בחירת CEPH. חלק 1

היו לנו חמישה מתלים, עשרה מתגים אופטיים, BGP מוגדרים, כמה עשרות SSD וחבורה של דיסקי SAS בכל הצבעים והגדלים, כמו גם פרוקסמוקס והרצון להכניס את כל הנתונים הסטטיים לאחסון S3 שלנו. לא שכל זה נחוץ עבור וירטואליזציה, אבל ברגע שאתה מתחיל להשתמש ב-opensource, אז עקוב אחר התחביב שלך עד הסוף. הדבר היחיד שהפריע לי היה BGP. אין אדם יותר חסר אונים, חסר אחריות ולא מוסרי מאשר ניתוב BGP פנימי. וידעתי שדי בקרוב נצלול לתוכו.

המשימה הייתה טריוויאלית - היה CEPH, אבל זה לא עבד כל כך טוב. היה צורך לעשות "טוב".
האשכול שקיבלתי היה הטרוגני, מכוון בחופזה וכמעט לא מכוון. הוא הורכב משתי קבוצות של צמתים שונים, כאשר רשת משותפת אחת פעלה כאשכול וגם כרשת ציבורית. הצמתים מולאו בארבעה סוגי דיסקים - שני סוגים של SSD, שנאספו בשני כללי מיקום נפרדים, ושני סוגים של HDD בגדלים שונים, שנאספו בקבוצה שלישית. הבעיה בגדלים שונים נפתרה על ידי משקלי OSD שונים.

ההגדרה עצמה מחולקת לשני חלקים - כוונון מערכת ההפעלה и כוונון של CEPH עצמו וההגדרות שלו.

שדרוג מערכת ההפעלה

רשת

זמן אחזור גבוה השפיע הן על ההקלטה והן על האיזון. בעת הקלטה - כי הלקוח לא יקבל תגובה על הקלטה מוצלחת עד שהעתקי נתונים בקבוצות מיקום אחרות יאשרו הצלחה. מכיוון שהכללים להפצת העתקים במפת CRUSH היו העתק אחד לכל מארח, תמיד נעשה שימוש ברשת.

לכן, הדבר הראשון שהחלטתי לעשות הוא להתאים מעט את הרשת הנוכחית, ובו בזמן לנסות לשכנע אותי לעבור לרשתות נפרדות.

מלכתחילה, שיניתי את ההגדרות של כרטיסי הרשת. התחלתי בהגדרת תורים:

מה קרה:

ethtool -l ens1f1

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

ניתן לראות שהפרמטרים הנוכחיים רחוקים ממקסימום. מוּגדָל:

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

מונחה על ידי מאמר מצוין

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

הגדיל את אורך תור השליחה txqueuelen מ-1000 עד 10

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

ובכן, בעקבות התיעוד של ceph עצמו

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

מוּגדָל MTU עד 9000.

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

נוסף ל-/etc/network/interfaces כך שכל האמור לעיל נטען בעת ​​ההפעלה

חתול / וכו '/ רשת / ממשקים

root@ceph01:~# cat /etc/network/interfaces
auto lo
iface lo inet loopback

auto ens1f0
iface ens1f0 inet manual
post-up /sbin/ethtool -G ens1f0 rx 4096
post-up /sbin/ethtool -G ens1f0 tx 4096
post-up /sbin/ethtool -L ens1f0 combined 63
post-up /sbin/ip link set ens1f0  txqueuelen 10000
mtu 9000

auto ens1f1
iface ens1f1 inet manual
post-up /sbin/ethtool -G ens1f1 rx 4096
post-up /sbin/ethtool -G ens1f1 tx 4096
post-up /sbin/ethtool -L ens1f1 combined 63
post-up /sbin/ip link set ens1f1  txqueuelen 10000
mtu 9000

לאחר מכן, בעקבות אותו מאמר, התחלתי לסובב מהורהר את ידיות הגרעין של 4.15. בהתחשב בכך שלצמתים יש 128G RAM, בסופו של דבר קיבלנו קובץ תצורה עבור 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)

Сרשת ברק הוקצתה בממשקי רשת נפרדים של 10Gbps לרשת שטוחה נפרדת. כל מכונה הייתה מצוידת בכרטיסי רשת כפולים mellanox 10/25 Gbps, מחובר לשני מתגי 10Gbps נפרדים. אגרגציה בוצעה באמצעות OSPF, מאחר שהקשר עם lacp מסיבה כלשהי הראה תפוקה כוללת של מקסימום 16 Gbps, בעוד Ospf ניצל בהצלחה את שתי העשרות בכל מכונה. תוכניות עתידיות היו לנצל את ה-ROCE על המלנוקסים הללו כדי להפחית את זמן ההשהיה. כיצד להגדיר חלק זה של הרשת:

1. מכיוון שלמכונות עצמם יש כתובות IP חיצוניות ב-BGP, אנחנו צריכים תוכנה - (ליתר דיוק, בזמן כתיבת המאמר זה היה frr=6.0-1 ) כבר עמד.
2. בסך הכל, היו למכונות שני ממשקי רשת, כל אחד עם שני ממשקים - סה"כ 4 יציאות. כרטיס רשת אחד הסתכל על המפעל עם שתי יציאות ו-BGP הוגדר עליו, השני הסתכל על שני מתגים שונים עם שתי יציאות ו-OSPF הוגדר עליו

פרטים נוספים על הגדרת OSPF: המשימה העיקרית היא לצבור שני קישורים וסובלנות תקלות.
שני ממשקי רשת מוגדרים לשתי רשתות שטוחות פשוטות - 10.10.10.0/24 ו-10.10.20.0/24

1: ens1f0: <BROADCAST,MULTICAST,UP,LOWER_UP> mtu 9000 qdisc mq state UP group default qlen 1000
inet 10.10.10.2/24 brd 10.10.10.255 scope global ens1f0
2: ens1f1: <BROADCAST,MULTICAST,UP,LOWER_UP> mtu 9000 qdisc mq state UP group default qlen 1000
inet 10.10.20.2/24 brd 10.10.20.255 scope global ens1f1

לפיו מכוניות רואות זו את זו.

דִיסק

השלב הבא היה לייעל את הדיסקים. עבור SSD שיניתי את המתזמן ל נופ, עבור HDD - המועד אחרון. אם לומר זאת באופן בוטה, NOOP עובד על העיקרון של "first in, first out", אשר באנגלית נשמע כמו "FIFO (First In, First Out)." בקשות עומדות בתור כשהן מגיעות. DEADLINE מכוון יותר לקריאה, בנוסף התהליך בתור מקבל גישה כמעט בלעדית לדיסק בזמן הפעולה. זה מושלם עבור המערכת שלנו - אחרי הכל, רק תהליך אחד עובד עם כל דיסק - OSD daemon.
(מי שרוצה לצלול לתוך מתזמן ה-I/O יכול לקרוא על כך כאן:
http://www.admin-magazine.com/HPC/Articles/Linux-I-O-Schedulers

מי שמעדיף לקרוא ברוסית: https://www.opennet.ru/base/sys/linux_shedulers.txt.html)

בהמלצות לכוונון לינוקס, מומלץ גם להגדיל את nr_request

nr_requests
הערך של nr_requests קובע את כמות בקשות ה-I/O שמאוחסנות לפני שמתזמן ה-I/O שולח / מקבל נתונים להתקן החסימה, אם אתה משתמש בכרטיס RAID / התקן חסימה שיכול להתמודד עם תור גדול יותר מה-I מתזמן /O מוגדר, העלאת הערך של nr_requests עשויה לעזור לשפר ולצמצם את עומס השרת כאשר מתרחשות כמויות גדולות של I/O בשרת. אם אתה משתמש ב-Deadline או CFQ כמתזמן, מומלץ להגדיר את הערך nr_request לפי 2 מהערך של עומק התור.

אבל! האזרחים עצמם, מפתחי CEPH, משכנעים אותנו שמערכת העדיפויות שלהם עובדת טוב יותר

WBTthrottle ו/או nr_requests

WBTthrottle ו/או nr_requests
אחסון קבצים משתמש ב-I/O מאוחסן לכתיבה; זה מביא מספר יתרונות אם יומן אחסון הקבצים נמצא במדיה מהירה יותר. בקשות לקוח מקבלים הודעה ברגע שהנתונים נכתבים ביומן, ולאחר מכן נשטפות לדיסק הנתונים עצמו במועד מאוחר יותר באמצעות פונקציונליות סטנדרטית של לינוקס. זה מאפשר ל-OSDs בציר לספק זמן כתיבה בדומה ל-SSD בעת כתיבה בפרצים קטנים. כתיבה מושהית זו מאפשרת גם לקרנל עצמו לארגן מחדש את בקשות ה-I/O של הדיסק, בתקווה למזג אותן יחד או לאפשר לראשי הדיסקים הקיימים לבחור נתיב אופטימלי יותר על פני הפלטות שלהם. האפקט נטו הוא שאתה יכול לסחוט מעט יותר קלט/פלט מכל דיסק ממה שהיה אפשרי עם קלט/פלט ישיר או סינכרוני.

