Meillä oli viisi telinettä, kymmenen optista kytkintä, konfiguroitu BGP, pari tusinaa SSD-levyjä ja joukko kaikenvärisiä ja -kokoisia SAS-asemia sekä proxmox ja halu laittaa kaikki staattinen omaan S3-tallennustilaan. Ei sillä, että tämä kaikki olisi virtualisoinnin kannalta välttämätöntä, mutta kun olet aloittanut avoimen lähdekoodin käytön, jatka harrastustasi loppuun asti. Ainoa asia, joka häiritsi minua, oli BGP. Maailmassa ei ole mitään avuttomampaa, vastuuttomampaa ja moraalittomampaa kuin BGP:n sisäinen reititys. Ja tiesin, että sukeltamme siihen melko pian.
Tehtävä oli banaali - siellä oli CEPH, se ei toiminut kovin hyvin. Se piti tehdä hyvin.
Saamani klusteri oli heterogeeninen, viritetty kiireellä ja käytännössä virittämätön. Se koostui kahdesta eri solmuryhmästä, joista yksi yhteinen verkko toimi sekä klusterina että julkisena verkkona. Solmut täytettiin neljän tyyppisillä levyillä - kahden tyyppisillä SSD-levyillä, jotka on koottu kahteen erilliseen sijoitussääntöön, ja kahdella erikokoisella kiintolevytyypillä, jotka kerättiin kolmanteen ryhmään. Eri kokojen ongelma ratkaistiin erilaisilla OSD-painoilla.
Itse asennus on jaettu kahteen osaan - käyttöjärjestelmän viritys и virittää itse CEPH:n ja sen asetuksista.
käyttöjärjestelmän päivitys
verkko
Korkea latenssi vaikutti sekä äänitykseen että tasapainotukseen. Kirjoittaessa, koska asiakas ei saa vastausta onnistuneesta kirjoituksesta ennen kuin tietokopiot muissa sijoitusryhmissä vahvistavat onnistumisen. Koska CRUSH-kartan replikoiden jakelusäännöt olivat yksi replika isäntä kohden, verkkoa käytettiin aina.
Siksi ensimmäinen asia, jonka päätin tehdä, oli säätää hieman nykyistä verkkoa ja samalla yrittää vakuuttaa minut siirtymään erillisiin verkkoihin.
Aluksi käänsin verkkokortin asetuksia. Aloitettiin asettamalla jonoja:
Lisätty tiedostoon /etc/network/interfaces, jotta kaikki edellä mainitut ladataan käynnistyksen yhteydessä
cat / etc / network / interface
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
Sen jälkeen, saman artikkelin jälkeen, aloin harkiten vääntämään 4.15-ytimen kahvoja. Koska solmuissa on 128 Gt RAM-muistia, saimme tietyn määritystiedoston 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)
Сkiiltävä verkko allokoitiin erillisillä 10 Gbps verkkoliitännöillä erilliseen tasaiseen verkkoon. Jokaisen koneen mukana toimitettiin kaksiporttinen verkkokortti mellanox 10/25 Gbps kytketty kahteen erilliseen 10 Gbps kytkimeen. Aggregointi tehtiin OSPF:llä, koska lacp-sidos jostain syystä osoitti maksimissaan 16 Gbps:n kokonaissuorituskyvyn, kun taas ospf hyödynsi onnistuneesti molemmat tusinat täysin jokaisessa koneessa. Muita suunnitelmia oli käyttää ROCE:tä näissä melanokseissa latenssin vähentämiseksi. Kuinka tämä verkon osa määritettiin:
Koska itse koneilla on ulkoiset IP-osoitteet BGP:ssä, tarvitsemme ohjelmistoja - (tai pikemminkin kirjoitushetkellä se oli frr = 6.0-1 ) oli jo seisomassa.
Kaikkiaan koneissa oli kaksi verkkoliitäntää, kummassakin kaksi liitäntää - yhteensä 4 porttia. Yksi verkkokortti katsoi tehtaalla kahdella portilla ja BGP oli asetettu siihen, toinen katsoi kahta eri kytkintä kahdella portilla ja siihen oli asetettu OSPF
Lisää OSPF:n asettamisesta: Päätehtävä on yhdistää kaksi linkkiä ja niillä on vikasietoisuus.
kaksi verkkoliitäntää, jotka on konfiguroitu kahteen yksinkertaiseen tasaiseen verkkoon - 10.10.10.0/24 ja 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
joiden kautta autot näkevät toisensa.
