Choix du CEPH. Partie 1
Nous avions cinq racks, dix commutateurs optiques, BGP configuré, quelques dizaines de SSD et un tas de disques SAS de toutes les couleurs et de toutes les tailles, ainsi que proxmox et le désir de mettre toute la statique dans notre propre stockage S3. Non pas que tout cela était nécessaire pour la virtualisation, mais une fois que vous avez commencé à utiliser l'opensource, alors allez dans votre passe-temps jusqu'au bout. La seule chose qui me dérangeait était BGP. Il n'y a rien au monde de plus impuissant, irresponsable et immoral que le routage interne BGP. Et je savais que très bientôt nous plongerions dedans.
La tâche était banale - il y avait CEPH, ça ne marchait pas très bien. Il fallait bien faire.
Le cluster que j'ai obtenu était hétérogène, réglé à la va-vite et pratiquement pas réglé. Il se composait de deux groupes de nœuds différents, avec une grille commune agissant à la fois comme un cluster et un réseau public. Les nœuds étaient remplis de quatre types de disques - deux types de SSD, collectés dans deux règles de placement distinctes, et deux types de disques durs de tailles différentes, collectés dans un troisième groupe. Le problème avec différentes tailles a été résolu par différents poids OSD.
La configuration elle-même est divisée en deux parties - réglage du système d'exploitation и régler le CEPH lui-même et ses paramètres.
Mise à niveau du système d'exploitation
Réseau
Une latence élevée affectait à la fois l'enregistrement et l'équilibrage. Lors de l'écriture, car le client ne recevra pas de réponse concernant une écriture réussie tant que les répliques de données dans d'autres groupes de placement n'auront pas confirmé le succès. Étant donné que les règles de distribution des répliques dans la carte CRUSH étaient une réplique par hôte, le réseau était toujours utilisé.
Par conséquent, la première chose que j'ai décidé de faire a été d'ajuster légèrement le réseau actuel, en essayant en parallèle de me convaincre de passer à des réseaux séparés.
Pour commencer, j'ai tordu les paramètres de la carte réseau. J'ai commencé par configurer des files d'attente :
ce qui s'est passé:
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: 1On peut voir que les paramètres actuels sont loin des maximums. Augmenté:
root@ceph01:~#ethtool -G ens1f0 rx 4096
root@ceph01:~#ethtool -G ens1f0 tx 4096
root@ceph01:~#ethtool -L ens1f0 combined 63Guidé par un excellent article
augmentation de la longueur de la file d'attente d'envoi txqueuelen de 1000 à 10 000
root@ceph01:~#ip link set ens1f0 txqueuelen 10000Eh bien, en suivant la documentation de ceph lui-même
augmenté MTU à 9000.
root@ceph01:~#ip link set dev ens1f0 mtu 9000Ajouté à /etc/network/interfaces pour que tout ce qui précède soit chargé au démarrage
cat / etc / network / interfaces
root@ceph01:~# cat /etc/network/interfaces
auto lo
iface lo inet loopback
auto ens1f0
iface ens1f0 inet manual
post-up /sbin/ethtool -G ens1f0 rx 4096
post-up /sbin/ethtool -G ens1f0 tx 4096
post-up /sbin/ethtool -L ens1f0 combined 63
post-up /sbin/ip link set ens1f0 txqueuelen 10000
mtu 9000
auto ens1f1
iface ens1f1 inet manual
post-up /sbin/ethtool -G ens1f1 rx 4096
post-up /sbin/ethtool -G ens1f1 tx 4096
post-up /sbin/ethtool -L ens1f1 combined 63
post-up /sbin/ip link set ens1f1 txqueuelen 10000
mtu 9000Après cela, à la suite du même article, j'ai commencé à tordre pensivement les poignées du noyau 4.15. Étant donné que les nœuds ont 128 Go de RAM, nous avons un certain fichier de configuration pour système
chat /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)Сréseau de lustre a été alloué sur des interfaces réseau 10 Gbit/s distinctes dans un réseau plat distinct. Chaque machine était fournie avec des cartes réseau à deux ports Mellanox 10/25 Gbps branché sur deux commutateurs 10 Gbps distincts. L'agrégation a été effectuée à l'aide d'OSPF, car la liaison avec lacp, pour une raison quelconque, a montré un débit total d'un maximum de 16 Gbps, tandis qu'ospf a utilisé avec succès les deux douzaines complètement sur chaque machine. D'autres plans étaient d'utiliser le ROCE sur ces mélanoxes pour réduire la latence. Comment cette partie du réseau a été configurée :
- Étant donné que les machines elles-mêmes ont des adresses IP externes sur BGP, nous avons besoin d'un logiciel - (ou plutôt, au moment de la rédaction, c'était ) était déjà debout.
