Að velja CEPH. 1. hluti
Við vorum með fimm rekki, tíu optíska rofa, stillta BGP, nokkra tugi SSD diska og fullt af SAS diskum af öllum litum og stærðum, auk proxmox og löngun til að setja öll kyrrstöðugögn í okkar eigin S3 geymslu. Ekki það að allt þetta sé nauðsynlegt fyrir sýndarvæðingu, en þegar þú byrjar að nota opensource skaltu fylgja áhugamálinu þínu til enda. Það eina sem truflaði mig var BGP. Það er enginn í heiminum hjálparlausari, ábyrgðarlausari og siðlausari en innri BGP leið. Og ég vissi að fljótlega myndum við kafa ofan í það.
Verkefnið var léttvægt - það var CEPH, en það virkaði ekki mjög vel. Það var nauðsynlegt að gera "gott".
Klasinn sem ég fékk var misleitur, í flýti stilltur og nánast ekki stilltur. Það samanstóð af tveimur hópum mismunandi hnúta, þar sem eitt sameiginlegt rist virkaði bæði sem þyrping og almennt net. Hnútarnir voru fylltir með fjórum gerðum af diskum - tveimur gerðum af SSD, safnað í tvær aðskildar staðsetningarreglur, og tveimur gerðum af HDD af mismunandi stærðum, safnað í þriðja hópinn. Vandamálið með mismunandi stærðir var leyst með mismunandi OSD þyngd.
Uppsetningin sjálf skiptist í tvo hluta - stilling stýrikerfis и stilla CEPH sjálft og stillingar þess.
Uppfærsla OS
Net
Mikil leynd hafði áhrif á bæði upptöku og jafnvægi. Við upptöku - vegna þess að viðskiptavinurinn mun ekki fá svar um árangursríka upptöku fyrr en eftirlíkingar gagna í öðrum staðsetningarhópum staðfesta árangur. Þar sem reglurnar um dreifingu eftirmynda í CRUSH kortinu voru ein eftirmynd á hvern gestgjafa, var netið alltaf notað.
Þess vegna var það fyrsta sem ég ákvað að gera var að fínstilla núverandi netkerfi, en á sama tíma að reyna að sannfæra mig um að fara yfir í aðskilin net.
Til að byrja með lagfærði ég stillingar netkortanna. Ég byrjaði á því að setja upp biðraðir:
hvað gerðist:
ethool -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: 1Það má sjá að núverandi breytur eru langt frá hámarki. Aukin:
root@ceph01:~#ethtool -G ens1f0 rx 4096
root@ceph01:~#ethtool -G ens1f0 tx 4096
root@ceph01:~#ethtool -L ens1f0 combined 63Með frábærri grein að leiðarljósi
aukið lengd sendiröðarinnar txqueuelen frá 1000 til 10
root@ceph01:~#ip link set ens1f0 txqueuelen 10000Jæja, eftir skjölunum um ceph sjálfan
aukist MTU til 9000.
root@ceph01:~#ip link set dev ens1f0 mtu 9000Bætt við /etc/network/interfaces þannig að allt ofantalið er hlaðið við ræsingu
köttur / etc / net / tengi
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 9000Eftir það, í kjölfar sömu greinar, byrjaði ég hugsandi að snúa handföngum 4.15 kjarnans. Miðað við að hnútarnir eru með 128G vinnsluminni, enduðum við með stillingarskrá fyrir sysctl
köttur /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)Сljóma net var úthlutað á aðskildum 10Gbps netviðmótum í sérstakt flatt net. Hver vél var búin netkortum með tvöföldum tengi mellanox 10/25 Gbps, tengt við tvo aðskilda 10Gbps rofa. Söfnun var framkvæmd með OSPF, þar sem tenging við lacp sýndi af einhverjum ástæðum heildarafköst upp á 16 Gbps, á meðan ospf nýtti báða tugina á hverri vél með góðum árangri. Framtíðaráætlanir voru að nýta ROCE á þessum melanoxum til að draga úr leynd. Hvernig á að setja upp þennan hluta netkerfisins:
- Þar sem vélarnar sjálfar eru með ytri IP tölur á BGP þurfum við hugbúnað - (nánar tiltekið, þegar þessi grein var skrifuð var það ) stóð þegar.