עם זאת, בעיה מסוימת מתעוררת אם נפח הרשומות הנכנסות לאשכול Ceph נתון עולה על כל היכולות של הדיסקים הבסיסיים. בתרחיש זה, המספר הכולל של פעולות I/O הממתינות לכתיבה לדיסק עלול לגדול ללא שליטה ולגרום לכך שתורי I/O ימלאו את כל הדיסק ואת תורי Ceph. בקשות קריאה מושפעות במיוחד מכיוון שהן נתקעות בין בקשות כתיבה, שיכולות להימשך מספר שניות עד שהן עוברות לדיסק הראשי.

כדי להתגבר על בעיה זו, ל-Ceph יש מנגנון מצערת כתיבה מובנה באחסון קבצים בשם WBTthrottle. הוא נועד להגביל את הכמות הכוללת של קלט/פלט כתיבה עצלן שיכול לעמוד בתור ולהתחיל את תהליך ההדחה שלו מוקדם יותר ממה שהיה מתרחש באופן טבעי עקב הפעלתו על ידי הקרנל עצמו. לרוע המזל, בדיקה מוכיחה שערכי ברירת המחדל עדיין לא יפחיתו את ההתנהגות הקיימת לרמה שיכולה להפחית את ההשפעה הזו על זמן האחזור לקריאה. התאמות יכולות לשנות התנהגות זו ולצמצם את אורך תור הכתיבה הכולל ולהפוך את ההשפעה הזו פחות חמורה. עם זאת, יש פשרה: על ידי צמצום המספר המרבי הכולל של כניסות המותר לתור, אתה יכול להפחית את היכולת של הקרנל עצמו למקסם את היעילות שלו בהזמנת בקשות נכנסות. כדאי לחשוב קצת על מה אתה צריך יותר עבור מקרה השימוש הספציפי שלך, עומסי עבודה והתאמה כדי להתאים להם.

כדי לשלוט בעומק של תור הצטברות כתיבה שכזה, אתה יכול להפחית את המספר המרבי הכולל של פעולות I/O יוצאות דופן באמצעות הגדרות WBTthrottle, או שאתה יכול להפחית את הערך המקסימלי עבור פעולות יוצאות דופן ברמת הבלוק של הליבה שלך. שניהם יכולים לשלוט ביעילות באותה התנהגות, וההעדפות שלך יהיו הבסיס ליישום הגדרה זו.
יש לציין גם שמערכת ה-Operation Priority של Ceph יעילה יותר עבור שאילתות קצרות יותר ברמת הדיסק. על ידי כיווץ התור הכולל לדיסק נתון, המיקום העיקרי של התור עובר ל-Ceph, שם יש לו יותר שליטה על העדיפות של פעולת ה-I/O. שקול את הדוגמה הבאה:

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

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

משותף

ועוד כמה שינויים בגרעין כדי להפוך את המכונית שלך לרכה ומשיי ולסחוט קצת יותר ביצועים מהחומרה

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. 

טבילה ב-CEPH

הגדרות שהייתי רוצה להתעכב עליהן ביתר פירוט:

cat /etc/ceph/ceph.conf

osd:
journal_aio: true               # Три параметра, включающие 
journal_block_align: true       # прямой i/o
journal_dio: true               # на журнал
journal_max_write_bytes: 1073714824 # Немного растянем максимальный размер
# разово записываемой операции в журнал
journal_max_write_entries: 10000    # Ну и количество одновременных записей
journal_queue_max_bytes: 10485760000 
journal_queue_max_ops: 50000
rocksdb_separate_wal_dir: true      # Решили делать отдельный wal                                                                            
# Даже попытались выбить под это дело                                                                                                                                                                                     
# NVMe
bluestore_block_db_create: true     # Ну и под журнал отдельное устройство
bluestore_block_db_size: '5368709120 #5G'
bluestore_block_wal_create: true
bluestore_block_wal_size: '1073741824   #1G' 
bluestore_cache_size_hdd: '3221225472   # 3G' 
# большой объем оперативы позволяет 
# хранить достаточно большие объемы
bluestore_cache_size_ssd: '9663676416   # 9G' 
keyring: /var/lib/ceph/osd/ceph-$id/keyring
osd_client_message_size_cap: '1073741824 #1G'
osd_disk_thread_ioprio_class: idle
osd_disk_thread_ioprio_priority: 7
osd_disk_threads: 2 # количество тредов у демона на один диск
osd_failsafe_full_ratio: 0.95
osd_heartbeat_grace: 5
osd_heartbeat_interval: 3
osd_map_dedup: true
osd_max_backfills: 2 # количество одновременных операций заполнения на один ОСД.
osd_max_write_size: 256
osd_mon_heartbeat_interval: 5
osd_op_threads: 16
osd_op_num_threads_per_shard: 1
osd_op_num_threads_per_shard_hdd: 2
osd_op_num_threads_per_shard_ssd: 2
osd_pool_default_min_size: 1     # Особенности жадности. Очень быстро стало
osd_pool_default_size: 2         # нехватать места, потому как временное                                                                                                                                                      
# решение приняли уменьшение количество 
# реплик данных
osd_recovery_delay_start: 10.000000
osd_recovery_max_active: 2
osd_recovery_max_chunk: 1048576
osd_recovery_max_single_start: 3
osd_recovery_op_priority: 1
osd_recovery_priority: 1            # параметр регулируем по необходимости на ходу
osd_recovery_sleep: 2
osd_scrub_chunk_max: 4

חלק מהפרמטרים שנבדקו עבור QA בגרסה 12.2.12 חסרים בגרסת ceph 12.2.2, למשל osd_recovery_threads. לפיכך כללו התוכניות עדכון על הייצור ליום 12.2.12. התרגול הראה תאימות בין גרסאות 12.2.2 ו-12.2.12 באשכול אחד, המאפשר עדכונים מתגלגלים.

אשכול בדיקה

באופן טבעי, לצורך הבדיקה היה צורך באותה גרסה כמו בקרב, אבל בזמן שהתחלתי לעבוד עם האשכול, רק החדשה יותר הייתה זמינה במאגר. לאחר שבדקתם, מה שניתן להבחין בגרסה המינורית אינו גדול במיוחד (1393 שורות בתצורות נגד 1436 בגרסה החדשה), החלטנו להתחיל לבדוק את הגרסה החדשה (לעדכן בכל מקרה, למה ללכת עם זבל ישן)

הדבר היחיד שניסינו להשאיר מאחור את הגרסה הישנה הוא החבילה ceph-deploy שכן חלק משירותי השירות (וחלק מהעובדים) הותאמו לתחביר שלו. הגרסה החדשה הייתה שונה למדי, אך לא השפיעה על פעולת האשכול עצמו, והיא נותרה בגרסה 1.5.39

מכיוון שהפקודה ceph-disk אומרת בבירור שהיא הוצאה משימוש והשתמשו בפקודה ceph-volume, יקרים, התחלנו ליצור OSDs עם הפקודה הזו, מבלי לבזבז זמן על מיושנים.

התכנון היה ליצור מראה של שני כונני SSD שעליהם נציב יומני OSD, שבתורם, ממוקמים על SAS ציר. כך נוכל להגן על עצמנו מבעיות בנתונים אם הדיסק עם היומן נופל.