- Au total, les machines avaient deux interfaces réseau, deux interfaces chacune - un total de 4 ports. Une carte réseau a examiné l'usine avec deux ports et BGP a été configuré dessus, la seconde a examiné deux commutateurs différents avec deux ports et OSPF a été défini dessus
En savoir plus sur la configuration d'OSPF : la tâche principale consiste à agréger deux liens et à avoir une tolérance aux pannes.
deux interfaces réseau configurées dans deux réseaux plats simples - 10.10.10.0/24 et 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 ens1f1par lequel les voitures se voient.
STOCKAGE
L'étape suivante consistait à optimiser les performances du disque. Pour SSD, j'ai changé le planificateur en non, pour disque dur — date limite. Si c'est dur, alors NOOP fonctionne sur le principe de "qui se lève en premier - c'est les pantoufles", qui en anglais ressemble à "FIFO (First In, First Out)". Les demandes sont mises en file d'attente dès leur arrivée. DEADLINE est plus convivial en lecture, et le processus de la file d'attente obtient un accès presque exclusif au disque au moment de l'opération. Pour notre système, c'est formidable - après tout, un seul processus fonctionne avec chaque disque - le démon OSD.
(Ceux qui veulent se plonger dans le planificateur d'E / S peuvent en savoir plus ici:
Ceux qui préfèrent lire en russe : )
Dans les recommandations pour le réglage de Linux, il est également conseillé d'augmenter nr_request
nr_requests
La valeur de nr_requests détermine la quantité de requêtes d'E/S qui sont mises en mémoire tampon avant que le planificateur d'E/S n'envoie/reçoive des données vers le périphérique bloc, si vous utilisez une carte RAID/un périphérique bloc qui peut gérer une file d'attente plus grande que ce que je /O scheduler est défini sur, l'augmentation de la valeur de nr_requests peut aider à améliorer et à réduire la charge du serveur lorsque de grandes quantités d'E/S se produisent sur le serveur. Si vous utilisez Deadline ou CFQ comme planificateur, il est suggéré de définir la valeur nr_request sur 2 fois la valeur de la profondeur de la file d'attente.
MAIS! Les citoyens eux-mêmes, les développeurs du CEPH, nous convainquent que leur système de priorités fonctionne mieux.
WBRottle et/ou nr_requests
WBRottle et/ou nr_requests
Le stockage de fichiers utilise des E/S tamponnées pour l'écriture ; cela apporte un certain nombre d'avantages si le journal de stockage de fichiers se trouve sur un support plus rapide. Les demandes des clients sont notifiées dès que les données sont écrites dans le journal, puis vidées sur le disque de données lui-même ultérieurement à l'aide de la fonctionnalité Linux standard. Cela permet aux lecteurs de broche OSD de fournir une latence d'écriture similaire à celle des SSD lors de l'écriture en petites rafales. Cette réécriture différée permet également au noyau lui-même de réorganiser les demandes d'E/S sur le disque, dans l'espoir de les fusionner ou de laisser les têtes de disque existantes prendre un meilleur chemin sur leurs plateaux. L'effet final est que vous pourrez peut-être extraire un peu plus d'E/S de chaque disque que ce qui serait possible avec des E/S directes ou synchrones.
