ការជ្រើសរើស CEPH ។ ផ្នែកទី 1

យើងមានរ៉ាកែតចំនួនប្រាំ កុងតាក់អុបទិកចំនួនដប់ ការកំណត់រចនាសម្ព័ន្ធ BGP ពីរបួនដប់ SSDs និងថាស SAS គ្រប់ពណ៌ និងទំហំ ព្រមទាំងប្រូកម៉ូក និងបំណងប្រាថ្នាដើម្បីដាក់ទិន្នន័យឋិតិវន្តទាំងអស់ទៅក្នុងឃ្លាំងផ្ទុក S3 របស់យើងផ្ទាល់។ មិនមែនថាអ្វីៗទាំងអស់នេះត្រូវការសម្រាប់និម្មិតទេ ប៉ុន្តែនៅពេលដែលអ្នកចាប់ផ្តើមប្រើ opensource បន្ទាប់មកធ្វើតាមចំណង់ចំណូលចិត្តរបស់អ្នករហូតដល់ទីបញ្ចប់។ រឿងតែមួយគត់ដែលរំខានខ្ញុំគឺ BGP ។ មិនមាននរណាម្នាក់នៅក្នុងពិភពលោកដែលអស់សង្ឃឹម គ្មានការទទួលខុសត្រូវ និងអសីលធម៌ជាងការដឹកនាំ BGP ផ្ទៃក្នុងនោះទេ។ ហើយ​ខ្ញុំ​បាន​ដឹង​ថា​បន្តិច​ទៀត​យើង​នឹង​ចូល​ទៅ​ក្នុង​វា។

កិច្ចការគឺតូចតាច - មាន CEPH ប៉ុន្តែវាមិនដំណើរការល្អទេ។ វាចាំបាច់ក្នុងការធ្វើ "ល្អ" ។
ចង្កោម​ដែល​ខ្ញុំ​បាន​ទទួល​គឺ​ខុស​គ្នា​យ៉ាង​លឿន​សម្រួល​និង​អនុវត្ត​មិន​បាន​សម្រួល។ វាមានពីរក្រុមនៃថ្នាំងផ្សេងគ្នា ដោយក្រឡាចត្រង្គធម្មតាមួយដើរតួជាចង្កោម និងបណ្តាញសាធារណៈ។ ថ្នាំងត្រូវបានបំពេញដោយថាសបួនប្រភេទ - ប្រភេទ SSD ពីរប្រភេទដែលប្រមូលបាននៅក្នុងច្បាប់ដាក់ពីរដាច់ដោយឡែក និងប្រភេទ HDD ពីរប្រភេទដែលមានទំហំខុសៗគ្នា ប្រមូលបានក្នុងក្រុមទីបី។ បញ្ហាដែលមានទំហំខុសៗគ្នាត្រូវបានដោះស្រាយដោយទម្ងន់ OSD ខុសៗគ្នា។

ការរៀបចំខ្លួនវាត្រូវបានបែងចែកជាពីរផ្នែក - ការលៃតម្រូវប្រព័ន្ធប្រតិបត្តិការ и ការលៃតម្រូវ CEPH ខ្លួនឯង និងការកំណត់របស់វា។

កំពុងដំឡើងប្រព័ន្ធប្រតិបត្តិការ

បណ្តាញ

ភាពយឺតយ៉ាវខ្ពស់ប៉ះពាល់ដល់ការថត និងតុល្យភាព។ នៅពេលថត - ដោយសារតែម៉ាស៊ីនភ្ញៀវនឹងមិនទទួលបានការឆ្លើយតបអំពីការថតដោយជោគជ័យរហូតដល់ការចម្លងទិន្នន័យនៅក្នុងក្រុមដាក់ផ្សេងទៀតបញ្ជាក់ពីភាពជោគជ័យ។ ដោយសារច្បាប់សម្រាប់ការចែកចាយការចម្លងនៅក្នុងផែនទី CRUSH គឺជាអ្នកចម្លងមួយក្នុងមួយម៉ាស៊ីន បណ្តាញតែងតែត្រូវបានប្រើប្រាស់។

ហេតុដូច្នេះហើយ រឿងដំបូងដែលខ្ញុំសម្រេចចិត្តធ្វើគឺកែប្រែបណ្តាញបច្ចុប្បន្នបន្តិច ខណៈពេលដែលព្យាយាមបញ្ចុះបញ្ចូលខ្ញុំឱ្យផ្លាស់ទីទៅបណ្តាញដាច់ដោយឡែក។

