CEPH таңдау. 1 бөлім
Бізде бес тірек, он оптикалық қосқыш, конфигурацияланған BGP, бірнеше ондаған SSD және барлық түстер мен өлшемдегі SAS дискілері, сондай-ақ proxmox және барлық статикалық деректерді өз S3 жадымызға қою ниеті болды. Мұның бәрі виртуалдандыру үшін қажет емес, бірақ сіз ашық көзді пайдалануды бастағаннан кейін, хоббиіңізді соңына дейін орындаңыз. Мені алаңдатқан жалғыз нәрсе BGP болды. Әлемде ішкі BGP маршрутизациясынан гөрі дәрменсіз, жауапсыз және әдепсіз адам жоқ. Жақында біз оған енетінімізді білдім.
Тапсырма тривиальды болды - CEPH болды, бірақ ол жақсы жұмыс істемеді. «Жақсылық» жасау керек болды.
Мен алған кластер гетерогенді, асығыс бапталған және іс жүзінде реттелмеген. Ол кластер және жалпы желі ретінде әрекет ететін бір ортақ торы бар әртүрлі түйіндердің екі тобынан тұрды. Түйіндер дискілердің төрт түрімен толтырылды - екі бөлек орналастыру ережелерінде жиналған SSD екі түрі және үшінші топқа жиналған әртүрлі өлшемдегі HDD екі түрі. Әртүрлі өлшемдегі мәселе әртүрлі OSD салмақтары арқылы шешілді.
Орнату өзі екі бөлікке бөлінеді - операциялық жүйені баптау и CEPH өзін баптау және оның параметрлері.
ОЖ жаңартылуда
Желі
Жоғары кідіріс жазуға да, теңдестіруге де әсер етті. Жазу кезінде - себебі басқа орналастыру топтарындағы деректер көшірмелері сәтті расталмайынша, клиент сәтті жазу туралы жауап алмайды. CRUSH картасындағы көшірмелерді тарату ережелері әрбір хост үшін бір көшірме болғандықтан, желі әрқашан пайдаланылды.
Сондықтан мен бірінші кезекте ағымдағы желіні аздап өзгертуді шештім, сонымен бірге мені бөлек желілерге көшуге сендіруге тырыстым.
Бастау үшін мен желілік карталардың параметрлерін өзгерттім. Мен кезектерді орнатудан бастадым:
не болды:
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: 1Ағымдағы параметрлер максимумдардан алыс екенін көруге болады. Көбейтілген:
root@ceph01:~#ethtool -G ens1f0 rx 4096
root@ceph01:~#ethtool -G ens1f0 tx 4096
root@ceph01:~#ethtool -L ens1f0 combined 63Керемет мақаланы басшылыққа алады
жіберу кезегінің ұзақтығын арттырды txqueuelen 1000-нан 10 000-ға дейін
root@ceph01:~#ip link set ens1f0 txqueuelen 10000Ал, ceph құжаттамасынан кейін
өсті МТУ 9000 дейін.
root@ceph01:~#ip link set dev ens1f0 mtu 9000/etc/network/interfaces ішіне қосылды, осылайша жоғарыда аталғандардың барлығы іске қосылғанда жүктеледі.
cat / etc / network / интерфейстер
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 9000Осыдан кейін, сол мақаладан кейін мен 4.15 ядросының тұтқаларын мұқият бұра бастадым. Түйіндерде 128G жедел жады бар екенін ескере отырып, біз конфигурация файлын аяқтадық 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)Сжылтыр желі бөлек 10 Гбит/с желі интерфейстерінде жеке жалпақ желіге бөлінген. Әрбір машина қос портты желілік карталармен жабдықталған мелланокс 10/25 Гбит/с, екі бөлек 10 Гбит/с қосқышқа қосылған. Агрегация OSPF көмегімен жүзеге асырылды, өйткені lacp-пен байланысу қандай да бір себептермен максимум 16 Гбит/с жалпы өткізу қабілеттілігін көрсетті, ал ospf әр машинада екі ондықты сәтті пайдаланды. Болашақ жоспарлар кешіктіруді азайту үшін осы меланокстарда ROCE мүмкіндігін пайдалану болды. Желінің бұл бөлігін қалай орнатуға болады:
- Машиналардың өздері BGP-де сыртқы IP мекенжайлары болғандықтан, бізге бағдарламалық қамтамасыз ету қажет - (дәлірек айтқанда, осы мақаланы жазу кезінде бұл болды ) тұрды.