- Alls voru vélarnar með tvö netviðmót, hvert með tveimur viðmótum - samtals 4 tengi. Eitt netkort skoðaði verksmiðjuna með tveimur tengjum og BGP var stillt á það, annað skoðaði tvo mismunandi rofa með tveimur tengjum og OSPF var stillt á það
Nánari upplýsingar um uppsetningu OSPF: Aðalverkefnið er að safna saman tveimur hlekkjum og hafa bilanaþol.
tvö netviðmót eru stillt í tvö einföld flat net - 10.10.10.0/24 og 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 ens1f1þar sem bílar sjá hver annan.
DISKI
Næsta skref var að fínstilla diskana. Fyrir SSD breytti ég tímaáætluninni í úff, fyrir HDD - Frestur. Til að setja það hreint út, þá virkar NOOP á meginreglunni um „fyrst inn, fyrst út,“ sem á ensku hljómar eins og „FIFO (First In, First Out).“ Beiðnir eru settar í biðröð þegar þær berast. DEADLINE er les-stilla, auk þess sem ferlið í biðröð fær nánast eingöngu aðgang að disknum þegar aðgerðin fer fram. Þetta er fullkomið fyrir kerfið okkar - þegar allt kemur til alls þá virkar aðeins eitt ferli með hverjum disk - OSD púkinn.
(Þeir sem vilja kafa inn í I/O tímaáætlunina geta lesið um það hér:
Þeir sem kjósa að lesa á rússnesku: )
Í ráðleggingum um að stilla Linux er einnig mælt með því að auka nr_request
nr_beiðnir
Gildi nr_requests ákvarðar magn I/O beiðna sem verða í biðminni áður en I/O tímaáætlun sendir / tekur á móti gögnum til blokkunarbúnaðarins, ef þú ert að nota RAID kort / Block Device sem getur séð um stærri biðröð en ég /O tímaáætlun er stillt á, að hækka gildi nr_requests getur hjálpað til við að bæta í gegn og draga úr álagi netþjóns þegar mikið magn af I/O kemur fram á þjóninum. Ef þú ert að nota Deadline eða CFQ sem tímaáætlun, er mælt með því að þú stillir nr_request gildið á 2 sinnum gildi biðraðardýptar.
EN! Borgararnir sjálfir, þróunaraðilar CEPH, sannfæra okkur um að forgangskerfi þeirra virki betur
WBTthrottle og/eða nr_requests
WBTthrottle og/eða nr_requests
Skráageymsla notar biðminni I/O til að skrifa; þetta hefur ýmsa kosti í för með sér ef skráageymsluskráin er á hraðari miðlum. Viðskiptavinabeiðnir eru látnar vita um leið og gögn eru skrifuð í notendaskrána og eru síðan skoluð á gagnadiskinn sjálfan síðar með því að nota staðlaða Linux virkni. Þetta gerir snælda OSD kleift að veita skrifleynd svipað og SSD þegar skrifað er í litlum hraða. Þessi seinkaða afturritun gerir kjarnanum sjálfum kleift að endurskipuleggja I/O beiðnir disksins, með von um annað hvort að sameina þær saman eða leyfa núverandi diskhausum að velja ákjósanlegri leið yfir diskana sína. Nettóáhrifin eru þau að þú getur kreist aðeins meira I/O út úr hverjum diski en hægt væri með beinu eða samstilltu I/O.
Hins vegar kemur upp ákveðinn vandi ef rúmmál komandi gagna í tiltekinn Ceph klasa fer yfir alla getu undirliggjandi diska. Í þessari atburðarás gæti heildarfjöldi I/O-aðgerða sem bíða eftir að verða skrifaðar á disk vaxið óstjórnlega og leitt til þess að I/O biðraðir fylla allan diskinn og Ceph biðraðir. Lesbeiðnir verða sérstaklega fyrir áhrifum vegna þess að þær festast á milli skrifabeiðna, sem getur tekið nokkrar sekúndur að renna á aðaldiskinn.
