Imali smo pet rackova, deset optičkih switcheva, konfiguriran BGP, par desetaka SSD-ova i hrpu SAS diskova svih boja i veličina, te proxmox i želju da sve statičke podatke stavimo u vlastitu S3 pohranu. Nije da je sve to potrebno za virtualizaciju, ali kad jednom počnete koristiti opensource, slijedite svoj hobi do kraja. Jedino što mi je smetalo je BGP. Ne postoji nitko na svijetu bespomoćniji, neodgovorniji i nemoralniji od internog BGP usmjeravanja. I znao sam da ćemo vrlo brzo zaroniti u to.
Zadatak je bio trivijalan - postojao je CEPH, ali nije baš dobro funkcionirao. Trebalo je činiti “dobro”.
Klaster koji sam dobio bio je heterogen, na brzinu ugođen i praktički neugođen. Sastojao se od dvije skupine različitih čvorova, s jednom zajedničkom mrežom koja djeluje i kao klaster i kao javna mreža. Čvorovi su bili ispunjeni s četiri vrste diskova - dvije vrste SSD-a, sakupljene u dva odvojena pravila postavljanja, i dvije vrste HDD-ova različitih veličina, sakupljene u trećoj skupini. Problem s različitim veličinama riješen je različitim težinama OSD-a.
Sam setup je podijeljen u dva dijela - podešavanje operativnog sustava и ugađanje samog CEPH-a i njegove postavke.
Nadogradnja OS-a
mreža
Visoka latencija utjecala je i na snimanje i na balansiranje. Prilikom snimanja - jer klijent neće dobiti odgovor o uspješnom snimanju dok replike podataka u drugim grupama plasmana ne potvrde uspjeh. Budući da su pravila za distribuciju replika u CRUSH mapi bila jedna replika po hostu, uvijek je korištena mreža.
Stoga sam prvo što sam odlučio učiniti bilo malo podesiti trenutnu mrežu, dok su me u isto vrijeme pokušavali uvjeriti da prijeđem na zasebne mreže.
Za početak sam podesio postavke mrežnih kartica. Počeo sam s postavljanjem redova čekanja:
Dodano u /etc/network/interfaces tako da se sve gore navedeno učitava pri pokretanju
cat / etc / network / sučelja
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
Nakon čega sam, nakon istog članka, počeo zamišljeno okretati ručke kernela 4.15. Uzimajući u obzir da čvorovi imaju 128G RAM-a, dobili smo konfiguracijsku datoteku za sysctl
mačka /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)
Сmreža sjaja je dodijeljen na zasebnim 10Gbps mrežnim sučeljima u zasebnu ravnu mrežu. Svaki je stroj bio opremljen mrežnim karticama s dva priključka melanoks 10/25 Gbps, priključen na dva odvojena preklopnika od 10 Gbps. Agregacija je provedena pomoću OSPF-a, budući da je povezivanje s lacp-om iz nekog razloga pokazalo ukupnu propusnost od najviše 16 Gbps, dok je ospf uspješno koristio obje desetke na svakom stroju. Budući planovi bili su iskoristiti ROCE na tim melanoxima kako bi se smanjila latencija. Kako postaviti ovaj dio mreže:
Budući da sami strojevi imaju vanjske IP adrese na BGP-u, potreban nam je softver - (točnije, u vrijeme pisanja ovog članka bilo je frr=6.0-1 ) već stajao.
Ukupno su strojevi imali dva mrežna sučelja, svaki s dva sučelja - ukupno 4 porta. Jedna mrežna kartica gledala je tvornicu s dva porta i na njoj je bio konfiguriran BGP, druga je gledala na dva različita switcha s dva porta i na njoj je bio postavljen OSPF
Više detalja o postavljanju OSPF-a: Glavni zadatak je spojiti dvije veze i imati toleranciju na pogreške.
dva mrežna sučelja su konfigurirana u dvije jednostavne ravne mreže - 10.10.10.0/24 i 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
kojim se automobili vide.