- Жалпы алғанда, машиналарда әрқайсысы екі интерфейсі бар екі желі интерфейсі болды - барлығы 4 порт. Бір желілік карта екі порты бар зауытты қарады және оған BGP конфигурацияланды, екіншісі екі порты бар екі түрлі қосқышты қарады және оған OSPF орнатылған.
OSPF орнату туралы қосымша мәліметтер: Негізгі тапсырма - екі сілтемені біріктіру және ақауларға төзімділік.
екі желілік интерфейс екі қарапайым тегіс желіге теңшелген - 10.10.10.0/24 және 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 ens1f1ол арқылы көліктер бір-бірін көреді.
ҚАУІП
Келесі қадам дискілерді оңтайландыру болды. SSD үшін мен жоспарлаушыны өзгерттім жоқ, HDD үшін - мерзімі. Ашығын айтқанда, NOOP «бірінші кірген, бірінші шыққан» принципі бойынша жұмыс істейді, бұл ағылшын тілінде «FIFO (бірінші кірген, бірінші шыққан)» сияқты естіледі. Өтініштер келген кезде кезекке тұрады. DEADLINE оқуға көбірек бағытталған, сонымен қатар кезекте тұрған процесс операция кезінде дискіге дерлік эксклюзивті қатынасты алады. Бұл біздің жүйеміз үшін өте қолайлы - әр дискімен тек бір процесс жұмыс істейді - OSD демоны.
(Енгізу/шығару жоспарлағышына енгісі келетіндер бұл туралы мына жерден оқи алады:
Орыс тілінде оқығанды қалайтындар: )
Linux баптау бойынша ұсыныстарда nr_request ұлғайту ұсынылады
nr_сұраулар
nr_requests мәні I/O жоспарлаушысы блоктау құрылғысына деректерді жіберместен/қабылданғанға дейін буферленетін енгізу/шығару сұрауларының санын анықтайды, егер сіз RAID картасын/блоктау құрылғысын пайдаланып жатсаңыз, ол I кезекпен салыстырғанда үлкенірек кезекті өңдей алады. /O жоспарлаушы параметріне орнатылған, nr_requests мәнін арттыру серверде енгізу/шығарудың үлкен көлемі орын алған кезде сервер жүктемесін жақсартуға және азайтуға көмектесуі мүмкін. Жоспарлаушы ретінде Deadline немесе CFQ қолдансаңыз, nr_request мәнін кезек тереңдігінің мәнінен 2 есе артық етіп орнату ұсынылады.
БІРАҚ! Азаматтардың өздері, CEPH әзірлеушілері олардың басымдықтар жүйесі жақсырақ жұмыс істейтініне бізді сендіреді
WBTrottle және/немесе nr_сұраулар
WBTrottle және/немесе nr_сұраулар
Файл қоймасы жазу үшін буферлі енгізу/шығаруды пайдаланады; бұл файлдарды сақтау журналы жылдамырақ тасымалдағышта болса, бірқатар артықшылықтар береді. Клиент сұраулары журналға деректер жазылған бойда хабарланады, содан кейін стандартты Linux функцияларын пайдаланып деректер дискінің өзіне кейінірек тазартылады. Бұл шпиндельді OSD дискілеріне шағын серпілістермен жазу кезінде SSD дискілеріне ұқсас жазу кідірісін қамтамасыз етуге мүмкіндік береді. Бұл кешіктірілген кері жазу ядроның өзіне дискінің енгізу/шығару сұрауларын қайта ұйымдастыруға мүмкіндік береді, оларды біріктіру немесе бар дискі бастарына олардың пластиналарында біршама оңтайлы жолды таңдауға мүмкіндік береді. Таза әсер мынада: әр дискіден тікелей немесе синхронды енгізу/шығару мүмкіндігінен сәл көбірек енгізу/шығару мүмкіндігін сығуға болады.
