A CEPH kiválasztása. 1. rész
Volt öt rackünk, tíz optikai kapcsolónk, konfigurált BGP-nk, pár tucat SSD-nk és egy csomó SAS-lemezünk mindenféle színben és méretben, valamint a proxmox és a vágy, hogy az összes statikus adatot a saját S3-as tárolónkba helyezzük. Nem mintha mindez szükséges lenne a virtualizációhoz, de ha egyszer elkezdi használni a nyílt forráskódot, akkor kövesse a hobbit a végéig. Az egyetlen dolog, ami zavart, az a BGP volt. Nincs a világon tehetetlenebb, felelőtlenebb és erkölcstelenebb, mint a belső BGP-routing. És tudtam, hogy hamarosan elmerülünk benne.
A feladat triviális volt – volt CEPH, de nem működött túl jól. „Jót” kellett tenni.
A kapott klaszter heterogén, elhamarkodottan hangolt és gyakorlatilag nem hangolt. Különböző csomópontok két csoportjából állt, és egy közös rács klaszterként és nyilvános hálózatként is működött. A csomópontokat négyféle lemezzel töltötték meg - kétféle SSD-vel, amelyeket két külön elhelyezési szabályban gyűjtöttek össze, és kétféle, különböző méretű HDD-vel, amelyeket egy harmadik csoportba gyűjtöttek össze. A különböző méretekkel kapcsolatos problémát különböző OSD-súlyok oldották meg.
Maga a beállítás két részre oszlik - operációs rendszer tuning и magának a CEPH-nak a hangolása és beállításai.
OS frissítése
Hálózat
A magas késleltetés mind a felvételt, mind a kiegyensúlyozást érintette. Felvételkor - mert a kliens nem kap választ a sikeres rögzítésről mindaddig, amíg más elhelyezési csoportok adatmásolatai meg nem erősítik a sikerességet. Mivel a CRUSH-térképen a replikák elosztására vonatkozó szabályok állomásonként egy replika volt, mindig a hálózatot használták.
Ezért az első dolgom, hogy megcsináljam a jelenlegi hálózatot, miközben megpróbáltam meggyőzni, hogy váltsam át külön hálózatokra.
Kezdetnek a hálózati kártyák beállításait módosítottam. A sorok felállításával kezdtem:
mi történt:
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: 1Látható, hogy a jelenlegi paraméterek messze vannak a maximumoktól. Megnövekedett:
root@ceph01:~#ethtool -G ens1f0 rx 4096
root@ceph01:~#ethtool -G ens1f0 tx 4096
root@ceph01:~#ethtool -L ens1f0 combined 63Kiváló cikk vezérelve
megnövelte a küldési sor hosszát txqueuelen 1000-től 10-ig
root@ceph01:~#ip link set ens1f0 txqueuelen 10000Nos, a ceph dokumentációját követve
megnövekedett MTU 9000-ig.
root@ceph01:~#ip link set dev ens1f0 mtu 9000Hozzáadva az /etc/network/interfaces fájlhoz, így a fentiek mindegyike betöltődik indításkor
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 9000Utána ugyanezen cikk nyomán elkezdtem elgondolkodva csavargatni a 4.15-ös kernel fogantyúit. Tekintettel arra, hogy a csomópontok 128 G RAM-mal rendelkeznek, végül egy konfigurációs fájlhoz jutottunk 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)Сcsillogó hálózat külön 10 Gbps hálózati interfészeken külön lapos hálózatba került. Mindegyik gépet kétportos hálózati kártyákkal szerelték fel mellanox 10/25 Gbps, két különálló 10 Gbps kapcsolóhoz csatlakoztatva. Az aggregáció OSPF segítségével történt, mivel a lacp-vel való kötés valamilyen oknál fogva maximum 16 Gbps teljes átviteli sebességet mutatott, míg az ospf mindkét tízet sikeresen kihasználta minden gépen. A jövőbeli tervek az volt, hogy a ROCE előnyeit kihasználják ezeken a melanoxokon a késleltetés csökkentése érdekében. A hálózat ezen részének beállítása:
- Mivel maguknak a gépeknek van külső IP-címük a BGP-n, szükségünk van egy szoftverre - (pontosabban a cikk írásakor az volt ) már állt.
