Tiñamos cinco racks, dez interruptores ópticos, BGP configurado, un par de ducias de SSD e unha morea de unidades SAS de todas as cores e tamaños, así como proxmox e o desexo de poñer toda a estática no noso propio almacenamento S3. Non é que todo isto fose necesario para a virtualización, pero unha vez que comezaches a usar o código aberto, vai na túa afección ata o final. O único que me molestou foi BGP. Non hai nada no mundo máis indefenso, irresponsable e inmoral que o enrutamento interno de BGP. E sabía que moi pronto nos mergullaríamos nel.
A tarefa era banal: había CEPH, non funcionaba moi ben. Había que facelo ben.
O clúster que conseguín era heteroxéneo, sintonizado ás présas e practicamente sen afinar. Constaba de dous grupos de nodos diferentes, cunha rede común que actuaba como un clúster e unha rede pública. Os nodos enchéronse con catro tipos de discos: dous tipos de SSD, recollidos en dúas regras de colocación separadas, e dous tipos de discos duros de diferentes tamaños, recollidos nun terceiro grupo. O problema con diferentes tamaños resolveuse mediante diferentes pesos OSD.
A propia configuración divídese en dúas partes: axuste do sistema operativo и afinando o propio CEPH e a súa configuración.
Actualización do SO
Rede
A alta latencia afectou tanto á gravación como ao balance. Ao escribir, porque o cliente non recibirá unha resposta sobre unha escritura exitosa ata que as réplicas de datos noutros grupos de colocación confirmen o éxito. Dado que as regras para distribuír réplicas no mapa CRUSH eran unha réplica por host, sempre se utilizou a rede.
Polo tanto, o primeiro que decidín facer foi axustar lixeiramente a rede actual, tentando paralelamente convencerme de que pasase a redes separadas.
Para comezar, torcei a configuración da tarxeta de rede. Comezou configurando colas:
Engadido a /etc/network/interfaces para que todo o anterior se cargue ao iniciar
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 9000
Despois diso, seguindo o mesmo artigo, comecei a torcer coidadosamente as asas do núcleo 4.15. Dado que os nodos teñen 128G de RAM, temos un determinado ficheiro de configuración para 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)
Сrede de brillo foi asignado en interfaces de rede de 10 Gbps separadas nunha rede plana separada. Cada máquina foi subministrada con tarxetas de rede de dous portos mellanox 10/25 Gbps conectado a dous conmutadores de 10 Gbps separados. A agregación levouse a cabo mediante OSPF, xa que a vinculación con lacp por algún motivo mostrou un rendemento total dun máximo de 16 Gbps, mentres que ospf utilizou con éxito ambas ducias completamente en cada máquina. Outros plans eran usar ROCE nestes melanoxes para reducir a latencia. Como se configurou esta parte da rede:
Dado que as propias máquinas teñen IPs externas en BGP, necesitamos software - (ou mellor dito, no momento de escribir, así era frr=6.0-1 ) xa estaba en pé.
En total, as máquinas tiñan dúas interfaces de rede, dúas interfaces cada unha - un total de 4 portos. Unha tarxeta de rede mirou a fábrica con dous portos e configurouse nela BGP, a segunda mirou dous conmutadores diferentes con dous portos e configurouse nela OSPF
Máis información sobre a configuración de OSPF: a tarefa principal é agregar dúas ligazóns e ter tolerancia a fallos.
dúas interfaces de rede configuradas en dúas redes planas simples: 10.10.10.0/24 e 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
polo que os coches se ven.
DISCO
O seguinte paso foi optimizar o rendemento do disco. Para SSD, cambiei o programador a noop, para disco duro - deadline. Se é áspero, entón NOOP funciona co principio de "quen se levanta primeiro - iso son as zapatillas", que en inglés soa como "FIFO (First In, First Out)". As solicitudes están en cola a medida que chegan. DEADLINE é máis fácil de ler, ademais de que o proceso desde a cola obtén acceso case exclusivo ao disco no momento da operación. Para o noso sistema, isto é xenial; despois de todo, só funciona un proceso con cada disco: o daemon OSD.
(Aqueles que queiran mergullarse no programador de E/S poden ler sobre iso aquí: http://www.admin-magazine.com/HPC/Articles/Linux-I-O-Schedulers
Nas recomendacións para axustar Linux, tamén se aconsella aumentar nr_request
nr_solicitudes
O valor de nr_requests determina a cantidade de solicitudes de E/S que se almacenan antes de que o planificador de E/S envíe/reciba datos ao dispositivo de bloque, se está a usar unha tarxeta RAID/dispositivo de bloque que pode xestionar unha cola máis grande que o que o I/O. O planificador /O está configurado en, aumentar o valor de nr_requests pode axudar a mellorar e reducir a carga do servidor cando se producen grandes cantidades de E/S no servidor. Se está a usar Data límite ou CFQ como programador, suxírese que estableza o valor nr_request en 2 veces o valor da profundidade da cola.
