Selezionando CEPH. Parte 1
Avevamo cinque rack, dieci switch ottici, BGP configurato, un paio di dozzine di SSD e un mucchio di dischi SAS di tutti i colori e dimensioni, oltre a proxmox e il desiderio di inserire tutti i dati statici nel nostro storage S3. Non che tutto ciò sia necessario per la virtualizzazione, ma una volta che inizi a utilizzare opensource, segui il tuo hobby fino alla fine. L'unica cosa che mi dava fastidio era BGP. Non c'è nessuno al mondo più indifeso, irresponsabile e immorale del routing BGP interno. E sapevo che molto presto ci saremmo tuffati.
Il compito era banale: esisteva il CEPH, ma non funzionava molto bene. Era necessario fare il “bene”.
Il cluster che ho ricevuto era eterogeneo, sintonizzato frettolosamente e praticamente non sintonizzato. Consisteva in due gruppi di nodi diversi, con una griglia comune che fungeva sia da cluster che da rete pubblica. I nodi erano riempiti con quattro tipi di dischi: due tipi di SSD, raccolti in due regole di posizionamento separate, e due tipi di HDD di diverse dimensioni, raccolti in un terzo gruppo. Il problema con dimensioni diverse è stato risolto con pesi OSD diversi.
La configurazione stessa è divisa in due parti: ottimizzazione del sistema operativo и messa a punto del CEPH stesso e le sue impostazioni.
Aggiornamento del sistema operativo
Network NetPoulSafe
L'elevata latenza ha influito sia sulla registrazione che sul bilanciamento. Durante la registrazione, poiché il client non riceverà una risposta sull'avvenuta registrazione finché le repliche dei dati in altri gruppi di posizionamento non confermeranno l'avvenuta registrazione. Poiché le regole per la distribuzione delle repliche nella mappa CRUSH prevedevano una replica per host, veniva sempre utilizzata la rete.
Pertanto, la prima cosa che ho deciso di fare è stata modificare leggermente la rete attuale, cercando allo stesso tempo di convincermi a spostarmi su reti separate.
Per cominciare, ho modificato le impostazioni delle schede di rete. Ho iniziato impostando le code:
quello che è successo:
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: 1Si può vedere che i parametri attuali sono lontani dai massimi. È aumentato:
root@ceph01:~#ethtool -G ens1f0 rx 4096
root@ceph01:~#ethtool -G ens1f0 tx 4096
root@ceph01:~#ethtool -L ens1f0 combined 63Guidato da un ottimo articolo
aumentata la lunghezza della coda di invio txqueuelen da 1000 a 10
root@ceph01:~#ip link set ens1f0 txqueuelen 10000Ebbene, seguendo la documentazione di ceph stesso
aumento MTU a 9000.
root@ceph01:~#ip link set dev ens1f0 mtu 9000Aggiunto a /etc/network/interfaces in modo che tutto quanto sopra venga caricato all'avvio
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 9000Dopodiché, seguendo lo stesso articolo, ho iniziato a girare attentamente le maniglie del kernel 4.15. Considerando che i nodi hanno 128G RAM, ci siamo ritrovati con un file di configurazione per 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)Сrete di lucentezza è stato allocato su interfacce di rete separate da 10 Gbps in una rete flat separata. Ogni macchina era dotata di schede di rete a doppia porta Mellanox 10/25 Gbps, collegato a due switch separati da 10 Gbps. L'aggregazione è stata effettuata utilizzando OSPF, poiché il collegamento con lacp per qualche motivo ha mostrato un throughput totale massimo di 16 Gbps, mentre ospf ha utilizzato con successo entrambe le decine su ciascuna macchina. I piani futuri prevedevano di sfruttare il ROCE su questi melanox per ridurre la latenza. Come configurare questa parte della rete:
- Dato che le macchine stesse hanno indirizzi IP esterni su BGP, abbiamo bisogno del software - (più precisamente, al momento della stesura di questo articolo lo era ) era già in piedi.