DISK
Sljedeći korak bila je optimizacija diskova. Za SSD sam promijenio raspored na noop, za HDD - rok. Da se razumijemo, NOOP radi po principu “prvi ušao, prvi izašao”, što na engleskom zvuči kao “FIFO (prvi ušao, prvi izašao)”. Zahtjevi se stavljaju u red kako stignu. DEADLINE je više orijentiran na čitanje, plus proces u redu čekanja dobiva gotovo isključivi pristup disku u vrijeme operacije. Ovo je savršeno za naš sustav - uostalom, samo jedan proces radi sa svakim diskom - OSD demon.
(Oni koji žele uroniti u I/O planer mogu pročitati o tome ovdje: http://www.admin-magazine.com/HPC/Articles/Linux-I-O-Schedulers
U preporukama za podešavanje Linuxa također se preporučuje povećanje nr_request
nr_zahtjevi
Vrijednost nr_requests određuje količinu I/O zahtjeva koji se spremaju u međuspremnik prije nego što I/O planer pošalje/primi podatke na blok uređaj, ako koristite RAID karticu/blok uređaj koji može obraditi veći red čekanja od onog koji sam /O planer postavljen na, podizanje vrijednosti nr_requests može pomoći u poboljšanju i smanjenju opterećenja poslužitelja kada se na poslužitelju pojave velike količine I/O. Ako koristite Deadline ili CFQ kao planer, predlaže se da biste trebali postaviti vrijednost nr_request na 2 puta veću vrijednost dubine reda čekanja.
ALI! Sami građani, tvorci CEPH-a, uvjeravaju nas da njihov sustav prioriteta bolje funkcionira
WBThrottle i/ili nr_requests
WBThrottle i/ili nr_requests
Pohrana datoteka koristi ulaz/izlaz u međuspremniku za pisanje; ovo donosi brojne prednosti ako je zapisnik za pohranu datoteka na bržem mediju. Zahtjevi klijenta se obavještavaju čim se podaci zapišu u zapisnik, a zatim se naknadno ispiru na sam podatkovni disk pomoću standardne Linux funkcionalnosti. To omogućuje vretenastim OSD-ovima da pruže latenciju pisanja sličnu SSD-ovima kada se upisuju u malim nizovima. Ovo odgođeno upisivanje također omogućuje samoj jezgri da reorganizira I/O zahtjeve diska, s nadom da će ih ili spojiti zajedno ili dopustiti postojećim glavama diska da odaberu neki optimalniji put preko svojih ploča. Neto učinak je da možete istisnuti malo više I/O iz svakog diska nego što bi bilo moguće s izravnim ili sinkronim I/O.
Međutim, određeni problem nastaje ako obujam dolaznih zapisa u određeni Ceph klaster premašuje sve mogućnosti dotičnih diskova. U ovom scenariju, ukupan broj I/O operacija na čekanju koje čekaju da se zapišu na disk mogao bi nekontrolirano rasti i rezultirati I/O redovima koji ispunjavaju cijeli disk i Ceph redove. Zahtjevi za čitanje su posebno pogođeni jer zapnu između zahtjeva za pisanje, što može potrajati nekoliko sekundi da se ispere na primarni disk.
Kako bi prevladao ovaj problem, Ceph ima mehanizam za usporavanje povratnog pisanja ugrađen u pohranu datoteka pod nazivom WBThrottle. Dizajniran je da ograniči ukupnu količinu I/O lijenog pisanja koji se može staviti u red čekanja i započeti proces ispiranja ranije nego što bi se prirodno dogodilo jer ga je omogućio sam kernel. Nažalost, testiranje pokazuje da zadane vrijednosti možda još uvijek ne smanjuju postojeće ponašanje na razinu koja može smanjiti ovaj utjecaj na latenciju čitanja. Prilagodbe mogu promijeniti ovo ponašanje i smanjiti ukupnu dužinu reda čekanja za pisanje i učiniti ovaj utjecaj manje ozbiljnim. Međutim, postoji kompromis: smanjenjem ukupnog maksimalnog broja unosa dopuštenih za čekanje, možete smanjiti sposobnost same jezgre da poveća svoju učinkovitost u redoslijedu dolaznih zahtjeva. Vrijedno je malo razmisliti o tome što vam je više potrebno za vaš specifični slučaj upotrebe, radna opterećenja i prilagoditi ih tako da im odgovaraju.
