CEPH ની પસંદગી. ભાગ 1

અમારી પાસે પાંચ રેક્સ, દસ ઓપ્ટિકલ સ્વીચો, ગોઠવેલ BGP, બે ડઝન SSDs અને તમામ રંગો અને કદની SAS ડ્રાઈવોનો સમૂહ તેમજ પ્રોક્સમોક્સ અને તમામ સ્ટેટિકને અમારા પોતાના S3 સ્ટોરેજમાં મૂકવાની ઈચ્છા હતી. એવું નથી કે વર્ચ્યુઅલાઈઝેશન માટે આ બધું જરૂરી હતું, પરંતુ એકવાર તમે ઓપનસોર્સનો ઉપયોગ કરવાનું શરૂ કરી દો, પછી તમારા શોખને અંત સુધી લઈ જાઓ. માત્ર એક જ વસ્તુ જે મને પરેશાન કરતી હતી તે હતી BGP. BGP આંતરિક રૂટીંગ કરતાં વધુ લાચાર, બેજવાબદાર અને અનૈતિક દુનિયામાં કંઈ નથી. અને હું જાણતો હતો કે બહુ જલ્દી આપણે તેમાં ડૂબી જઈશું.

કાર્ય મામૂલી હતું - ત્યાં CEPH હતું, તે ખૂબ સારી રીતે કામ કરતું ન હતું. તે સારી રીતે કરવાનું હતું.
મને જે ક્લસ્ટર મળ્યું તે વિજાતીય હતું, ઉતાવળમાં ટ્યુન કરવામાં આવ્યું હતું અને વ્યવહારીક રીતે ટ્યુન કર્યું ન હતું. તેમાં વિવિધ ગાંઠોના બે જૂથોનો સમાવેશ થાય છે, જેમાં એક સામાન્ય ગ્રીડ ક્લસ્ટર અને જાહેર નેટવર્ક બંને તરીકે કામ કરે છે. ગાંઠો ચાર પ્રકારની ડિસ્કથી ભરેલી હતી - બે પ્રકારના SSDs, જે બે અલગ-અલગ પ્લેસમેન્ટ નિયમોમાં એકત્રિત કરવામાં આવ્યા હતા, અને ત્રીજા જૂથમાં એકત્રિત કરાયેલ વિવિધ કદના બે પ્રકારના HDD. વિવિધ માપોની સમસ્યા વિવિધ OSD વજન દ્વારા હલ કરવામાં આવી હતી.

સેટઅપ પોતે બે ભાગોમાં વહેંચાયેલું છે - ઓપરેટિંગ સિસ્ટમ ટ્યુનિંગ и CEPH પોતે ટ્યુનિંગ અને તેની સેટિંગ્સ.

ઓએસ અપગ્રેડ

નેટવર્ક

ઉચ્ચ લેટન્સીએ રેકોર્ડિંગ અને બેલેન્સિંગ બંનેને અસર કરી. લખતી વખતે, કારણ કે જ્યાં સુધી અન્ય પ્લેસમેન્ટ જૂથોમાં ડેટા પ્રતિકૃતિઓ સફળતાની પુષ્ટિ ન કરે ત્યાં સુધી ક્લાયન્ટ સફળ લેખન વિશે પ્રતિસાદ પ્રાપ્ત કરશે નહીં. CRUSH નકશામાં પ્રતિકૃતિઓનું વિતરણ કરવાના નિયમો હોસ્ટ દીઠ એક પ્રતિકૃતિ હોવાથી, નેટવર્ક હંમેશા ઉપયોગમાં લેવાતું હતું.

તેથી, પ્રથમ વસ્તુ જે મેં કરવાનું નક્કી કર્યું તે વર્તમાન નેટવર્કને સહેજ સમાયોજિત કરવાનું હતું, સમાંતર રીતે મને અલગ નેટવર્ક્સ પર જવા માટે સમજાવવાનો પ્રયાસ કર્યો.

શરૂ કરવા માટે, મેં નેટવર્ક કાર્ડ સેટિંગ્સને ટ્વિસ્ટ કરી. કતાર સેટ કરીને શરૂ કર્યું:

શું થયું:

ethtool -l ens1f1

root@ceph01:~# ethtool -l ens1f1
Channel parameters for ens1f1:
Pre-set maximums:
RX:     0
TX:     0
Other:      1
Combined:   63
Current hardware settings:
RX:     0
TX:     0
Other:      1
Combined:   1
root@ceph01:~# ethtool -g ens1f1
Ring parameters for ens1f1:
Pre-set maximums:
RX:     4096
RX Mini:    0
RX Jumbo:   0
TX:     4096
Current hardware settings:
RX:     256
RX Mini:    0
RX Jumbo:   0
TX:     256
root@ceph01:~# ethtool -l ens1f1
Channel parameters for ens1f1:
Pre-set maximums:
RX:     0
TX:     0
Other:      1
Combined:   63
Current hardware settings:
RX:     0
TX:     0
Other:      1
Combined:   1

તે જોઈ શકાય છે કે વર્તમાન પરિમાણો મહત્તમથી દૂર છે. વધારો:

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

એક ઉત્તમ લેખ દ્વારા માર્ગદર્શન

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

મોકલવાની કતારની લંબાઈ વધારી txqueuelen 1000 થી 10 000 સુધી

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

વેલ, ceph ના દસ્તાવેજીકરણને અનુસરીને

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

વધારો એમટીયુ 9000 થી.