Алайда, егер берілген Ceph кластеріне кіріс жазбаларының көлемі негізгі дискілердің барлық мүмкіндіктерінен асып кетсе, белгілі бір мәселе туындайды. Бұл сценарийде дискіге жазылуды күтіп тұрған күтудегі енгізу/шығару операцияларының жалпы саны бақылаусыз өсуі мүмкін және енгізу/шығару кезегі бүкіл диск пен Цеф кезектерін толтыруы мүмкін. Оқу сұрауларына әсіресе әсер етеді, себебі олар жазу сұраулары арасында тұрып қалады, олардың негізгі дискіге қосылуы бірнеше секундқа созылуы мүмкін.
Бұл мәселені шешу үшін Ceph-те WBThrottle деп аталатын файл жадына енгізілген кері жазуды азайту механизмі бар. Ол кезекке тұруға және ядроның өзі іске қосуға байланысты тазалау процесін табиғи түрде ертерек бастауға болатын жалқау жазу енгізу/шығаруының жалпы көлемін шектеуге арналған. Өкінішке орай, тестілеу әдепкі мәндер әлі де бар әрекетті оқу кідірісіне осы әсерді азайтатын деңгейге дейін төмендете алмауы мүмкін екенін көрсетеді. Түзетулер бұл әрекетті өзгерте алады және жалпы жазу кезегі ұзындықтарын азайтады және бұл әсерді азырақ етеді. Дегенмен, айырбастау бар: кезекке қоюға рұқсат етілген жазбалардың жалпы максималды санын азайту арқылы кіріс сұрауларына тапсырыс берудегі оның тиімділігін арттыру үшін ядроның өзінің мүмкіндігін азайтуға болады. Нақты пайдалану жағдайы, жұмыс жүктемелері және оларға сәйкес реттеу үшін сізге көбірек не қажет екендігі туралы аздап ойлану керек.
Осындай артта жазу кезегінің тереңдігін басқару үшін WBThrottle параметрлерін пайдаланып, күтпеген енгізу/шығару әрекеттерінің жалпы максималды санын азайтуға болады немесе ядроның блок деңгейінде орындалмайтын операциялардың ең үлкен мәнін азайтуға болады. Екеуі де бірдей әрекетті тиімді басқара алады және сіздің қалауларыңыз осы параметрді енгізуге негіз болады.
Сондай-ақ, Ceph операциялық басымдық жүйесі диск деңгейіндегі қысқа сұраулар үшін тиімдірек екенін атап өткен жөн. Берілген дискіге жалпы кезекті қысқарту арқылы кезектің негізгі орны енгізу/шығару операциясының қандай басымдылыққа ие екендігін көбірек басқаратын Ceph-ке ауысады. Келесі мысалды қарастырыңыз:
echo 8 > /sys/block/sda/queue/nr_requestsКОММЕНТ
Көлігіңізді жұмсақ әрі жібектей ету және аппараттық құралдың өнімділігін азайту үшін тағы бірнеше ядро түзетуі
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. CEPH-ге батыру
Мен толығырақ тоқталғым келетін параметрлер:
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: 412.2.12 нұсқасында QA үшін сыналған кейбір параметрлер ceph 12.2.2 нұсқасында жоқ, мысалы osd_recovery_threads. Сондықтан жоспарлар 12.2.12 дейін өндірісті жаңартуды қамтыды. Тәжірибе бір кластерде 12.2.2 және 12.2.12 нұсқалары арасындағы үйлесімділікті көрсетті, бұл жылжымалы жаңартуларға мүмкіндік береді.