- In totale le macchine avevano due interfacce di rete, ciascuna con due interfacce, per un totale di 4 porte. Una scheda di rete ha esaminato in fabbrica due porte e su di essa era configurato BGP, la seconda ha esaminato due diversi switch con due porte e su di essa era impostato OSPF
Maggiori dettagli sulla configurazione di OSPF: Il compito principale è aggregare due collegamenti e avere tolleranza agli errori.
due interfacce di rete sono configurate in due semplici reti flat: 10.10.10.0/24 e 10.10.20.0/24
1: ens1f0: <BROADCAST,MULTICAST,UP,LOWER_UP> mtu 9000 qdisc mq state UP group default qlen 1000
inet 10.10.10.2/24 brd 10.10.10.255 scope global ens1f0
2: ens1f1: <BROADCAST,MULTICAST,UP,LOWER_UP> mtu 9000 qdisc mq state UP group default qlen 1000
inet 10.10.20.2/24 brd 10.10.20.255 scope global ens1f1con cui le auto si vedono.
DISCO
Il passo successivo è stato ottimizzare i dischi. Per SSD ho cambiato lo scheduler in noop, per HDD - scadenza. Per dirla senza mezzi termini, NOOP funziona secondo il principio “first in, first out”, che in inglese suona come “FIFO (First In, First Out).” Le richieste vengono messe in coda man mano che arrivano. DEADLINE è più orientato alla lettura, inoltre il processo in coda ottiene l'accesso quasi esclusivo al disco al momento dell'operazione. Questo è perfetto per il nostro sistema: dopo tutto, con ciascun disco funziona solo un processo: il demone OSD.
(Chi vuole approfondire lo scheduler I/O può leggerlo qui:
Chi preferisce leggere in russo: )
Nei consigli per l'ottimizzazione di Linux, si consiglia anche di aumentare nr_request
nr_richieste
Il valore di nr_requests determina la quantità di richieste I/O che vengono memorizzate nel buffer prima che lo scheduler I/O invii/riceva dati al dispositivo a blocchi, se si utilizza una scheda RAID/dispositivo a blocchi in grado di gestire una coda più grande di quella dell'I /O scheduler è impostato su, l'aumento del valore di nr_requests può aiutare a migliorare e ridurre il carico del server quando si verificano grandi quantità di I/O sul server. Se si utilizza Deadline o CFQ come scheduler, si consiglia di impostare il valore nr_request su 2 volte il valore della profondità della coda.
MA! Sono i cittadini stessi, gli ideatori del CEPH, a convincerci che il loro sistema di priorità funziona meglio
WBThrottle e/o nr_requests
WBThrottle e/o nr_requests
L'archiviazione di file utilizza I/O bufferizzati per la scrittura; ciò comporta numerosi vantaggi se il registro di archiviazione dei file si trova su un supporto più veloce. Le richieste del client vengono notificate non appena i dati vengono scritti nel registro e vengono quindi scaricati sul disco dati stesso in un secondo momento utilizzando la funzionalità Linux standard. Ciò consente agli OSD del mandrino di fornire una latenza di scrittura simile agli SSD durante la scrittura in piccoli burst. Questa riscrittura ritardata consente inoltre al kernel stesso di riorganizzare le richieste I/O del disco, con la speranza di unirle insieme o di consentire alle testine del disco esistenti di scegliere un percorso più ottimale sui propri piatti. L'effetto finale è che è possibile spremere leggermente più I/O da ciascun disco di quanto sarebbe possibile con l'I/O diretto o sincrono.
Tuttavia, sorge un problema se il volume dei record in entrata in un determinato cluster Ceph supera tutte le capacità dei dischi sottostanti. In questo scenario, il numero totale di operazioni I/O in sospeso in attesa di essere scritte sul disco potrebbe aumentare in modo incontrollabile e far sì che le code I/O riempiano l'intero disco e le code Ceph. Le richieste di lettura sono particolarmente colpite perché rimangono bloccate tra le richieste di scrittura, che possono richiedere diversi secondi per essere scaricate sul disco primario.
Per superare questo problema, Ceph dispone di un meccanismo di limitazione del writeback integrato nell'archiviazione dei file chiamato WBThrottle. È progettato per limitare la quantità complessiva di I/O di scrittura pigra che può mettersi in coda e iniziare il processo di svuotamento prima di quanto accadrebbe naturalmente a causa dell'abilitazione da parte del kernel stesso. Sfortunatamente, i test dimostrano che i valori predefiniti potrebbero ancora non ridurre il comportamento esistente a un livello tale da ridurre questo impatto sulla latenza di lettura. Le modifiche possono modificare questo comportamento e ridurre la lunghezza complessiva della coda di scrittura e rendere questo impatto meno grave. Esiste tuttavia un compromesso: riducendo il numero massimo complessivo di voci che è possibile mettere in coda, è possibile ridurre la capacità del kernel stesso di massimizzare la propria efficienza nell'ordinare le richieste in entrata. Vale la pena pensare un po' a ciò di cui hai più bisogno per il tuo caso d'uso specifico, i carichi di lavoro e adattarti ad essi.