Cependant, un certain problème survient si le volume des écritures entrantes sur un cluster Ceph donné dépasse toutes les capacités des disques sous-jacents. Dans un tel scénario, le nombre total d'E/S en attente d'écriture sur le disque peut augmenter de manière incontrôlable et entraîner une file d'attente d'E/S qui remplit tout le disque et les files d'attente Ceph. Les demandes de lecture sont particulièrement mauvaises car elles restent bloquées entre les demandes d'écriture, ce qui peut prendre plusieurs secondes pour être acheminé vers le lecteur principal.
Pour surmonter ce problème, Ceph dispose d'un mécanisme de limitation de l'écriture différée intégré au stockage de fichiers appelé WBThrottle. Il est conçu pour limiter la quantité totale d'E/S d'écriture différée qui peuvent se mettre en file d'attente et démarrer leur processus de vidage plus tôt que ce qui serait normalement activé par le noyau lui-même. Malheureusement, les tests montrent que les valeurs par défaut peuvent toujours ne pas réduire le comportement à un niveau permettant de réduire cet impact sur la latence de lecture. Des ajustements peuvent modifier ce comportement et réduire la longueur globale des files d'attente d'écriture et rendre l'impact moins grave. Cependant, il y a un compromis : en réduisant le nombre maximum total d'enregistrements autorisés à être mis en file d'attente, vous pouvez réduire la capacité du noyau lui-même à maximiser son efficacité dans le classement des requêtes entrantes. Cela vaut la peine de réfléchir un peu à ce dont vous avez besoin de plus pour votre application spécifique, vos charges de travail et de vous adapter en conséquence.
Pour contrôler la profondeur d'une telle file d'attente d'écriture différée, vous pouvez soit diminuer le retard total maximal des E/S en appliquant le paramètre WBThrottle, soit diminuer la valeur maximale des retards au niveau le plus bloc de votre noyau. Les deux peuvent contrôler efficacement le même comportement, et ce sont vos préférences qui serviront de base à la mise en œuvre de ce paramètre.
Il convient également de noter que le système de priorité des opérations de Ceph est plus efficace pour les requêtes plus courtes au niveau du disque. Lors de la réduction de la file d'attente globale à un disque donné, l'emplacement de la file d'attente principale est déplacé vers Ceph, où il a plus de contrôle sur la priorité d'une opération d'E/S. Considérez l'exemple suivant :
echo 8 > /sys/block/sda/queue/nr_requestsCOMMUNE
Et quelques autres ajustements du noyau pour rendre votre voiture douce et soyeuse pour tirer encore plus de performances du fer
chat /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. Immersion au CEPH
Paramètres sur lesquels je voudrais m'attarder plus en détail :
chat /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: 4Certains des paramètres qui ont été testés sur QA sur la version 12.2.12 sont manquants dans la version ceph 12.2.2, par exemple osd_recovery_threads. Par conséquent, les plans comprenaient une mise à jour de la prod vers 12.2.12. La pratique a montré la compatibilité dans un cluster de versions 12.2.2 et 12.2.12, ce qui vous permet de faire une mise à jour continue.
Grappe de tests
Naturellement, pour les tests, il était nécessaire d'avoir la même version que dans la bataille, mais au moment où j'ai commencé à travailler avec le cluster, le référentiel n'en avait qu'une plus récente. Après avoir regardé ce que l'on peut voir dans la version mineure, ce n'est pas très gros (1393 lignes dans les configurations contre 1436 dans la nouvelle version), nous avons décidé de commencer à tester la nouvelle (mise à jour quand même, pourquoi continuer sur l'ancien)
La seule chose qu'ils ont essayé de laisser l'ancienne version est le paquet ceph-déployer, parce que certains des utilitaires (et certains des employés) ont été adaptés à sa syntaxe. La nouvelle version était assez différente, mais elle n'affectait pas le fonctionnement du cluster lui-même, et elle a été laissée par les versions 1.5.39
Étant donné que la commande ceph-disk indique clairement qu'elle est obsolète et qu'elle utilise la commande ceph-volume, très chers, nous avons commencé à créer l'OSD avec cette commande, sans perdre de temps avec la commande obsolète.
