Elección de CEPH. Parte 1

Teníamos cinco bastidores, diez conmutadores ópticos, BGP configurado, un par de docenas de SSD y un montón de unidades SAS de todos los colores y tamaños, además de proxmox y el deseo de poner toda la estática en nuestro propio almacenamiento S3. No es que todo esto fuera necesario para la virtualización, pero una vez que comenzó a usar código abierto, continúe con su pasatiempo hasta el final. Lo único que me molestó fue BGP. No hay nada en el mundo más indefenso, irresponsable e inmoral que el enrutamiento interno de BGP. Y sabía que muy pronto nos sumergiríamos en él.

La tarea era banal: había CEPH, no funcionó muy bien. Tenía que estar bien hecho.
El cluster que obtuve era heterogéneo, sintonizado a toda prisa y prácticamente sin sintonizar. Consistía en dos grupos de nodos diferentes, con una red común que actuaba como clúster y como red pública. Los nodos se llenaron con cuatro tipos de discos: dos tipos de SSD, agrupados en dos reglas de ubicación separadas, y dos tipos de HDD de diferentes tamaños, agrupados en un tercer grupo. El problema con los diferentes tamaños se resolvió con diferentes pesos de OSD.

La configuración en sí se divide en dos partes: ajuste del sistema operativo и sintonizando el propio CEPH y su configuración.

actualización del sistema operativo

Nuestra red

La alta latencia afectó tanto a la grabación como al balanceo. Al escribir, porque el cliente no recibirá una respuesta sobre una escritura exitosa hasta que las réplicas de datos en otros grupos de ubicación confirmen el éxito. Dado que las reglas para distribuir réplicas en el mapa CRUSH eran una réplica por host, siempre se usaba la red.

Por lo tanto, lo primero que decidí hacer fue ajustar ligeramente la red actual, tratando de convencerme en paralelo de pasar a redes separadas.

Para empezar, modifiqué la configuración de la tarjeta de red. Comenzó configurando colas:

qué pasó:

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

Se puede observar que los parámetros actuales están lejos de los máximos. Aumentó:

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

Guiado por un excelente artículo.

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

aumentó la longitud de la cola de envío txqueuelén de 1000 a 10 000

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

Bueno, siguiendo la documentación de ceph en sí

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

aumentado MTU a 9000.

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

Agregado a /etc/network/interfaces para que todo lo anterior se cargue al inicio

gato /etc/red/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 9000

Después de eso, siguiendo el mismo artículo, comencé a girar cuidadosamente los mangos del kernel 4.15. Dado que los nodos tienen 128G de RAM, obtuvimos un determinado archivo de configuración para sysctl

gato /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)

Сred de brillo se asignó en interfaces de red de 10 Gbps separadas en una red plana separada. Cada máquina se suministró con tarjetas de red de dos puertos mellanox 10/25 Gbps conectado a dos conmutadores de 10 Gbps separados. La agregación se llevó a cabo utilizando OSPF, ya que la vinculación con lacp por alguna razón mostró un rendimiento total de un máximo de 16 Gbps, mientras que ospf utilizó con éxito ambas docenas por completo en cada máquina. Otros planes eran usar ROCE en estos melanoxes para reducir la latencia. Cómo se configuró esta parte de la red:

Dado que las propias máquinas tienen direcciones IP externas en BGP, necesitamos software: (o más bien, en el momento de escribir esto, era fr=6.0-1 ) ya estaba de pie.
En total, las máquinas tenían dos interfaces de red, dos interfaces cada una, un total de 4 puertos. Una tarjeta de red miró la fábrica con dos puertos y BGP estaba configurado, la segunda miró dos conmutadores diferentes con dos puertos y OSPF estaba configurado.

Más información sobre la configuración de OSPF: la tarea principal es agregar dos enlaces y tener tolerancia a fallas.
dos interfaces de red configuradas en dos redes planas simples: 10.10.10.0/24 y 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

por el que los coches se ven entre sí.