- A gépek összesen két hálózati interfésszel rendelkeztek, mindegyik két interfésszel – összesen 4 porttal. Az egyik hálókártya gyárilag két porttal nézett és BGP volt rá konfigurálva a másik meg két különböző switchet két porttal és OSPF volt beállítva rajta
További részletek az OSPF beállításáról: A fő feladat két link összevonása és hibatűrése.
két hálózati interfész két egyszerű lapos hálózatba van konfigurálva - 10.10.10.0/24 és 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 ens1f1amelyek által az autók látják egymást.
KORONG
A következő lépés a lemezek optimalizálása volt. SSD esetén az ütemezőt erre cseréltem noop, HDD-hez - határidő. Őszintén szólva a NOOP a „first in, first out” elvén működik, ami angolul így hangzik: „FIFO (First In, First Out).” A kérések beérkezésükkor sorba állnak. A DEADLINE inkább olvasás-orientált, ráadásul a sorban álló folyamat szinte kizárólagos hozzáférést kap a lemezhez a művelet időpontjában. Ez tökéletes a rendszerünkhöz - elvégre minden lemezzel csak egy folyamat működik - az OSD démon.
(Aki az I/O ütemezőben szeretne merülni, itt olvashat róla:
Akik inkább oroszul olvasnak: )
A Linux hangolására vonatkozó ajánlásokban az nr_request növelése is javasolt
nr_requests
Az nr_requests értéke meghatározza azon I/O kérések mennyiségét, amelyek pufferelésre kerülnek, mielőtt az I/O ütemező adatokat küldene/fogadna a blokkeszköznek, ha olyan RAID kártyát/Block Devicet használ, amely nagyobb sort képes kezelni, mint amit az I/O ütemező Az /O ütemező beállításra kerül, az nr_requests értékének növelése segíthet a teljes javításban és a szerver terhelés csökkentésében, ha nagy mennyiségű I/O történik a kiszolgálón. Ha a határidőt vagy a CFQ-t használja ütemezőként, javasoljuk, hogy a nr_request értéket a sormélység értékének kétszeresére állítsa be.
DE! Maguk a polgárok, a CEPH fejlesztői meggyőznek bennünket arról, hogy prioritási rendszerük jobban működik
WBThrottle és/vagy nr_requests
WBThrottle és/vagy nr_requests
A fájltároló pufferelt I/O-t használ az íráshoz; ez számos előnnyel jár, ha a fájltárolási napló gyorsabb adathordozón van. Az ügyfelek kérései azonnal értesítést kapnak, amint az adatok beírásra kerülnek a naplóba, majd egy későbbi időpontban magára az adatlemezre kerülnek a szabványos Linux-funkciók használatával. Ez lehetővé teszi az orsós OSD-k számára, hogy az SSD-khez hasonló írási késleltetést biztosítsanak kis sorozatokban történő íráskor. Ez a késleltetett visszaírás azt is lehetővé teszi a kernel számára, hogy újraszervezze a lemez I/O kéréseit, annak reményében, hogy összevonja őket, vagy lehetővé teszi a meglévő lemezfejek számára, hogy valami optimálisabb útvonalat válasszanak a tálcákon. A nettó hatás az, hogy minden lemezről valamivel több I/O-t tud kipréselni, mint amennyi közvetlen vagy szinkron I/O esetén lehetséges lenne.
Egy bizonyos probléma azonban felmerül, ha egy adott Ceph-fürtbe bejövő rekordok mennyisége meghaladja az alapul szolgáló lemezek összes képességét. Ebben a forgatókönyvben a lemezre írásra váró függőben lévő I/O műveletek száma ellenőrizhetetlenül megnőhet, ami azt eredményezheti, hogy az I/O sorok kitöltik a teljes lemezt és a Ceph sorokat. Az olvasási kéréseket ez különösen érinti, mert elakadnak az írási kérések között, amelyeknek az elsődleges lemezre ürítése több másodpercig is eltarthat.