Per controllare la profondità di tale coda di backlog di scrittura, puoi ridurre il numero massimo complessivo di operazioni I/O in sospeso utilizzando le impostazioni WBThrottle oppure puoi ridurre il valore massimo per le operazioni in sospeso a livello di blocco del kernel stesso. Entrambi possono controllare efficacemente lo stesso comportamento e le tue preferenze costituiranno la base per implementare questa impostazione.
Va inoltre notato che il sistema di priorità operativa di Ceph è più efficiente per query più brevi a livello di disco. Riducendo la coda complessiva a un determinato disco, la posizione primaria della coda si sposta su Ceph, dove ha maggiore controllo sulla priorità dell'operazione di I/O. Considera il seguente esempio:
echo 8 > /sys/block/sda/queue/nr_requestsCOMUNI
E qualche altra modifica al kernel per rendere la tua auto morbida e setosa e spremere un po' più di prestazioni dall'hardware
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. Immersione nel CEPH
Impostazioni su cui vorrei soffermarmi più in dettaglio:
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: 4Alcuni dei parametri testati per il QA sulla versione 12.2.12 mancano, ad esempio, nella versione ceph 12.2.2 osd_recovery_threads. Pertanto i piani prevedevano un aggiornamento della produzione al 12.2.12. La pratica ha dimostrato la compatibilità tra le versioni 12.2.2 e 12.2.12 in un cluster, che consente aggiornamenti in sequenza.
Gruppo di prova
Naturalmente, per i test era necessario avere la stessa versione della battaglia, ma al momento in cui ho iniziato a lavorare con il cluster, nel repository era disponibile solo quella più recente. Dopo aver osservato, ciò che puoi distinguere nella versione minore non è molto grande (1393 righe nelle configurazioni contro 1436 nella nuova versione), abbiamo deciso di iniziare a testare quella nuova (aggiornandola comunque, perché andare con la vecchia spazzatura)
L'unica cosa che abbiamo cercato di lasciare indietro rispetto alla vecchia versione è il pacchetto ceph-deploy poiché alcune utilità (e alcuni dipendenti) sono state adattate alla sua sintassi. La nuova versione era abbastanza diversa, ma non influiva sul funzionamento del cluster stesso ed è stata lasciata nella versione 1.5.39
Poiché il comando ceph-disk dice chiaramente che è deprecato e utilizza il comando ceph-volume, miei cari, abbiamo iniziato a creare OSD con questo comando, senza perdere tempo con quelli obsoleti.
Il piano era quello di creare un mirror di due unità SSD su cui posizionare i registri OSD, che a loro volta si trovano sui SAS del mandrino. In questo modo possiamo proteggerci da problemi con i dati se il disco con il registro cade.
Abbiamo iniziato a creare un cluster in base alla documentazione
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-qLa prima cosa in cui mi sono imbattuto lavorando con questa versione di ceph-deploy con una versione cluster 12.2.12 è stato un errore durante il tentativo di creare un OSD con db su un raid software -
root@ceph01-qa:~#ceph-volume lvm create --bluestore --data /dev/sde --block.db /dev/md0
blkid could not detect a PARTUUID for device: /dev/md1In effetti, blkid non sembra essere PARTUUID, quindi ho dovuto creare manualmente le partizioni:
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; doneSembra che tutto sia pronto, proviamo a creare nuovamente l'OSD e riceviamo il seguente errore (che, tra l'altro, non è stato riprodotto in battaglia)
quando si crea un OSD di tipo bluestore senza specificare il percorso di WAL, ma specificando 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 argumenInoltre, se sullo stesso mirror (o in un altro posto, a tua scelta) crei un'altra partizione per WAL e la specifichi durante la creazione dell'OSD, tutto andrà liscio (tranne la comparsa di una WAL separata, che potresti non avere ho voluto).
Ma poiché il trasferimento di WAL su NVMe era ancora nei lontani piani, la pratica non si è rivelata superflua.
root@ceph01-qa:~#ceph-volume lvm create --bluestore --data /dev/sdf --block.wal /dev/md0p2 --block.db /dev/md1p2Creato monitor, gestori e OSD. Ora vorrei raggrupparli in modo diverso, perché prevedo di avere diversi tipi di dischi: pool veloci su SSD e pool grandi ma lenti su pancake SAS.