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

/etc/network/interfaces માં ઉમેરાયેલ છે જેથી ઉપરોક્ત તમામ સ્ટાર્ટઅપ પર લોડ થાય

બિલાડી / વગેરે / નેટવર્ક / ઇન્ટરફેસો

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

તે પછી, તે જ લેખને અનુસરીને, મેં 4.15 કર્નલના હેન્ડલ્સને વિચારપૂર્વક ટ્વિસ્ટ કરવાનું શરૂ કર્યું. આપેલ છે કે નોડ્સમાં 128G RAM છે, અમને તેના માટે ચોક્કસ રૂપરેખાંકન ફાઇલ મળી છે 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)

Сચમક નેટવર્ક અલગ ફ્લેટ નેટવર્કમાં અલગ 10Gbps નેટવર્ક ઇન્ટરફેસ પર ફાળવવામાં આવ્યું હતું. દરેક મશીનને બે-પોર્ટ નેટવર્ક કાર્ડ્સ પૂરા પાડવામાં આવ્યા હતા મેલાનોક્સ 10/25 Gbps બે અલગ 10Gbps સ્વીચોમાં પ્લગ થયેલ છે. OSPF નો ઉપયોગ કરીને એકત્રીકરણ હાથ ધરવામાં આવ્યું હતું, કારણ કે અમુક કારણોસર lacp સાથે બંધન એ મહત્તમ 16 Gbps નો કુલ થ્રુપુટ દર્શાવે છે, જ્યારે ospf એ દરેક મશીન પર બંને ડઝનનો સંપૂર્ણ રીતે સફળતાપૂર્વક ઉપયોગ કર્યો હતો. લેટન્સી ઘટાડવા માટે આ મેલાનોક્સ પર ROCE નો ઉપયોગ કરવાની વધુ યોજનાઓ હતી. નેટવર્કનો આ ભાગ કેવી રીતે ગોઠવ્યો હતો:

1. મશીનો પોતે BGP પર બાહ્ય IP ધરાવે છે, અમને સોફ્ટવેરની જરૂર છે - (અથવા બદલે, લેખન સમયે, તે હતું frr=6.0-1 ) પહેલેથી જ ઊભો હતો.
2. કુલ મળીને, મશીનોમાં બે નેટવર્ક ઇન્ટરફેસ હતા, દરેકમાં બે ઇન્ટરફેસ - કુલ 4 પોર્ટ. એક નેટવર્ક કાર્ડ ફેક્ટરીને બે પોર્ટ સાથે જોતું હતું અને તેના પર BGP રૂપરેખાંકિત હતું, બીજાએ બે પોર્ટ સાથેના બે અલગ-અલગ સ્વિચ પર જોયું અને તેના પર OSPF સેટ કરવામાં આવ્યું હતું.

OSPF સુયોજિત કરવા પર વધુ: મુખ્ય કાર્ય બે લિંક્સને એકીકૃત કરવાનું છે અને ખામી સહનશીલતા ધરાવે છે.
બે સરળ ફ્લેટ નેટવર્ક્સમાં ગોઠવેલા બે નેટવર્ક ઇન્ટરફેસ - 10.10.10.0/24 અને 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

જેના દ્વારા કાર એકબીજાને જુએ છે.

ડિસ્ક

આગળનું પગલું ડિસ્ક પ્રદર્શનને ઑપ્ટિમાઇઝ કરવાનું હતું. SSD માટે, મેં શેડ્યૂલરને આમાં બદલ્યું નૂપ, HDD માટે - અન્તિમ રેખા. જો તે ખરબચડી હોય, તો NOOP એ સિદ્ધાંત પર કામ કરે છે "કોણ પહેલા ઉઠે છે - તે ચપ્પલ છે", જે અંગ્રેજીમાં "FIFO (ફર્સ્ટ ઇન, ફર્સ્ટ આઉટ)" જેવો લાગે છે. જેમ જેમ તેઓ આવે છે તેમ વિનંતીઓ કતારમાં હોય છે. DEADLINE વધુ વાંચવા-મૈત્રીપૂર્ણ છે, ઉપરાંત કતારમાંથી પ્રક્રિયાને ઓપરેશન સમયે ડિસ્કની લગભગ વિશિષ્ટ ઍક્સેસ મળે છે. અમારી સિસ્ટમ માટે, આ સરસ છે - છેવટે, દરેક ડિસ્ક સાથે માત્ર એક જ પ્રક્રિયા કામ કરે છે - OSD ડિમન.
(જેઓ I / O શેડ્યૂલરમાં ડાઇવ કરવા માંગે છે તેઓ તેના વિશે અહીં વાંચી શકે છે:
http://www.admin-magazine.com/HPC/Articles/Linux-I-O-Schedulers

