CEPH-ის შერჩევა. Ნაწილი 1

ჩვენ გვქონდა ხუთი თარო, ათი ოპტიკური გადამრთველი, კონფიგურირებული BGP, რამდენიმე ათეული SSD და ყველა ფერისა და ზომის SAS დისკი, ასევე proxmox და სურვილი, რომ ყველა სტატიკური მონაცემი ჩაგვეყენებინა ჩვენს საკუთარ S3 საცავში. ეს ყველაფერი არ არის საჭირო ვირტუალიზაციისთვის, მაგრამ როგორც კი დაიწყებთ ღია წყაროს გამოყენებას, შემდეგ მიჰყევით თქვენს ჰობის ბოლომდე. ერთადერთი, რაც მაწუხებდა, იყო BGP. მსოფლიოში არავინ არის უფრო უმწეო, უპასუხისმგებლო და ამორალური, ვიდრე შიდა BGP მარშრუტიზაცია. და ვიცოდი, რომ მალე ჩავყვინთავდით მასში.

ამოცანა ტრივიალური იყო - იყო CEPH, მაგრამ ის არც ისე კარგად მუშაობდა. საჭირო იყო "სიკეთის" გაკეთება.
კლასტერი, რომელიც მივიღე, იყო ჰეტეროგენული, ნაჩქარევად მორგებული და პრაქტიკულად არ იყო მორგებული. იგი შედგებოდა სხვადასხვა კვანძების ორი ჯგუფისგან, ერთი საერთო ბადით, რომელიც მოქმედებს როგორც კლასტერი, ასევე საჯარო ქსელი. კვანძები ივსებოდა ოთხი ტიპის დისკებით - ორი ტიპის SSD, შეგროვებული ორ ცალკე განლაგების წესებში და ორი ტიპის HDD სხვადასხვა ზომის, შეგროვებული მესამე ჯგუფში. სხვადასხვა ზომის პრობლემა მოგვარდა სხვადასხვა OSD წონით.

თავად კონფიგურაცია დაყოფილია ორ ნაწილად - ოპერაციული სისტემის დარეგულირება и თავად CEPH-ის tuning და მისი პარამეტრები.

OS-ის განახლება

ქსელი

მაღალი შეყოვნება იმოქმედა როგორც ჩაწერაზე, ასევე დაბალანსებაზე. ჩაწერისას - იმიტომ, რომ კლიენტი ვერ მიიღებს პასუხს წარმატებული ჩაწერის შესახებ, სანამ სხვა განლაგების ჯგუფებში მონაცემების ასლები არ დაადასტურებენ წარმატებას. ვინაიდან CRUSH რუკაზე ასლების განაწილების წესები იყო თითო რეპლიკა თითო ჰოსტზე, ქსელი ყოველთვის გამოიყენებოდა.

ამიტომ, პირველი, რაც გადავწყვიტე, იყო ოდნავ შემესწორებინა მიმდინარე ქსელი, ამავდროულად ცდილობდა დამერწმუნებინა ცალკე ქსელებში გადასვლა.

დასაწყისისთვის, მე შევცვალე ქსელის ბარათების პარამეტრები. დავიწყე რიგების დაყენებით:

რა მოხდა:

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

ჩანს, რომ მიმდინარე პარამეტრები შორს არის მაქსიმუმებისგან. გაიზარდა:

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

ხელმძღვანელობს შესანიშნავი სტატიით

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

გაიზარდა გაგზავნის რიგის სიგრძე txqueuelen 1000-დან 10-მდე

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

კარგად, თავად კეფის დოკუმენტაციის შემდეგ

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

გაიზარდა MTU დან 9000.