LEVY
Seuraava askel oli levyn suorituskyvyn optimointi. SSD:lle vaihdoin ajastimen noop, kiintolevylle — määräaika. Jos se on karkea, NOOP toimii periaatteella "kuka nousee ensin - se on tossut", joka englanniksi kuulostaa "FIFO (First In, First Out)". Pyynnöt ovat jonossa niiden saapuessa. DEADLINE on lukuystävällisempi, ja jonosta tuleva prosessi saa lähes yksinomaisen pääsyn levyyn toimenpiteen aikana. Järjestelmällemme tämä on hienoa - loppujen lopuksi vain yksi prosessi toimii kullakin levyllä - OSD-daemon.
(Ne, jotka haluavat sukeltaa I/O-aikatauluun, voivat lukea siitä täältä: http://www.admin-magazine.com/HPC/Articles/Linux-I-O-Schedulers
Linuxin virityssuosituksissa suositellaan myös nostamaan nr_request
nr_requests
Arvo nr_requests määrittää niiden I/O-pyyntöjen määrän, jotka puskuroidaan ennen kuin I/O-ajastin lähettää/vastaanottaa dataa lohkolaitteeseen, jos käytät RAID-korttia/estolaitetta, joka pystyy käsittelemään suuremman jonon kuin mitä /O-ajastin on asetettu, nr_requests-arvon nostaminen voi auttaa parantamaan koko ajan ja vähentämään palvelimen kuormitusta, kun palvelimella tapahtuu suuria määriä I/O:ta. Jos käytät aikatauluna Deadline- tai CFQ-arvoa, on suositeltavaa asettaa nr_request-arvo 2 kertaa jonon syvyyden arvo.
MUTTA! Kansalaiset itse, CEPH:n kehittäjät, vakuuttavat meille, että heidän prioriteettijärjestelmänsä toimii paremmin.
WBThrottle ja/tai nr_requests
WBThrottle ja/tai nr_requests
Tiedostojen tallennus käyttää puskuroitua I/O:ta kirjoittamiseen; tämä tuo useita etuja, jos tiedostojen tallennusloki on nopeammalla medialla. Asiakkaiden pyynnöistä ilmoitetaan heti, kun tiedot on kirjoitettu lokiin, ja ne huuhdellaan myöhemmin itse tietolevylle käyttämällä Linuxin vakiotoimintoja. Tämä mahdollistaa OSD-kara-asemien kirjoitusviiveen, joka on samanlainen kuin SSD-levyt kirjoittaessaan pieninä purskeina. Tämä viivästetty takaisinkirjoitus mahdollistaa myös ytimen itse järjestää I/O-pyynnöt levylle toivoen joko yhdistää ne yhteen tai antaa olemassa olevien levypäiden kulkea parempaa polkua levyjen yli. Lopputulos on, että voit ehkä puristaa jokaiselta levyltä hieman enemmän I/O:ta kuin olisi mahdollista suoralla tai synkronisella I/O:lla.
Tietty ongelma syntyy kuitenkin, jos tiettyyn Ceph-klusteriin saapuvien kirjoitusten määrä ylittää kaikki taustalla olevien levyjen ominaisuudet. Tällaisessa tilanteessa odottavien I/O:iden kokonaismäärä, jotka odottavat kirjoittamista levylle, voi kasvaa hallitsemattomasti ja johtaa I/O-jonoon, joka täyttää koko levy- ja Ceph-jonot. Lukupyynnöt ovat erityisen huonoja, koska ne juuttuvat kirjoituspyyntöjen väliin, mikä voi kestää useita sekunteja ennen kuin se tyhjennetään ensisijaiselle asemalle.