A probléma megoldására a Ceph WBThrottle nevű fájltárolóba beépített visszaírás-szabályzó mechanizmust tartalmaz. Úgy tervezték, hogy korlátozza a lusta írási I/O-k teljes mennyiségét, amelyek sorba állhatnak, és hamarabb kezdhetik meg az öblítési folyamatot, mint ami a magától a kerneltől való engedélyezés miatt természetesen előfordulna. Sajnos a tesztelés azt mutatja, hogy az alapértelmezett értékek még mindig nem csökkentik a meglévő viselkedést olyan szintre, amely csökkentheti az olvasási késleltetésre gyakorolt hatást. A módosítások megváltoztathatják ezt a viselkedést, csökkenthetik az írási sor teljes hosszát, és kevésbé súlyosak lehetnek. Van azonban egy kompromisszum: a sorba helyezhető bejegyzések általános maximális számának csökkentésével csökkentheti magának a kernelnek a képességét, hogy maximalizálja hatékonyságát a bejövő kérések rendezésében. Érdemes egy kicsit elgondolkodni azon, hogy az adott használati esethez, terhelésekhez mire van még szükséged, és ezekhez igazítanod.
Az ilyen írási hátralékos várólista mélységének szabályozásához vagy csökkentheti a fennálló I/O műveletek teljes maximális számát a WBThrottle beállításaival, vagy csökkentheti a kiemelkedő műveletek maximális értékét magának a kernelnek a blokkszintjén. Mindkettő hatékonyan szabályozhatja ugyanazt a viselkedést, és az Ön preferenciái képezik az alapját ennek a beállításnak.
Azt is meg kell jegyezni, hogy a Ceph működési prioritási rendszere hatékonyabb a lemezszintű rövidebb lekérdezések esetén. A teljes sor egy adott lemezre való szűkítésével a sor elsődleges helye a Ceph-be kerül, ahol jobban szabályozhatja az I/O művelet prioritását. Tekintsük a következő példát:
echo 8 > /sys/block/sda/queue/nr_requestsKÖZÖS
És még néhány kernel-beállítás, hogy az autó puhává és selymessé váljon, és egy kicsit nagyobb teljesítményt préseljen ki a hardverből
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. Merülés a CEPH-ban
Beállítások, amelyekkel részletesebben szeretnék foglalkozni:
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: 4A 12.2.12-es verzióban minőségbiztosítási szempontból tesztelt paraméterek némelyike hiányzik a ceph 12.2.2-es verziójából, például osd_recovery_threads. Ezért a tervek tartalmazták a gyártás frissítését a 12.2.12-re. A gyakorlat azt mutatja, hogy a 12.2.2 és 12.2.12 verziók kompatibilisek egy fürtben, amely lehetővé teszi a folyamatos frissítéseket.
Tesztcsoport
Természetesen a teszteléshez ugyanaz a verzió kellett, mint a csatában, de amikor elkezdtem dolgozni a klaszterrel, csak az újabb volt elérhető a tárban. Megnézve, amit a minor verzióban észre lehet venni, az nem túl nagy (1393 vonalak a konfigurációkban ellen 1436 az új verzióban), úgy döntöttünk, hogy elkezdjük az új tesztelését (mindegy frissítés, miért megy a régi szeméttel)
Az egyetlen dolog, amit megpróbáltunk a régi verzió mögött hagyni, az a csomag ceph-deploy mivel a közművek egy részét (és az alkalmazottak egy részét) annak szintaxisára szabták. Az új verzió egészen más volt, de magának a fürtnek a működését nem befolyásolta, és a verzióban maradt 1.5.39
Mivel a ceph-disk parancs egyértelműen azt mondja, hogy elavult, és használjuk a ceph-volume parancsot, kedveseim, ezzel a paranccsal kezdtük el az OSD-k készítését anélkül, hogy időt pazarolnánk az elavultakra.