ដើម្បីចាប់ផ្តើមជាមួយ ខ្ញុំបានកែប្រែការកំណត់នៃកាតបណ្តាញ។ ខ្ញុំចាប់ផ្តើមដោយរៀបចំជួរ៖

តើមានអ្វីកើតឡើង៖

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

វាអាចត្រូវបានគេមើលឃើញថាប៉ារ៉ាម៉ែត្របច្ចុប្បន្នគឺនៅឆ្ងាយពីអតិបរមា។ កើនឡើង៖

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

ណែនាំដោយអត្ថបទដ៏ល្អមួយ។

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

បានបង្កើនប្រវែងនៃជួរបញ្ជូន txqueuelen ពី 1000 ទៅ 10

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

ជាការប្រសើរណាស់, ធ្វើតាមឯកសាររបស់ ceph ខ្លួនវាផ្ទាល់

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

បានកើនឡើង បុគ្គល រហូតដល់ 9000 ។

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

បានបន្ថែមទៅ /etc/network/interfaces ដូច្នេះទាំងអស់ខាងលើត្រូវបានផ្ទុកនៅពេលចាប់ផ្តើម

ឆ្មា / ល / បណ្តាញ / ចំណុចប្រទាក់

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

បន្ទាប់ពីនោះ តាមអត្ថបទដដែលនោះ ខ្ញុំចាប់ផ្តើមគិតយ៉ាងម៉ត់ចត់នូវចំណុចទាញនៃខឺណែល 4.15 ។ ដោយពិចារណាថាថ្នាំងមាន RAM 128G យើងបានបញ្ចប់ដោយឯកសារកំណត់រចនាសម្ព័ន្ធសម្រាប់ អេសស៊ីល

ឆ្មា /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)

Сបណ្តាញពន្លឺ ត្រូវបានបែងចែកនៅលើចំណុចប្រទាក់បណ្តាញ 10Gbps ដាច់ដោយឡែកទៅក្នុងបណ្តាញផ្ទះល្វែងដាច់ដោយឡែក។ ម៉ាស៊ីននីមួយៗត្រូវបានបំពាក់ដោយកាតបណ្តាញច្រកពីរ មេឡាណុក 10/25 Gbps, ដោតចូលទៅក្នុងកុងតាក់ 10Gbps ពីរដាច់ដោយឡែក។ ការប្រមូលផ្តុំត្រូវបានអនុវត្តដោយប្រើ OSPF ចាប់តាំងពីការភ្ជាប់ជាមួយ lacp សម្រាប់ហេតុផលមួយចំនួនបានបង្ហាញពីការបញ្ជូនសរុបអតិបរមា 16 Gbps ខណៈពេលដែល ospf បានប្រើប្រាស់ដោយជោគជ័យទាំងដប់នៅលើម៉ាស៊ីននីមួយៗ។ ផែនការនាពេលអនាគតគឺដើម្បីទាញយកអត្ថប្រយោជន៍ពី ROCE នៅលើ melanoxes ទាំងនេះដើម្បីកាត់បន្ថយភាពយឺតយ៉ាវ។ របៀបតំឡើងផ្នែកនៃបណ្តាញនេះ៖

1. ដោយសារម៉ាស៊ីនខ្លួនឯងមានអាសយដ្ឋាន IP ខាងក្រៅនៅលើ BGP យើងត្រូវការកម្មវិធី - (ច្បាស់ជាងនេះទៅទៀត គឺនៅពេលសរសេរអត្ថបទនេះ frr=6.0-1 ) បានឈររួចហើយ។
2. សរុបមក ម៉ាស៊ីនមានចំណុចប្រទាក់បណ្តាញពីរ ដែលនីមួយៗមានចំណុចប្រទាក់ពីរ - ច្រកសរុបចំនួន 4 ។ កាតបណ្តាញមួយមើលរោងចក្រដែលមានច្រកពីរ ហើយ BGP ត្រូវបានកំណត់រចនាសម្ព័ន្ធនៅលើវា ទីពីរមើលលើកុងតាក់ពីរផ្សេងគ្នាដែលមានច្រកពីរ ហើយ OSPF ត្រូវបានកំណត់នៅលើវា