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

დამატებულია /etc/network/ინტერფეისებში ისე, რომ ყველა ზემოთ ჩამოთვლილი ჩაიტვირთება გაშვებისას

კატა / ა.შ. / ქსელი / ინტერფეისი

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

რის შემდეგაც, იმავე სტატიის შემდეგ, დავიწყე 4.15 ბირთვის სახელურების გააზრებულად გადახვევა. იმის გათვალისწინებით, რომ კვანძებს აქვთ 128 გ ოპერატიული მეხსიერება, ჩვენ მივიღეთ კონფიგურაციის ფაილი sysctl

კატა /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)

Сბრწყინვალე ქსელი გამოყოფილი იყო ცალკე 10 გბ/წმ ქსელის ინტერფეისებზე ცალკე ბრტყელ ქსელში. თითოეული მანქანა აღჭურვილი იყო ორმაგი პორტიანი ქსელის ბარათებით მელანოქსი 10/25 გბიტი/წმ, ჩართული ორ ცალკეულ 10 გბ/წმ გადამრთველში. აგრეგაცია განხორციელდა OSPF-ის გამოყენებით, ვინაიდან lacp-თან შეკავშირება რატომღაც აჩვენებდა მაქსიმუმ 16 გბ/წმ გამტარუნარიანობას, ხოლო ospf წარმატებით გამოიყენებდა ორივე ათეულს თითოეულ მანქანაზე. სამომავლო გეგმები იყო ROCE-ის გამოყენება ამ მელანოქსებზე ლატენტურობის შესამცირებლად. როგორ დავაყენოთ ქსელის ეს ნაწილი:

1. ვინაიდან თავად მანქანებს აქვთ გარე IP მისამართები BGP-ზე, ჩვენ გვჭირდება პროგრამული უზრუნველყოფა - (უფრო ზუსტად, ამ სტატიის დაწერის დროს იყო frr=6.0-1 ) უკვე იდგა.
2. საერთო ჯამში, მანქანებს ჰქონდათ ორი ქსელური ინტერფეისი, თითოეულს ორი ინტერფეისი - სულ 4 პორტი. ერთი ქსელის ბარათი უყურებდა ქარხანას ორი პორტით და მასზე იყო კონფიგურირებული BGP, მეორე კი უყურებდა ორ სხვადასხვა გადამრთველს ორი პორტით და მასზე იყო დაყენებული OSPF.

დამატებითი დეტალები OSPF-ის დაყენების შესახებ: მთავარი ამოცანაა ორი ბმულის გაერთიანება და შეცდომების ტოლერანტობის არსებობა.
ორი ქსელის ინტერფეისი კონფიგურირებულია ორ მარტივ ბრტყელ ქსელად - 10.10.10.0/24 და 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

რომლითაც მანქანები ერთმანეთს ხედავენ.

დისკი

შემდეგი ნაბიჯი იყო დისკების ოპტიმიზაცია. SSD-სთვის მე შევცვალე გრაფიკი არაHDD-სთვის - ბოლო ვადა. უხეშად რომ ვთქვათ, NOOP მუშაობს "პირველი შემოსული, პირველი გამოსვლის" პრინციპზე, რომელიც ინგლისურად ჟღერს როგორც "FIFO (First In, First Out)." მოთხოვნები ჩამოსვლისას რიგში დგება. DEADLINE უფრო წაკითხვაზეა ორიენტირებული, გარდა ამისა, რიგის პროცესი იღებს თითქმის ექსკლუზიურ წვდომას დისკზე ოპერაციის დროს. ეს შესანიშნავია ჩვენი სისტემისთვის - ბოლოს და ბოლოს, მხოლოდ ერთი პროცესი მუშაობს თითოეულ დისკზე - OSD დემონი.
(მათ, ვისაც სურს ჩაყვინთვის I/O დაგეგმარში, ამის შესახებ წაიკითხეთ აქ:
http://www.admin-magazine.com/HPC/Articles/Linux-I-O-Schedulers

ვისაც რუსულად კითხვა ურჩევნია: https://www.opennet.ru/base/sys/linux_shedulers.txt.html)

Linux-ის დარეგულირების რეკომენდაციებში ასევე რეკომენდებულია nr_request-ის გაზრდა

nr_ითხოვს
nr_requests-ის მნიშვნელობა განსაზღვრავს I/O მოთხოვნების რაოდენობას, რომლებიც ბუფერდება მანამ, სანამ I/O დამგეგმავი გაგზავნის/მიიღებს მონაცემებს ბლოკის მოწყობილობაზე, თუ იყენებთ RAID ბარათს/ბლოკ მოწყობილობას, რომელსაც შეუძლია გაუმკლავდეს უფრო დიდ რიგს, ვიდრე I. /O დამგეგმავი დაყენებულია, nr_requests-ის მნიშვნელობის ამაღლებამ შეიძლება ხელი შეუწყოს გაუმჯობესებას და შეამციროს სერვერის დატვირთვა, როდესაც სერვერზე დიდი რაოდენობით I/O ხდება. თუ თქვენ იყენებთ Deadline-ს ან CFQ-ს, როგორც განრიგს, გირჩევთ დააყენოთ nr_request მნიშვნელობა რიგის სიღრმის მნიშვნელობაზე 2-ჯერ.