જેઓ રશિયનમાં વાંચવાનું પસંદ કરે છે: https://www.opennet.ru/base/sys/linux_shedulers.txt.html)

Linux ને ટ્યુન કરવા માટેની ભલામણોમાં, nr_request ને વધારવાની પણ સલાહ આપવામાં આવે છે

nr_requests
nr_requests ની કિંમત I/O વિનંતીઓની સંખ્યા નક્કી કરે છે કે જે I/O શેડ્યૂલર બ્લોક ઉપકરણને ડેટા મોકલે / મેળવે તે પહેલાં બફર થાય છે, જો તમે RAID કાર્ડ / બ્લોક ઉપકરણનો ઉપયોગ કરી રહ્યાં છો જે I કરતાં મોટી કતારને હેન્ડલ કરી શકે છે. /O શેડ્યૂલર પર સેટ છે, જ્યારે સર્વર પર મોટી માત્રામાં I/O આવે છે ત્યારે nr_requestsનું મૂલ્ય વધારવાથી સર્વર લોડને સુધારવામાં અને ઘટાડવામાં મદદ મળી શકે છે. જો તમે સમયમર્યાદા અથવા CFQ નો શેડ્યૂલર તરીકે ઉપયોગ કરી રહ્યાં છો, તો એવું સૂચન કરવામાં આવે છે કે તમારે nr_request મૂલ્યને કતારની ઊંડાઈના મૂલ્યના 2 ગણા પર સેટ કરવું જોઈએ.

પરંતુ! નાગરિકો પોતે, CEPH ના વિકાસકર્તાઓ, અમને ખાતરી આપે છે કે તેમની પ્રાથમિકતાઓની સિસ્ટમ વધુ સારી રીતે કાર્ય કરે છે.

WBTrottle અને/અથવા nr_requests

WBTrottle અને/અથવા nr_requests
ફાઇલ સ્ટોરેજ લખવા માટે બફર કરેલ I/O નો ઉપયોગ કરે છે; જો ફાઈલ સ્ટોરેજ લોગ ઝડપી મીડિયા પર હોય તો આ ઘણા લાભો લાવે છે. લોગમાં ડેટા લખવામાં આવે કે તરત જ ક્લાયન્ટની વિનંતીઓને સૂચિત કરવામાં આવે છે, અને પછી પ્રમાણભૂત Linux કાર્યક્ષમતાનો ઉપયોગ કરીને પછીના સમયે ડેટા ડિસ્ક પર ફ્લશ કરવામાં આવે છે. આનાથી OSD સ્પિન્ડલ ડ્રાઈવો જ્યારે નાના વિસ્ફોટોમાં લખે છે ત્યારે SSD જેવી જ રાઈટ લેટન્સી પ્રદાન કરવાનું શક્ય બનાવે છે. આ વિલંબિત રાઈટ-બેક કર્નલને ડિસ્ક પર I/O વિનંતીઓને ફરીથી ગોઠવવાની પણ પરવાનગી આપે છે, કાં તો તેમને એકસાથે મર્જ કરવાની અથવા હાલના ડિસ્ક હેડને તેમના પ્લેટર પર વધુ સારો માર્ગ લેવા દેવાની આશા સાથે. અંતિમ અસર એ છે કે તમે ડાયરેક્ટ અથવા સિંક્રનસ I/O સાથે શક્ય હોય તેના કરતાં દરેક ડિસ્કમાંથી સહેજ વધુ I/O સ્ક્વિઝ કરી શકશો.

જો કે, ચોક્કસ સમસ્યા ઊભી થાય છે જો આપેલ Ceph ક્લસ્ટર પર ઇનકમિંગ લખવાનું વોલ્યુમ અંતર્ગત ડિસ્કની તમામ ક્ષમતાઓ કરતાં વધી જાય. આવા સંજોગોમાં, ડિસ્ક પર લખવાની રાહ જોઈ રહેલા બાકી I/O ની કુલ સંખ્યા અનિયંત્રિત રીતે વધી શકે છે અને પરિણામે I/O કતારમાં પરિણમે છે જે સમગ્ર ડિસ્ક અને Ceph કતારોને ભરી દે છે. વાંચવાની વિનંતીઓ ખાસ કરીને ખરાબ છે કારણ કે તે લખવાની વિનંતીઓ વચ્ચે અટવાઈ જાય છે, જેને પ્રાથમિક ડ્રાઈવ પર ફ્લશ થવામાં ઘણી સેકન્ડ લાગી શકે છે.