ព័ត៌មានលម្អិតបន្ថែមអំពីការដំឡើង OSPF៖ ភារកិច្ចចម្បងគឺការប្រមូលផ្តុំតំណភ្ជាប់ពីរ និងមានការអត់ធ្មត់ចំពោះកំហុស។
ចំណុចប្រទាក់បណ្តាញពីរត្រូវបានកំណត់រចនាសម្ព័ន្ធជាបណ្តាញផ្ទះល្វែងសាមញ្ញពីរ - 10.10.10.0/24 និង 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

ដែលរថយន្តមើលឃើញគ្នាទៅវិញទៅមក។

ឌីស

ជំហានបន្ទាប់គឺដើម្បីបង្កើនប្រសិទ្ធភាពថាស។ សម្រាប់ SSD ខ្ញុំបានប្តូរកម្មវិធីកំណត់ពេលទៅ រង្វិលជុំសម្រាប់ HDD - ផុតកំណត់. ដើម្បីនិយាយដោយត្រង់ៗ NOOP ធ្វើការលើគោលការណ៍នៃ "first in, first out" ដែលនៅក្នុងភាសាអង់គ្លេសស្តាប់ទៅដូចជា "FIFO (First In, First Out)"។ សំណើត្រូវបានតម្រង់ជួរនៅពេលពួកគេមកដល់។ DEADLINE គឺ​ជា​ការ​តម្រង់​ទិស​អាន​ច្រើន​ជាង បូក​នឹង​ដំណើរ​ការ​ដែល​បាន​ដាក់​ជា​ជួរ​ទទួល​បាន​ការ​ចូល​ប្រើប្រាស់​ស្ទើរតែ​ផ្តាច់​មុខ​ទៅ​កាន់​ថាស​នៅ​ពេល​ប្រតិបត្តិការ។ នេះគឺល្អឥតខ្ចោះសម្រាប់ប្រព័ន្ធរបស់យើង - បន្ទាប់ពីទាំងអស់ ដំណើរការតែមួយដំណើរការជាមួយថាសនីមួយៗ - ដេមិន OSD ។
(អ្នកដែលចង់ចូលទៅក្នុងកម្មវិធីកំណត់ពេល I/O អាចអានអំពីវានៅទីនេះ៖
http://www.admin-magazine.com/HPC/Articles/Linux-I-O-Schedulers

អ្នកដែលចូលចិត្តអានជាភាសារុស្សី៖ https://www.opennet.ru/base/sys/linux_shedulers.txt.html)

នៅក្នុងការណែនាំសម្រាប់ការលៃតម្រូវលីនុច វាត្រូវបានណែនាំផងដែរដើម្បីបង្កើន nr_request

គ្មាន_សំណូមពរ
តម្លៃនៃ nr_requests កំណត់បរិមាណនៃសំណើ I/O ដែលត្រូវបានផ្អាក មុនពេលកម្មវិធីកំណត់ពេល I/O ផ្ញើ/ទទួលទិន្នន័យទៅកាន់ឧបករណ៍ទប់ស្កាត់ ប្រសិនបើអ្នកកំពុងប្រើកាត RAID / ឧបករណ៍ប្លុកដែលអាចគ្រប់គ្រងជួរធំជាងអ្វីដែលខ្ញុំ កម្មវិធីកំណត់ពេល /O ត្រូវបានកំណត់ទៅ ការបង្កើនតម្លៃនៃ nr_requests អាចជួយកែលម្អ និងកាត់បន្ថយការផ្ទុកម៉ាស៊ីនមេ នៅពេលដែលចំនួនដ៏ធំនៃ I/O កើតឡើងនៅលើម៉ាស៊ីនមេ។ ប្រសិនបើអ្នកកំពុងប្រើ Deadline ឬ CFQ ជាអ្នកកំណត់ពេល វាត្រូវបានណែនាំថាអ្នកគួរតែកំណត់តម្លៃ nr_request ទៅ 2 ដងនៃតម្លៃនៃជំរៅជួរ។

តែ! ប្រជាពលរដ្ឋខ្លួនឯងជាអ្នកអភិវឌ្ឍន៍ CEPH បញ្ចុះបញ្ចូលយើងថាប្រព័ន្ធអាទិភាពរបស់ពួកគេដំណើរការប្រសើរជាងមុន។