Da biste kontrolirali dubinu takvog reda čekanja za pisanje-zaostatak, možete ili smanjiti ukupni maksimalni broj neizvršenih I/O operacija pomoću WBThrottle postavki ili možete smanjiti maksimalnu vrijednost za neizvršene operacije na razini bloka vaše jezgre. Oboje mogu učinkovito kontrolirati isto ponašanje, a vaše postavke bit će osnova za implementaciju ove postavke.
Također treba napomenuti da je Cephov sustav prioriteta rada učinkovitiji za kraće upite na razini diska. Smanjivanjem cjelokupnog reda čekanja na određeni disk, primarna lokacija reda čekanja se pomiče u Ceph, gdje ima veću kontrolu nad prioritetom I/O operacije. Razmotrite sljedeći primjer:
I još nekoliko podešavanja jezgre kako bi vaš automobil bio mek i svilenkast i iz hardvera izvukao malo više performansi
mačka /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.
Uranjanje u CEPH
Postavke na kojima bih se želio detaljnije osvrnuti:
mačka /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
Neki od parametara koji su testirani za osiguranje kvalitete na verziji 12.2.12 nedostaju u ceph verziji 12.2.2, na primjer osd_recovery_threads. Stoga su planovi uključivali ažuriranje proizvodnje do 12.2.12. Praksa je pokazala kompatibilnost između verzija 12.2.2 i 12.2.12 u jednom klasteru, što omogućuje rolling update.
Testni klaster
Naravno, za testiranje je bilo potrebno imati istu verziju kao u bitci, ali u vrijeme kada sam počeo raditi s klasterom, samo je novija bila dostupna u repozitoriju. Nakon što ste pogledali, ono što možete razaznati u sporednoj verziji nije jako veliko (1393 linije u konfiguracijama protiv 1436 u novoj verziji), odlučili smo početi testirati novu (ažuriranje u svakom slučaju, zašto ići sa starim smećem)
Jedino što smo pokušali ostaviti iza stare verzije je paket ceph-deploy budući da su neki od komunalnih usluga (i neki od zaposlenika) bili prilagođeni njegovoj sintaksi. Nova verzija je bila dosta drugačija, ali nije utjecala na rad samog klastera, te je ostala u verziji 1.5.39
Budući da naredba ceph-disk jasno kaže da je zastarjela i koristite naredbu ceph-volume, dragi naši, počeli smo stvarati OSD-ove s ovom naredbom, bez gubljenja vremena na zastarjele.
Plan je bio napraviti zrcalo od dva SSD pogona na koje ćemo postaviti OSD zapise, koji se pak nalaze na vretenastim SAS-ovima. Na taj način možemo se zaštititi od problema s podacima ako disk s zapisom padne.
Krenuli smo u izradu klastera prema dokumentaciji
mačka /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
Prva stvar na koju sam naletio radeći s ovom verzijom ceph-deploya s verzijom klastera 12.2.12 bila je pogreška pri pokušaju stvaranja OSD-a s db na softverskom napadu -
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
Doista, blkid se ne čini kao PARTUUID, pa sam morao ručno kreirati particije:
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
Čini se da je sve spremno, pokušavamo ponovno stvoriti OSD i dobivamo sljedeću pogrešku (koja, usput rečeno, nije reproducirana u borbi)
kada kreirate OSD tipa bluestore bez specificiranja putanje do WAL-a, ali specificiranja db
Štoviše, ako na istom zrcalu (ili na drugom mjestu, po vašem izboru) napravite još jednu particiju za WAL i odredite je prilikom kreiranja OSD-a, tada će sve ići glatko (osim pojavljivanja zasebnog WAL-a, što možda nećete učiniti željeli) .
No, budući da je još uvijek bilo u dalekim planovima prebaciti WAL na NVMe, praksa se nije pokazala suvišnom.
Kreirani monitori, upravitelji i OSD. Sada bih ih želio drugačije grupirati, jer planiram imati različite vrste diskova - brze pulove na SSD-u i velike, ali spore pulove na SAS palačinkama.