આ સમસ્યાને દૂર કરવા માટે, Ceph પાસે WBThrottle નામની ફાઇલ સ્ટોરેજમાં બનેલ રાઈટબેક થ્રોટલિંગ મિકેનિઝમ છે. તે આળસુ લખાણ I/O ની કુલ રકમને મર્યાદિત કરવા માટે રચાયેલ છે જે કતારમાં ઉભા થઈ શકે છે અને તેમની ફ્લશ પ્રક્રિયાને સામાન્ય રીતે કર્નલ દ્વારા જ સક્ષમ કરવામાં આવશે તેના કરતા વહેલા શરૂ કરી શકે છે. કમનસીબે, પરીક્ષણ બતાવે છે કે ડિફોલ્ટ્સ હજુ પણ વર્તનને એવા સ્તરે ઘટાડી શકશે નહીં કે જે વાંચવામાં વિલંબિતતા પરની આ અસરને ઘટાડી શકે. ટ્વીકીંગ આ વર્તણૂકને બદલી શકે છે અને એકંદરે લખવાની કતારની લંબાઈ ઘટાડી શકે છે અને અસરને ઓછી ગંભીર બનાવવાનું શક્ય બનાવે છે. જો કે, ત્યાં એક ટ્રેડ-ઓફ છે: કતારમાં રાખવા માટે મંજૂર રેકોર્ડ્સની કુલ મહત્તમ સંખ્યાને ઘટાડીને, તમે આવનારી વિનંતીઓને ઓર્ડર કરવા માટે કર્નલની કાર્યક્ષમતાને મહત્તમ કરવા માટે તેની ક્ષમતાને ઘટાડી શકો છો. તમારી વિશિષ્ટ એપ્લિકેશન, વર્કલોડ અને મેચ માટે એડજસ્ટ કરવા માટે તમારે વધુ શું જોઈએ છે તે વિશે થોડું વિચારવું યોગ્ય છે.

આવી રાઈટ-બેક કતારની ઊંડાઈને નિયંત્રિત કરવા માટે, તમે WBThrottle સેટિંગ લાગુ કરીને I/Os ના કુલ મહત્તમ બેકલોગને ઘટાડી શકો છો અથવા તમારા કર્નલના સૌથી બ્લોક સ્તરે બેકલોગ માટે મહત્તમ મૂલ્ય ઘટાડી શકો છો. બંને સમાન વર્તનને અસરકારક રીતે નિયંત્રિત કરી શકે છે, અને તે તમારી પસંદગીઓ છે જે આ સેટિંગને અમલમાં મૂકવા માટેનો આધાર હશે.
એ પણ નોંધવું જોઈએ કે Ceph ની ઑપરેશન અગ્રતા સિસ્ટમ ટૂંકી ડિસ્ક-લેવલ ક્વેરીઝ માટે વધુ કાર્યક્ષમ છે. આપેલ ડિસ્ક પર એકંદર કતાર ઘટાડતી વખતે, મુખ્ય કતારનું સ્થાન Ceph પર ખસેડવામાં આવે છે, જ્યાં તે I/O ઑપરેશનની પ્રાથમિકતા પર વધુ નિયંત્રણ ધરાવે છે. નીચેના ઉદાહરણને ધ્યાનમાં લો:

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

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

કMMમન

અને તમારી કારને સોફ્ટ અને સિલ્કી બનાવવા માટે થોડા વધુ કર્નલ ટ્વીક્સ અને આયર્નમાંથી વધુ પરફોર્મન્સ સ્ક્વિઝ કરવા માટે

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. 

CEPH માં નિમજ્જન

સેટિંગ્સ કે જેના પર હું વધુ વિગતમાં રહેવા માંગુ છું:

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

સંસ્કરણ 12.2.12 પર QA પર ચકાસાયેલ કેટલાક પરિમાણો ceph 12.2.2 સંસ્કરણમાં ખૂટે છે, ઉદાહરણ તરીકે osd_recovery_threads. તેથી, યોજનાઓમાં પ્રોડ પર અપડેટ 12.2.12 નો સમાવેશ થાય છે. પ્રેક્ટિસે 12.2.2 અને 12.2.12 સંસ્કરણોના એક ક્લસ્ટરમાં સુસંગતતા દર્શાવી છે, જે તમને રોલિંગ અપડેટ કરવાની મંજૂરી આપે છે.