DISCO

El siguiente paso fue optimizar el rendimiento del disco. Para SSD, cambié el programador a no, para disco duro — . Si es difícil, entonces NOOP funciona según el principio de "quién se levanta primero, esas son las zapatillas", que en inglés suena como "FIFO (primero en entrar, primero en salir)". Las solicitudes se ponen en cola a medida que llegan. DEADLINE es más fácil de leer, además el proceso de la cola obtiene acceso casi exclusivo al disco en el momento de la operación. Para nuestro sistema, esto es excelente; después de todo, solo funciona un proceso con cada disco: el demonio OSD.
(Aquellos que quieran sumergirse en el programador de E / S pueden leer sobre esto aquí:
http://www.admin-magazine.com/HPC/Articles/Linux-I-O-Schedulers

Aquellos que prefieren leer en ruso: https://www.opennet.ru/base/sys/linux_shedulers.txt.html)

En las recomendaciones para ajustar Linux, también se recomienda aumentar nr_request

nr_solicitudes
El valor de nr_requests determina la cantidad de solicitudes de E/S que se almacenan en el búfer antes de que el programador de E/S envíe/reciba datos al dispositivo de bloque, si está utilizando una tarjeta RAID/dispositivo de bloque que puede manejar una cola más grande que la I /O está configurado en, aumentar el valor de nr_requests puede ayudar a mejorar y reducir la carga del servidor cuando se producen grandes cantidades de E/S en el servidor. Si está utilizando Deadline o CFQ como programador, se sugiere que establezca el valor de nr_request en 2 veces el valor de la profundidad de la cola.

¡PERO! Los propios ciudadanos, los desarrolladores de CEPH, nos convencen de que su sistema de prioridades funciona mejor.

WB Trottle y/o nr_requests

WB Trottle y/o nr_requests
El almacenamiento de archivos utiliza E/S almacenada en búfer para escribir; esto trae una serie de beneficios si el registro de almacenamiento de archivos está en medios más rápidos. Las solicitudes de los clientes se notifican tan pronto como los datos se escriben en el registro y luego se descargan en el disco de datos en otro momento utilizando la funcionalidad estándar de Linux. Esto hace posible que las unidades de eje OSD proporcionen una latencia de escritura similar a las SSD cuando escriben en pequeñas ráfagas. Esta reescritura retrasada también permite que el propio kernel reorganice las solicitudes de E/S en el disco, con la esperanza de fusionarlas o permitir que los cabezales de disco existentes tomen un mejor camino sobre sus platos. El efecto final es que puede obtener un poco más de E/S de cada disco de lo que sería posible con E/S directa o síncrona.

Sin embargo, surge cierto problema si el volumen de escrituras entrantes en un clúster de Ceph determinado supera todas las capacidades de los discos subyacentes. En tal escenario, la cantidad total de E/S pendientes que esperan ser escritas en el disco puede crecer sin control y dar como resultado una cola de E/S que llena todo el disco y las colas de Ceph. Las solicitudes de lectura son particularmente malas porque se atascan entre las solicitudes de escritura, lo que puede demorar varios segundos en descargarse en la unidad principal.

Para superar este problema, Ceph tiene un mecanismo de limitación de reescritura integrado en el almacenamiento de archivos llamado WBThrottle. Está diseñado para limitar la cantidad total de E/S de escritura diferida que pueden ponerse en cola y comenzar su proceso de vaciado antes de lo que normalmente habilitaría el kernel. Desafortunadamente, las pruebas muestran que es posible que los valores predeterminados aún no reduzcan el comportamiento a un nivel que pueda reducir este impacto en la latencia de lectura. Los ajustes pueden cambiar este comportamiento y reducir la longitud general de la cola de escritura y hacer posible que el impacto sea menos severo. Sin embargo, existe una compensación: al reducir el número máximo total de registros que se pueden poner en cola, puede reducir la capacidad del kernel para maximizar su eficiencia al ordenar las solicitudes entrantes. Vale la pena pensar un poco sobre lo que necesita más para su aplicación específica, cargas de trabajo y ajustar para que coincida.