A terv az volt, hogy két SSD-meghajtó tükrét hozzunk létre, amelyen OSD-naplókat helyezünk el, amelyek viszont az orsó SAS-okon találhatók. Így megvédhetjük magunkat az adatproblémáktól, ha a naplót tartalmazó lemez leesik.
Elkezdtük a klaszter létrehozását a dokumentáció szerint
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-qAz első dolog, amibe belebotlottam, amikor a ceph-deploy ezen verziójával dolgoztam a fürt 12.2.12-es verziójával, egy hiba volt, amikor egy szoftveres raid során egy OSD-t próbáltam létrehozni a db segítségével -
root@ceph01-qa:~#ceph-volume lvm create --bluestore --data /dev/sde --block.db /dev/md0
blkid could not detect a PARTUUID for device: /dev/md1Valóban, úgy tűnik, hogy a blkid nem PARTUUID, ezért manuálisan kellett partíciókat létrehoznom:
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; doneÚgy tűnik, minden készen áll, megpróbáljuk újra létrehozni az OSD-t, és a következő hibaüzenetet kapjuk (ami egyébként a csatában nem reprodukálódott)
amikor bluestore típusú OSD-t hoz létre a WAL elérési útjának megadása nélkül, de megadja a db-ot
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 argumenSőt, ha ugyanazon a tükörön (vagy egy másik tetszőleges helyen) létrehozol egy másik partíciót a WAL számára és megadod az OSD létrehozásakor, akkor minden simán megy (kivéve egy különálló WAL megjelenését, amit nem biztos, hogy szerettem volna).
De mivel még a távoli tervek között szerepelt a WAL NVMe-be való áthelyezése, a gyakorlat nem bizonyult feleslegesnek.
root@ceph01-qa:~#ceph-volume lvm create --bluestore --data /dev/sdf --block.wal /dev/md0p2 --block.db /dev/md1p2Létrehozott monitorok, menedzserek és OSD. Most másképp szeretném őket csoportosítani, mert különböző típusú lemezeket tervezek - gyors készleteket SSD-n és nagy, de lassú készleteket a SAS palacsintákon.
Tegyük fel, hogy a szerverek 20 lemezzel rendelkeznek, az első tíz egy, a második egy másik típusú.
A kezdeti, alapértelmezett kártya így néz ki:
ceph osd fa
root@ceph01-q:~# ceph osd fa
AZONOSÍTÓ OSZTÁLY SÚLY TÍPUS NÉV ÁLLAPOT REWEIGHT PRI-AFF
-1 14.54799 gyökér alapértelmezett
-3 9.09200 host ceph01-q
0 ssd 1.00000 osd.0 fel 1.00000 1.00000
1 ssd 1.00000 osd.1 fel 1.00000 1.00000
2 ssd 1.00000 osd.2 fel 1.00000 1.00000
3 ssd 1.00000 osd.3 fel 1.00000 1.00000
4 hdd 1.00000 osd.4 fel 1.00000 1.00000
5 hdd 0.27299 osd.5 fel 1.00000 1.00000
6 hdd 0.27299 osd.6 fel 1.00000 1.00000
7 hdd 0.27299 osd.7 fel 1.00000 1.00000
8 hdd 0.27299 osd.8 fel 1.00000 1.00000
9 hdd 0.27299 osd.9 fel 1.00000 1.00000
10 hdd 0.27299 osd.10 fel 1.00000 1.00000
