CEPH ಆಯ್ಕೆಮಾಡಲಾಗುತ್ತಿದೆ. ಭಾಗ 1

ನಾವು ಐದು ರ್ಯಾಕ್‌ಗಳು, ಹತ್ತು ಆಪ್ಟಿಕಲ್ ಸ್ವಿಚ್‌ಗಳು, ಕಾನ್ಫಿಗರ್ ಮಾಡಲಾದ BGP, ಒಂದೆರಡು ಡಜನ್ SSDಗಳು ಮತ್ತು ಎಲ್ಲಾ ಬಣ್ಣಗಳು ಮತ್ತು ಗಾತ್ರಗಳ SAS ಡಿಸ್ಕ್‌ಗಳ ಗುಂಪನ್ನು ಹೊಂದಿದ್ದೇವೆ, ಜೊತೆಗೆ proxmox ಮತ್ತು ಎಲ್ಲಾ ಸ್ಥಿರ ಡೇಟಾವನ್ನು ನಮ್ಮ ಸ್ವಂತ S3 ಸಂಗ್ರಹಣೆಗೆ ಹಾಕುವ ಬಯಕೆಯನ್ನು ಹೊಂದಿದ್ದೇವೆ. ವರ್ಚುವಲೈಸೇಶನ್‌ಗೆ ಇದೆಲ್ಲವೂ ಅಗತ್ಯವಿದೆ ಎಂದು ಅಲ್ಲ, ಆದರೆ ಒಮ್ಮೆ ನೀವು ಓಪನ್‌ಸೋರ್ಸ್ ಅನ್ನು ಬಳಸಲು ಪ್ರಾರಂಭಿಸಿದರೆ, ನಂತರ ನಿಮ್ಮ ಹವ್ಯಾಸವನ್ನು ಕೊನೆಯವರೆಗೂ ಅನುಸರಿಸಿ. ಬಿಜಿಪಿ ಮಾತ್ರ ನನಗೆ ಬೇಸರ ತಂದಿದೆ. ಆಂತರಿಕ ಬಿಜಿಪಿ ರೂಟಿಂಗ್‌ಗಿಂತ ಅಸಹಾಯಕ, ಬೇಜವಾಬ್ದಾರಿ ಮತ್ತು ಅನೈತಿಕ ಜಗತ್ತಿನಲ್ಲಿ ಯಾರೂ ಇಲ್ಲ. ಮತ್ತು ಶೀಘ್ರದಲ್ಲೇ ನಾವು ಅದರಲ್ಲಿ ಧುಮುಕುತ್ತೇವೆ ಎಂದು ನನಗೆ ತಿಳಿದಿತ್ತು.

ಕಾರ್ಯವು ಕ್ಷುಲ್ಲಕವಾಗಿತ್ತು - CEPH ಇತ್ತು, ಆದರೆ ಅದು ಚೆನ್ನಾಗಿ ಕೆಲಸ ಮಾಡಲಿಲ್ಲ. "ಒಳ್ಳೆಯದು" ಮಾಡುವುದು ಅಗತ್ಯವಾಗಿತ್ತು.
ನಾನು ಸ್ವೀಕರಿಸಿದ ಕ್ಲಸ್ಟರ್ ವೈವಿಧ್ಯಮಯವಾಗಿದೆ, ತರಾತುರಿಯಲ್ಲಿ ಟ್ಯೂನ್ ಮಾಡಲಾಗಿದೆ ಮತ್ತು ಪ್ರಾಯೋಗಿಕವಾಗಿ ಟ್ಯೂನ್ ಮಾಡಲಾಗಿಲ್ಲ. ಇದು ವಿಭಿನ್ನ ನೋಡ್‌ಗಳ ಎರಡು ಗುಂಪುಗಳನ್ನು ಒಳಗೊಂಡಿತ್ತು, ಒಂದು ಸಾಮಾನ್ಯ ಗ್ರಿಡ್ ಕ್ಲಸ್ಟರ್ ಮತ್ತು ಸಾರ್ವಜನಿಕ ನೆಟ್‌ವರ್ಕ್‌ನಂತೆ ಕಾರ್ಯನಿರ್ವಹಿಸುತ್ತದೆ. ನೋಡ್‌ಗಳು ನಾಲ್ಕು ವಿಧದ ಡಿಸ್ಕ್‌ಗಳಿಂದ ತುಂಬಿವೆ - ಎರಡು ರೀತಿಯ SSD, ಎರಡು ಪ್ರತ್ಯೇಕ ನಿಯೋಜನೆ ನಿಯಮಗಳಲ್ಲಿ ಸಂಗ್ರಹಿಸಲಾಗಿದೆ, ಮತ್ತು ವಿಭಿನ್ನ ಗಾತ್ರದ ಎರಡು ರೀತಿಯ HDD ಅನ್ನು ಮೂರನೇ ಗುಂಪಿನಲ್ಲಿ ಸಂಗ್ರಹಿಸಲಾಗಿದೆ. ವಿಭಿನ್ನ ಗಾತ್ರಗಳೊಂದಿಗಿನ ಸಮಸ್ಯೆಯನ್ನು ವಿಭಿನ್ನ OSD ತೂಕದಿಂದ ಪರಿಹರಿಸಲಾಗಿದೆ.