Le plan était le suivant - créer un miroir de deux disques SSD, sur lequel nous placerons les journaux OSD, qui, à leur tour, sont situés sur des SAS à broche. Nous nous assurerons donc contre les problèmes de données lorsque le disque journal tombe en panne.
Créer un cluster acier selon la documentation
chat /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-qLa première chose sur laquelle je suis tombé dans le travail de cette version de ceph-deploy avec un cluster de la version 12.2.12 est une erreur lors de la tentative de création d'un OSD avec db sur un raid logiciel -
root@ceph01-qa:~#ceph-volume lvm create --bluestore --data /dev/sde --block.db /dev/md0
blkid could not detect a PARTUUID for device: /dev/md1En effet, blkid n'affiche pas PARTUUID, j'ai dû créer les partitions manuellement :
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; doneIl semble que tout soit prêt, nous essayons de créer à nouveau l'OSD et obtenons l'erreur suivante (qui, soit dit en passant, n'a pas été reproduite au combat)
lors de la création d'un OSD bluestore sans spécifier le chemin vers WAL, mais en spécifiant 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 argumenDe plus, si sur le même miroir (ou à un autre endroit, au choix) créez une autre partition pour WAL et spécifiez-la lors de la création de l'OSD, alors tout se passera bien (sauf pour l'apparition d'un WAL séparé, que vous n'aurez peut-être pas voulu).
Mais, comme il était encore dans les plans lointains d'apporter WAL à NVMe, la pratique n'était pas superflue.
root@ceph01-qa:~#ceph-volume lvm create --bluestore --data /dev/sdf --block.wal /dev/md0p2 --block.db /dev/md1p2Création de moniteurs, de gestionnaires et d'OSD. Maintenant, je veux les regrouper de différentes manières, car je prévois d'avoir différents types de disques - des pools rapides sur SSD et de grande taille, mais lents sur des pancakes SAS.
Nous supposerons qu'il y a 20 disques sur les serveurs, les dix premiers sont d'un type, le second d'un autre.
La carte par défaut ressemble à ceci :
arborescence ceph osd
root@ceph01-q:~# arborescence ceph osd
ID CLASSE POIDS TYPE NOM STATUT REPOIDSER PRI-AFF
-1 14.54799 racine par défaut
-3 9.09200 hôte ceph01-q
0 ssd 1.00000 osd.0 jusqu'à 1.00000 1.00000
1 ssd 1.00000 osd.1 jusqu'à 1.00000 1.00000
2 ssd 1.00000 osd.2 jusqu'à 1.00000 1.00000
3 ssd 1.00000 osd.3 jusqu'à 1.00000 1.00000
4 disque dur 1.00000 osd.4 jusqu'à 1.00000 1.00000
5 disque dur 0.27299 osd.5 jusqu'à 1.00000 1.00000
6 disque dur 0.27299 osd.6 jusqu'à 1.00000 1.00000
7 disque dur 0.27299 osd.7 jusqu'à 1.00000 1.00000
8 disque dur 0.27299 osd.8 jusqu'à 1.00000 1.00000
9 disque dur 0.27299 osd.9 jusqu'à 1.00000 1.00000
10 disque dur 0.27299 osd.10 jusqu'à 1.00000 1.00000
11 disque dur 0.27299 osd.11 jusqu'à 1.00000 1.00000
12 disque dur 0.27299 osd.12 jusqu'à 1.00000 1.00000
13 disque dur 0.27299 osd.13 jusqu'à 1.00000 1.00000