Сынақ кластері
Әрине, тестілеу үшін шайқастағыдай нұсқа болуы керек еді, бірақ мен кластермен жұмыс істей бастаған кезде репозиторийде тек жаңасы ғана қол жетімді болды. Қарап шыққаннан кейін, кіші нұсқада нені көруге болады, онша үлкен емес (1393 қарсы конфигурациялардағы жолдар 1436 жаңа нұсқада) біз жаңасын сынауды бастауды шештік (бәрібір жаңарту, неге ескі қоқыспен жүру керек)
Біз ескі нұсқаны қалдыруға тырысқан жалғыз нәрсе - пакет ceph-орналастыру өйткені кейбір утилиталар (және кейбір қызметкерлер) оның синтаксисіне бейімделген. Жаңа нұсқа мүлдем басқаша болды, бірақ кластердің жұмысына әсер етпеді және ол нұсқада қалды 1.5.39
Ceph-disk пәрмені оның ескіргенін анық айтқандықтан және ceph-volume пәрменін қолданыңыз, қымбаттылар, біз ескіргендерге уақытты жоғалтпай, осы пәрменмен OSD жасауды бастадық.
Жоспар екі SSD дискінің айнасын жасау болды, оған біз OSD журналдарын орналастырамыз, олар өз кезегінде SAS шпиндельдерінде орналасқан. Осылайша, журналы бар диск құлап қалса, деректерге қатысты мәселелерден өзімізді қорғай аламыз.
Біз құжаттамаға сәйкес кластер құруды бастадық
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-q12.2.12 кластерлік нұсқасы бар ceph-deploy осы нұсқасымен жұмыс істегенде мен бірінші рет қателік жібердім, бұл бағдарламалық жасақтама рейдінде db бар OSD құру әрекеті кезіндегі қате болды -
root@ceph01-qa:~#ceph-volume lvm create --bluestore --data /dev/sde --block.db /dev/md0
blkid could not detect a PARTUUID for device: /dev/md1Шынында да, blkid PARTUUID емес сияқты, сондықтан бөлімдерді қолмен жасауға тура келді:
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; doneБарлығы дайын сияқты, біз қайтадан OSD жасауға тырысамыз және келесі қатені аламыз (айтпақшы, ол шайқаста қайталанбаған)
WAL жолын көрсетпей, бірақ db көрсету арқылы bluestore түріндегі OSD жасау кезінде
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 argumenСонымен қатар, егер бір айнада (немесе таңдауыңыз бойынша басқа жерде) сіз WAL үшін басқа бөлім жасап, оны OSD жасау кезінде көрсетсеңіз, онда бәрі бірқалыпты өтеді (жеке WAL пайда болуын қоспағанда, сіз оны жасай алмайсыз). қалаған).
Бірақ WAL-ды NVMe-ге көшіру әлі де алыс жоспарларда болғандықтан, тәжірибе артық болмады.
root@ceph01-qa:~#ceph-volume lvm create --bluestore --data /dev/sdf --block.wal /dev/md0p2 --block.db /dev/md1p2Мониторлар, менеджерлер және OSD құрылды. Енді мен оларды басқаша топтастырғым келеді, өйткені мен әртүрлі типтегі дискілерді - SSD-де жылдам бассейндерді және SAS құймақтарында үлкен, бірақ баяу бассейндерді алуды жоспарлап отырмын.
Серверлерде 20 диск бар делік, бірінші он бір түрі, екіншісі басқа.