Pretpostavimo da poslužitelji imaju 20 diskova, prvih deset je jedne vrste, a drugih druge.
Početna, zadana kartica izgleda ovako:
ceph osd stablo
root@ceph01-q:~# ceph osd stablo
ID KLASA TEŽINA VRSTA IME STATUS RETEŽINA PRI-AFF
-1 14.54799 zadani korijen
-3 9.09200 domaćin ceph01-q
0 ssd 1.00000 osd.0 gore 1.00000 1.00000
1 ssd 1.00000 osd.1 gore 1.00000 1.00000
2 ssd 1.00000 osd.2 gore 1.00000 1.00000
3 ssd 1.00000 osd.3 gore 1.00000 1.00000
4 hdd 1.00000 osd.4 gore 1.00000 1.00000
5 hdd 0.27299 osd.5 gore 1.00000 1.00000
6 hdd 0.27299 osd.6 gore 1.00000 1.00000
7 hdd 0.27299 osd.7 gore 1.00000 1.00000
8 hdd 0.27299 osd.8 gore 1.00000 1.00000
9 hdd 0.27299 osd.9 gore 1.00000 1.00000
10 hdd 0.27299 osd.10 gore 1.00000 1.00000
11 hdd 0.27299 osd.11 gore 1.00000 1.00000
12 hdd 0.27299 osd.12 gore 1.00000 1.00000
13 hdd 0.27299 osd.13 gore 1.00000 1.00000
14 hdd 0.27299 osd.14 gore 1.00000 1.00000
15 hdd 0.27299 osd.15 gore 1.00000 1.00000
16 hdd 0.27299 osd.16 gore 1.00000 1.00000
17 hdd 0.27299 osd.17 gore 1.00000 1.00000
18 hdd 0.27299 osd.18 gore 1.00000 1.00000
19 hdd 0.27299 osd.19 gore 1.00000 1.00000
-5 5.45599 domaćin ceph02-q
20 ssd 0.27299 osd.20 gore 1.00000 1.00000
21 ssd 0.27299 osd.21 gore 1.00000 1.00000
22 ssd 0.27299 osd.22 gore 1.00000 1.00000
23 ssd 0.27299 osd.23 gore 1.00000 1.00000
24 hdd 0.27299 osd.24 gore 1.00000 1.00000
25 hdd 0.27299 osd.25 gore 1.00000 1.00000
26 hdd 0.27299 osd.26 gore 1.00000 1.00000
27 hdd 0.27299 osd.27 gore 1.00000 1.00000
28 hdd 0.27299 osd.28 gore 1.00000 1.00000
29 hdd 0.27299 osd.29 gore 1.00000 1.00000
30 hdd 0.27299 osd.30 gore 1.00000 1.00000
31 hdd 0.27299 osd.31 gore 1.00000 1.00000
32 hdd 0.27299 osd.32 gore 1.00000 1.00000
33 hdd 0.27299 osd.33 gore 1.00000 1.00000
34 hdd 0.27299 osd.34 gore 1.00000 1.00000
35 hdd 0.27299 osd.35 gore 1.00000 1.00000
36 hdd 0.27299 osd.36 gore 1.00000 1.00000
37 hdd 0.27299 osd.37 gore 1.00000 1.00000
38 hdd 0.27299 osd.38 gore 1.00000 1.00000
39 hdd 0.27299 osd.39 gore 1.00000 1.00000
-7 6.08690 domaćin ceph03-q
40 ssd 0.27299 osd.40 gore 1.00000 1.00000
41 ssd 0.27299 osd.41 gore 1.00000 1.00000
42 ssd 0.27299 osd.42 gore 1.00000 1.00000
43 ssd 0.27299 osd.43 gore 1.00000 1.00000
44 hdd 0.27299 osd.44 gore 1.00000 1.00000
45 hdd 0.27299 osd.45 gore 1.00000 1.00000
46 hdd 0.27299 osd.46 gore 1.00000 1.00000
47 hdd 0.27299 osd.47 gore 1.00000 1.00000
48 hdd 0.27299 osd.48 gore 1.00000 1.00000
49 hdd 0.27299 osd.49 gore 1.00000 1.00000
50 hdd 0.27299 osd.50 gore 1.00000 1.00000
51 hdd 0.27299 osd.51 gore 1.00000 1.00000
52 hdd 0.27299 osd.52 gore 1.00000 1.00000
53 hdd 0.27299 osd.53 gore 1.00000 1.00000
54 hdd 0.27299 osd.54 gore 1.00000 1.00000
55 hdd 0.27299 osd.55 gore 1.00000 1.00000
56 hdd 0.27299 osd.56 gore 1.00000 1.00000
57 hdd 0.27299 osd.57 gore 1.00000 1.00000
58 hdd 0.27299 osd.58 gore 1.00000 1.00000
59 hdd 0.89999 osd.59 gore 1.00000 1.00000
Kreirajmo vlastite virtualne police i servere s blackjackom i drugim stvarima:
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
Problemi na koje smo naišli u borbena klaster, kada pokušavate stvoriti novi host i premjestiti ga u postojeći stalak - naredba ceph osd crush move ceph01-host root=rack01 zamrznuo, a monitori su počeli padati jedan po jedan. Prekid naredbe jednostavnim CTRL+C vratio je klaster u svijet živih.