התחלנו ליצור אשכול לפי התיעוד

cat /etc/ceph/ceph.conf

root@ceph01-qa:~# cat /etc/ceph/ceph.conf # положили заранее подготовленный конфиг
[client]
rbd_cache = true
rbd_cache_max_dirty = 50331648
rbd_cache_max_dirty_age = 2
rbd_cache_size = 67108864
rbd_cache_target_dirty = 33554432
rbd_cache_writethrough_until_flush = true
rbd_concurrent_management_ops = 10
rbd_default_format = 2
[global]
auth_client_required = cephx
auth_cluster_required = cephx
auth_service_required = cephx
cluster network = 10.10.10.0/24
debug_asok = 0/0
debug_auth = 0/0
debug_buffer = 0/0
debug_client = 0/0
debug_context = 0/0
debug_crush = 0/0
debug_filer = 0/0
debug_filestore = 0/0
debug_finisher = 0/0
debug_heartbeatmap = 0/0
debug_journal = 0/0
debug_journaler = 0/0
debug_lockdep = 0/0
debug_mon = 0/0
debug_monc = 0/0
debug_ms = 0/0
debug_objclass = 0/0
debug_objectcatcher = 0/0
debug_objecter = 0/0
debug_optracker = 0/0
debug_osd = 0/0
debug_paxos = 0/0
debug_perfcounter = 0/0
debug_rados = 0/0
debug_rbd = 0/0
debug_rgw = 0/0
debug_throttle = 0/0
debug_timer = 0/0
debug_tp = 0/0
fsid = d0000000d-4000-4b00-b00b-0123qwe123qwf9
mon_host = ceph01-q, ceph02-q, ceph03-q
mon_initial_members = ceph01-q, ceph02-q, ceph03-q
public network = 8.8.8.8/28 # адрес изменен, естественно ))
rgw_dns_name = s3-qa.mycompany.ru # и этот адрес измен
rgw_host = s3-qa.mycompany.ru # и этот тоже
[mon]
mon allow pool delete = true
mon_max_pg_per_osd = 300 # больше трехсот плейсмент групп
# на диск не решились
# хотя параметр, естественно, зависит от количества пулов,
# их размеров и количества OSD. Иметь мало но здоровых PG
# тоже не лучший выбор - страдает точность балансировки
mon_osd_backfillfull_ratio = 0.9
mon_osd_down_out_interval = 5
mon_osd_full_ratio = 0.95 # пока для SSD дисков местом для их
# журнала является тот-же девайс что и для ОСД
# решили что 5% от диска (который сам размером 1.2Tb)
#  должно вполне хватить, и коррелирует с параметром
# bluestore_block_db_size плюс вариативность на большие 
# плейсмент группы
mon_osd_nearfull_ratio = 0.9
mon_pg_warn_max_per_osd = 520
[osd]
bluestore_block_db_create = true
bluestore_block_db_size = 5368709120 #5G
bluestore_block_wal_create = true
bluestore_block_wal_size = 1073741824 #1G
bluestore_cache_size_hdd = 3221225472 # 3G
bluestore_cache_size_ssd = 9663676416 # 9G
journal_aio = true
journal_block_align = true
journal_dio = true
journal_max_write_bytes = 1073714824
journal_max_write_entries = 10000
journal_queue_max_bytes = 10485760000
journal_queue_max_ops = 50000
keyring = /var/lib/ceph/osd/ceph-$id/keyring
osd_client_message_size_cap = 1073741824 #1G
osd_disk_thread_ioprio_class = idle
osd_disk_thread_ioprio_priority = 7
osd_disk_threads = 2
osd_failsafe_full_ratio = 0.95
osd_heartbeat_grace = 5
osd_heartbeat_interval = 3
osd_map_dedup = true
osd_max_backfills = 4
osd_max_write_size = 256
osd_mon_heartbeat_interval = 5
osd_op_num_threads_per_shard = 1
osd_op_num_threads_per_shard_hdd = 2
osd_op_num_threads_per_shard_ssd = 2
osd_op_threads = 16
osd_pool_default_min_size = 1
osd_pool_default_size = 2
osd_recovery_delay_start = 10.0
osd_recovery_max_active = 1
osd_recovery_max_chunk = 1048576
osd_recovery_max_single_start = 3
osd_recovery_op_priority = 1
osd_recovery_priority = 1
osd_recovery_sleep = 2
osd_scrub_chunk_max = 4
osd_scrub_chunk_min = 2
osd_scrub_sleep = 0.1
rocksdb_separate_wal_dir = true

# создаем мониторы
root@ceph01-qa:~#ceph-deploy mon create ceph01-q
# генерируем ключи для аутентификации нод в кластере
root@ceph01-qa:~#ceph-deploy gatherkeys ceph01-q
# Это если поштучно. Если у нас несколько машин доступны - те, которые описаны в конфиге в секции 
# mon_initial_members = ceph01-q, ceph02-q, ceph03-q
# можно запустить эти две команды в виде одной
root@ceph01-qa:~#ceph-deploy mon create-initial
# Положим ключи в указанные в конфиге места
root@ceph01-qa:~#cat ceph.bootstrap-osd.keyring > /var/lib/ceph/bootstrap-osd/ceph.keyring 
root@ceph01-qa:~#cat ceph.bootstrap-mgr.keyring > /var/lib/ceph/bootstrap-mgr/ceph.keyring 
root@ceph01-qa:~#cat ceph.bootstrap-rgw.keyring > /var/lib/ceph/bootstrap-rgw/ceph.keyring
# создадим ключ для управления кластером
root@ceph01-qa:~#ceph-deploy admin ceph01-q
# и менеджер, плагинами управлять
root@ceph01-qa:~#ceph-deploy mgr create ceph01-q