Бастапқы, әдепкі карта келесідей:
ceph osd ағашы
root@ceph01-q:~# ceph osd ағашы
ID СЫНЫП САЛМАҚ ТҮРІ АТАУ МӘРТЕБЕСІ ҚАЙТА САЛМАҚ PRI-AFF
-1 14.54799 түбірлік әдепкі
-3 9.09200 хост ceph01-q
0 ssd 1.00000 osd.0 жоғары 1.00000 1.00000
1 ssd 1.00000 osd.1 жоғары 1.00000 1.00000
2 ssd 1.00000 osd.2 жоғары 1.00000 1.00000
3 ssd 1.00000 osd.3 жоғары 1.00000 1.00000
4 hdd 1.00000 osd.4 жоғары 1.00000 1.00000
5 hdd 0.27299 osd.5 жоғары 1.00000 1.00000
6 hdd 0.27299 osd.6 жоғары 1.00000 1.00000
7 hdd 0.27299 osd.7 жоғары 1.00000 1.00000
8 hdd 0.27299 osd.8 жоғары 1.00000 1.00000
9 hdd 0.27299 osd.9 жоғары 1.00000 1.00000
10 hdd 0.27299 osd.10 жоғары 1.00000 1.00000
11 hdd 0.27299 osd.11 жоғары 1.00000 1.00000
12 hdd 0.27299 osd.12 жоғары 1.00000 1.00000
13 hdd 0.27299 osd.13 жоғары 1.00000 1.00000
14 hdd 0.27299 osd.14 жоғары 1.00000 1.00000
15 hdd 0.27299 osd.15 жоғары 1.00000 1.00000
16 hdd 0.27299 osd.16 жоғары 1.00000 1.00000
17 hdd 0.27299 osd.17 жоғары 1.00000 1.00000
18 hdd 0.27299 osd.18 жоғары 1.00000 1.00000
19 hdd 0.27299 osd.19 жоғары 1.00000 1.00000
-5 5.45599 хост ceph02-q
20 ssd 0.27299 osd.20 жоғары 1.00000 1.00000
21 ssd 0.27299 osd.21 жоғары 1.00000 1.00000
22 ssd 0.27299 osd.22 жоғары 1.00000 1.00000
23 ssd 0.27299 osd.23 жоғары 1.00000 1.00000
24 hdd 0.27299 osd.24 жоғары 1.00000 1.00000
25 hdd 0.27299 osd.25 жоғары 1.00000 1.00000
26 hdd 0.27299 osd.26 жоғары 1.00000 1.00000
27 hdd 0.27299 osd.27 жоғары 1.00000 1.00000
28 hdd 0.27299 osd.28 жоғары 1.00000 1.00000
29 hdd 0.27299 osd.29 жоғары 1.00000 1.00000
30 hdd 0.27299 osd.30 жоғары 1.00000 1.00000
31 hdd 0.27299 osd.31 жоғары 1.00000 1.00000
32 hdd 0.27299 osd.32 жоғары 1.00000 1.00000
33 hdd 0.27299 osd.33 жоғары 1.00000 1.00000
34 hdd 0.27299 osd.34 жоғары 1.00000 1.00000
35 hdd 0.27299 osd.35 жоғары 1.00000 1.00000
36 hdd 0.27299 osd.36 жоғары 1.00000 1.00000
37 hdd 0.27299 osd.37 жоғары 1.00000 1.00000
38 hdd 0.27299 osd.38 жоғары 1.00000 1.00000
39 hdd 0.27299 osd.39 жоғары 1.00000 1.00000
-7 6.08690 хост ceph03-q
40 ssd 0.27299 osd.40 жоғары 1.00000 1.00000
41 ssd 0.27299 osd.41 жоғары 1.00000 1.00000
42 ssd 0.27299 osd.42 жоғары 1.00000 1.00000
43 ssd 0.27299 osd.43 жоғары 1.00000 1.00000
44 hdd 0.27299 osd.44 жоғары 1.00000 1.00000
45 hdd 0.27299 osd.45 жоғары 1.00000 1.00000
46 hdd 0.27299 osd.46 жоғары 1.00000 1.00000
47 hdd 0.27299 osd.47 жоғары 1.00000 1.00000
48 hdd 0.27299 osd.48 жоғары 1.00000 1.00000
49 hdd 0.27299 osd.49 жоғары 1.00000 1.00000
50 hdd 0.27299 osd.50 жоғары 1.00000 1.00000
51 hdd 0.27299 osd.51 жоғары 1.00000 1.00000
52 hdd 0.27299 osd.52 жоғары 1.00000 1.00000
53 hdd 0.27299 osd.53 жоғары 1.00000 1.00000
54 hdd 0.27299 osd.54 жоғары 1.00000 1.00000
55 hdd 0.27299 osd.55 жоғары 1.00000 1.00000
56 hdd 0.27299 osd.56 жоғары 1.00000 1.00000
57 hdd 0.27299 osd.57 жоғары 1.00000 1.00000
58 hdd 0.27299 osd.58 жоғары 1.00000 1.00000
59 hdd 0.89999 osd.59 жоғары 1.00000 1.00000
Блэкджекпен және басқа нәрселермен жеке виртуалды тіректер мен серверлер жасайық:
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 rack01Біз кездескен мәселелер шайқас кластер, жаңа хост құру және оны бар тірекке жылжыту әрекеті кезінде - пәрмен ceph osd crush move ceph01-host root=rack01 қатып қалды, ал мониторлар бірінен соң бірі құлай бастады. Қарапайым CTRL+C арқылы пәрменді тоқтату кластерді тірілер әлеміне қайтарды.