11 hdd 0.27299 osd.11 fel 1.00000 1.00000
12 hdd 0.27299 osd.12 fel 1.00000 1.00000
13 hdd 0.27299 osd.13 fel 1.00000 1.00000
14 hdd 0.27299 osd.14 fel 1.00000 1.00000
15 hdd 0.27299 osd.15 fel 1.00000 1.00000
16 hdd 0.27299 osd.16 fel 1.00000 1.00000
17 hdd 0.27299 osd.17 fel 1.00000 1.00000
18 hdd 0.27299 osd.18 fel 1.00000 1.00000
19 hdd 0.27299 osd.19 fel 1.00000 1.00000
-5 5.45599 host ceph02-q
20 ssd 0.27299 osd.20 fel 1.00000 1.00000
21 ssd 0.27299 osd.21 fel 1.00000 1.00000
22 ssd 0.27299 osd.22 fel 1.00000 1.00000
23 ssd 0.27299 osd.23 fel 1.00000 1.00000
24 hdd 0.27299 osd.24 fel 1.00000 1.00000
25 hdd 0.27299 osd.25 fel 1.00000 1.00000
26 hdd 0.27299 osd.26 fel 1.00000 1.00000
27 hdd 0.27299 osd.27 fel 1.00000 1.00000
28 hdd 0.27299 osd.28 fel 1.00000 1.00000
29 hdd 0.27299 osd.29 fel 1.00000 1.00000
30 hdd 0.27299 osd.30 fel 1.00000 1.00000
31 hdd 0.27299 osd.31 fel 1.00000 1.00000
32 hdd 0.27299 osd.32 fel 1.00000 1.00000
33 hdd 0.27299 osd.33 fel 1.00000 1.00000
34 hdd 0.27299 osd.34 fel 1.00000 1.00000
35 hdd 0.27299 osd.35 fel 1.00000 1.00000
36 hdd 0.27299 osd.36 fel 1.00000 1.00000
37 hdd 0.27299 osd.37 fel 1.00000 1.00000
38 hdd 0.27299 osd.38 fel 1.00000 1.00000
39 hdd 0.27299 osd.39 fel 1.00000 1.00000
-7 6.08690 host ceph03-q
40 ssd 0.27299 osd.40 fel 1.00000 1.00000
41 ssd 0.27299 osd.41 fel 1.00000 1.00000
42 ssd 0.27299 osd.42 fel 1.00000 1.00000
43 ssd 0.27299 osd.43 fel 1.00000 1.00000
44 hdd 0.27299 osd.44 fel 1.00000 1.00000
45 hdd 0.27299 osd.45 fel 1.00000 1.00000
46 hdd 0.27299 osd.46 fel 1.00000 1.00000
47 hdd 0.27299 osd.47 fel 1.00000 1.00000
48 hdd 0.27299 osd.48 fel 1.00000 1.00000
49 hdd 0.27299 osd.49 fel 1.00000 1.00000
50 hdd 0.27299 osd.50 fel 1.00000 1.00000
51 hdd 0.27299 osd.51 fel 1.00000 1.00000
52 hdd 0.27299 osd.52 fel 1.00000 1.00000
53 hdd 0.27299 osd.53 fel 1.00000 1.00000
54 hdd 0.27299 osd.54 fel 1.00000 1.00000
55 hdd 0.27299 osd.55 fel 1.00000 1.00000
56 hdd 0.27299 osd.56 fel 1.00000 1.00000
57 hdd 0.27299 osd.57 fel 1.00000 1.00000
58 hdd 0.27299 osd.58 fel 1.00000 1.00000
59 hdd 0.89999 osd.59 fel 1.00000 1.00000
Hozzuk létre saját virtuális állványainkat és szervereinket blackjack-kel és egyéb dolgokkal:
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 rack01A problémák, amelyekkel találkoztunk harc fürt, amikor megpróbál létrehozni egy új gazdagépet és áthelyezni egy meglévő rack - parancsot ceph osd összetörni mozog ceph01-host root=rack01 megdermedt, és a monitorok sorra zuhanni kezdtek. A parancs megszakítása egy egyszerű CTRL+C billentyűkombinációval visszaadta a klasztert az élők világába.