WBThrottle និង/ឬ nr_requests

WBThrottle និង/ឬ nr_requests
ការផ្ទុកឯកសារប្រើ I/O បណ្តោះអាសន្នសម្រាប់ការសរសេរ។ វានាំមកនូវអត្ថប្រយោជន៍មួយចំនួន ប្រសិនបើកំណត់ហេតុផ្ទុកឯកសារនៅលើមេឌៀលឿនជាងមុន។ សំណើរបស់អតិថិជនត្រូវបានជូនដំណឹងភ្លាមៗនៅពេលដែលទិន្នន័យត្រូវបានសរសេរទៅក្នុងកំណត់ហេតុ ហើយបន្ទាប់មកត្រូវបានបង្ហូរទៅកាន់ថាសទិន្នន័យដោយខ្លួនឯងនៅពេលក្រោយដោយប្រើមុខងារស្តង់ដារលីនុច។ នេះធ្វើឱ្យវាអាចធ្វើទៅបានសម្រាប់ spindle OSDs ដើម្បីផ្តល់ភាពយឺតយ៉ាវក្នុងការសរសេរស្រដៀងនឹង SSDs នៅពេលសរសេរជាដុំតូចៗ។ ការសរសេរត្រឡប់មកវិញដែលពន្យារពេលនេះក៏អនុញ្ញាតឱ្យខឺណែលខ្លួនវារៀបចំឡើងវិញនូវសំណើ I/O របស់ឌីស ដោយសង្ឃឹមថានឹងអាចបញ្ចូលពួកវាជាមួយគ្នា ឬអនុញ្ញាតឱ្យក្បាលថាសដែលមានស្រាប់ជ្រើសរើសផ្លូវដ៏ប្រសើរមួយចំនួននៅលើចានរាងសំប៉ែតរបស់ពួកគេ។ ឥទ្ធិពលសុទ្ធគឺថាអ្នកអាចច្របាច់ I/O ចេញពីឌីសនីមួយៗច្រើនជាងការដែលអាចធ្វើទៅបានជាមួយ I/O ផ្ទាល់ឬសមកាលកម្ម។

ទោះយ៉ាងណាក៏ដោយ បញ្ហាជាក់លាក់មួយកើតឡើងប្រសិនបើបរិមាណនៃកំណត់ត្រាចូលទៅកាន់ចង្កោម Ceph ដែលបានផ្តល់ឱ្យលើសពីសមត្ថភាពទាំងអស់នៃថាសមូលដ្ឋាន។ នៅក្នុងសេណារីយ៉ូនេះ ចំនួនសរុបនៃប្រតិបត្តិការ I/O ដែលកំពុងរង់ចាំដែលរង់ចាំត្រូវបានសរសេរទៅថាសអាចកើនឡើងដោយមិនអាចគ្រប់គ្រងបាន ហើយជាលទ្ធផលនៅក្នុងជួរ I/O បំពេញជួរឌីស និង Ceph ទាំងមូល។ សំណើ​អាន​ត្រូវ​បាន​ប៉ះពាល់​ជា​ពិសេស​ព្រោះ​វា​ជាប់​គាំង​រវាង​សំណើ​សរសេរ ដែល​អាច​ចំណាយ​ពេល​ច្រើន​វិនាទី​ដើម្បី​បញ្ចោញ​ទៅ​ថាស​ចម្បង។

ដើម្បីជម្នះបញ្ហានេះ Ceph មានយន្តការបិទបើកការសរសេរឡើងវិញដែលបានបង្កើតឡើងនៅក្នុងការផ្ទុកឯកសារដែលហៅថា WBThrottle ។ វាត្រូវបានរចនាឡើងដើម្បីកំណត់ចំនួនសរុបនៃ I/O ដែលខ្ជិលសរសេរ ដែលអាចតម្រង់ជួរ និងចាប់ផ្តើមដំណើរការ flush របស់វាលឿនជាងការកើតឡើងដោយធម្មជាតិ ដោយសារតែត្រូវបានបើកដោយខឺណែលខ្លួនឯង។ ជាអកុសល ការធ្វើតេស្តបង្ហាញថាតម្លៃលំនាំដើមអាចនៅតែមិនកាត់បន្ថយឥរិយាបទដែលមានស្រាប់ដល់កម្រិតដែលអាចកាត់បន្ថយផលប៉ះពាល់នេះទៅលើការអានរយៈពេលយឺត។ ការកែតម្រូវអាចផ្លាស់ប្តូរឥរិយាបថនេះ និងកាត់បន្ថយប្រវែងជួរសរសេរទាំងមូល និងធ្វើឱ្យផលប៉ះពាល់នេះមិនសូវធ្ងន់ធ្ងរ។ ទោះបីជាយ៉ាងណាក៏ដោយ មានការដោះដូរមួយ៖ ដោយកាត់បន្ថយចំនួនអតិបរិមានៃធាតុសរុបដែលត្រូវបានអនុញ្ញាតឱ្យដាក់ជាជួរ អ្នកអាចកាត់បន្ថយសមត្ថភាពរបស់ខឺណែលខ្លួនវាដើម្បីបង្កើនប្រសិទ្ធភាពរបស់វាក្នុងការបញ្ជាទិញសំណើចូល។ វាមានតម្លៃគិតបន្តិចអំពីអ្វីដែលអ្នកត្រូវការបន្ថែមទៀតសម្រាប់ករណីប្រើប្រាស់ជាក់លាក់របស់អ្នក បន្ទុកការងារ និងការកែតម្រូវឱ្យសមនឹងពួកគេ។