Іздеу бұл мәселені көрсетті:
Шешім crushmap тастап, сол жерден бөлікті алып тастау болып шықты ереже қайталанған_ережелер жинағы
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 кластерАхтунг: Бұл әрекет экрандық дискілер арасындағы орналастыру тобының қайта тепе-теңдігін тудыруы мүмкін. Бұл бізге себеп болды, бірақ өте аз.
Сынақ кластерінде біз кездестірген таңғаларлық нәрсе, OSD серверін қайта жүктегеннен кейін олар жаңа серверлер мен тіректерге көшкенін ұмытып, түбірлік әдепкіге оралды.
Нәтижесінде, біз ssd дискілері үшін бөлек түбірді және шпиндельді жетектер үшін бөлек түбірді жасаған соңғы схеманы жинап, біз барлық OSD дискілерін тіректерге алып, әдепкі түбірді жойдық. Қайта жүктеуден кейін OSD орнында қала бастады.
Кейінірек құжаттаманы зерттегеннен кейін біз осы әрекетке жауап беретін параметрді таптық. Ол туралы екінші бөлімде
Диск түрі бойынша әртүрлі топтарды қалай жасадық.
Бастау үшін біз екі түбір жасадық - ssd және hdd үшін
root@ceph01-q:~#ceph osd crush add-bucket ssd-root root
root@ceph01-q:~#ceph osd crush add-bucket hdd-root rootСерверлер физикалық түрде әртүрлі сөрелерде орналасқандықтан, ыңғайлы болу үшін біз олардың ішінде серверлері бар сөрелерді жасадық.
# 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 hostжәне дискілерді түрлеріне қарай әртүрлі серверлерге таратқан
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 серверамиДискілерді ssd-root және hdd-root маршруттары арасында шашыратып, біз root-әдепкі мәнін бос қалдырдық, сондықтан оны жоюға болады.
root-ceph01-q:~#ceph osd crush remove defaultӘрі қарай, біз жасалып жатқан пулдарға байланыстыратын тарату ережелерін жасауымыз керек - ережелерде біз пул деректерін қай түбірлер орналастыра алатынын және репликаның бірегейлік деңгейін көрсетеміз - мысалы, репликалар әртүрлі серверлерде болуы керек, немесе әртүрлі сөрелерде (егер бізде мұндай бөлу болса, сіз тіпті әртүрлі тамырларда да аласыз)
Түрді таңдамас бұрын құжаттаманы оқып шыққан дұрыс:
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 firstnАл, біз болашақта виртуализациямыздың дискілік кескіндерін сақтағымыз келетін пулдарды жасаймыз - 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 1024Және біз бұл бассейндерге қандай орналастыру ережелерін қолдану керектігін айтамыз
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
Орналастыру топтарының санын таңдауға кластеріңіз үшін бұрыннан бар көзқараспен жақындау керек - шамамен қанша OSD болады, пулда қандай деректер көлемі (жалпы көлемнің пайызы ретінде) болады, не деректердің жалпы көлемі.
Жалпы алғанда, дискіде 300-ден астам орналастыру топтары болмаған жөн және шағын орналастыру топтарымен теңдестіру оңайырақ болады - яғни сіздің бүкіл бассейніңіз 10 Тб болса және онда 10 PG болса - онда терабайтты кірпішті (pg) лақтыру арқылы теңдестіру қиын болады - шелектерге кішкене құм түйіршіктері бар құмды оңай және біркелкі құйыңыз).
Бірақ біз есте сақтауымыз керек, PG саны неғұрлым көп болса, соғұрлым олардың орналасуын есептеуге ресурстар жұмсалады - жад пен процессор пайдаланыла бастайды.
Дөрекі түсінік болуы мүмкін , CEPH құжаттамасын әзірлеушілермен қамтамасыз етілген.
Материалдар тізімі:
Ақпарат көзі: www.habr.com