Para controlar la profundidad de una cola de reescritura de este tipo, puede disminuir la acumulación máxima total de E/S aplicando la configuración WBThrottle o disminuir el valor máximo de las acumulaciones en el nivel de bloque más alto de su kernel. Ambos pueden controlar efectivamente el mismo comportamiento, y son sus preferencias las que serán la base para implementar esta configuración.
También se debe tener en cuenta que el sistema de precedencia de operaciones de Ceph es más eficiente para consultas más cortas a nivel de disco. Al reducir la cola general a un disco determinado, la ubicación de la cola principal se mueve a Ceph, donde tiene más control sobre la prioridad que tiene una operación de E/S. Considere el siguiente ejemplo:

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

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

COMÚN

Y algunos ajustes más del núcleo para hacer que su automóvil sea suave y sedoso para exprimir un poco más el rendimiento del hierro.

gato /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.

Inmersión en CEPH

Configuraciones en las que me gustaría detenerme con más detalle:

gato /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

Faltan algunos de los parámetros que se probaron en QA en la versión 12.2.12 en la versión ceph 12.2.2, por ejemplo osd_recovery_threads. Por lo tanto, los planes incluyeron una actualización sobre el prod al 12.2.12. La práctica ha demostrado compatibilidad en un grupo de versiones 12.2.2 y 12.2.12, lo que le permite realizar una actualización progresiva.

Clúster de prueba

Naturalmente, para las pruebas era necesario tener la misma versión que en la batalla, pero en el momento en que comencé a trabajar con el clúster, el repositorio solo tenía una más nueva. Después de mirar lo que puedes ver en la versión menor, no es muy grande (1393 líneas en configuraciones contra 1436 en la nueva versión), decidimos comenzar a probar la nueva (actualizar de todos modos, ¿por qué continuar con las cosas antiguas)

Lo unico que intentaron dejar la version antigua es el paquete ceph-implementación, porque algunas de las utilidades (y algunos de los empleados) se adaptaron a su sintaxis. La nueva versión era bastante diferente, pero no afectó el funcionamiento del clúster en sí, y lo dejaron las versiones. 1.5.39

Dado que el comando ceph-disk dice claramente que está en desuso y usa el comando ceph-volume, queridos, comenzamos a crear OSD con este comando, sin perder tiempo en el obsoleto.

El plan era el siguiente: crear un espejo de dos discos SSD, en los que colocaremos los registros OSD, que, a su vez, se encuentran en los SAS del eje. Por lo tanto, nos aseguraremos contra problemas de datos cuando el disco del diario falle.

Cree un grupo de acero de acuerdo con la documentación.

gato /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

Lo primero con lo que tropecé en el trabajo de esta versión de ceph-deploy con un clúster de la versión 12.2.12 es un error al intentar crear un OSD con db en una incursión de software:

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

De hecho, blkid no muestra PARTUUID, tuve que crear particiones manualmente:

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

Parece que todo está listo, intentamos crear de nuevo el OSD y nos sale el siguiente error (que por cierto no se reprodujo en batalla)

al crear un bluestore OSD sin especificar la ruta a WAL, pero especificando 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

Además, si en el mismo espejo (o en otro lugar, para elegir) crea otra partición para WAL y lo especifica al crear el OSD, entonces todo irá bien (excepto por la aparición de un WAL separado, que es posible que no tenga querido).

Pero, dado que aún estaba en los planes lejanos llevar WAL a NVMe, la práctica no estuvo de más.

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

Monitores creados, administradores y OSD. Ahora quiero agruparlos de diferentes maneras, porque planeo tener diferentes tipos de discos: grupos rápidos en SSD y grandes, pero lentos en panqueques SAS.

Supondremos que hay 20 discos en los servidores, los primeros diez son de un tipo, el segundo es de otro.
El mapa predeterminado se ve así:

árbol cefalométrico osd

root@ceph01-q:~# árbol ceph osd
ID CLASE PESO TIPO NOMBRE ESTADO REPESO PRI-AFF
-1 14.54799 raíz por defecto
-3 9.09200 anfitrión ceph01-q
0 ssd 1.00000 osd.0 hasta 1.00000 1.00000
1 ssd 1.00000 osd.1 hasta 1.00000 1.00000
2 ssd 1.00000 osd.2 hasta 1.00000 1.00000
3 ssd 1.00000 osd.3 hasta 1.00000 1.00000
4 hdd 1.00000 osd.4 hasta 1.00000 1.00000
5 hdd 0.27299 osd.5 hasta 1.00000 1.00000
6 hdd 0.27299 osd.6 hasta 1.00000 1.00000
7 hdd 0.27299 osd.7 hasta 1.00000 1.00000
8 hdd 0.27299 osd.8 hasta 1.00000 1.00000
9 hdd 0.27299 osd.9 hasta 1.00000 1.00000
10 hdd 0.27299 osd.10 hasta 1.00000 1.00000
11 hdd 0.27299 osd.11 hasta 1.00000 1.00000
12 hdd 0.27299 osd.12 hasta 1.00000 1.00000
13 hdd 0.27299 osd.13 hasta 1.00000 1.00000
14 hdd 0.27299 osd.14 hasta 1.00000 1.00000
15 hdd 0.27299 osd.15 hasta 1.00000 1.00000
16 hdd 0.27299 osd.16 hasta 1.00000 1.00000
17 hdd 0.27299 osd.17 hasta 1.00000 1.00000
18 hdd 0.27299 osd.18 hasta 1.00000 1.00000
19 hdd 0.27299 osd.19 hasta 1.00000 1.00000
-5 5.45599 anfitrión ceph02-q
20 ssd 0.27299 osd.20 hasta 1.00000 1.00000
21 ssd 0.27299 osd.21 hasta 1.00000 1.00000
22 ssd 0.27299 osd.22 hasta 1.00000 1.00000
23 ssd 0.27299 osd.23 hasta 1.00000 1.00000
24 hdd 0.27299 osd.24 hasta 1.00000 1.00000
25 hdd 0.27299 osd.25 hasta 1.00000 1.00000
26 hdd 0.27299 osd.26 hasta 1.00000 1.00000
27 hdd 0.27299 osd.27 hasta 1.00000 1.00000
28 hdd 0.27299 osd.28 hasta 1.00000 1.00000
29 hdd 0.27299 osd.29 hasta 1.00000 1.00000
30 hdd 0.27299 osd.30 hasta 1.00000 1.00000
31 hdd 0.27299 osd.31 hasta 1.00000 1.00000
32 hdd 0.27299 osd.32 hasta 1.00000 1.00000
33 hdd 0.27299 osd.33 hasta 1.00000 1.00000
34 hdd 0.27299 osd.34 hasta 1.00000 1.00000
35 hdd 0.27299 osd.35 hasta 1.00000 1.00000
36 hdd 0.27299 osd.36 hasta 1.00000 1.00000
37 hdd 0.27299 osd.37 hasta 1.00000 1.00000
38 hdd 0.27299 osd.38 hasta 1.00000 1.00000
39 hdd 0.27299 osd.39 hasta 1.00000 1.00000
-7 6.08690 anfitrión ceph03-q
40 ssd 0.27299 osd.40 hasta 1.00000 1.00000
41 ssd 0.27299 osd.41 hasta 1.00000 1.00000
42 ssd 0.27299 osd.42 hasta 1.00000 1.00000
43 ssd 0.27299 osd.43 hasta 1.00000 1.00000
44 hdd 0.27299 osd.44 hasta 1.00000 1.00000
45 hdd 0.27299 osd.45 hasta 1.00000 1.00000
46 hdd 0.27299 osd.46 hasta 1.00000 1.00000
47 hdd 0.27299 osd.47 hasta 1.00000 1.00000
48 hdd 0.27299 osd.48 hasta 1.00000 1.00000
49 hdd 0.27299 osd.49 hasta 1.00000 1.00000
50 hdd 0.27299 osd.50 hasta 1.00000 1.00000
51 hdd 0.27299 osd.51 hasta 1.00000 1.00000
52 hdd 0.27299 osd.52 hasta 1.00000 1.00000
53 hdd 0.27299 osd.53 hasta 1.00000 1.00000
54 hdd 0.27299 osd.54 hasta 1.00000 1.00000
55 hdd 0.27299 osd.55 hasta 1.00000 1.00000
56 hdd 0.27299 osd.56 hasta 1.00000 1.00000
57 hdd 0.27299 osd.57 hasta 1.00000 1.00000
58 hdd 0.27299 osd.58 hasta 1.00000 1.00000
59 hdd 0.89999 osd.59 hasta 1.00000 1.00000

Creemos nuestros propios racks y servidores virtuales con blackjack y otras cosas:

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

Los problemas que encontramos en combate clúster, al intentar crear un nuevo host y moverlo a un bastidor existente: el comando ceph osd aplastar mover ceph01-host root=rack01 colgó, y los monitores comenzaron a caer uno por uno. Interrumpir el comando con un simple CTRL+C devolvió el grupo al mundo de los vivos.