ដើម្បីគ្រប់គ្រងជម្រៅនៃជួរសរសេរ-backlog បែបនេះ អ្នកអាចកាត់បន្ថយចំនួនអតិបរិមានៃប្រតិបត្តិការ I/O ដែលមិនទាន់សម្រេចបានដោយប្រើការកំណត់ WBThrottle ឬអ្នកអាចកាត់បន្ថយតម្លៃអតិបរមាសម្រាប់ប្រតិបត្តិការលេចធ្លោនៅកម្រិតប្លុកនៃខឺណែលរបស់អ្នកផ្ទាល់។ ទាំងពីរអាចគ្រប់គ្រងឥរិយាបថដូចគ្នាប្រកបដោយប្រសិទ្ធភាព ហើយចំណូលចិត្តរបស់អ្នកនឹងជាមូលដ្ឋានសម្រាប់អនុវត្តការកំណត់នេះ។
គួរកត់សំគាល់ផងដែរថាប្រព័ន្ធអាទិភាពប្រតិបត្តិការរបស់ Ceph មានប្រសិទ្ធភាពជាងសម្រាប់សំណួរខ្លីៗនៅកម្រិតឌីស។ ដោយបង្រួញជួរទាំងមូលទៅថាសដែលបានផ្តល់ឱ្យ ទីតាំងចម្បងនៃជួរផ្លាស់ទីទៅ Ceph ដែលវាមានការគ្រប់គ្រងបន្ថែមទៀតលើអ្វីដែលជាអាទិភាពដែលប្រតិបត្តិការ I/O មាន។ ពិចារណាឧទាហរណ៍ខាងក្រោម៖

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

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

COMMON ។

និងការកែប្រែខឺណែលពីរបីបន្ថែមទៀតដើម្បីធ្វើឱ្យរថយន្តរបស់អ្នកទន់ និងរលោង ហើយច្របាច់ដំណើរការចេញពីផ្នែករឹងបន្ថែមទៀត។

ឆ្មា /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. 

ការជ្រមុជនៅក្នុង CEPH

ការកំណត់ដែលខ្ញុំចង់រស់នៅយ៉ាងលម្អិតបន្ថែម៖

ឆ្មា /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

ប៉ារ៉ាម៉ែត្រមួយចំនួនដែលត្រូវបានសាកល្បងសម្រាប់ QA នៅលើកំណែ 12.2.12 ត្រូវបានបាត់នៅក្នុង ceph កំណែ 12.2.2 ឧទាហរណ៍ osd_recovery_threads ។ ដូច្នេះហើយ ផែនការនេះរួមបញ្ចូលការធ្វើបច្ចុប្បន្នភាពលើការផលិតទៅ 12.2.12 ។ ការអនុវត្តបានបង្ហាញពីភាពឆបគ្នារវាងកំណែ 12.2.2 និង 12.2.12 នៅក្នុងចង្កោមតែមួយ ដែលអនុញ្ញាតឱ្យធ្វើបច្ចុប្បន្នភាពវិលជុំ។