14 disque dur 0.27299 osd.14 jusqu'à 1.00000 1.00000
15 disque dur 0.27299 osd.15 jusqu'à 1.00000 1.00000
16 disque dur 0.27299 osd.16 jusqu'à 1.00000 1.00000
17 disque dur 0.27299 osd.17 jusqu'à 1.00000 1.00000
18 disque dur 0.27299 osd.18 jusqu'à 1.00000 1.00000
19 disque dur 0.27299 osd.19 jusqu'à 1.00000 1.00000
-5 5.45599 hôte ceph02-q
20 ssd 0.27299 osd.20 jusqu'à 1.00000 1.00000
21 ssd 0.27299 osd.21 jusqu'à 1.00000 1.00000
22 ssd 0.27299 osd.22 jusqu'à 1.00000 1.00000
23 ssd 0.27299 osd.23 jusqu'à 1.00000 1.00000
24 disque dur 0.27299 osd.24 jusqu'à 1.00000 1.00000
25 disque dur 0.27299 osd.25 jusqu'à 1.00000 1.00000
26 disque dur 0.27299 osd.26 jusqu'à 1.00000 1.00000
27 disque dur 0.27299 osd.27 jusqu'à 1.00000 1.00000
28 disque dur 0.27299 osd.28 jusqu'à 1.00000 1.00000
29 disque dur 0.27299 osd.29 jusqu'à 1.00000 1.00000
30 disque dur 0.27299 osd.30 jusqu'à 1.00000 1.00000
31 disque dur 0.27299 osd.31 jusqu'à 1.00000 1.00000
32 disque dur 0.27299 osd.32 jusqu'à 1.00000 1.00000
33 disque dur 0.27299 osd.33 jusqu'à 1.00000 1.00000
34 disque dur 0.27299 osd.34 jusqu'à 1.00000 1.00000
35 disque dur 0.27299 osd.35 jusqu'à 1.00000 1.00000
36 disque dur 0.27299 osd.36 jusqu'à 1.00000 1.00000
37 disque dur 0.27299 osd.37 jusqu'à 1.00000 1.00000
38 disque dur 0.27299 osd.38 jusqu'à 1.00000 1.00000
39 disque dur 0.27299 osd.39 jusqu'à 1.00000 1.00000
-7 6.08690 hôte ceph03-q
40 ssd 0.27299 osd.40 jusqu'à 1.00000 1.00000
41 ssd 0.27299 osd.41 jusqu'à 1.00000 1.00000
42 ssd 0.27299 osd.42 jusqu'à 1.00000 1.00000
43 ssd 0.27299 osd.43 jusqu'à 1.00000 1.00000
44 disque dur 0.27299 osd.44 jusqu'à 1.00000 1.00000
45 disque dur 0.27299 osd.45 jusqu'à 1.00000 1.00000
46 disque dur 0.27299 osd.46 jusqu'à 1.00000 1.00000
47 disque dur 0.27299 osd.47 jusqu'à 1.00000 1.00000
48 disque dur 0.27299 osd.48 jusqu'à 1.00000 1.00000
49 disque dur 0.27299 osd.49 jusqu'à 1.00000 1.00000
50 disque dur 0.27299 osd.50 jusqu'à 1.00000 1.00000
51 disque dur 0.27299 osd.51 jusqu'à 1.00000 1.00000
52 disque dur 0.27299 osd.52 jusqu'à 1.00000 1.00000
53 disque dur 0.27299 osd.53 jusqu'à 1.00000 1.00000
54 disque dur 0.27299 osd.54 jusqu'à 1.00000 1.00000
55 disque dur 0.27299 osd.55 jusqu'à 1.00000 1.00000
56 disque dur 0.27299 osd.56 jusqu'à 1.00000 1.00000
57 disque dur 0.27299 osd.57 jusqu'à 1.00000 1.00000
58 disque dur 0.27299 osd.58 jusqu'à 1.00000 1.00000
59 disque dur 0.89999 osd.59 jusqu'à 1.00000 1.00000
Créons nos propres racks et serveurs virtuels avec du blackjack et d'autres choses :
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 rack01Les problèmes que nous avons rencontrés dans combat cluster, lorsque vous essayez de créer un nouvel hôte et de le déplacer vers un rack existant - la commande ceph osd écraser déplacer ceph01-host root=rack01 accroché, et les moniteurs ont commencé à tomber un par un. Interrompre la commande avec un simple CTRL+C renvoyait le cluster dans le monde des vivants.