Til að vinna bug á þessu vandamáli er Ceph með inngjafarkerfi til að skrifa aftur inn í skráageymslu sem kallast WBThrottle. Það er hannað til að takmarka heildarmagn af lata skrifa I/O sem getur komið í biðröð og byrjað skolunarferli sitt fyrr en náttúrulega myndi eiga sér stað vegna þess að kjarnann sjálfur kveikir á því. Því miður sýna prófun að sjálfgefin gildi gætu samt ekki dregið úr núverandi hegðun niður á það stig sem getur dregið úr þessum áhrifum á lestrartíma. Leiðréttingar geta breytt þessari hegðun og dregið úr heildarlengd ritraðar og gert þessi áhrif minna alvarleg. Það er hins vegar skipting: með því að fækka heildarfjölda færslum sem leyfilegt er að setja í biðröð geturðu dregið úr getu kjarnans sjálfs til að hámarka skilvirkni hans við að panta komandi beiðnir. Það er þess virði að hugsa aðeins um hvað þú þarft meira fyrir þitt sérstaka notkunartilvik, vinnuálag og aðlaga að þeim.
Til að stjórna dýpt slíkrar skrifa-backlog biðröð, getur þú annað hvort minnkað heildarfjölda útistandandi I/O aðgerða með WBTthrottle stillingum, eða þú getur minnkað hámarksgildi fyrir framúrskarandi aðgerðir á blokkarstigi kjarnans sjálfs. Báðir geta í raun stjórnað sömu hegðun og óskir þínar verða grundvöllur þess að innleiða þessa stillingu.
Það skal líka tekið fram að forgangskerfi Ceph er skilvirkara fyrir styttri fyrirspurnir á diskstigi. Með því að minnka heildarröðina á tiltekinn disk færist aðal staðsetning biðröðarinnar til Ceph, þar sem hún hefur meiri stjórn á því hvaða forgang I/O aðgerðin hefur. Lítum á eftirfarandi dæmi:
echo 8 > /sys/block/sda/queue/nr_requestsSAMEIGINLEGT
Og nokkrar fleiri kjarnabreytingar til að gera bílinn þinn mjúkan og silkimjúkan og kreista aðeins meiri afköst út úr vélbúnaðinum
köttur /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. Sökkva í CEPH
Stillingar sem mig langar að staldra við nánar:
köttur /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: 4Sumar færibreytur sem voru prófaðar fyrir QA í útgáfu 12.2.12 vantar í ceph útgáfu 12.2.2, til dæmis osd_recovery_threads. Þess vegna innihéldu áætlanirnar uppfærslu á framleiðslu til 12.2.12. Æfingin hefur sýnt samhæfni milli útgáfur 12.2.2 og 12.2.12 í einum þyrping, sem gerir uppfærslur í gangi.
Prófþyrping
Til að prófa var náttúrulega nauðsynlegt að hafa sömu útgáfu og í bardaganum, en á þeim tíma sem ég byrjaði að vinna með þyrpinguna var aðeins sú nýrri til í geymslunni. Eftir að hafa skoðað er það sem þú getur greint í minni útgáfunni ekki mjög stórt (1393 línur í stillingum á móti 1436 í nýju útgáfunni), ákváðum við að byrja að prófa þá nýju (uppfæra samt, hvers vegna að fara með gamalt drasl)
Það eina sem við reyndum að skilja eftir gömlu útgáfuna er pakkinn ceph-deploy þar sem sumar veiturnar (og sumir starfsmannanna) voru sérsniðnar að setningafræði þess. Nýja útgáfan var talsvert öðruvísi, en hafði ekki áhrif á rekstur klasans sjálfs, og hún var skilin eftir í útgáfunni 1.5.39
Þar sem ceph-disk skipunin segir greinilega að hún sé úrelt og notið ceph-volume skipunina kæru vinir, þá byrjuðum við að búa til OSD með þessari skipun, án þess að eyða tíma í úreltar.
Ætlunin var að búa til spegil af tveimur SSD drifum sem við munum setja OSD logs á, sem aftur á móti eru staðsettir á snældu SAS. Þannig getum við varið okkur fyrir vandamálum með gögn ef diskurinn með lognum dettur.
