoj de CEPH, konvinkas nin, ke ilia sistemo de prioritatoj funkcias pli bone

WBThrottle kaj/aŭ nr_petoj

WBThrottle kaj/aŭ nr_petoj
Dosiera stokado uzas bufran I/O por skribi; ĉi tio alportas kelkajn avantaĝojn se la dosiera stokado estas sur pli rapida amaskomunikilaro. Klientpetoj estas sciigitaj tuj kiam datumoj estas skribitaj al la protokolo, kaj tiam estas fluitaj al la datumdisko mem en pli posta tempo uzante norman Linuksan funkciecon. Ĉi tio ebligas al spindelaj OSD-oj havigi skriban latentecon similan al SSD-oj dum skribado en malgrandaj ekestoj. Ĉi tiu prokrastita reskribo ankaŭ permesas al la kerno mem reorganizi la diskajn I/O-petojn, kun la espero aŭ kunfandi ilin aŭ permesi al la ekzistantaj diskkapoj elekti iun pli optimuman vojon super siaj pladoj. La neta efiko estas, ke vi povas elpremi iomete pli da I/O el ĉiu disko ol eblus kun rekta aŭ sinkrona I/O.

Tamen, certa problemo ekestas se la volumeno de envenantaj rekordoj al donita Ceph-areto superas ĉiujn kapablojn de la subestaj diskoj. En ĉi tiu scenaro, la tutsumo de pritraktataj I/O-operacioj atendantaj esti skribita al disko povus kreski neregeble kaj rezultigi I/O-vicojn plenigantajn la tutan diskon kaj Ceph-vicojn. Legaj petoj estas precipe influitaj ĉar ili blokiĝas inter skribpetoj, kiuj povas daŭri plurajn sekundojn por flui al la ĉefa disko.

Por venki ĉi tiun problemon, Ceph havas reskriban strekan mekanismon konstruitan en dosierstokadon nomitan WBThrottle. Ĝi estas desegnita por limigi la totalan kvanton da maldiligenta skriba I/O kiu povas vicigi kaj komenci sian fluprocezon pli frue ol nature okazus pro esti ebligita de la kerno mem. Bedaŭrinde, testado pruvas, ke la defaŭltaj valoroj eble ankoraŭ ne reduktas la ekzistantan konduton al nivelo, kiu povas redukti ĉi tiun efikon al legado de latenteco. Alĝustigoj povas ŝanĝi ĉi tiun konduton kaj redukti ĝeneralajn skribvico-longojn kaj igi ĉi tiun efikon malpli severa. Estas kompromiso, tamen: reduktante la totalan maksimuman nombron da eniroj permesitaj esti vicigitaj, vi povas redukti la kapablon de la kerno mem por maksimumigi ĝian efikecon en ordigado de envenantaj petoj. Indas pripensi iomete pri tio, kion vi bezonas pli por via specifa uzokazo, laborkvantoj kaj ĝustigi por konveni al ili.

Por kontroli la profundon de tia skribo-malfrua atendovico, vi povas aŭ redukti la totalan maksimuman nombron de elstaraj I/O-operacioj uzante WBThrottle-agordojn, aŭ vi povas redukti la maksimuman valoron por elstaraj operacioj ĉe la bloknivelo de via kerno mem. Ambaŭ povas efike kontroli la saman konduton, kaj viaj preferoj estos la bazo por efektivigi ĉi tiun agordon.
Oni devas ankaŭ rimarki, ke la operacia prioritatsistemo de Ceph estas pli efika por pli mallongaj demandoj ĉe la disknivelo. Ŝrumpante la totalan atendovicon al antaŭfiksita disko, la primara loko de la atendovico moviĝas al Ceph, kie ĝi havas pli da kontrolo pri kia prioritato havas la I/O-operacio. Konsideru la sekvan ekzemplon:

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

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

KOMUNULO

Kaj kelkaj pliaj kernaj tuŝoj por fari vian aŭton mola kaj silkeca kaj elpremi iom pli da rendimento el la aparataro

kato /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.