La recherche a révélé le problème suivant :
La solution consistait à vider le crushmap et à supprimer la section à partir de là règle replicad_ruleset
root@ceph01-prod:~#ceph osd getcrushmap -o crushmap.row #Дампим карту в сыром виде
root@ceph01-prod:~#crushtool -d crushmap.row -o crushmap.txt #переводим в читаемый
root@ceph01-prod:~#vim crushmap.txt #редактируем, удаляя rule replicated_ruleset
root@ceph01-prod:~#crushtool -c crushmap.txt -o new_crushmap.row #компилируем обратно
root@ceph01-prod:~#ceph osd setcrushmap -i new_crushmap.row #загружаем в кластерAchtung: cette opération peut entraîner un rééquilibrage du groupe de placement entre les OSD. Nous l'avons causé, mais très petit.
Et la bizarrerie que nous avons rencontrée dans le cluster de test est qu'après avoir redémarré le serveur OSD, ils ont oublié qu'ils ont été déplacés vers de nouveaux serveurs et racks, et sont revenus à la racine par défaut.
En conséquence, après avoir assemblé le schéma final, dans lequel nous avons créé une racine distincte pour les disques ssd et séparément pour les broches, nous avons tiré tous les OSD le long des racks et avons simplement supprimé la racine par défaut. Après le redémarrage, les OSD ont commencé à rester à leur place.
En fouillant plus tard dans la documentation, on a trouvé un paramètre responsable de ce comportement. À propos de lui dans la deuxième partie
Comment nous avons fait différents groupes par types de disques.
Pour commencer, nous avons créé deux racines - pour ssd et pour hdd
root@ceph01-q:~#ceph osd crush add-bucket ssd-root root
root@ceph01-q:~#ceph osd crush add-bucket hdd-root rootÉtant donné que les serveurs sont physiquement situés dans des racks différents, pour plus de commodité, nous avons créé des racks et il y a déjà des serveurs dedans.
# 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 hostet des disques dispersés selon leurs types dans différents serveurs
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 серверамиAprès avoir dispersé les disques sur les racines ssd-root et hdd-root, nous avons laissé la racine par défaut vide, afin que nous puissions la supprimer
root-ceph01-q:~#ceph osd crush remove defaultEnsuite, nous devons créer des règles de distribution que nous lierons aux pools créés - dans les règles, nous spécifierons dans quelle racine nous pouvons mettre nos données de pool et le niveau d'unicité de la réplique - par exemple, les répliques doivent être sur des serveurs différents, ou dans différents racks (vous pouvez même dans différentes racines, si nous avons une telle distribution)
Avant de choisir un type, mieux vaut lire la documentation :
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 firstnEh bien, nous créons des pools dans lesquels nous voulons stocker des images disque de notre virtualisation à l'avenir - 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 1024Et nous indiquons à ces pools les règles de placement à utiliser
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
Le choix du nombre de groupes de placement doit être abordé avec une vision préexistante pour votre cluster - combien d'OSD y aura-t-il, combien de données (en pourcentage du total) seront dans le pool, combien de données au total .
Au total, il est souhaitable de ne pas avoir plus de 300 groupes de placement par disque, et il sera plus facile d'équilibrer avec de petits groupes de placement - c'est-à-dire si votre pool entier y occupe 10 To et 10 PG - alors ce sera problématique équilibrer en jetant des briques de téraoctets (pg) - verser du sable avec des grains de sable de petite taille dans des seaux est plus simple et plus lisse).
Mais nous devons nous rappeler que plus le nombre de PG est élevé - plus les ressources sont dépensées pour calculer leur emplacement - la mémoire et le processeur commencent à être utilisés.
Une compréhension approximative peut , fourni par les développeurs de la documentation CEPH.
Liste des matériaux :
Source: habr.com