ટેસ્ટ ક્લસ્ટર

સ્વાભાવિક રીતે, પરીક્ષણ માટે યુદ્ધની જેમ સમાન સંસ્કરણ હોવું જરૂરી હતું, પરંતુ જ્યારે મેં ક્લસ્ટર સાથે કામ કરવાનું શરૂ કર્યું, ત્યારે રિપોઝીટરીમાં ફક્ત એક નવું હતું. તમે નાના સંસ્કરણમાં શું જોઈ શકો છો તે જોયા પછી, તે ખૂબ મોટું નથી (1393 રૂપરેખામાં લીટીઓ સામે 1436 નવા સંસ્કરણમાં), અમે નવાનું પરીક્ષણ શરૂ કરવાનું નક્કી કર્યું (કોઈપણ રીતે અપડેટ કરો, શા માટે જૂની સામગ્રી પર જાઓ)

એકમાત્ર વસ્તુ કે જે તેઓએ જૂના સંસ્કરણને છોડવાનો પ્રયાસ કર્યો તે પેકેજ છે ceph- જમાવટ, કારણ કે કેટલીક ઉપયોગિતાઓ (અને કેટલાક કર્મચારીઓ) તેના વાક્યરચના અનુસાર બનાવવામાં આવી હતી. નવું સંસ્કરણ તદ્દન અલગ હતું, પરંતુ તે ક્લસ્ટરની કામગીરીને અસર કરતું ન હતું, અને તે સંસ્કરણો દ્વારા છોડી દેવામાં આવ્યું હતું. 1.5.39

ceph-disk આદેશ સ્પષ્ટપણે કહે છે કે તે નાપસંદ છે અને ceph-વોલ્યુમ આદેશનો ઉપયોગ કરો, પ્રિયજનો - અમે જૂના આદેશ પર સમય બગાડ્યા વિના, આ આદેશ સાથે OSD બનાવવાનું શરૂ કર્યું.

યોજના નીચે મુજબ હતી - બે SSD ડિસ્કનો મિરર બનાવવા માટે, જેના પર અમે OSD લોગ્સ મૂકીશું, જે બદલામાં, સ્પિન્ડલ SASs પર સ્થિત છે. તેથી જ્યારે જર્નલ ડિસ્ક ક્રેશ થાય ત્યારે અમે ડેટા સમસ્યાઓ સામે વીમો લઈશું.

દસ્તાવેજીકરણ અનુસાર સ્ટીલ ક્લસ્ટર બનાવો

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

વર્ઝન 12.2.12 ના ક્લસ્ટર સાથે ceph-deploy ના આ વર્ઝનના કામમાં મને પહેલી વસ્તુ જે ઠોકર લાગી છે તે સોફ્ટવેર રેઇડ પર db સાથે OSD બનાવવાનો પ્રયાસ કરતી વખતે ભૂલ છે -

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

ખરેખર, blkid PARTUUID બતાવતું નથી, મારે મેન્યુઅલી પાર્ટીશનો બનાવવા હતા:

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

એવું લાગે છે કે બધું તૈયાર છે, અમે ફરીથી OSD બનાવવાનો પ્રયાસ કરીએ છીએ અને નીચેની ભૂલ મેળવીએ છીએ (જે, માર્ગ દ્વારા, યુદ્ધમાં પુનઃઉત્પાદિત કરવામાં આવી ન હતી)

બ્લુસ્ટોર OSD બનાવતી વખતે WAL નો પાથ સ્પષ્ટ કર્યા વિના, પરંતુ db નો ઉલ્લેખ કર્યા વગર

root@ceph01-qa:~#ceph-volume lvm create --bluestore --data /dev/sde --block.db /dev/md0
stderr: 2019-04-12 10:39:27.211242 7eff461b6e00 -1 bluestore(/var/lib/ceph/osd/ceph-0/) _read_fsid unparsable uuid
stderr: 2019-04-12 10:39:27.213185 7eff461b6e00 -1 bdev(0x55824c273680 /var/lib/ceph/osd/ceph-0//block.wal) open open got: (22) Invalid argument
stderr: 2019-04-12 10:39:27.213201 7eff461b6e00 -1 bluestore(/var/lib/ceph/osd/ceph-0/) _open_db add block device(/var/lib/ceph/osd/ceph-0//block.wal) returned: (22) Invalid argument
stderr: 2019-04-12 10:39:27.999039 7eff461b6e00 -1 bluestore(/var/lib/ceph/osd/ceph-0/) mkfs failed, (22) Invalid argument
stderr: 2019-04-12 10:39:27.999057 7eff461b6e00 -1 OSD::mkfs: ObjectStore::mkfs failed with error (22) Invalid argument
stderr: 2019-04-12 10:39:27.999141 7eff461b6e00 -1  ** ERROR: error creating empty object store in /var/lib/ceph/osd/ceph-0/: (22) Invalid argumen

તદુપરાંત, જો એ જ અરીસા પર (અથવા બીજી જગ્યાએ, પસંદ કરવા માટે) WAL માટે બીજું પાર્ટીશન બનાવો અને OSD બનાવતી વખતે તેનો ઉલ્લેખ કરો, તો બધું જ સરળતાથી ચાલશે (અલગ WAL ના દેખાવ સિવાય, જે તમારી પાસે ન હોઈ શકે. જોઈતું હતું).