Tämän ongelman ratkaisemiseksi Cephillä on WBThrottle-niminen tiedostojen tallennustilaan sisäänrakennettu takaisinkirjoituksen kuristusmekanismi. Se on suunniteltu rajoittamaan laiskojen kirjoitus-I/O-kirjoitusten kokonaismäärää, joka voi jonottaa ja aloittaa huuhteluprosessinsa nopeammin kuin ydin itse normaalisti sallisi. Valitettavasti testaus osoittaa, että oletusasetukset eivät ehkä silti heikennä toimintaa tasolle, joka voi vähentää tätä vaikutusta lukuviiveeseen. Säätäminen voi muuttaa tätä käyttäytymistä ja lyhentää kirjoitusjonojen kokonaispituutta ja mahdollistaa vaikutuksen lieventämisen. On kuitenkin olemassa kompromissi: vähentämällä jonossa olevien tietueiden enimmäismäärää voit vähentää itse ytimen kykyä maksimoida tehokkuutensa saapuvien pyyntöjen järjestämisessä. Kannattaa miettiä, mitä tarvitset enemmän sovelluksellesi, työkuormituksellesi ja mukautettaviksi.
Voit hallita tällaisen takaisinkirjoitusjonon syvyyttä joko pienentämällä I/O-liitäntöjen enimmäismäärää käyttämällä WBThrottle-asetusta tai pienentämällä ytimen korkeimman lohkotason ruuhkan enimmäisarvoa. Molemmat voivat tehokkaasti hallita samaa toimintaa, ja tämän asetuksen käyttöönoton perustana ovat valintasi.
On myös huomattava, että Ceph:n toiminnan ensisijaisuusjärjestelmä on tehokkaampi lyhyemmille levytason kyselyille. Kun kokonaisjonoa rajoitetaan tietylle levylle, pääjonon sijainti siirretään Cephiin, jossa se hallitsee paremmin I/O-toiminnon prioriteettia. Harkitse seuraavaa esimerkkiä:
Ja vielä muutama ytimen parannus, jotta autosi tulee pehmeäksi ja silkkiseksi, jotta raudasta saadaan lisää suorituskykyä
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.
Upotus CEPH:iin
Asetukset, joihin haluaisin perehtyä tarkemmin:
cat /etc/ceph/ceph.conf
osd:
journal_aio: true # Три параметра, включающие
journal_block_align: true # прямой i/o
journal_dio: true # на журнал
journal_max_write_bytes: 1073714824 # Немного растянем максимальный размер
# разово записываемой операции в журнал
journal_max_write_entries: 10000 # Ну и количество одновременных записей
journal_queue_max_bytes: 10485760000
journal_queue_max_ops: 50000
rocksdb_separate_wal_dir: true # Решили делать отдельный wal
# Даже попытались выбить под это дело
# NVMe
bluestore_block_db_create: true # Ну и под журнал отдельное устройство
bluestore_block_db_size: '5368709120 #5G'
bluestore_block_wal_create: true
bluestore_block_wal_size: '1073741824 #1G'
bluestore_cache_size_hdd: '3221225472 # 3G'
# большой объем оперативы позволяет
# хранить достаточно большие объемы
bluestore_cache_size_ssd: '9663676416 # 9G'
keyring: /var/lib/ceph/osd/ceph-$id/keyring
osd_client_message_size_cap: '1073741824 #1G'
osd_disk_thread_ioprio_class: idle
osd_disk_thread_ioprio_priority: 7
osd_disk_threads: 2 # количество тредов у демона на один диск
osd_failsafe_full_ratio: 0.95
osd_heartbeat_grace: 5
osd_heartbeat_interval: 3
osd_map_dedup: true
osd_max_backfills: 2 # количество одновременных операций заполнения на один ОСД.
osd_max_write_size: 256
osd_mon_heartbeat_interval: 5
osd_op_threads: 16
osd_op_num_threads_per_shard: 1
osd_op_num_threads_per_shard_hdd: 2
osd_op_num_threads_per_shard_ssd: 2
osd_pool_default_min_size: 1 # Особенности жадности. Очень быстро стало
osd_pool_default_size: 2 # нехватать места, потому как временное
# решение приняли уменьшение количество
# реплик данных
osd_recovery_delay_start: 10.000000
osd_recovery_max_active: 2
osd_recovery_max_chunk: 1048576
osd_recovery_max_single_start: 3
osd_recovery_op_priority: 1
osd_recovery_priority: 1 # параметр регулируем по необходимости на ходу
osd_recovery_sleep: 2
osd_scrub_chunk_max: 4
Jotkut parametrit, jotka testattiin QA:ssa versiossa 12.2.12, puuttuvat versiosta ceph 12.2.2, esimerkiksi osd_recovery_threads. Siksi suunnitelmiin sisältyi tuotteen päivitys 12.2.12. Käytäntö on osoittanut yhteensopivuuden yhdessä versioiden 12.2.2 ja 12.2.12 klusterissa, jonka avulla voit tehdä jatkuvan päivityksen.