მაგრამ! თავად მოქალაქეები, CEPH-ის დეველოპერები გვარწმუნებენ, რომ მათი პრიორიტეტების სისტემა უკეთ მუშაობს

WBThrottle და/ან nr_მოთხოვნები

WBThrottle და/ან nr_მოთხოვნები
ფაილის შენახვა იყენებს ბუფერულ I/O-ს ჩასაწერად; ეს მოაქვს უამრავ სარგებელს, თუ ფაილის შენახვის ჟურნალი უფრო სწრაფ მედიაზეა. კლიენტის მოთხოვნები ეცნობება, როგორც კი მონაცემები ჩაიწერება ჟურნალში, და შემდეგ ირეცხება თავად მონაცემთა დისკზე მოგვიანებით, Linux-ის სტანდარტული ფუნქციონირების გამოყენებით. ეს შესაძლებელს ხდის spindle OSD-ებს უზრუნველყოს ჩაწერის შეყოვნება SSD-ების მსგავსი, როდესაც წერს მცირე ადიდებულმა ნაწილს. ეს დაგვიანებული ჩაწერა ასევე საშუალებას აძლევს ბირთვს თავად მოახდინოს დისკის I/O მოთხოვნების რეორგანიზაცია, იმ იმედით, რომ ან გაერთიანდება ისინი ან მისცემს საშუალებას არსებულ დისკის თავებს აირჩიონ უფრო ოპტიმალური გზა თავიანთ ფირფიტებზე. წმინდა ეფექტი არის ის, რომ თქვენ შეგიძლიათ ამოიღოთ ოდნავ მეტი I/O თითოეული დისკიდან, ვიდრე ეს შესაძლებელი იქნებოდა პირდაპირი ან სინქრონული I/O-ით.

თუმცა, გარკვეული პრობლემა წარმოიქმნება, თუ მოცემულ Ceph კლასტერში შემომავალი ჩანაწერების მოცულობა აღემატება ძირითადი დისკების ყველა შესაძლებლობას. ამ სცენარში, მომლოდინე I/O ოპერაციების მთლიანი რაოდენობა, რომლებიც ელოდება დისკზე ჩაწერას, შეიძლება უკონტროლოდ გაიზარდოს და გამოიწვიოს I/O რიგები, რომელიც ავსებს მთელ დისკს და Ceph რიგებს. წაკითხვის მოთხოვნები განსაკუთრებით იმოქმედებს, რადგან ისინი ჩერდებიან ჩაწერის მოთხოვნებს შორის, რასაც შეიძლება რამდენიმე წამი დასჭირდეს პირველად დისკზე ჩასმას.

ამ პრობლემის გადასაჭრელად, Ceph-ს აქვს ჩასმული ჩაწერის მექანიზმი ფაილების საცავში, სახელწოდებით WBThrottle. იგი შექმნილია იმისთვის, რომ შეზღუდოს ზარმაცი ჩაწერის I/O-ის საერთო რაოდენობა, რომელსაც შეუძლია რიგის დგომა და მისი გამრეცხვის პროცესის დაწყება უფრო ადრე, ვიდრე ბუნებრივად მოხდება ბირთვის მიერ ჩართვის გამო. სამწუხაროდ, ტესტირება აჩვენებს, რომ ნაგულისხმევი მნიშვნელობები შეიძლება მაინც არ შეამცირონ არსებული ქცევა იმ დონემდე, რომ შეამციროს ეს გავლენა წაკითხვის შეყოვნებაზე. კორექტივებს შეუძლია შეცვალოს ეს ქცევა და შეამციროს ჩაწერის რიგის მთლიანი სიგრძე და ეს გავლენა ნაკლებად მძიმე გახადოს. თუმცა, არსებობს კომპრომისი: რიგზე დასაშვები ჩანაწერების საერთო მაქსიმალური რაოდენობის შემცირებით, თქვენ შეგიძლიათ შეამციროთ თავად ბირთვის შესაძლებლობა, მაქსიმალურად გაზარდოს მისი ეფექტურობა შემომავალი მოთხოვნების შეკვეთისას. ღირს ცოტათი იფიქროთ იმაზე, თუ რა გჭირდებათ მეტი თქვენი კონკრეტული გამოყენების შემთხვევისთვის, სამუშაო დატვირთვისთვის და მორგება მათ შესაფერისად.