PERO! Os propios cidadáns, os desenvolvedores de CEPH, convéncenos de que o seu sistema de prioridades funciona mellor.
WBTrottle e/ou nr_requests
WBTrottle e/ou nr_requests
O almacenamento de ficheiros usa E/S almacenadas no búfer para escribir; isto trae unha serie de beneficios se o rexistro de almacenamento de ficheiros está nun soporte máis rápido. As solicitudes dos clientes notifícanse tan pronto como se escriben os datos no rexistro e, posteriormente, enxáranse no propio disco de datos mediante a funcionalidade estándar de Linux. Isto fai posible que as unidades de eixo OSD proporcionen unha latencia de escritura similar ás SSD ao escribir en pequenas ráfagas. Esta reescritura atrasada tamén permite ao propio núcleo reorganizar as solicitudes de E/S no disco, coa esperanza de fusionalas ou deixar que as cabezas de disco existentes tomen un camiño mellor sobre os seus pratos. O efecto final é que pode espremer un pouco máis de E/S de cada disco do que sería posible cunha E/S directa ou síncrona.
Non obstante, xorde un certo problema se o volume de escrituras entrantes nun clúster Ceph determinado supera todas as capacidades dos discos subxacentes. Neste escenario, o número total de E/S pendentes que esperan para ser escritas no disco pode crecer sen control e producir unha cola de E/S que enche todo o disco e as colas Ceph. As solicitudes de lectura son especialmente malas porque quedan atascadas entre as solicitudes de escritura, o que pode tardar varios segundos en descargarse na unidade principal.
Para superar este problema, Ceph dispón dun mecanismo de limitación de escritura inversa integrado no almacenamento de ficheiros chamado WBThrottle. Está deseñado para limitar a cantidade total de E/S de escritura preguiceiro que poden poñerse en fila e iniciar o seu proceso de descarga antes do que normalmente habilitaría o propio núcleo. Desafortunadamente, as probas mostran que os valores predeterminados poden aínda non reducir o comportamento a un nivel que poida reducir este impacto na latencia de lectura. Os axustes poden cambiar este comportamento e reducir a lonxitude total da cola de escritura e facer posible que o impacto sexa menos grave. Non obstante, hai unha compensación: ao reducir o número máximo total de rexistros que se permiten poñer en cola, pode reducir a capacidade do propio núcleo para maximizar a súa eficiencia á hora de ordenar as solicitudes entrantes. Paga a pena pensar un pouco no que necesitas máis para a túa aplicación específica, cargas de traballo e axustar para que coincidan.
Para controlar a profundidade desta cola de reescritura, pode diminuír o total máximo de atrasos de E/S aplicando a configuración WBThrottle ou diminuír o valor máximo para os atrasos no nivel de bloqueo máis alto do seu núcleo. Ambos poden controlar eficazmente o mesmo comportamento e son as túas preferencias as que serán a base para implementar esta configuración.
Tamén hai que ter en conta que o sistema de precedencia de operacións de Ceph é máis eficiente para consultas máis curtas a nivel de disco. Cando se reduce a cola global a un disco determinado, a localización da cola principal móvese a Ceph, onde ten máis control sobre a prioridade que ten unha operación de E/S. Considere o seguinte exemplo:
E algúns axustes máis do núcleo para que o teu coche sexa suave e sedoso para espremer máis o rendemento do ferro
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.
Inmersión en CEPH
Configuracións nas que me gustaría determe con máis detalle:
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
Algúns dos parámetros que se probaron en QA na versión 12.2.12 faltan na versión ceph 12.2.2, por exemplo osd_recovery_threads. Polo tanto, os plans incluíron unha actualización do produto ao 12.2.12. A práctica demostrou compatibilidade nun clúster de versións 12.2.2 e 12.2.12, o que lle permite facer unha actualización continua.
Clúster de probas
Naturalmente, para probar era necesario ter a mesma versión que na batalla, pero no momento en que comecei a traballar co clúster, o repositorio tiña só unha máis nova. Despois de mirar o que podes ver na versión menor, non é moi grande (1393 liñas en configuracións contra 1436 na nova versión), decidimos comezar a probar a nova (actualizar de todos os xeitos, por que seguir coas cousas antigas)
O único que tentaron deixar a versión antiga é o paquete ceph-despliegue porque algunhas das utilidades (e algúns dos empregados) foron adaptadas á súa sintaxe. A nova versión era bastante diferente, pero non afectou o funcionamento do propio clúster e quedou polas versións 1.5.39
Dado que o comando ceph-disk di claramente que está obsoleto e usa o comando ceph-volume, queridos, comezamos a crear OSD con este comando, sen perder tempo co obsoleto.