પરંતુ, WAL ને NVMe પર લાવવાની તે હજુ દૂરની યોજનામાં હોવાથી, પ્રેક્ટિસ અનાવશ્યક ન હતી.

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

મોનિટર, મેનેજર અને ઓએસડી બનાવ્યા. હવે હું તેમને અલગ અલગ રીતે જૂથબદ્ધ કરવા માંગુ છું, કારણ કે હું વિવિધ પ્રકારની ડિસ્ક - SSD પર ઝડપી પૂલ અને મોટા, પરંતુ SAS પેનકેક પર ધીમી રાખવાની યોજના ઘડી રહ્યો છું.

અમે ધારીશું કે સર્વર્સ પર 20 ડિસ્ક છે, પ્રથમ દસ એક પ્રકાર છે, બીજી બીજી છે.
ડિફૉલ્ટ નકશો આના જેવો દેખાય છે:

ceph osd વૃક્ષ

root@ceph01-q:~# ceph osd ટ્રી
ID વર્ગ વજન પ્રકારનું નામ સ્ટેટસ રિવેઇટ PRI-AFF
-1 14.54799 રૂટ ડિફોલ્ટ
-3 9.09200 હોસ્ટ ceph01-q
0 ssd 1.00000 osd.0 અપ 1.00000 1.00000
1 ssd 1.00000 osd.1 અપ 1.00000 1.00000
2 ssd 1.00000 osd.2 અપ 1.00000 1.00000
3 ssd 1.00000 osd.3 અપ 1.00000 1.00000
4 hdd 1.00000 osd.4 અપ 1.00000 1.00000
5 hdd 0.27299 osd.5 અપ 1.00000 1.00000
6 hdd 0.27299 osd.6 અપ 1.00000 1.00000
7 hdd 0.27299 osd.7 અપ 1.00000 1.00000
8 hdd 0.27299 osd.8 અપ 1.00000 1.00000
9 hdd 0.27299 osd.9 અપ 1.00000 1.00000
10 hdd 0.27299 osd.10 અપ 1.00000 1.00000
11 hdd 0.27299 osd.11 અપ 1.00000 1.00000
12 hdd 0.27299 osd.12 અપ 1.00000 1.00000
13 hdd 0.27299 osd.13 અપ 1.00000 1.00000
14 hdd 0.27299 osd.14 અપ 1.00000 1.00000
15 hdd 0.27299 osd.15 અપ 1.00000 1.00000
16 hdd 0.27299 osd.16 અપ 1.00000 1.00000
17 hdd 0.27299 osd.17 અપ 1.00000 1.00000
18 hdd 0.27299 osd.18 અપ 1.00000 1.00000
19 hdd 0.27299 osd.19 અપ 1.00000 1.00000
-5 5.45599 હોસ્ટ ceph02-q
20 ssd 0.27299 osd.20 અપ 1.00000 1.00000
21 ssd 0.27299 osd.21 અપ 1.00000 1.00000
22 ssd 0.27299 osd.22 અપ 1.00000 1.00000
23 ssd 0.27299 osd.23 અપ 1.00000 1.00000
24 hdd 0.27299 osd.24 અપ 1.00000 1.00000
25 hdd 0.27299 osd.25 અપ 1.00000 1.00000
26 hdd 0.27299 osd.26 અપ 1.00000 1.00000
27 hdd 0.27299 osd.27 અપ 1.00000 1.00000
28 hdd 0.27299 osd.28 અપ 1.00000 1.00000
29 hdd 0.27299 osd.29 અપ 1.00000 1.00000
30 hdd 0.27299 osd.30 અપ 1.00000 1.00000
31 hdd 0.27299 osd.31 અપ 1.00000 1.00000
32 hdd 0.27299 osd.32 અપ 1.00000 1.00000
33 hdd 0.27299 osd.33 અપ 1.00000 1.00000
34 hdd 0.27299 osd.34 અપ 1.00000 1.00000
35 hdd 0.27299 osd.35 અપ 1.00000 1.00000
36 hdd 0.27299 osd.36 અપ 1.00000 1.00000
37 hdd 0.27299 osd.37 અપ 1.00000 1.00000
38 hdd 0.27299 osd.38 અપ 1.00000 1.00000
39 hdd 0.27299 osd.39 અપ 1.00000 1.00000
-7 6.08690 હોસ્ટ ceph03-q
40 ssd 0.27299 osd.40 અપ 1.00000 1.00000
41 ssd 0.27299 osd.41 અપ 1.00000 1.00000
42 ssd 0.27299 osd.42 અપ 1.00000 1.00000
43 ssd 0.27299 osd.43 અપ 1.00000 1.00000
44 hdd 0.27299 osd.44 અપ 1.00000 1.00000
45 hdd 0.27299 osd.45 અપ 1.00000 1.00000
46 hdd 0.27299 osd.46 અપ 1.00000 1.00000
47 hdd 0.27299 osd.47 અપ 1.00000 1.00000
48 hdd 0.27299 osd.48 અપ 1.00000 1.00000
49 hdd 0.27299 osd.49 અપ 1.00000 1.00000
50 hdd 0.27299 osd.50 અપ 1.00000 1.00000
51 hdd 0.27299 osd.51 અપ 1.00000 1.00000
52 hdd 0.27299 osd.52 અપ 1.00000 1.00000
53 hdd 0.27299 osd.53 અપ 1.00000 1.00000
54 hdd 0.27299 osd.54 અપ 1.00000 1.00000
55 hdd 0.27299 osd.55 અપ 1.00000 1.00000
56 hdd 0.27299 osd.56 અપ 1.00000 1.00000
57 hdd 0.27299 osd.57 અપ 1.00000 1.00000
58 hdd 0.27299 osd.58 અપ 1.00000 1.00000
59 hdd 0.89999 osd.59 અપ 1.00000 1.00000