ჩაწერის-ჩამოწერის რიგის სიღრმის გასაკონტროლებლად, შეგიძლიათ შეამციროთ გამოჩენილი I/O ოპერაციების საერთო მაქსიმალური რაოდენობა WBThrottle-ის პარამეტრების გამოყენებით, ან შეგიძლიათ შეამციროთ გამოჩენილი ოპერაციების მაქსიმალური მნიშვნელობა თქვენი ბირთვის ბლოკის დონეზე. ორივეს შეუძლია ეფექტურად გააკონტროლოს ერთი და იგივე ქცევა და თქვენი პრეფერენციები იქნება ამ პარამეტრის განხორციელების საფუძველი.
ასევე უნდა აღინიშნოს, რომ Ceph-ის ოპერაციის პრიორიტეტული სისტემა უფრო ეფექტურია დისკის დონეზე მოკლე მოთხოვნებისთვის. მოცემულ დისკზე მთლიანი რიგის შემცირებით, რიგის ძირითადი მდებარეობა გადადის Ceph-ზე, სადაც მას მეტი კონტროლი აქვს იმაზე, თუ რა პრიორიტეტი აქვს I/O ოპერაციას. განვიხილოთ შემდეგი მაგალითი:

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

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

COMMON

და კიდევ რამდენიმე ბირთვის შესწორება, რათა თქვენი მანქანა გახადოთ რბილი და აბრეშუმისებრი და გამოაკლოთ ცოტა მეტი შესრულება აპარატურისგან

კატა /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. 

ჩაძირვა CEPH-ში

პარამეტრები, რომლებზეც მსურს უფრო დეტალურად ვისაუბრო:

კატა /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

ზოგიერთი პარამეტრი, რომელიც ტესტირებული იყო QA-სთვის 12.2.12 ვერსიაზე, არ არსებობს ceph ვერსია 12.2.2-ში, მაგალითად. osd_recovery_threads. ამიტომ, გეგმები მოიცავდა პროდუქციის განახლებას 12.2.12. პრაქტიკამ აჩვენა თავსებადობა 12.2.2 და 12.2.12 ვერსიებს შორის ერთ კლასტერში, რაც საშუალებას იძლევა მოძრავი განახლებები.

სატესტო კლასტერი

ბუნებრივია, ტესტირებისთვის საჭირო იყო იგივე ვერსიის არსებობა, როგორც ბრძოლაში, მაგრამ იმ დროს, როცა კლასტერთან დავიწყე მუშაობა, საცავში მხოლოდ ახალი იყო ხელმისაწვდომი. ყურების შემდეგ, რაც შეგიძლიათ ნახოთ მცირე ვერსიაში, არ არის ძალიან დიდი (1393 ხაზები კონფიგურაციის წინააღმდეგ 1436 ახალ ვერსიაში), ჩვენ გადავწყვიტეთ დაგვეწყო ახლის ტესტირება (მაინც განახლება, რატომ წავიდეთ ძველ უსარგებლოებთან)

ერთადერთი, რაც ჩვენ ვცდილობდით ძველი ვერსიის უკან დატოვებას, არის პაკეტი ceph-განლაგება ვინაიდან ზოგიერთი კომუნალური პროგრამა (და ზოგიერთი თანამშრომელი) იყო მორგებული მის სინტაქსზე. ახალი ვერსია საკმაოდ განსხვავებული იყო, მაგრამ არ იმოქმედა თავად კლასტერის მუშაობაზე და ის დარჩა ვერსიაში 1.5.39

ვინაიდან ceph-disk ბრძანება ნათლად ამბობს, რომ ის მოძველებულია და გამოიყენეთ ceph-volume ბრძანება, ძვირფასო, ჩვენ დავიწყეთ OSD-ების შექმნა ამ ბრძანებით, მოძველებულებზე დროის დაკარგვის გარეშე.