Supponiamo che i server abbiano 20 dischi, i primi dieci sono di un tipo, i secondi di un altro.
La carta iniziale, predefinita, si presenta così:
albero cefalo-osd
root@ceph01-q:~# albero ceph osd
ID CLASSE PESO TIPO NOME STATO RIPESO PRI-AFF
-1 14.54799 root predefinito
-3 9.09200 ospite ceph01-q
0 ssd 1.00000 osd.0 su 1.00000 1.00000
1 ssd 1.00000 osd.1 su 1.00000 1.00000
2 ssd 1.00000 osd.2 su 1.00000 1.00000
3 ssd 1.00000 osd.3 su 1.00000 1.00000
4 hdd 1.00000 osd.4 su 1.00000 1.00000
5 hdd 0.27299 osd.5 su 1.00000 1.00000
6 hdd 0.27299 osd.6 su 1.00000 1.00000
7 hdd 0.27299 osd.7 su 1.00000 1.00000
8 hdd 0.27299 osd.8 su 1.00000 1.00000
9 hdd 0.27299 osd.9 su 1.00000 1.00000
10 hdd 0.27299 osd.10 su 1.00000 1.00000
11 hdd 0.27299 osd.11 su 1.00000 1.00000
12 hdd 0.27299 osd.12 su 1.00000 1.00000
13 hdd 0.27299 osd.13 su 1.00000 1.00000
14 hdd 0.27299 osd.14 su 1.00000 1.00000
15 hdd 0.27299 osd.15 su 1.00000 1.00000
16 hdd 0.27299 osd.16 su 1.00000 1.00000
17 hdd 0.27299 osd.17 su 1.00000 1.00000
18 hdd 0.27299 osd.18 su 1.00000 1.00000
19 hdd 0.27299 osd.19 su 1.00000 1.00000
-5 5.45599 ospite ceph02-q
20 ssd 0.27299 osd.20 su 1.00000 1.00000
21 ssd 0.27299 osd.21 su 1.00000 1.00000
22 ssd 0.27299 osd.22 su 1.00000 1.00000
23 ssd 0.27299 osd.23 su 1.00000 1.00000
24 hdd 0.27299 osd.24 su 1.00000 1.00000
25 hdd 0.27299 osd.25 su 1.00000 1.00000
26 hdd 0.27299 osd.26 su 1.00000 1.00000
27 hdd 0.27299 osd.27 su 1.00000 1.00000
28 hdd 0.27299 osd.28 su 1.00000 1.00000
29 hdd 0.27299 osd.29 su 1.00000 1.00000
30 hdd 0.27299 osd.30 su 1.00000 1.00000
31 hdd 0.27299 osd.31 su 1.00000 1.00000
32 hdd 0.27299 osd.32 su 1.00000 1.00000
33 hdd 0.27299 osd.33 su 1.00000 1.00000
34 hdd 0.27299 osd.34 su 1.00000 1.00000
35 hdd 0.27299 osd.35 su 1.00000 1.00000
36 hdd 0.27299 osd.36 su 1.00000 1.00000
37 hdd 0.27299 osd.37 su 1.00000 1.00000
38 hdd 0.27299 osd.38 su 1.00000 1.00000
39 hdd 0.27299 osd.39 su 1.00000 1.00000
-7 6.08690 ospite ceph03-q
40 ssd 0.27299 osd.40 su 1.00000 1.00000
41 ssd 0.27299 osd.41 su 1.00000 1.00000
42 ssd 0.27299 osd.42 su 1.00000 1.00000
43 ssd 0.27299 osd.43 su 1.00000 1.00000
44 hdd 0.27299 osd.44 su 1.00000 1.00000
45 hdd 0.27299 osd.45 su 1.00000 1.00000
46 hdd 0.27299 osd.46 su 1.00000 1.00000
47 hdd 0.27299 osd.47 su 1.00000 1.00000
48 hdd 0.27299 osd.48 su 1.00000 1.00000
49 hdd 0.27299 osd.49 su 1.00000 1.00000
50 hdd 0.27299 osd.50 su 1.00000 1.00000
51 hdd 0.27299 osd.51 su 1.00000 1.00000
52 hdd 0.27299 osd.52 su 1.00000 1.00000
53 hdd 0.27299 osd.53 su 1.00000 1.00000
54 hdd 0.27299 osd.54 su 1.00000 1.00000
55 hdd 0.27299 osd.55 su 1.00000 1.00000
56 hdd 0.27299 osd.56 su 1.00000 1.00000
57 hdd 0.27299 osd.57 su 1.00000 1.00000
58 hdd 0.27299 osd.58 su 1.00000 1.00000
59 hdd 0.89999 osd.59 su 1.00000 1.00000
Creiamo i nostri rack e server virtuali con il blackjack e altre cose:
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 rack01I problemi che abbiamo riscontrato in combattere cluster, quando si tenta di creare un nuovo host e spostarlo su un rack esistente: comando ceph osd crush move ceph01-host root=rack01 si bloccò e i monitor iniziarono a cadere uno dopo l'altro. Interrompendo il comando con un semplice CTRL+C il cluster tornò nel mondo dei vivi.