Við byrjuðum að búa til klasa samkvæmt skjölunum
köttur /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-qÞað fyrsta sem ég rakst á þegar ég vann með þessa útgáfu af ceph-deploy með klasaútgáfu 12.2.12 var villa þegar reynt var að búa til OSD með db í hugbúnaðarárás -
root@ceph01-qa:~#ceph-volume lvm create --bluestore --data /dev/sde --block.db /dev/md0
blkid could not detect a PARTUUID for device: /dev/md1Reyndar virðist blkid ekki vera PARTUUID, svo ég þurfti að búa til skipting handvirkt:
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; doneAllt virðist vera tilbúið, við reynum að búa til OSD aftur og fá eftirfarandi villu (sem, við the vegur, var ekki afritað í bardaga)
þegar búið er til OSD af gerðinni bluestore án þess að tilgreina slóðina að WAL, en tilgreina db
root@ceph01-qa:~#ceph-volume lvm create --bluestore --data /dev/sde --block.db /dev/md0
stderr: 2019-04-12 10:39:27.211242 7eff461b6e00 -1 bluestore(/var/lib/ceph/osd/ceph-0/) _read_fsid unparsable uuid
stderr: 2019-04-12 10:39:27.213185 7eff461b6e00 -1 bdev(0x55824c273680 /var/lib/ceph/osd/ceph-0//block.wal) open open got: (22) Invalid argument
stderr: 2019-04-12 10:39:27.213201 7eff461b6e00 -1 bluestore(/var/lib/ceph/osd/ceph-0/) _open_db add block device(/var/lib/ceph/osd/ceph-0//block.wal) returned: (22) Invalid argument
stderr: 2019-04-12 10:39:27.999039 7eff461b6e00 -1 bluestore(/var/lib/ceph/osd/ceph-0/) mkfs failed, (22) Invalid argument
stderr: 2019-04-12 10:39:27.999057 7eff461b6e00 -1 OSD::mkfs: ObjectStore::mkfs failed with error (22) Invalid argument
stderr: 2019-04-12 10:39:27.999141 7eff461b6e00 -1 ** ERROR: error creating empty object store in /var/lib/ceph/osd/ceph-0/: (22) Invalid argumenÞar að auki, ef þú býrð til aðra skiptingu fyrir WAL á sama spegli (eða á öðrum stað að eigin vali) og tilgreinir það þegar þú býrð til OSD, þá mun allt ganga snurðulaust fyrir sig (nema útlitið á sérstakri WAL, sem þú getur ekki hefur viljað).
En þar sem það var enn í fjarlægum áætlunum að flytja WAL til NVMe reyndist æfingin ekki óþörf.
root@ceph01-qa:~#ceph-volume lvm create --bluestore --data /dev/sdf --block.wal /dev/md0p2 --block.db /dev/md1p2Búið til skjái, stjórnendur og OSD. Nú langar mig að flokka þá öðruvísi, því ég ætla að hafa mismunandi gerðir af diskum - hröðum laugum á SSD og stórum, en hægum laugum á SAS pönnukökur.
Gerum ráð fyrir að þjónarnir séu með 20 diska, fyrstu tíu eru ein tegund, seinni önnur.