გეგმა იყო ორი SSD დისკის სარკის შექმნა, რომელზედაც მოვათავსებთ OSD ჟურნალებს, რომლებიც, თავის მხრივ, განლაგებულია spindle SAS-ებზე. ამ გზით ჩვენ შეგვიძლია დავიცვათ თავი მონაცემების პრობლემებისგან, თუ ჟურნალის დისკი დაეცემა.

დავიწყეთ კლასტერის შექმნა დოკუმენტაციის მიხედვით

კატა /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

პირველი, რასაც წავაწყდი, როდესაც ვმუშაობდი ceph-deploy-ის ამ ვერსიასთან კლასტერული ვერსიით 12.2.12, იყო შეცდომა, როდესაც ვცდილობდი OSD-ის შექმნას db-ით პროგრამულ რეიდზე -

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

მართლაც, blkid არ არის PARTUUID, ამიტომ მე მომიწია ტიხრების ხელით შექმნა:

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

როგორც ჩანს, ყველაფერი მზად არის, ჩვენ კვლავ ვცდილობთ შევქმნათ OSD და მივიღოთ შემდეგი შეცდომა (რომელიც, სხვათა შორის, არ იყო რეპროდუცირებული ბრძოლაში)

bluestore ტიპის OSD-ის შექმნისას WAL-ის გზის მითითების გარეშე, მაგრამ db მითითებით

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

უფრო მეტიც, თუ იმავე სარკეზე (ან სხვა ადგილას, თქვენი არჩევანით) შექმნით სხვა დანაყოფს WAL-სთვის და მიუთითებთ მას OSD-ის შექმნისას, მაშინ ყველაფერი შეუფერხებლად წავა (გარდა ცალკე WAL-ის გარეგნობისა, რომელიც შეიძლება არ შეგეძლოთ. სურდა).

მაგრამ, რადგან ჯერ კიდევ შორეულ გეგმებში იყო WAL-ის NVMe-ზე გადატანა, პრაქტიკა არ აღმოჩნდა ზედმეტი.

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

შექმნილია მონიტორები, მენეჯერები და OSD. ახლა მინდა სხვანაირად დავაჯგუფო, რადგან ვგეგმავ სხვადასხვა ტიპის დისკები მქონდეს - სწრაფი აუზები SSD-ზე და დიდი, მაგრამ ნელი აუზები SAS ბლინებზე.

დავუშვათ, რომ სერვერებს აქვთ 20 დისკი, პირველი ათი ერთი ტიპისაა, მეორე კი სხვა.
საწყისი, ნაგულისხმევი, ბარათი ასე გამოიყურება:

ceph osd ხე

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

მოდით შევქმნათ ჩვენი საკუთარი ვირტუალური თაროები და სერვერები ბლექჯეკით და სხვა ნივთებით:

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

პრობლემები, რომლებიც შეგვხვდა საბრძოლო კლასტერი, როდესაც ცდილობთ შექმნათ ახალი ჰოსტი და გადაიტანოთ იგი არსებულ თაროზე - ბრძანება ceph osd crush move ceph01-host root=rack01 გაიყინა და მონიტორებმა სათითაოდ დაიწყეს დაცემა. ბრძანების შეწყვეტამ მარტივი CTRL+C-ით დააბრუნა კლასტერი ცოცხალთა სამყაროში.

ძიებამ აჩვენა ეს პრობლემა: https://tracker.ceph.com/issues/23386

გამოსავალი აღმოჩნდა კრაშმაპის გადაყრა და იქიდან მონაკვეთის ამოღება წესი 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

ახტუნგი: ამ ოპერაციამ შეიძლება გამოიწვიოს განლაგების ჯგუფის ხელახალი ბალანსი OSD-ებს შორის. ამან გამოიწვია ეს ჩვენთვის, მაგრამ ძალიან ცოტა.