O plan era o seguinte: crear un espello de dous discos SSD, nos que colocaremos rexistros OSD, que, á súa vez, están situados nos SAS do eixe. Polo tanto, asegurarémonos contra os problemas de datos cando o disco do xornal falla.
Crea un clúster de aceiro segundo a documentación
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
O primeiro que tropecei no traballo desta versión de ceph-deploy cun clúster da versión 12.2.12 é un erro ao tentar crear un OSD con db nun raid 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 feito, blkid non mostra PARTUUID, tiven que crear particións 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 está todo listo, tentamos crear de novo o OSD e obtén o seguinte erro (que, por certo, non se reproduciu na batalla)
ao crear un OSD bluestore sen especificar o camiño a WAL, pero especificando db
Ademais, se no mesmo espello (ou noutro lugar, para escoller) crea outra partición para WAL e especifícaa ao crear o OSD, todo irá sen problemas (excepto a aparición dun WAL separado, que quizais non teñas). quería).
Pero, dado que aínda estaba nos plans distantes traer WAL a NVMe, a práctica non era superflua.
Creouse monitores, xestores e OSD. Agora quero agrupalos de diferentes xeitos, porque penso ter diferentes tipos de discos: grupos rápidos en SSD e grandes, pero lentos en filloas SAS.
Asumiremos que hai 20 discos nos servidores, os dez primeiros son dun tipo, o segundo doutro.
O mapa predeterminado ten o seguinte aspecto:
Imos crear os nosos propios racks e servidores virtuais con blackjack e outras cousas:
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
Os problemas que atopamos combate clúster, ao tentar crear un novo host e movelo a un rack existente: o comando ceph osd crush move ceph01-host root=rack01 colgado, e os monitores comezaron a caer un a un. Ao interromper o comando cun simple CTRL+C devolveu o clúster ao mundo dos vivos.
A solución foi botar o mapa e eliminar a sección de alí regra 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 pode provocar un reequilibrio do grupo de colocación entre os OSD. Témolo causado, pero moi pequeno.
E a peculiaridade que atopamos no clúster de probas é que despois de reiniciar o servidor OSD, esquecéronse de que se trasladaron a novos servidores e racks e volveron á raíz predeterminada.
Como resultado, unha vez reunido o esquema final, no que creamos unha raíz separada para os discos ssd e por separado para os de eixe, puxemos todos os OSD en racks e simplemente eliminamos a raíz predeterminada. Despois do reinicio, os OSD comezaron a permanecer nos seus lugares. Rebuscando máis tarde na documentación atopou un parámetro que é responsable deste comportamento. Sobre el na segunda parte
Como fixemos os distintos grupos por tipos de discos.
Para comezar, creamos dúas raíces: para ssd e para hdd
e discos dispersos segundo os seus tipos en distintos 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
Despois de espallar os discos polas raíces ssd-root e hdd-root, deixamos o root-default baleiro, para que poidamos borralo.
root-ceph01-q:~#ceph osd crush remove default
A continuación, necesitamos crear regras de distribución que vincularemos aos pools creados -nas regras especificaremos en que raíz podemos poñer os datos do noso pool e o nivel de unicidade da réplica - por exemplo, as réplicas deben estar en servidores diferentes, ou en diferentes racks (incluso podes en diferentes raíces, se temos esa distribución)
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
Ben, creamos pools nos que queremos almacenar imaxes de disco da nosa virtualización no 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
E dicímoslles a estas piscinas cales son as regras de colocación que deben 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
A elección do número de grupos de colocación debe abordarse cunha visión preexistente para o seu clúster: canto OSD haberá alí, cantos datos (como porcentaxe do total) estarán no grupo, cantos datos en total. .
En total, é desexable non ter máis de 300 grupos de colocación por disco, e será máis fácil equilibrar con pequenos grupos de colocación, é dicir, se toda a súa piscina ocupa 10 Tb e 10 PG nel, entón será problemático. para equilibrar lanzando ladrillos de terabytes (pg) - verter area cuns grans de area de pequeno tamaño en baldes son máis sinxelos e suaves).
Pero hai que lembrar que canto maior sexa o número de PG -máis recursos se gastan en calcular a súa localización- comezan a utilizarse a memoria e a CPU.
A comprensión aproximada pode dar calculadora, proporcionado polos desenvolvedores da documentación CEPH.