Ispostavilo se da je rješenje izbaciti crushmap i ukloniti odjeljak od tamo pravilo 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
Akhtung: Ova operacija može uzrokovati ponovno balansiranje grupe položaja između OSD-ova. To nam je uzrokovalo ovo, ali vrlo malo.
A čudna stvar na koju smo naišli u testnom klasteru bila je ta da su nakon ponovnog pokretanja OSD poslužitelja zaboravili da su premješteni na nove poslužitelje i police i vratili se na zadane korijenske postavke.
Kao rezultat toga, nakon sastavljanja konačne sheme u kojoj smo stvorili zaseban korijen za ssd pogone i poseban za vretenaste pogone, stavili smo sve OSD-ove u police i jednostavno izbrisali zadani korijen. Nakon ponovnog pokretanja, OSD je počeo ostati na mjestu. Nakon kasnijeg kopanja po dokumentaciji, pronašli smo parametar koji je odgovoran za ovo ponašanje. O njemu u drugom dijelu
Kako smo napravili različite grupe prema vrsti diska.
Za početak smo napravili dva roota - za ssd i za hdd
i distribuirao diskove prema njihovim vrstama na različite poslužitelje
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
Nakon što smo diskove razbacali po ssd-root i hdd-root rutama, ostavili smo root-default prazan, tako da ga možemo izbrisati
root-ceph01-q:~#ceph osd crush remove default
Zatim moramo kreirati pravila distribucije koja ćemo vezati za bazene koji se kreiraju - u pravilima ćemo naznačiti koji korijeni mogu staviti naše podatke o bazenu i razinu jedinstvenosti replike - na primjer, replike moraju biti na različitim poslužiteljima, ili u različitim policama (možete čak iu različitim korijenima, ako imamo takvu distribuciju)
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
Pa, stvaramo bazene u koje želimo pohraniti slike diskova naše virtualizacije u budućnosti - 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
I mi tim skupovima kažemo koja pravila postavljanja da koriste
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
Odabiru broja grupa za postavljanje mora se pristupiti s već postojećom vizijom za vaš klaster - otprilike koliko će OSD-ova biti tamo, koja će količina podataka (kao postotak ukupnog volumena) biti u skupu, što je ukupna količina podataka.
Ukupno je preporučljivo da nemate više od 300 placement grupa na disku, a lakše ćete balansirati s malim placement grupama - odnosno ako vam cijeli bazen zauzima 10 Tb i ima 10 PG u sebi - onda balansiranje bacanjem terabajtnih opeka (pg) bit će problematično - lakše i ravnomjernije sipajte pijesak s malim zrncima pijeska u kante).
Ali moramo zapamtiti da što je veći broj PG-ova, to se više resursa troši na izračun njihove lokacije - memorija i CPU počinju se koristiti.
Grubo razumijevanje može daj mi kalkulator, koje su izradili tvorci CEPH dokumentacije.