და უცნაური რამ, რაც ჩვენ შეგვხვდა სატესტო კლასტერში, იყო ის, რომ OSD სერვერის გადატვირთვის შემდეგ, მათ დაავიწყდათ, რომ ისინი გადაიყვანეს ახალ სერვერებსა და თაროებზე და დაბრუნდნენ root ნაგულისხმევად.
შედეგად, საბოლოო სქემის აწყობის შემდეგ, რომელშიც ჩვენ შევქმენით ცალკე ფესვი ssd დისკებისთვის და ცალკე spindle დისკებისთვის, ჩვენ ყველა OSD ავიღეთ თაროებზე და უბრალოდ წავშალეთ ნაგულისხმევი ფესვი. გადატვირთვის შემდეგ, OSD-მ თავის ადგილზე დარჩენა დაიწყო.
მოგვიანებით დოკუმენტაციის გათხრების შემდეგ, აღმოვაჩინეთ პარამეტრი, რომელიც პასუხისმგებელია ამ ქცევაზე. მის შესახებ მეორე ნაწილში

როგორ შევქმენით სხვადასხვა ჯგუფი დისკის ტიპის მიხედვით.

დასაწყისისთვის, ჩვენ შევქმენით ორი ფესვი - ssd-სთვის და hdd-სთვის

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

ვინაიდან სერვერები ფიზიკურად განლაგებულია სხვადასხვა თაროებში, მოხერხებულობისთვის ჩვენ შევქმენით თაროები მათში სერვერებით.

# 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

და გაანაწილა დისკები მათი ტიპების მიხედვით სხვადასხვა სერვერებზე

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

ssd-root და hdd-root მარშრუტებს შორის დისკების გაფანტვის შემდეგ, ჩვენ დავტოვეთ root-default ცარიელი, ასე რომ ჩვენ შეგვიძლია მისი წაშლა.

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

შემდეგი, ჩვენ უნდა შევქმნათ განაწილების წესები, რომლებსაც დავაკავშირებთ შექმნილ აუზებს - წესებში ჩვენ აღვნიშნავთ, თუ რომელ ფესვებს შეუძლია დააყენოს ჩვენი აუზის მონაცემები და რეპლიკას უნიკალურობის დონე - მაგალითად, რეპლიკა უნდა იყოს სხვადასხვა სერვერზე, ან სხვადასხვა თაროებში (შეგიძლიათ სხვადასხვა ფესვებშიც კი, თუ ასეთი განაწილება გვაქვს)

ტიპის არჩევამდე, უმჯობესია წაიკითხოთ დოკუმენტაცია:
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

კარგად, ჩვენ ვქმნით აუზებს, რომლებშიც გვინდა მომავალში ჩვენი ვირტუალიზაციის დისკის სურათების შენახვა - 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

და ჩვენ ვეუბნებით ამ აუზებს, რა განლაგების წესები გამოიყენონ

 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

განლაგების ჯგუფების რაოდენობის არჩევას უნდა მივუდგეთ თქვენი კლასტერის წინასწარ არსებული ხედვით - დაახლოებით რამდენი OSD იქნება იქ, რა რაოდენობის მონაცემები (მთლიანი მოცულობის პროცენტულად) იქნება აუზში, რა არის მონაცემთა მთლიანი რაოდენობა.

საერთო ჯამში, მიზანშეწონილია დისკზე არ იყოს 300-ზე მეტი განლაგების ჯგუფი და უფრო ადვილი იქნება დაბალანსება მცირე განლაგების ჯგუფებთან - ანუ, თუ თქვენი მთელი აუზი იკავებს 10 ტბ-ს და აქვს 10 PG - მაშინ დაბალანსება. პრობლემური იქნება ტერაბაიტიანი აგურის (გვ) სროლა - ქვიშა მცირე ზომის ქვიშის მარცვლებით დაასხით ვედროებში უფრო ადვილად და თანაბრად).

მაგრამ უნდა გვახსოვდეს, რომ რაც უფრო მეტია PG-ების რაოდენობა, მით მეტი რესურსი იხარჯება მათი მდებარეობის გამოსათვლელად - მეხსიერების და CPU-ის გამოყენება იწყება.

უხეში გაგება შეიძლება მომეცი კალკულატორი, მოწოდებული CEPH დოკუმენტაციის შემქმნელების მიერ.

მასალების სია:

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/

წყარო: www.habr.com