Mergado en CEPH

Agordoj, pri kiuj mi ŝatus pritrakti pli detale:

kato /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

Kelkaj el la parametroj, kiuj estis provitaj por QA en versio 12.2.12, mankas en ceph-versio 12.2.2, ekzemple osd_recovery_threads. Tial, la planoj inkludis ĝisdatigon pri produktado al 12.2.12. Praktiko montris kongruecon inter versioj 12.2.2 kaj 12.2.12 en unu areto, kio permesas ruliĝantajn ĝisdatigojn.

Testareto

Nature, por testado necesis havi la saman version kiel en la batalo, sed tiutempe mi eklaboris kun la grapolo, nur la pli nova estis disponebla en la deponejo. Rigardinte, tio, kion vi povas distingi en la negrava versio, ne estas tre granda (1393 linioj en agordoj kontraŭ 1436 en la nova versio), ni decidis komenci testi la novan (ĉiuokaze ĝisdatigante, kial iri kun malnovaj rubaĵoj)

La sola afero, kiun ni provis postlasi la malnovan version, estas la pako ceph-deploji ĉar kelkaj el la utilecoj (kaj kelkaj el la dungitoj) estis adaptitaj al ĝia sintakso. La nova versio estis sufiĉe malsama, sed ne influis la funkciadon de la grapolo mem, kaj ĝi restis en la versio 1.5.39

Ĉar la komando ceph-disk klare diras, ke ĝi estas malrekomendita kaj uzas la komandon ceph-volume, karaj, ni komencis krei OSD-ojn per ĉi tiu komando, sen perdi tempon ĉe malmodernaj.

La plano estis krei spegulon de du SSD-diskoj sur kiuj ni metos OSD-protokolojn, kiuj, siavice, situas sur spindelaj SAS. Tiel ni povas protekti nin kontraŭ problemoj kun datumoj se la disko kun la protokolo falas.

Ni komencis krei areton laŭ la dokumentado

kato /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

La unua afero, kiun mi renkontis, kiam mi laboris kun ĉi tiu versio de ceph-deploy kun cluster-versio 12.2.12, estis eraro kiam mi provis krei OSD kun db ĉe programara atako -

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

Efektive, blkid ne ŝajnas esti PARTUUID, do mi devis krei subdiskojn permane:

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

Ĉio ŝajnas esti preta, ni provas krei la OSD denove kaj ricevi la sekvan eraron (kiu, cetere, ne estis reproduktita en batalo)

kiam oni kreas OSD de tipo bluestore sen specifi la vojon al WAL, sed specifi 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

Krome, se sur la sama spegulo (aŭ en alia loko, laŭ via elekto) vi kreas alian sekcion por WAL kaj specifigas ĝin dum kreado de la OSD, tiam ĉio iros glate (krom la apero de aparta WAL, kiun vi eble ne). volis).

Sed, ĉar ĝi ankoraŭ estis en la malproksimaj planoj movi WAL al NVMe, la praktiko ne rezultis superflua.

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

Kreis monitorojn, administrantojn kaj OSD. Nun mi ŝatus grupigi ilin malsame, ĉar mi planas havi malsamajn specojn de diskoj - rapidajn naĝejojn sur SSD kaj grandajn, sed malrapidajn naĝejojn sur SAS-krespoj.

Ni supozu, ke la serviloj havas 20 diskojn, la unuaj dek estas unu tipo, la dua estas alia.
La komenca, defaŭlta, karto aspektas jene:

ceph osd arbo

root@ceph01-q:~# ceph osd-arbo
ID KLASO PEZO TIPO NOMO STATO REPEZO PRI-AFF
-1 14.54799 radika defaŭlto
—3 9.09200 gastiganto ceph01-q
0 ssd 1.00000 osd.0 supren 1.00000 1.00000
1 ssd 1.00000 osd.1 supren 1.00000 1.00000
2 ssd 1.00000 osd.2 supren 1.00000 1.00000
3 ssd 1.00000 osd.3 supren 1.00000 1.00000
4 hdd 1.00000 osd.4 supren 1.00000 1.00000
5 hdd 0.27299 osd.5 supren 1.00000 1.00000
6 hdd 0.27299 osd.6 supren 1.00000 1.00000
7 hdd 0.27299 osd.7 supren 1.00000 1.00000
8 hdd 0.27299 osd.8 supren 1.00000 1.00000
9 hdd 0.27299 osd.9 supren 1.00000 1.00000
10 hdd 0.27299 osd.10 supren 1.00000 1.00000
11 hdd 0.27299 osd.11 supren 1.00000 1.00000
12 hdd 0.27299 osd.12 supren 1.00000 1.00000
13 hdd 0.27299 osd.13 supren 1.00000 1.00000
14 hdd 0.27299 osd.14 supren 1.00000 1.00000
15 hdd 0.27299 osd.15 supren 1.00000 1.00000
16 hdd 0.27299 osd.16 supren 1.00000 1.00000
17 hdd 0.27299 osd.17 supren 1.00000 1.00000
18 hdd 0.27299 osd.18 supren 1.00000 1.00000
19 hdd 0.27299 osd.19 supren 1.00000 1.00000
—5 5.45599 gastiganto ceph02-q
20 ssd 0.27299 osd.20 supren 1.00000 1.00000
21 ssd 0.27299 osd.21 supren 1.00000 1.00000
22 ssd 0.27299 osd.22 supren 1.00000 1.00000
23 ssd 0.27299 osd.23 supren 1.00000 1.00000
24 hdd 0.27299 osd.24 supren 1.00000 1.00000
25 hdd 0.27299 osd.25 supren 1.00000 1.00000
26 hdd 0.27299 osd.26 supren 1.00000 1.00000
27 hdd 0.27299 osd.27 supren 1.00000 1.00000
28 hdd 0.27299 osd.28 supren 1.00000 1.00000
29 hdd 0.27299 osd.29 supren 1.00000 1.00000
30 hdd 0.27299 osd.30 supren 1.00000 1.00000
31 hdd 0.27299 osd.31 supren 1.00000 1.00000
32 hdd 0.27299 osd.32 supren 1.00000 1.00000
33 hdd 0.27299 osd.33 supren 1.00000 1.00000
34 hdd 0.27299 osd.34 supren 1.00000 1.00000
35 hdd 0.27299 osd.35 supren 1.00000 1.00000
36 hdd 0.27299 osd.36 supren 1.00000 1.00000
37 hdd 0.27299 osd.37 supren 1.00000 1.00000
38 hdd 0.27299 osd.38 supren 1.00000 1.00000
39 hdd 0.27299 osd.39 supren 1.00000 1.00000
—7 6.08690 gastiganto ceph03-q
40 ssd 0.27299 osd.40 supren 1.00000 1.00000
41 ssd 0.27299 osd.41 supren 1.00000 1.00000
42 ssd 0.27299 osd.42 supren 1.00000 1.00000
43 ssd 0.27299 osd.43 supren 1.00000 1.00000
44 hdd 0.27299 osd.44 supren 1.00000 1.00000
45 hdd 0.27299 osd.45 supren 1.00000 1.00000
46 hdd 0.27299 osd.46 supren 1.00000 1.00000
47 hdd 0.27299 osd.47 supren 1.00000 1.00000
48 hdd 0.27299 osd.48 supren 1.00000 1.00000
49 hdd 0.27299 osd.49 supren 1.00000 1.00000
50 hdd 0.27299 osd.50 supren 1.00000 1.00000
51 hdd 0.27299 osd.51 supren 1.00000 1.00000
52 hdd 0.27299 osd.52 supren 1.00000 1.00000
53 hdd 0.27299 osd.53 supren 1.00000 1.00000
54 hdd 0.27299 osd.54 supren 1.00000 1.00000
55 hdd 0.27299 osd.55 supren 1.00000 1.00000
56 hdd 0.27299 osd.56 supren 1.00000 1.00000
57 hdd 0.27299 osd.57 supren 1.00000 1.00000
58 hdd 0.27299 osd.58 supren 1.00000 1.00000
59 hdd 0.89999 osd.59 supren 1.00000 1.00000

Ni kreu niajn proprajn virtualajn rakojn kaj servilojn per blackjack kaj aliaj aferoj:

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

La problemoj en kiuj ni renkontis batalo areto, kiam vi provas krei novan gastiganton kaj movi ĝin al ekzistanta rako - komando ceph osd crush move ceph01-host root=rack01 frostiĝis, kaj la monitoroj komencis fali unu post la alia. Ĉesigi la komandon per simpla CTRL+C resendis la areton al la mondo de la vivantoj.