Testiryhmä
Luonnollisesti testausta varten tarvittiin sama versio kuin taistelussa, mutta kun aloitin työskentelyn klusterin kanssa, arkistossa oli vain uudempi. Kun katsot mitä voit nähdä sivuversiossa, se ei ole kovin suuri (1393 rivit asetuksissa vastaan 1436 uudessa versiossa), päätimme alkaa testata uutta (päivitä joka tapauksessa, miksi jatkaa vanhaa)
Ainoa asia, jonka he yrittivät jättää vanhan version, on paketti ceph-deploy koska osa apuohjelmista (ja osa työntekijöistä) oli räätälöity sen syntaksin mukaan. Uusi versio oli varsin erilainen, mutta se ei vaikuttanut itse klusterin toimintaan ja se jäi versioille 1.5.39
Koska ceph-disk-komento sanoo selvästi, että se on vanhentunut ja käytä ceph-volume -komentoa, rakkaat ystävät - aloimme luoda OSD:tä tällä komennolla tuhlaamatta aikaa vanhentuneeseen.
Suunnitelma oli seuraava - luoda peili kahdesta SSD-levystä, joille sijoitamme OSD-lokit, jotka puolestaan sijaitsevat kara-SAS:issa. Joten vakuutamme tietoongelmia vastaan, kun päiväkirjalevy kaatuu.
Luo teräsklusteri dokumentaation mukaan
cat /etc/ceph/ceph.conf
root@ceph01-qa:~# cat /etc/ceph/ceph.conf # положили заранее подготовленный конфиг
[client]
rbd_cache = true
rbd_cache_max_dirty = 50331648
rbd_cache_max_dirty_age = 2
rbd_cache_size = 67108864
rbd_cache_target_dirty = 33554432
rbd_cache_writethrough_until_flush = true
rbd_concurrent_management_ops = 10
rbd_default_format = 2
[global]
auth_client_required = cephx
auth_cluster_required = cephx
auth_service_required = cephx
cluster network = 10.10.10.0/24
debug_asok = 0/0
debug_auth = 0/0
debug_buffer = 0/0
debug_client = 0/0
debug_context = 0/0
debug_crush = 0/0
debug_filer = 0/0
debug_filestore = 0/0
debug_finisher = 0/0
debug_heartbeatmap = 0/0
debug_journal = 0/0
debug_journaler = 0/0
debug_lockdep = 0/0
debug_mon = 0/0
debug_monc = 0/0
debug_ms = 0/0
debug_objclass = 0/0
debug_objectcatcher = 0/0
debug_objecter = 0/0
debug_optracker = 0/0
debug_osd = 0/0
debug_paxos = 0/0
debug_perfcounter = 0/0
debug_rados = 0/0
debug_rbd = 0/0
debug_rgw = 0/0
debug_throttle = 0/0
debug_timer = 0/0
debug_tp = 0/0
fsid = d0000000d-4000-4b00-b00b-0123qwe123qwf9
mon_host = ceph01-q, ceph02-q, ceph03-q
mon_initial_members = ceph01-q, ceph02-q, ceph03-q
public network = 8.8.8.8/28 # адрес изменен, естественно ))
rgw_dns_name = s3-qa.mycompany.ru # и этот адрес измен
rgw_host = s3-qa.mycompany.ru # и этот тоже
[mon]
mon allow pool delete = true
mon_max_pg_per_osd = 300 # больше трехсот плейсмент групп
# на диск не решились
# хотя параметр, естественно, зависит от количества пулов,
# их размеров и количества OSD. Иметь мало но здоровых PG
# тоже не лучший выбор - страдает точность балансировки
mon_osd_backfillfull_ratio = 0.9
mon_osd_down_out_interval = 5
mon_osd_full_ratio = 0.95 # пока для SSD дисков местом для их
# журнала является тот-же девайс что и для ОСД
# решили что 5% от диска (который сам размером 1.2Tb)
# должно вполне хватить, и коррелирует с параметром
# bluestore_block_db_size плюс вариативность на большие
# плейсмент группы
mon_osd_nearfull_ratio = 0.9
mon_pg_warn_max_per_osd = 520
[osd]
bluestore_block_db_create = true
bluestore_block_db_size = 5368709120 #5G
bluestore_block_wal_create = true