Upphaflegt, sjálfgefið kort lítur svona út:
ceph osd tré
root@ceph01-q:~# ceph osd tré
Auðkenni FLOKKUR ÞYNGD TEGUND NAFN STATUS REWEIGHT PRI-AFF
-1 14.54799 rót sjálfgefið
-3 9.09200 gestgjafi ceph01-q
0 ssd 1.00000 osd.0 upp 1.00000 1.00000
1 ssd 1.00000 osd.1 upp 1.00000 1.00000
2 ssd 1.00000 osd.2 upp 1.00000 1.00000
3 ssd 1.00000 osd.3 upp 1.00000 1.00000
4 HDD 1.00000 osd.4 upp 1.00000 1.00000
5 HDD 0.27299 osd.5 upp 1.00000 1.00000
6 HDD 0.27299 osd.6 upp 1.00000 1.00000
7 HDD 0.27299 osd.7 upp 1.00000 1.00000
8 HDD 0.27299 osd.8 upp 1.00000 1.00000
9 HDD 0.27299 osd.9 upp 1.00000 1.00000
10 HDD 0.27299 osd.10 upp 1.00000 1.00000
11 HDD 0.27299 osd.11 upp 1.00000 1.00000
12 HDD 0.27299 osd.12 upp 1.00000 1.00000
13 HDD 0.27299 osd.13 upp 1.00000 1.00000
14 HDD 0.27299 osd.14 upp 1.00000 1.00000
15 HDD 0.27299 osd.15 upp 1.00000 1.00000
16 HDD 0.27299 osd.16 upp 1.00000 1.00000
17 HDD 0.27299 osd.17 upp 1.00000 1.00000
18 HDD 0.27299 osd.18 upp 1.00000 1.00000
19 HDD 0.27299 osd.19 upp 1.00000 1.00000
-5 5.45599 gestgjafi ceph02-q
20 ssd 0.27299 osd.20 upp 1.00000 1.00000
21 ssd 0.27299 osd.21 upp 1.00000 1.00000
22 ssd 0.27299 osd.22 upp 1.00000 1.00000
23 ssd 0.27299 osd.23 upp 1.00000 1.00000
24 HDD 0.27299 osd.24 upp 1.00000 1.00000
25 HDD 0.27299 osd.25 upp 1.00000 1.00000
26 HDD 0.27299 osd.26 upp 1.00000 1.00000
27 HDD 0.27299 osd.27 upp 1.00000 1.00000
28 HDD 0.27299 osd.28 upp 1.00000 1.00000
29 HDD 0.27299 osd.29 upp 1.00000 1.00000
30 HDD 0.27299 osd.30 upp 1.00000 1.00000
31 HDD 0.27299 osd.31 upp 1.00000 1.00000
32 HDD 0.27299 osd.32 upp 1.00000 1.00000
33 HDD 0.27299 osd.33 upp 1.00000 1.00000
34 HDD 0.27299 osd.34 upp 1.00000 1.00000
35 HDD 0.27299 osd.35 upp 1.00000 1.00000
36 HDD 0.27299 osd.36 upp 1.00000 1.00000
37 HDD 0.27299 osd.37 upp 1.00000 1.00000
38 HDD 0.27299 osd.38 upp 1.00000 1.00000
39 HDD 0.27299 osd.39 upp 1.00000 1.00000
-7 6.08690 gestgjafi ceph03-q
40 ssd 0.27299 osd.40 upp 1.00000 1.00000
41 ssd 0.27299 osd.41 upp 1.00000 1.00000
42 ssd 0.27299 osd.42 upp 1.00000 1.00000
43 ssd 0.27299 osd.43 upp 1.00000 1.00000
44 HDD 0.27299 osd.44 upp 1.00000 1.00000
45 HDD 0.27299 osd.45 upp 1.00000 1.00000
46 HDD 0.27299 osd.46 upp 1.00000 1.00000
47 HDD 0.27299 osd.47 upp 1.00000 1.00000
48 HDD 0.27299 osd.48 upp 1.00000 1.00000
49 HDD 0.27299 osd.49 upp 1.00000 1.00000
50 HDD 0.27299 osd.50 upp 1.00000 1.00000
51 HDD 0.27299 osd.51 upp 1.00000 1.00000
52 HDD 0.27299 osd.52 upp 1.00000 1.00000
53 HDD 0.27299 osd.53 upp 1.00000 1.00000
54 HDD 0.27299 osd.54 upp 1.00000 1.00000
55 HDD 0.27299 osd.55 upp 1.00000 1.00000
56 HDD 0.27299 osd.56 upp 1.00000 1.00000
57 HDD 0.27299 osd.57 upp 1.00000 1.00000
58 HDD 0.27299 osd.58 upp 1.00000 1.00000
59 HDD 0.89999 osd.59 upp 1.00000 1.00000
Við skulum búa til okkar eigin sýndarrekki og netþjóna með blackjack og öðru:
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 rack01Vandamálin sem við lentum í í bardaga þyrping, þegar reynt er að búa til nýjan hýsil og færa hann í núverandi rekki - skipun ceph osd crush move ceph01-host root=rack01 fraus og skjáirnir fóru að falla einn af öðrum. Að hætta við skipunina með einfaldri CTRL+C skilaði þyrpingunni aftur í heim hinna lifandi.