Una ricerca ha mostrato questo problema:
La soluzione si è rivelata quella di scaricare crushmap e rimuovere la sezione da lì regola 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 кластерAchtung: Questa operazione potrebbe causare un ribilanciamento del gruppo di posizionamento tra gli OSD. Ci ha causato questo, ma molto poco.
E la cosa strana che abbiamo riscontrato nel cluster di test è che dopo aver riavviato il server OSD, si sono dimenticati di essere stati spostati su nuovi server e rack e sono tornati alle impostazioni di root predefinite.
Di conseguenza, dopo aver assemblato lo schema finale in cui abbiamo creato una root separata per le unità SSD e una separata per le unità mandrino, abbiamo inserito tutti gli OSD nei rack e abbiamo semplicemente eliminato la root predefinita. Dopo il riavvio, l'OSD ha iniziato a rimanere al suo posto.
Successivamente, dopo aver analizzato la documentazione, abbiamo trovato un parametro responsabile di questo comportamento. Su di lui nella seconda parte
Come abbiamo creato gruppi diversi per tipo di disco.
Per cominciare, abbiamo creato due radici: per SSD e per HDD
root@ceph01-q:~#ceph osd crush add-bucket ssd-root root
root@ceph01-q:~#ceph osd crush add-bucket hdd-root rootPoiché i server sono fisicamente posizionati in rack diversi, per comodità abbiamo creato dei rack con i server al loro interno
# 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 hoste distribuito i dischi in base al loro tipo su diversi server
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 серверамиDopo aver sparso i dischi tra i percorsi ssd-root e hdd-root, abbiamo lasciato vuoto root-default, in modo da poterlo eliminare
root-ceph01-q:~#ceph osd crush remove defaultSuccessivamente, dobbiamo creare regole di distribuzione che legheremo ai pool che verranno creati - nelle regole indicheremo quali radici possono inserire i dati del nostro pool e il livello di unicità della replica - ad esempio, le repliche devono trovarsi su server diversi, o in rack diversi (puoi anche in radici diverse, se abbiamo una tale distribuzione)
Prima di scegliere un tipo, è meglio leggere la documentazione:
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 firstnBene, creiamo pool in cui desideriamo archiviare le immagini disco della nostra virtualizzazione in futuro - PROXMOX:
root-ceph01-q:~# #ceph osd pool create {NAME} {pg_num} {pgp_num}
root-ceph01-q:~# ceph osd pool create ssd_pool 1024 1024
root-ceph01-q:~# ceph osd pool create hdd_pool 1024 1024E diciamo a questi pool quali regole di posizionamento utilizzare
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
La scelta del numero di gruppi di collocamento deve essere affrontata con una visione preesistente per il cluster: approssimativamente quanti OSD ci saranno, quale quantità di dati (come percentuale del volume totale) sarà nel pool, cosa è la quantità totale di dati.
In totale, è consigliabile non avere più di 300 gruppi di posizionamento sul disco, e sarà più facile bilanciare con piccoli gruppi di posizionamento - cioè se l'intero pool occupa 10 Tb e contiene 10 PG - quindi bilanciare lanciando mattoni da terabyte (pg) sarà problematico: versare la sabbia con granelli di sabbia di piccole dimensioni nei secchi più facilmente e in modo più uniforme).
Ma dobbiamo ricordare che maggiore è il numero di PG, maggiori risorse vengono spese per calcolare la loro posizione: memoria e CPU iniziano ad essere utilizzate.
Una comprensione approssimativa può , fornito dagli sviluppatori della documentazione CEPH.
Elenco dei materiali:
Fonte: habr.com