bluestore_block_wal_size = 1073741824 #1G
bluestore_cache_size_hdd = 3221225472 # 3G
bluestore_cache_size_ssd = 9663676416 # 9G
journal_aio = true
journal_block_align = true
journal_dio = true
journal_max_write_bytes = 1073714824
journal_max_write_entries = 10000
journal_queue_max_bytes = 10485760000
journal_queue_max_ops = 50000
keyring = /var/lib/ceph/osd/ceph-$id/keyring
osd_client_message_size_cap = 1073741824 #1G
osd_disk_thread_ioprio_class = idle
osd_disk_thread_ioprio_priority = 7
osd_disk_threads = 2
osd_failsafe_full_ratio = 0.95
osd_heartbeat_grace = 5
osd_heartbeat_interval = 3
osd_map_dedup = true
osd_max_backfills = 4
osd_max_write_size = 256
osd_mon_heartbeat_interval = 5
osd_op_num_threads_per_shard = 1
osd_op_num_threads_per_shard_hdd = 2
osd_op_num_threads_per_shard_ssd = 2
osd_op_threads = 16
osd_pool_default_min_size = 1
osd_pool_default_size = 2
osd_recovery_delay_start = 10.0
osd_recovery_max_active = 1
osd_recovery_max_chunk = 1048576
osd_recovery_max_single_start = 3
osd_recovery_op_priority = 1
osd_recovery_priority = 1
osd_recovery_sleep = 2
osd_scrub_chunk_max = 4
osd_scrub_chunk_min = 2
osd_scrub_sleep = 0.1
rocksdb_separate_wal_dir = true
# создаем мониторы
root@ceph01-qa:~#ceph-deploy mon create ceph01-q
# генерируем ключи для аутентификации нод в кластере
root@ceph01-qa:~#ceph-deploy gatherkeys ceph01-q
# Это если поштучно. Если у нас несколько машин доступны - те, которые описаны в конфиге в секции
# mon_initial_members = ceph01-q, ceph02-q, ceph03-q
# можно запустить эти две команды в виде одной
root@ceph01-qa:~#ceph-deploy mon create-initial
# Положим ключи в указанные в конфиге места
root@ceph01-qa:~#cat ceph.bootstrap-osd.keyring > /var/lib/ceph/bootstrap-osd/ceph.keyring
root@ceph01-qa:~#cat ceph.bootstrap-mgr.keyring > /var/lib/ceph/bootstrap-mgr/ceph.keyring
root@ceph01-qa:~#cat ceph.bootstrap-rgw.keyring > /var/lib/ceph/bootstrap-rgw/ceph.keyring
# создадим ключ для управления кластером
root@ceph01-qa:~#ceph-deploy admin ceph01-q
# и менеджер, плагинами управлять
root@ceph01-qa:~#ceph-deploy mgr create ceph01-q
Ensimmäinen asia, johon törmäsin tämän ceph-deploy-version työskentelyssä version 12.2.12 klusterin kanssa, on virhe, kun yritin luoda OSD:tä db:lla ohjelmiston hyökkäyksessä -
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
Blkid ei todellakaan näytä PARTUUID:tä, minun piti luoda osiot manuaalisesti:
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
Näyttää siltä, että kaikki on valmis, yritämme luoda OSD:n uudelleen ja saada seuraavan virheen (jota ei muuten toistettu taistelussa)
luotaessa bluestore OSD:tä määrittämättä polkua WAL:iin, mutta määrittämällä db
Lisäksi, jos samaan peiliin (tai muuhun valittavaan paikkaan) luodaan toinen osio WAL:lle ja määritetään se kuvaruutunäytön luomisen yhteydessä, kaikki sujuu sujuvasti (paitsi erillisen WAL:n ilmestyminen, jota sinulla ei ehkä ole halusi).
Mutta koska WAL:n tuominen NVMe:hen oli vielä kaukaisessa suunnitelmassa, käytäntö ei ollut tarpeeton.
Luotu näytöt, johtajat ja OSD. Nyt haluan ryhmitellä ne eri tavoin, koska suunnittelen erityyppisiä levyjä - nopeita pooleja SSD:llä ja suuria, mutta hitaita SAS-pannukakkuilla.