Leit sýndi þetta vandamál:
Lausnin reyndist vera að henda crushmap og fjarlægja kaflann þaðan regla endurtekið_reglusett
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 кластерAkhtung: Þessi aðgerð getur valdið endurjafnvægi staðsetningarhópsins á milli skjámynda. Það olli þessu fyrir okkur, en mjög lítið.
Og það undarlega sem við lentum í í prófunarklasanum var að eftir að hafa endurræst OSD netþjóninn gleymdu þeir að þeir hefðu verið færðir yfir á nýja netþjóna og rekki og farið aftur í sjálfgefið rót.
Þar af leiðandi, eftir að hafa sett saman lokaáætlunina þar sem við bjuggum til sérstaka rót fyrir ssd drif og sérstaka fyrir snælda drif, tókum við allar OSD í rekki og eyddum einfaldlega sjálfgefna rótinni. Eftir endurræsingu byrjaði OSD að vera áfram á sínum stað.
Eftir að hafa grafið í gegnum skjölin síðar fundum við færibreytu sem ber ábyrgð á þessari hegðun. Um hann í seinni hlutanum
Hvernig við gerðum mismunandi hópa eftir diskagerð.
Til að byrja með bjuggum við til tvær rætur - fyrir ssd og fyrir hdd
root@ceph01-q:~#ceph osd crush add-bucket ssd-root root
root@ceph01-q:~#ceph osd crush add-bucket hdd-root rootÞar sem netþjónarnir eru líkamlega staðsettir í mismunandi rekkum, til hægðarauka bjuggum við til rekki með netþjónum í þeim
# 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 hostog dreifði diskunum eftir gerðum þeirra á mismunandi netþjóna
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 серверамиEftir að hafa dreift diskunum á milli ssd-rótar- og hdd-rótarleiðanna, skildum við sjálfgefnu rótinni eftir tómt, svo við getum eytt því
root-ceph01-q:~#ceph osd crush remove defaultNæst þurfum við að búa til dreifingarreglur sem við munum binda við laugarnar sem verið er að búa til - í reglunum munum við gefa til kynna hvaða rætur geta sett laugargögnin okkar og hversu sérstöðu eftirlíkingarinnar er - til dæmis verða eftirlíkingar að vera á mismunandi netþjónum, eða í mismunandi rekkum (þú getur jafnvel í mismunandi rótum, ef við höfum slíka dreifingu)
Áður en þú velur tegund er betra að lesa skjölin:
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 firstnJæja, við búum til laugar þar sem við viljum geyma diskamyndir af sýndarvæðingu okkar í framtíðinni - 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 1024Og við segjum þessum laugum hvaða staðsetningarreglur eigi að nota
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
Nálgast verður val á fjölda staðsetningarhópa með fyrirliggjandi framtíðarsýn fyrir klasann þinn - um það bil hversu margar skjámyndir verða þar, hversu mikið gagnamagn (sem hlutfall af heildarmagni) verður í hópnum, hvað er heildarmagn gagna.
Alls er ráðlegt að hafa ekki fleiri en 300 staðsetningarhópa á disknum, og það verður auðveldara að halda jafnvægi með litlum staðsetningarhópum - það er að segja ef öll sundlaugin þín tekur 10 TB og hefur 10 PG í henni - þá jafnvægi með því að henda terabæta múrsteinum (bls) verður vandamál - hella sandi með litlum sandkornum í fötu auðveldara og jafnara).
En við verðum að muna að því fleiri sem PG eru, því meira fjármagn er varið í að reikna út staðsetningu þeirra - minni og örgjörvi byrjar að nýtast.
Grófur skilningur getur , veitt af hönnuðum CEPH skjala.
Listi yfir efni:
Heimild: www.habr.com