ચાલો બ્લેકજેક અને અન્ય વસ્તુઓ સાથે આપણા પોતાના વર્ચ્યુઅલ રેક્સ અને સર્વર્સ બનાવીએ:

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

અમે જે સમસ્યાઓનો સામનો કર્યો લડાઈ ક્લસ્ટર, જ્યારે નવું હોસ્ટ બનાવવાનો પ્રયાસ કરી રહ્યા હોય અને તેને હાલના રેકમાં ખસેડો - આદેશ ceph osd crush move ceph01-host root=rack01 અટકી ગયો, અને મોનિટર એક પછી એક પડવા લાગ્યા. સરળ CTRL+C વડે આદેશને અવરોધવાથી ક્લસ્ટર જીવંત વિશ્વમાં પાછું આવ્યું.

શોધમાં નીચેની સમસ્યા આવી: https://tracker.ceph.com/issues/23386

ઉકેલ એ હતો કે ક્રશમેપને ડમ્પ કરો અને ત્યાંથી વિભાગને દૂર કરો નિયમ 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

અચતુંગ: આ કામગીરી OSDs વચ્ચે પ્લેસમેન્ટ જૂથ પુનઃસંતુલનનું કારણ બની શકે છે. અમે તેને કારણે છે, પરંતુ ખૂબ જ નાના.

અને ટેસ્ટ ક્લસ્ટરમાં અમને જે વિચિત્રતા મળી તે એ છે કે OSD સર્વરને રીબૂટ કર્યા પછી, તેઓ ભૂલી ગયા કે તેઓ નવા સર્વર્સ અને રેક્સ પર ખસેડવામાં આવ્યા છે, અને મૂળ ડિફોલ્ટ પર પાછા ફર્યા છે.
પરિણામે, અંતિમ યોજનાને એસેમ્બલ કર્યા પછી, જેમાં અમે ssd ડિસ્ક માટે અને સ્પિન્ડલ માટે અલગથી એક અલગ રુટ બનાવ્યું છે, અમે તમામ OSD ને રેક્સ સાથે ખેંચી લીધા છે અને ડિફોલ્ટ રુટને ખાલી કાઢી નાખ્યા છે. રીબૂટ કર્યા પછી, OSD તેમના સ્થાને રહેવા લાગ્યા.
પાછળથી ડોક્યુમેન્ટેશનમાં ગડબડ કરવાથી એક પરિમાણ મળ્યું જે આ વર્તન માટે જવાબદાર છે. બીજા ભાગમાં તેના વિશે

અમે ડિસ્કના પ્રકારો દ્વારા વિવિધ જૂથો કેવી રીતે કર્યા.

શરૂ કરવા માટે, અમે બે મૂળ બનાવ્યા છે - ssd અને hdd માટે

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

સર્વર ભૌતિક રીતે વિવિધ રેક્સમાં સ્થિત હોવાથી, સગવડ માટે, અમે રેક્સ બનાવ્યા છે અને તેમાં સર્વર પહેલેથી જ છે

# Стойки:
root@ceph01-q:~#ceph osd crush add-bucket ssd-rack01 rack
root@ceph01-q:~#ceph osd crush add-bucket ssd-rack02 rack
root@ceph01-q:~#ceph osd crush add-bucket ssd-rack03 rack
root@ceph01-q:~#ceph osd crush add-bucket hdd-rack01 rack
root@ceph01-q:~#ceph osd crush add-bucket hdd-rack01 rack
root@ceph01-q:~#ceph osd crush add-bucket hdd-rack01 rack
# Сервера
root@ceph01-q:~#ceph osd crush add-bucket ssd-ceph01-q host
root@ceph01-q:~#ceph osd crush add-bucket ssd-ceph02-q host
root@ceph01-q:~#ceph osd crush add-bucket ssd-ceph03-q host
root@ceph01-q:~#ceph osd crush add-bucket hdd-ceph01-q host
root@ceph01-q:~#ceph osd crush add-bucket hdd-ceph02-q host
root@ceph01-q:~#ceph osd crush add-bucket hdd-ceph02-q host

અને અલગ-અલગ સર્વર્સમાં તેમના પ્રકારો અનુસાર વેરવિખેર ડિસ્ક

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

ssd-root અને hdd-root રૂટ પર ડિસ્કને વેરવિખેર કર્યા પછી, અમે રૂટ-ડિફોલ્ટને ખાલી છોડી દીધું છે, જેથી અમે તેને કાઢી નાખી શકીએ.