Oletetaan, että palvelimilla on 20 levyä, joista ensimmäinen kymmenen on yhtä tyyppiä, toinen toinen.
Oletuskartta näyttää tältä:
ceph osd puu
root@ceph01-q:~# ceph osd -puu
ID LUOKKA PAINO TYYPPI NIMI TILA UUDELLEENPAINO PRI-AFF
-1 14.54799 pääoletus
-3 9.09200 host ceph01-q
0 ssd 1.00000 osd.0 ylös 1.00000 1.00000
1 ssd 1.00000 osd.1 ylös 1.00000 1.00000
2 ssd 1.00000 osd.2 ylös 1.00000 1.00000
3 ssd 1.00000 osd.3 ylös 1.00000 1.00000
4 hdd 1.00000 osd.4 ylös 1.00000 1.00000
5 hdd 0.27299 osd.5 ylös 1.00000 1.00000
6 hdd 0.27299 osd.6 ylös 1.00000 1.00000
7 hdd 0.27299 osd.7 ylös 1.00000 1.00000
8 hdd 0.27299 osd.8 ylös 1.00000 1.00000
9 hdd 0.27299 osd.9 ylös 1.00000 1.00000
10 hdd 0.27299 osd.10 ylös 1.00000 1.00000
11 hdd 0.27299 osd.11 ylös 1.00000 1.00000
12 hdd 0.27299 osd.12 ylös 1.00000 1.00000
13 hdd 0.27299 osd.13 ylös 1.00000 1.00000
14 hdd 0.27299 osd.14 ylös 1.00000 1.00000
15 hdd 0.27299 osd.15 ylös 1.00000 1.00000
16 hdd 0.27299 osd.16 ylös 1.00000 1.00000
17 hdd 0.27299 osd.17 ylös 1.00000 1.00000
18 hdd 0.27299 osd.18 ylös 1.00000 1.00000
19 hdd 0.27299 osd.19 ylös 1.00000 1.00000
-5 5.45599 host ceph02-q
20 ssd 0.27299 osd.20 ylös 1.00000 1.00000
21 ssd 0.27299 osd.21 ylös 1.00000 1.00000
22 ssd 0.27299 osd.22 ylös 1.00000 1.00000
23 ssd 0.27299 osd.23 ylös 1.00000 1.00000
24 hdd 0.27299 osd.24 ylös 1.00000 1.00000
25 hdd 0.27299 osd.25 ylös 1.00000 1.00000
26 hdd 0.27299 osd.26 ylös 1.00000 1.00000
27 hdd 0.27299 osd.27 ylös 1.00000 1.00000
28 hdd 0.27299 osd.28 ylös 1.00000 1.00000
29 hdd 0.27299 osd.29 ylös 1.00000 1.00000
30 hdd 0.27299 osd.30 ylös 1.00000 1.00000
31 hdd 0.27299 osd.31 ylös 1.00000 1.00000
32 hdd 0.27299 osd.32 ylös 1.00000 1.00000
33 hdd 0.27299 osd.33 ylös 1.00000 1.00000
34 hdd 0.27299 osd.34 ylös 1.00000 1.00000
35 hdd 0.27299 osd.35 ylös 1.00000 1.00000
36 hdd 0.27299 osd.36 ylös 1.00000 1.00000
37 hdd 0.27299 osd.37 ylös 1.00000 1.00000
38 hdd 0.27299 osd.38 ylös 1.00000 1.00000
39 hdd 0.27299 osd.39 ylös 1.00000 1.00000
-7 6.08690 host ceph03-q
40 ssd 0.27299 osd.40 ylös 1.00000 1.00000
41 ssd 0.27299 osd.41 ylös 1.00000 1.00000
42 ssd 0.27299 osd.42 ylös 1.00000 1.00000
43 ssd 0.27299 osd.43 ylös 1.00000 1.00000
44 hdd 0.27299 osd.44 ylös 1.00000 1.00000
45 hdd 0.27299 osd.45 ylös 1.00000 1.00000
46 hdd 0.27299 osd.46 ylös 1.00000 1.00000
47 hdd 0.27299 osd.47 ylös 1.00000 1.00000
48 hdd 0.27299 osd.48 ylös 1.00000 1.00000
49 hdd 0.27299 osd.49 ylös 1.00000 1.00000
50 hdd 0.27299 osd.50 ylös 1.00000 1.00000
51 hdd 0.27299 osd.51 ylös 1.00000 1.00000
52 hdd 0.27299 osd.52 ylös 1.00000 1.00000
53 hdd 0.27299 osd.53 ylös 1.00000 1.00000
54 hdd 0.27299 osd.54 ylös 1.00000 1.00000
55 hdd 0.27299 osd.55 ylös 1.00000 1.00000
56 hdd 0.27299 osd.56 ylös 1.00000 1.00000
57 hdd 0.27299 osd.57 ylös 1.00000 1.00000
58 hdd 0.27299 osd.58 ylös 1.00000 1.00000
59 hdd 0.89999 osd.59 ylös 1.00000 1.00000
Luodaan omat virtuaalitelineemme ja palvelimemme blackjackilla ja muilla asioilla:
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
Ongelmat, joissa kohtasimme taistella cluster, kun yrität luoda uuden isännän ja siirtää sen olemassa olevaan telineeseen - komento ceph osd murskata siirtää ceph01-host root=rack01 roikkui ja näytöt alkoivat pudota yksi kerrallaan. Komennon keskeyttäminen yksinkertaisella CTRL+C:llä palautti klusterin elävien maailmaan.