ចង្កោមសាកល្បង

ជាធម្មតា សម្រាប់ការសាកល្បង វាគឺចាំបាច់ដើម្បីឱ្យមានកំណែដូចគ្នានឹងនៅក្នុងសមរភូមិ ប៉ុន្តែនៅពេលខ្ញុំចាប់ផ្តើមធ្វើការជាមួយចង្កោម មានតែកំណែថ្មីជាងនេះប៉ុណ្ណោះដែលមាននៅក្នុងឃ្លាំង។ ដោយ​បាន​មើល​ទៅ​អ្វី​ដែល​អ្នក​អាច​យល់​ឃើញ​នៅ​ក្នុង​កំណែ​អនីតិជន​គឺ​មិន​ធំ​ណាស់ (1393 បន្ទាត់នៅក្នុងការកំណត់ប្រឆាំងនឹង 1436 នៅក្នុងកំណែថ្មី) យើងបានសម្រេចចិត្តចាប់ផ្តើមសាកល្បងថ្មី (អាប់ដេតយ៉ាងណាក៏ដោយ ហេតុអ្វីត្រូវទៅជាមួយសំរាមចាស់)

រឿងតែមួយគត់ដែលយើងបានព្យាយាមចាកចេញពីកំណែចាស់គឺកញ្ចប់ ceph-ដាក់ពង្រាយ ចាប់តាំងពីឧបករណ៍ប្រើប្រាស់មួយចំនួន (និងនិយោជិតខ្លះ) ត្រូវបានកែសម្រួលតាមវាក្យសម្ព័ន្ធរបស់វា។ កំណែថ្មីគឺខុសគ្នាខ្លាំង ប៉ុន្តែមិនប៉ះពាល់ដល់ប្រតិបត្តិការរបស់ចង្កោមខ្លួនឯងទេ ហើយវាត្រូវបានទុកនៅក្នុងកំណែ 1.5.39

ដោយសារពាក្យបញ្ជា ceph-disk និយាយយ៉ាងច្បាស់ថាវាត្រូវបានបដិសេធ និងប្រើពាក្យបញ្ជា ceph-volume ជាទីស្រឡាញ់ យើងបានចាប់ផ្តើមបង្កើត OSD ដោយប្រើពាក្យបញ្ជានេះ ដោយមិនខ្ជះខ្ជាយពេលវេលាលើអ្វីដែលហួសសម័យនោះទេ។

ផែនការគឺដើម្បីបង្កើតកញ្ចក់នៃដ្រាយ SSD ពីរដែលយើងនឹងដាក់កំណត់ហេតុ OSD ដែលនៅក្នុងវេនមានទីតាំងនៅលើ spindle SASs ។ វិធីនេះយើងអាចការពារខ្លួនយើងពីបញ្ហាជាមួយទិន្នន័យប្រសិនបើថាសដែលមានកំណត់ហេតុធ្លាក់។

យើង​បាន​ចាប់​ផ្តើម​បង្កើត​ចង្កោម​តាម​ឯកសារ

ឆ្មា /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

រឿងដំបូងដែលខ្ញុំជំពប់ដួលនៅពេលធ្វើការជាមួយកំណែនៃ ceph-deploy នេះជាមួយនឹងកំណែ cluster 12.2.12 គឺជាកំហុសនៅពេលព្យាយាមបង្កើត OSD ជាមួយ db លើការវាយឆ្មក់កម្មវិធី -

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

ជាការពិតណាស់ blkid ហាក់ដូចជាមិនមែនជា PARTUUID ទេ ដូច្នេះខ្ញុំត្រូវតែបង្កើតភាគថាសដោយដៃ៖

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

អ្វីគ្រប់យ៉ាងហាក់ដូចជារួចរាល់ យើងព្យាយាមបង្កើត OSD ម្តងទៀត ហើយទទួលបានកំហុសដូចខាងក្រោម (ដែលតាមវិធីនេះ មិនត្រូវបានបង្កើតឡើងវិញនៅក្នុងសមរភូមិទេ)

នៅពេលបង្កើត OSD នៃប្រភេទ bluestore ដោយមិនបញ្ជាក់ផ្លូវទៅកាន់ WAL ប៉ុន្តែបញ្ជាក់ 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

លើសពីនេះទៅទៀត ប្រសិនបើនៅលើកញ្ចក់តែមួយ (ឬកន្លែងផ្សេងទៀតតាមជម្រើសរបស់អ្នក) អ្នកបង្កើតភាគថាសមួយទៀតសម្រាប់ WAL ហើយបញ្ជាក់វានៅពេលបង្កើត OSD នោះអ្វីៗនឹងដំណើរការទៅដោយរលូន (លើកលែងតែរូបរាងរបស់ WAL ដាច់ដោយឡែក ដែលអ្នកមិនអាច ចង់បាន) ។