הדבר הראשון שנתקלתי בו כשעבדתי עם גרסה זו של ceph-deploy עם גרסת אשכולות 12.2.12 היה שגיאה בעת ניסיון ליצור OSD עם db ב-Raid של תוכנה -

root@ceph01-qa:~#ceph-volume lvm create --bluestore --data /dev/sde --block.db /dev/md0
blkid could not detect a PARTUUID for device: /dev/md1

ואכן, נראה כי blkid אינו PARTUUID, אז הייתי צריך ליצור מחיצות באופן ידני:

root@ceph01-qa:~#parted /dev/md0 mklabel GPT 
# разделов будет много, 
# без GPT их создать не получится
# размер раздела мы указали в конфиге выше = bluestore_block_db_size: '5368709120 #5G'
# Дисков у меня 20 под OSD, руками создавать разделы лень
# потому сделал цикл
root@ceph01-qa:~#for i in {1..20}; do echo -e "nnnn+5Gnw" | fdisk /dev/md0; done

הכל נראה מוכן, אנחנו מנסים ליצור שוב את ה-OSD ולקבל את השגיאה הבאה (שאגב, לא שוחזרה בקרב)

בעת יצירת OSD מסוג bluestore מבלי לציין את הנתיב ל-WAL, אלא לציין 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 argumen

יתרה מכך, אם על אותה מראה (או במקום אחר, לבחירתך) תיצור מחיצה נוספת עבור WAL ותציין אותה בעת יצירת ה-OSD, אז הכל יעבור בצורה חלקה (פרט להופעה של WAL נפרד, שאולי לא רצה) .

אבל, מכיוון שעדיין היה בתוכניות הרחוקות להעביר את WAL ל-NVMe, התרגול לא התברר כמיותר.

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

יצר מוניטורים, מנהלים ו-OSD. עכשיו הייתי רוצה לקבץ אותם אחרת, כי אני מתכנן שיהיו לי סוגים שונים של דיסקים - בריכות מהירות על SSD ובריכות גדולות, אבל בריכות איטיות על פנקייק SAS.

נניח שלשרתים יש 20 דיסקים, העשרה הראשונים הם סוג אחד, השניים אחרים.
הכרטיס הראשוני, ברירת המחדל, נראה כך:

עץ ceph osd

root@ceph01-q:~# עץ ceph osd
ID CLASS WEIGHT TYPE שם סטטוס REWEIGHT PRI-AFF
-1 14.54799 ברירת מחדל שורש
-3 9.09200 מארח ceph01-q
0 ssd 1.00000 osd.0 למעלה 1.00000 1.00000
1 ssd 1.00000 osd.1 למעלה 1.00000 1.00000
2 ssd 1.00000 osd.2 למעלה 1.00000 1.00000
3 ssd 1.00000 osd.3 למעלה 1.00000 1.00000
4 HDD 1.00000 osd.4 למעלה 1.00000 1.00000
5 HDD 0.27299 osd.5 למעלה 1.00000 1.00000
6 HDD 0.27299 osd.6 למעלה 1.00000 1.00000
7 HDD 0.27299 osd.7 למעלה 1.00000 1.00000
8 HDD 0.27299 osd.8 למעלה 1.00000 1.00000
9 HDD 0.27299 osd.9 למעלה 1.00000 1.00000
10 HDD 0.27299 osd.10 למעלה 1.00000 1.00000
11 HDD 0.27299 osd.11 למעלה 1.00000 1.00000
12 HDD 0.27299 osd.12 למעלה 1.00000 1.00000
13 HDD 0.27299 osd.13 למעלה 1.00000 1.00000
14 HDD 0.27299 osd.14 למעלה 1.00000 1.00000
15 HDD 0.27299 osd.15 למעלה 1.00000 1.00000
16 HDD 0.27299 osd.16 למעלה 1.00000 1.00000
17 HDD 0.27299 osd.17 למעלה 1.00000 1.00000
18 HDD 0.27299 osd.18 למעלה 1.00000 1.00000
19 HDD 0.27299 osd.19 למעלה 1.00000 1.00000
-5 5.45599 מארח ceph02-q
20 ssd 0.27299 osd.20 למעלה 1.00000 1.00000
21 ssd 0.27299 osd.21 למעלה 1.00000 1.00000
22 ssd 0.27299 osd.22 למעלה 1.00000 1.00000
23 ssd 0.27299 osd.23 למעלה 1.00000 1.00000
24 HDD 0.27299 osd.24 למעלה 1.00000 1.00000
25 HDD 0.27299 osd.25 למעלה 1.00000 1.00000
26 HDD 0.27299 osd.26 למעלה 1.00000 1.00000
27 HDD 0.27299 osd.27 למעלה 1.00000 1.00000
28 HDD 0.27299 osd.28 למעלה 1.00000 1.00000
29 HDD 0.27299 osd.29 למעלה 1.00000 1.00000
30 HDD 0.27299 osd.30 למעלה 1.00000 1.00000
31 HDD 0.27299 osd.31 למעלה 1.00000 1.00000
32 HDD 0.27299 osd.32 למעלה 1.00000 1.00000
33 HDD 0.27299 osd.33 למעלה 1.00000 1.00000
34 HDD 0.27299 osd.34 למעלה 1.00000 1.00000
35 HDD 0.27299 osd.35 למעלה 1.00000 1.00000
36 HDD 0.27299 osd.36 למעלה 1.00000 1.00000
37 HDD 0.27299 osd.37 למעלה 1.00000 1.00000
38 HDD 0.27299 osd.38 למעלה 1.00000 1.00000
39 HDD 0.27299 osd.39 למעלה 1.00000 1.00000
-7 6.08690 מארח ceph03-q
40 ssd 0.27299 osd.40 למעלה 1.00000 1.00000
41 ssd 0.27299 osd.41 למעלה 1.00000 1.00000
42 ssd 0.27299 osd.42 למעלה 1.00000 1.00000
43 ssd 0.27299 osd.43 למעלה 1.00000 1.00000
44 HDD 0.27299 osd.44 למעלה 1.00000 1.00000
45 HDD 0.27299 osd.45 למעלה 1.00000 1.00000
46 HDD 0.27299 osd.46 למעלה 1.00000 1.00000
47 HDD 0.27299 osd.47 למעלה 1.00000 1.00000
48 HDD 0.27299 osd.48 למעלה 1.00000 1.00000
49 HDD 0.27299 osd.49 למעלה 1.00000 1.00000
50 HDD 0.27299 osd.50 למעלה 1.00000 1.00000
51 HDD 0.27299 osd.51 למעלה 1.00000 1.00000
52 HDD 0.27299 osd.52 למעלה 1.00000 1.00000
53 HDD 0.27299 osd.53 למעלה 1.00000 1.00000
54 HDD 0.27299 osd.54 למעלה 1.00000 1.00000
55 HDD 0.27299 osd.55 למעלה 1.00000 1.00000
56 HDD 0.27299 osd.56 למעלה 1.00000 1.00000
57 HDD 0.27299 osd.57 למעלה 1.00000 1.00000
58 HDD 0.27299 osd.58 למעלה 1.00000 1.00000
59 HDD 0.89999 osd.59 למעלה 1.00000 1.00000

בואו ניצור מתלים ושרתים וירטואליים משלנו עם בלאק ג'ק ודברים אחרים:

root@ceph01-q:~#ceph osd crush add-bucket rack01 root #создали новый root
root@ceph01-q:~#ceph osd crush add-bucket ceph01-q host #создали новый хост
root@ceph01-q:~#ceph osd crush move ceph01-q root=rack01 #переставили сервер в другую стойку
root@ceph01-q:~#osd crush add 28 1.0 host=ceph02-q # Добавили ОСД в сервер
# Если криво создали то можно удалить
root@ceph01-q:~# ceph osd crush remove osd.4
root@ceph01-q:~# ceph osd crush remove rack01

הבעיות שנתקלנו בהן לחימה cluster, כאשר מנסים ליצור מארח חדש ולהעביר אותו ל-rack קיים - פקודה ceph osd crush move ceph01-host root=rack01 קפא, והמוניטורים החלו ליפול בזה אחר זה. ביטול הפקודה באמצעות CTRL+C פשוט החזיר את האשכול לעולם החיים.

חיפוש הראה את הבעיה הזו: https://tracker.ceph.com/issues/23386

הפתרון התברר להיות לזרוק את crushmap ולהסיר את הקטע משם regel replicated_ruleset

root@ceph01-prod:~#ceph osd getcrushmap -o crushmap.row #Дампим карту в сыром виде
root@ceph01-prod:~#crushtool -d crushmap.row -o crushmap.txt #переводим в читаемый
root@ceph01-prod:~#vim  crushmap.txt #редактируем, удаляя rule replicated_ruleset
root@ceph01-prod:~#crushtool -c crushmap.txt  -o new_crushmap.row #компилируем обратно
root@ceph01-prod:~#ceph osd setcrushmap -i  new_crushmap.row #загружаем в кластер

Achtung: פעולה זו עלולה לגרום לאיזון מחדש של קבוצת המיקומים בין ה-OSDs. זה אמנם גרם לזה עבורנו, אבל מעט מאוד.