Ratkaisu oli tyhjentää crushmap ja poistaa osa sieltä sääntö replikoitu_sääntöjoukko
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: tämä toiminto saattaa aiheuttaa sijoitusryhmän tasapainon OSD:iden välillä. Meillä se on aiheuttanut, mutta hyvin pieni.
Ja omituisuus, jonka kohtasimme testiklusterissa, on se, että OSD-palvelimen uudelleenkäynnistyksen jälkeen he unohtivat siirrettyään uusiin palvelimiin ja telineisiin ja palasivat pääoletusasetuksiin.
Tämän seurauksena, kun olemme kootneet lopullisen kaavion, jossa loimme erillisen juuren ssd-levyille ja erikseen karalevyille, vedimme kaikki OSD:t telineitä pitkin ja poistimme yksinkertaisesti oletusjuuren. Uudelleenkäynnistyksen jälkeen OSD:t alkoivat pysyä paikoillaan. Myöhemmin dokumentaatiota tutkimalla löydettiin parametri, joka on vastuussa tästä käyttäytymisestä. Hänestä toisessa osassa
Kuinka teimme erilaisia ryhmiä levytyyppien mukaan.
ja hajallaan olevat levyt niiden tyyppien mukaan eri palvelimissa
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
Kun levyt oli hajallaan ssd-root- ja hdd-root-juurien päälle, jätimme root-defaultin tyhjäksi, jotta voimme poistaa sen
root-ceph01-q:~#ceph osd crush remove default
Seuraavaksi meidän on luotava jakelusäännöt, jotka sitomme luotuihin pooleihin - säännöissä määritetään mihin juureen voimme sijoittaa poolitietomme ja replikan ainutlaatuisuus - esimerkiksi replikoiden on oltava eri palvelimilla, tai eri telineissä (voit jopa eri juurissa, jos meillä on tällainen jakelu)
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
No, luomme pooleja, joihin haluamme tallentaa virtualisointimme levykuvia tulevaisuudessa - 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
Ja kerromme näille poolille, mitä sijoitussääntöjä heidän tulee käyttää
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
Sijoitteluryhmien lukumäärän valintaa tulee lähestyä klusterin olemassa olevalla visiolla - kuinka paljon OSD:tä siellä on, kuinka paljon dataa (prosentteina kokonaismäärästä) on poolissa, kuinka paljon dataa yhteensä .
Kaiken kaikkiaan on toivottavaa, että levyä kohden ei ole enempää kuin 300 sijoitusryhmää, ja on helpompi tasapainottaa pienten sijoitusryhmien kanssa - eli jos koko pooli vie 10 Tb ja 10 PG:tä siinä - niin se on ongelmallista. tasapainottaa heittämällä teratavuisia tiiliä (pg) - hiekan kaataminen pienikokoisilla hiekkajyväisillä kauhoissa on yksinkertaisempaa ja tasaisempaa).
Mutta meidän on muistettava, että mitä enemmän PG:itä on - sitä enemmän resursseja käytetään niiden sijainnin laskemiseen - muistia ja prosessoria aletaan käyttää.
Likimääräinen ymmärrys voi anna laskinCEPH-dokumentaation kehittäjät.