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

આગળ, આપણે વિતરણના નિયમો બનાવવાની જરૂર છે કે જે આપણે બનાવેલા પૂલ સાથે જોડાઈશું - નિયમોમાં આપણે સ્પષ્ટ કરીશું કે આપણે કયા રૂટમાં આપણો પૂલ ડેટા અને પ્રતિકૃતિનું વિશિષ્ટતા સ્તર મૂકી શકીએ - ઉદાહરણ તરીકે, પ્રતિકૃતિઓ વિવિધ સર્વર્સ પર હોવી જોઈએ, અથવા વિવિધ રેક્સમાં (જો અમારી પાસે આવું વિતરણ હોય તો તમે જુદા જુદા રુટમાં પણ કરી શકો છો)

પ્રકાર પસંદ કરતા પહેલા, દસ્તાવેજો વાંચવાનું વધુ સારું છે:
http://docs.ceph.com/docs/jewel/rados/operations/crush-map/#crushmaprules

root-ceph01-q:~#ceph osd crush rule create-simple rule-ssd ssd-root host firstn
root-ceph01-q:~#ceph osd crush rule create-simple rule-hdd hdd-root host firstn
root-ceph01-q:~# Мы указали два правила, в которых данные реплицируются 
root-ceph01-q:~# между хостами - то есть реплика должна лежать на другом хосте,
root-ceph01-q:~# даже если они в одной стойке
root-ceph01-q:~# В продакшене, если есть возможность, лучше распределить хосты
root-ceph01-q:~# по стойкам и указать распределять реплики по стойкам:
root-ceph01-q:~# ##ceph osd crush rule create-simple rule-ssd ssd-root rack firstn

ઠીક છે, અમે પૂલ બનાવીએ છીએ જેમાં અમે ભવિષ્યમાં અમારા વર્ચ્યુઅલાઈઝેશનની ડિસ્ક ઈમેજો સ્ટોર કરવા માંગીએ છીએ - 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

અને અમે આ પૂલને કહીએ છીએ કે પ્લેસમેન્ટના કયા નિયમોનો ઉપયોગ કરવો

 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

પ્લેસમેન્ટ જૂથોની સંખ્યાની પસંદગી માટે તમારા ક્લસ્ટર માટે પૂર્વ-અસ્તિત્વમાં રહેલા વિઝન સાથે સંપર્ક કરવો જોઈએ - ત્યાં કેટલો OSD હશે, કેટલો ડેટા (કુલની ટકાવારી તરીકે) પૂલમાં હશે, કુલ કેટલો ડેટા .

કુલ મળીને, ડિસ્ક દીઠ 300 થી વધુ પ્લેસમેન્ટ જૂથો ન રાખવા ઇચ્છનીય છે, અને નાના પ્લેસમેન્ટ જૂથો સાથે સંતુલન કરવું સરળ રહેશે - એટલે કે, જો તમારો આખો પૂલ તેમાં 10 Tb અને 10 PG ધરાવે છે - તો તે સમસ્યારૂપ બનશે. ટેરાબાઇટ ઇંટો (pg) ફેંકીને સંતુલિત કરવા - ડોલમાં રેતીના નાના દાણા સાથે રેતી રેડવી સરળ અને સરળ છે).

પરંતુ આપણે યાદ રાખવું જોઈએ કે પીજીની સંખ્યા જેટલી વધારે છે - તેમના સ્થાનની ગણતરી કરવા માટે વધુ સંસાધનો ખર્ચવામાં આવે છે - મેમરી અને સીપીયુનો ઉપયોગ થવાનું શરૂ થાય છે.

અંદાજિત સમજણ કરી શકે છે કેલ્ક્યુલેટર આપો, CEPH દસ્તાવેજીકરણના વિકાસકર્તાઓ દ્વારા પ્રદાન કરવામાં આવે છે.

સામગ્રીની સૂચિ:

https://blog.packagecloud.io/eng/2017/02/06/monitoring-tuning-linux-networking-stack-sending-data
http://www.admin-magazine.com/HPC/Articles/Linux-I-O-Schedulers
http://onreader.mdl.ru/MasteringCeph/content/Ch09.html#030202
https://tracker.ceph.com/issues/23386
https://ceph.com/pgcalc/

સોર્સ: www.habr.com