Serĉo montris ĉi tiun problemon: https://tracker.ceph.com/issues/23386

La solvo montriĝis por forĵeti crushmap kaj forigi la sekcion de tie regulo replicated_rulesaro

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

Akhtung: Ĉi tiu operacio povas kaŭzi reekvilibron de la lokiga grupo inter OSDoj. Ĝi kaŭzis tion al ni, sed tre malmulte.

Kaj la stranga afero, kiun ni renkontis en la testa areto, estis, ke post rekomenco de la OSD-servilo, ili forgesis, ke ili estis movitaj al novaj serviloj kaj rakoj, kaj revenis al la defaŭlta radiko.
Kiel rezulto, kunveninte la finan skemon, en kiu ni kreis apartan radikon por ssd-diskoj kaj apartan por spindelaj diskoj, ni prenis ĉiujn OSD-ojn en rakojn kaj simple forigis la defaŭltan radikon. Post la rekomenco, la OSD komencis resti en loko.
Fosi tra la dokumentado poste, ni trovis parametron, kiu respondecas pri ĉi tiu konduto. Pri li en la dua parto

Kiel ni faris malsamajn grupojn laŭ disko tipo.

Komence, ni kreis du radikojn - por ssd kaj por hdd

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

Ĉar la serviloj estas fizike situantaj en malsamaj rakoj, por oportuno ni kreis rakojn kun serviloj en ili

# 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

kaj distribuis la diskojn laŭ iliaj specoj en malsamajn servilojn

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

Disĵetinte la diskojn inter la ssd-radiko kaj hdd-radiko itineroj, ni lasis la radikon-defaŭltan malplena, do ni povas forigi ĝin.

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

Poste, ni devas krei distribuajn regulojn, kiujn ni ligos al la kreataj naĝejoj - en la reguloj ni indikos, kiuj radikoj povas meti niajn naĝejojn kaj la nivelon de unikeco de la kopio - ekzemple, kopioj devas esti sur malsamaj serviloj, aŭ en malsamaj rakoj (vi povas eĉ en malsamaj radikoj, se ni havas tian distribuon)

Antaŭ ol elekti tipon, estas pli bone legi la dokumentadon:
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

Nu, ni kreas poolojn en kiuj ni volas stoki diskobildojn de nia virtualigo estonte - 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

Kaj ni diras al ĉi tiuj naĝejoj, kiajn lokigajn regulojn uzi

 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

La elekto de la nombro da lokigaj grupoj devas esti alproksimiĝita kun antaŭekzistanta vizio por via areto - proksimume kiom da OSDoj estos tie, kia kvanto da datumoj (kiel procento de la totala volumo) estos en la naĝejo, kio estas. la tuta kvanto de datumoj.

Entute, estas konsilinde ne havi pli ol 300 lokigajn grupojn sur la disko, kaj estos pli facile ekvilibrigi kun malgrandaj lokigaj grupoj - tio estas, se via tuta naĝejo okupas 10 Tb kaj estas 10 PG en ĝi - tiam ekvilibro per ĵetado de terabajtaj brikoj (pg) estos problema - verŝu sablon kun etaj sablograjnoj en sitelojn pli facile kaj egale).

Sed ni devas memori, ke ju pli granda estas la nombro da PG-oj, des pli da rimedoj estas elspezitaj por kalkuli ilian lokon - memoro kaj CPU komencas esti uzataj.

Malglata kompreno povas donu al mi kalkulilon, provizita de la programistoj de la CEPH-dokumentado.

Listo de materialoj:

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/

fonto: www.habr.com

Ceph - de "sur la genuo" ĝis "produktado"