A keresés ezt a problémát mutatta:
A megoldás a crushmap kidobása és a szakasz eltávolítása onnan bizonyult szabály replikált_szabálykészlet
root@ceph01-prod:~#ceph osd getcrushmap -o crushmap.row #Дампим карту в сыром виде
root@ceph01-prod:~#crushtool -d crushmap.row -o crushmap.txt #переводим в читаемый
root@ceph01-prod:~#vim crushmap.txt #редактируем, удаляя rule replicated_ruleset
root@ceph01-prod:~#crushtool -c crushmap.txt -o new_crushmap.row #компилируем обратно
root@ceph01-prod:~#ceph osd setcrushmap -i new_crushmap.row #загружаем в кластерAchtung: Ez a művelet az OSD-k közötti elhelyezési csoport újraegyensúlyozását okozhatja. Ez okozta ezt nekünk, de nagyon keveset.
És az a furcsa dolog, amivel a tesztfürtben találkoztunk, az az volt, hogy az OSD-szerver újraindítása után elfelejtették, hogy új szerverekre és rackekre helyezték át őket, és visszatértek a root alapértelmezetthez.
Ennek eredményeként, miután összeállítottuk a végső sémát, amelyben külön gyökeret hoztunk létre az ssd-meghajtóknak és egy külön az orsó-meghajtóknak, az összes OSD-t rack-be vittük, és egyszerűen töröltük az alapértelmezett gyökeret. Az újraindítás után az OSD kezdett a helyén maradni.
Miután később átástuk a dokumentációt, találtunk egy paramétert, amely felelős ezért a viselkedésért. Róla a második részben
Hogyan készítettünk lemeztípusonként különböző csoportokat.
Először két gyökeret hoztunk létre - az ssd és a hdd számára
root@ceph01-q:~#ceph osd crush add-bucket ssd-root root
root@ceph01-q:~#ceph osd crush add-bucket hdd-root rootMivel a szerverek fizikailag különböző rackekben helyezkednek el, a kényelem kedvéért rackeket hoztunk létre szerverekkel.
# 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 hostés a lemezeket típusuk szerint szétosztották különböző szerverekre
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 серверамиMiután szétszórtuk a lemezeket az ssd-root és a hdd-root útvonalak között, a root-default üresen hagytuk, így törölhetjük
root-ceph01-q:~#ceph osd crush remove defaultEzután létre kell hoznunk terjesztési szabályokat, amelyeket a létrehozandó készletekhez fogunk kötni - a szabályokban jelezzük, hogy mely gyökerek helyezhetik el a készlet adatait és a replika egyediségének szintjét - például a replikáknak különböző szervereken kell lenniük, vagy különböző állványokban (akár különböző gyökerekben is, ha van ilyen elosztásunk)
A típus kiválasztása előtt jobb, ha elolvassa a dokumentációt:
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 firstnNos, készleteket hozunk létre, amelyekben a jövőben a virtualizációnk lemezképeit szeretnénk tárolni - 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 1024És megmondjuk ezeknek a készleteknek, hogy milyen elhelyezési szabályokat használjanak
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
Az elhelyezési csoportok számának megválasztását a klaszterre vonatkozó előzetes elképzelések alapján kell megközelíteni - körülbelül hány OSD lesz ott, mekkora adatmennyiség (a teljes mennyiség százalékában) lesz a készletben, mi a a teljes adatmennyiség.
Összességében tanácsos, hogy ne legyen több mint 300 elhelyezési csoport a lemezen, és könnyebb lesz egyensúlyozni kis elhelyezési csoportokkal - vagyis ha a teljes készleted 10 Tb-t foglal el és 10 PG van benne -, akkor az egyensúlyozás terabájt téglák (pg) kidobása problémás lesz - öntsön homokot kis méretű homokszemekkel a vödrökbe könnyebben és egyenletesebben).
De emlékeznünk kell arra, hogy minél több a PG-k száma, annál több erőforrást fordítanak a helyük kiszámítására - a memória és a CPU használatba vehető.
A durva megértés lehet , amelyet a CEPH dokumentáció fejlesztői biztosítottak.
Anyagok listája:
Forrás: will.com