ប៉ុន្តែចាប់តាំងពីវានៅតែស្ថិតក្នុងផែនការឆ្ងាយដើម្បីផ្លាស់ទី WAL ទៅ NVMe ការអនុវត្តមិនបានប្រែជានាំអោយនោះទេ។

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

បានបង្កើតម៉ូនីទ័រ អ្នកគ្រប់គ្រង និង OSD ។ ឥឡូវនេះ ខ្ញុំចង់ដាក់ជាក្រុមខុសៗគ្នា ព្រោះខ្ញុំមានគម្រោងមានប្រភេទថាសផ្សេងៗគ្នា - បណ្តុំលឿននៅលើ SSD និងធំ ប៉ុន្តែអាងយឺតនៅលើ SAS pancakes។

ឧបមាថាម៉ាស៊ីនមេមាន 20 ថាស ដប់ដំបូងគឺមួយប្រភេទ ទីពីរគឺមួយទៀត។
កាតដំបូង លំនាំដើម មើលទៅដូចនេះ៖

ដើមឈើ ceph osd

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

តោះបង្កើត rack និង servers និម្មិតរបស់យើងជាមួយ blackjack និងរបស់ផ្សេងទៀត៖

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

បញ្ហាដែលយើងជួបប្រទះ ការប្រយុទ្ធ cluster នៅពេលព្យាយាមបង្កើតម៉ាស៊ីនថ្មី ហើយផ្លាស់ទីវាទៅ rack ដែលមានស្រាប់ - ពាក្យបញ្ជា ceph osd crush ផ្លាស់ទី ceph01-host root=rack01 បង្កក ហើយម៉ូនីទ័រចាប់ផ្តើមធ្លាក់ចុះម្តងមួយៗ។ ការបោះបង់ពាក្យបញ្ជាដោយប្រើ CTRL + C សាមញ្ញបានត្រឡប់ចង្កោមទៅកាន់ពិភពនៃការរស់នៅ។

ការស្វែងរកបានបង្ហាញពីបញ្ហានេះ៖ https://tracker.ceph.com/issues/23386

ដំណោះ​ស្រាយ​បាន​ប្រែ​ក្លាយ​ទៅ​ជា​ការ​លុប​ផែនទី​កំទេច​ចោល ហើយ​យក​ផ្នែក​ចេញ​ពី​ទីនោះ rule 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

អាកទុង៖ ប្រតិបត្តិការនេះអាចបណ្តាលឱ្យមានតុល្យភាពឡើងវិញនៃក្រុមដាក់រវាង OSDs ។ វា​បាន​បង្ក​រឿង​នេះ​សម្រាប់​យើង ប៉ុន្តែ​តិចតួច​ណាស់។

ហើយអ្វីដែលចម្លែកដែលយើងបានជួបប្រទះនៅក្នុងចង្កោមសាកល្បងនោះគឺថា បន្ទាប់ពីចាប់ផ្តើមម៉ាស៊ីនមេ OSD ឡើងវិញ ពួកគេភ្លេចថាពួកគេត្រូវបានផ្លាស់ទីទៅម៉ាស៊ីនមេ និង rack ថ្មី ហើយត្រឡប់ទៅជា root លំនាំដើមវិញ។
ជាលទ្ធផលដោយបានប្រមូលផ្តុំគ្រោងការណ៍ចុងក្រោយដែលយើងបានបង្កើតឫសដាច់ដោយឡែកសម្រាប់ដ្រាយ ssd និងមួយដាច់ដោយឡែកសម្រាប់ដ្រាយ spindle យើងបានយក OSD ទាំងអស់ទៅជា racks ហើយគ្រាន់តែលុបឫសលំនាំដើម។ បន្ទាប់ពីការចាប់ផ្តើមឡើងវិញ OSD បានចាប់ផ្តើមនៅនឹងកន្លែង។
បន្ទាប់ពីការជីកយកឯកសារនៅពេលក្រោយយើងបានរកឃើញប៉ារ៉ាម៉ែត្រដែលទទួលខុសត្រូវចំពោះអាកប្បកិរិយានេះ។ អំពីគាត់នៅក្នុងផ្នែកទីពីរ