La búsqueda arrojó el siguiente problema: https://tracker.ceph.com/issues/23386

La solución fue volcar el mapa aplastante y quitar la sección de allí. regla replicated_ruleset

root@ceph01-prod:~#ceph osd getcrushmap -o crushmap.row #Дампим карту в сыром виде
root@ceph01-prod:~#crushtool -d crushmap.row -o crushmap.txt #переводим в читаемый
root@ceph01-prod:~#vim  crushmap.txt #редактируем, удаляя rule replicated_ruleset
root@ceph01-prod:~#crushtool -c crushmap.txt  -o new_crushmap.row #компилируем обратно
root@ceph01-prod:~#ceph osd setcrushmap -i  new_crushmap.row #загружаем в кластер

Achtung: esta operación puede provocar un reequilibrio del grupo de ubicación entre los OSD. Lo tenemos causado, pero muy pequeño.

Y la rareza que encontramos en el grupo de prueba es que después de reiniciar el servidor OSD, se olvidaron de que se trasladaron a nuevos servidores y bastidores, y volvieron a la raíz predeterminada.
Como resultado, después de ensamblar el esquema final, en el que creamos una raíz separada para los discos ssd y por separado para los de eje, tiramos de todos los OSD a lo largo de los bastidores y simplemente eliminamos la raíz predeterminada. Después del reinicio, los OSD comenzaron a permanecer en sus lugares.
Rebuscando más adelante en la documentación se encontró un parámetro que es responsable de este comportamiento. Sobre él en la segunda parte.

Cómo hicimos diferentes grupos por tipos de discos.

Para empezar, creamos dos raíces: para ssd y para hdd

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

Dado que los servidores están ubicados físicamente en diferentes racks, por conveniencia, creamos racks y ya hay servidores en ellos.

# 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

y discos dispersos según sus tipos en diferentes servidores

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

Habiendo esparcido los discos sobre las raíces ssd-root y hdd-root, dejamos el root-default vacío, por lo que podemos eliminarlo

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

A continuación, debemos crear reglas de distribución que vincularemos a los grupos creados; en las reglas, especificaremos en qué raíz podemos colocar los datos de nuestro grupo y el nivel de unicidad de la réplica; por ejemplo, las réplicas deben estar en servidores diferentes, o en diferentes racks (puedes incluso en diferentes raíces, si tenemos tal distribución)

Antes de elegir un tipo, es mejor leer la documentación:
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

Bueno, creamos grupos en los que queremos almacenar imágenes de disco de nuestra virtualización en el futuro - 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

Y les decimos a estos grupos qué reglas de ubicación usar

 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 elección de la cantidad de grupos de ubicación debe abordarse con una visión preexistente para su clúster: cuántos OSD habrá, cuántos datos (como porcentaje del total) habrá en el grupo, cuántos datos en total .

En total, es deseable no tener más de 300 grupos de ubicación por disco, y será más fácil equilibrarlo con grupos de ubicación pequeños, es decir, si todo su grupo ocupa 10 Tb y 10 PG, entonces será problemático para equilibrar arrojando ladrillos de terabyte (pg) - verter arena con granos de arena de tamaño pequeño en cubos es más simple y suave).

Pero debemos recordar que cuanto mayor es la cantidad de PG, más recursos se gastan en calcular su ubicación, la memoria y la CPU comienzan a utilizarse.

La comprensión aproximada puede dar calculadora, proporcionada por los desarrolladores de la documentación CEPH.

Lista de materiales:

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/

Fuente: habr.com

Ceph: de "en la rodilla" a "producción"