והדבר המוזר שנתקלנו באשכול הבדיקה היה שלאחר אתחול מחדש של שרת ה-OSD, הם שכחו שהם הועברו לשרתים ומתלים חדשים, וחזרו לברירת המחדל של השורש.
כתוצאה מכך, לאחר שהרכבנו את הסכימה הסופית שבה יצרנו שורש נפרד עבור כונני ssd ואחד נפרד עבור כונני ציר, לקחנו את כל ה-OSDs לתוך מתלים ופשוט מחקנו את שורש ברירת המחדל. לאחר האתחול מחדש, ה-OSD החל להישאר במקומו.
לאחר שחפרנו בתיעוד מאוחר יותר, מצאנו פרמטר שאחראי להתנהגות זו. עליו בחלק השני

איך יצרנו קבוצות שונות לפי סוג דיסק.

מלכתחילה יצרנו שני שורשים - עבור ssd ועבור hdd

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

מכיוון שהשרתים ממוקמים פיזית ב-racks שונים, מטעמי נוחות יצרנו מתלים עם שרתים בתוכם

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

וחילקו את הדיסקים לפי סוגיהם לשרתים שונים

root@ceph01-q:~# Диски с 0 по 3 это SSD, находятся в ceph01-q, ставим их в сервер 
root@ceph01-q:~#  ssd-ceph01-q
root@ceph01-q:~#ceph osd crush add 0 1 host=ssd-ceph01-q
root@ceph01-q:~#ceph osd crush add 1 1 host=ssd-ceph01-q
root@ceph01-q:~#ceph osd crush add 2 1 host=ssd-ceph01-q
root@ceph01-q:~#ceph osd crush add 3 1 host=ssd-ceph01-q
root-ceph01-q:~# аналогично с другими серверами

לאחר פיזור הדיסקים בין מסלולי ה-ssd-root ו-hdd-root, השארנו את ה-root-default ריק, כדי שנוכל למחוק אותו

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

לאחר מכן, עלינו ליצור כללי הפצה שנקשר למאגרים שנוצרים - בכללים נציין אילו שורשים יכולים לשים את נתוני המאגר שלנו ואת רמת הייחודיות של העתק - למשל, העתקים חייבים להיות בשרתים שונים, או במתלים שונים (אפשר אפילו בשורשים שונים, אם יש לנו חלוקה כזו)

לפני בחירת סוג, עדיף לקרוא את התיעוד:
http://docs.ceph.com/docs/jewel/rados/operations/crush-map/#crushmaprules

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

ובכן, אנו יוצרים מאגרים שבהם אנו רוצים לאחסן תמונות דיסק של הווירטואליזציה שלנו בעתיד - PROXMOX:

    root-ceph01-q:~# #ceph osd pool create {NAME} {pg_num}  {pgp_num}
root-ceph01-q:~# ceph osd pool create ssd_pool 1024 1024 
root-ceph01-q:~# ceph osd pool create hdd_pool 1024 1024

ואנחנו אומרים לבריכות האלה באילו כללי מיקום להשתמש

 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

יש לגשת לבחירת מספר קבוצות ההשמה עם חזון קיים מראש עבור האשכול שלך - בערך כמה OSDs יהיו שם, איזו כמות נתונים (כאחוז מהנפח הכולל) תהיה במאגר, מהי כמות הנתונים הכוללת.

בסך הכל רצוי לא להחזיק יותר מ-300 קבוצות מיקום על הדיסק, ויהיה קל יותר להתאזן עם קבוצות מיקום קטנות - כלומר, אם כל המאגר שלך תופס 10 TB ויש בו 10 PG - אז איזון על ידי זריקת לבני טרה-בייט (pg) יהיה בעייתי - שפכו חול עם גרגירי חול בגודל קטן לתוך דליים בצורה קלה ואחידה יותר).

אבל עלינו לזכור שככל שמספר ה-PGs גדול יותר, כך מושקעים יותר משאבים בחישוב מיקומם - הזיכרון וה-CPU מתחילים להיות מנוצלים.

הבנה גסה עשויה תן לי מחשבון, מסופק על ידי מפתחי התיעוד של CEPH.

רשימת חומרים:

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

מקור: www.habr.com