របៀបដែលយើងបង្កើតក្រុមផ្សេងៗគ្នាតាមប្រភេទថាស។

ដើម្បីចាប់ផ្តើមយើងបានបង្កើតឫសពីរ - សម្រាប់ ssd និងសម្រាប់ hdd

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

ដោយសារម៉ាស៊ីនមេមានទីតាំងនៅក្នុង racks ផ្សេងៗគ្នា ដើម្បីភាពងាយស្រួល យើងបានបង្កើត rack ជាមួយម៉ាស៊ីនមេនៅក្នុងពួកវា

# 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

និងចែកចាយឌីសតាមប្រភេទរបស់វាទៅក្នុងម៉ាស៊ីនមេផ្សេងៗ

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

ដោយបានខ្ចាត់ខ្ចាយថាសក្នុងចំនោមផ្លូវ ssd-root និង hdd-root យើងបានទុក root-default ទទេ ដូច្នេះយើងអាចលុបវាបាន

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

បន្ទាប់មកទៀត យើងត្រូវបង្កើតច្បាប់ចែកចាយដែលយើងនឹងចងភ្ជាប់ទៅនឹងអាងដែលកំពុងត្រូវបានបង្កើត - នៅក្នុងច្បាប់យើងនឹងចង្អុលបង្ហាញថាតើឫសណាមួយអាចដាក់ទិន្នន័យអាងរបស់យើង និងកម្រិតនៃភាពប្លែកនៃវត្ថុចម្លង - ឧទាហរណ៍ ការចម្លងត្រូវតែមាននៅលើម៉ាស៊ីនមេផ្សេងៗគ្នា។ ឬនៅក្នុង racks ផ្សេងគ្នា (អ្នកអាចសូម្បីតែនៅក្នុងឫសផ្សេងគ្នាប្រសិនបើយើងមានការបែងចែកបែបនេះ)

មុនពេលជ្រើសរើសប្រភេទ វាជាការប្រសើរក្នុងការអានឯកសារ៖
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

ជាការប្រសើរណាស់, យើងបង្កើតអាងដែលយើងចង់រក្សាទុករូបភាពថាសនៃនិម្មិតរបស់យើងនាពេលអនាគត - 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

ហើយ​យើង​ប្រាប់​អាង​ទឹក​ទាំង​នេះ​ថា​តើ​ច្បាប់​ដាក់​អ្វី​ត្រូវ​ប្រើ

 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

ជម្រើសនៃចំនួនក្រុមដាក់ត្រូវតែត្រូវបានខិតជិតជាមួយនឹងចក្ខុវិស័យដែលមានស្រាប់សម្រាប់ចង្កោមរបស់អ្នក - ប្រហែលចំនួន OSDs នឹងនៅទីនោះ តើចំនួនទិន្នន័យប៉ុន្មាន (គិតជាភាគរយនៃបរិមាណសរុប) នឹងមាននៅក្នុងអាង តើអ្វីជា ចំនួនសរុបនៃទិន្នន័យ។

សរុបមក មិនគួរមានក្រុមដាក់ច្រើនជាង 300 នៅលើថាសនោះទេ ហើយវានឹងកាន់តែងាយស្រួលក្នុងការមានតុល្យភាពជាមួយក្រុមដាក់តូចៗ ពោលគឺប្រសិនបើអាងទាំងមូលរបស់អ្នកឡើង 10 Tb ហើយមាន 10 PG នៅក្នុងនោះ - បន្ទាប់មកធ្វើសមតុល្យ។ ដោយការបោះឥដ្ឋ terabyte (ទំ។ ) នឹងមានបញ្ហា - ចាក់ខ្សាច់ជាមួយនឹងគ្រាប់ខ្សាច់ទំហំតូចចូលទៅក្នុងធុងងាយស្រួលជាងនិងស្មើគ្នា) ។

ប៉ុន្តែយើងត្រូវតែចងចាំថាចំនួន PGs កាន់តែច្រើន ធនធានកាន់តែច្រើនត្រូវបានចំណាយលើការគណនាទីតាំងរបស់ពួកគេ - អង្គចងចាំ និងស៊ីភីយូចាប់ផ្តើមប្រើប្រាស់។

ការយល់ដឹងដ៏អាក្រក់អាច ផ្តល់ឱ្យខ្ញុំនូវម៉ាស៊ីនគិតលេខផ្តល់ដោយអ្នកអភិវឌ្ឍន៍ឯកសារ CEPH ។

បញ្ជីសម្ភារៈ៖

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/

ប្រភព: www.habr.com