ಸೆಟಪ್ ಅನ್ನು ಎರಡು ಭಾಗಗಳಾಗಿ ವಿಂಗಡಿಸಲಾಗಿದೆ - ಆಪರೇಟಿಂಗ್ ಸಿಸ್ಟಮ್ ಟ್ಯೂನಿಂಗ್ и CEPH ನ ಶ್ರುತಿ ಮತ್ತು ಅದರ ಸೆಟ್ಟಿಂಗ್‌ಗಳು.

OS ಅನ್ನು ನವೀಕರಿಸಲಾಗುತ್ತಿದೆ

ನೆಟ್ವರ್ಕ್

ಹೆಚ್ಚಿನ ಸುಪ್ತತೆಯು ರೆಕಾರ್ಡಿಂಗ್ ಮತ್ತು ಬ್ಯಾಲೆನ್ಸಿಂಗ್ ಎರಡರ ಮೇಲೂ ಪರಿಣಾಮ ಬೀರಿತು. ರೆಕಾರ್ಡಿಂಗ್ ಮಾಡುವಾಗ - ಏಕೆಂದರೆ ಇತರ ಪ್ಲೇಸ್‌ಮೆಂಟ್ ಗುಂಪುಗಳಲ್ಲಿನ ಡೇಟಾ ಪ್ರತಿಕೃತಿಗಳು ಯಶಸ್ಸನ್ನು ದೃಢೀಕರಿಸುವವರೆಗೆ ಕ್ಲೈಂಟ್ ಯಶಸ್ವಿ ರೆಕಾರ್ಡಿಂಗ್ ಕುರಿತು ಪ್ರತಿಕ್ರಿಯೆಯನ್ನು ಸ್ವೀಕರಿಸುವುದಿಲ್ಲ. ಕ್ರಶ್ ಮ್ಯಾಪ್‌ನಲ್ಲಿ ಪ್ರತಿಕೃತಿಗಳನ್ನು ವಿತರಿಸುವ ನಿಯಮಗಳು ಪ್ರತಿ ಹೋಸ್ಟ್‌ಗೆ ಒಂದು ಪ್ರತಿರೂಪವಾಗಿರುವುದರಿಂದ, ನೆಟ್‌ವರ್ಕ್ ಅನ್ನು ಯಾವಾಗಲೂ ಬಳಸಲಾಗುತ್ತಿತ್ತು.

ಆದ್ದರಿಂದ, ನಾನು ಮಾಡಲು ನಿರ್ಧರಿಸಿದ ಮೊದಲ ವಿಷಯವೆಂದರೆ ಪ್ರಸ್ತುತ ನೆಟ್‌ವರ್ಕ್ ಅನ್ನು ಸ್ವಲ್ಪ ತಿರುಚುವುದು, ಅದೇ ಸಮಯದಲ್ಲಿ ಪ್ರತ್ಯೇಕ ನೆಟ್‌ವರ್ಕ್‌ಗಳಿಗೆ ಸರಿಸಲು ನನಗೆ ಮನವರಿಕೆ ಮಾಡಲು ಪ್ರಯತ್ನಿಸುತ್ತಿದೆ.

ಪ್ರಾರಂಭಿಸಲು, ನಾನು ನೆಟ್‌ವರ್ಕ್ ಕಾರ್ಡ್‌ಗಳ ಸೆಟ್ಟಿಂಗ್‌ಗಳನ್ನು ಟ್ವೀಕ್ ಮಾಡಿದ್ದೇನೆ. ನಾನು ಸಾಲುಗಳನ್ನು ಹೊಂದಿಸುವ ಮೂಲಕ ಪ್ರಾರಂಭಿಸಿದೆ:

ಏನಾಯಿತು:

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

ಪ್ರಸ್ತುತ ನಿಯತಾಂಕಗಳು ಗರಿಷ್ಠದಿಂದ ದೂರವಿದೆ ಎಂದು ನೋಡಬಹುದು. ಹೆಚ್ಚಿದೆ:

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

ಅತ್ಯುತ್ತಮ ಲೇಖನದಿಂದ ಮಾರ್ಗದರ್ಶನ

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

ಕಳುಹಿಸುವ ಸರದಿಯ ಉದ್ದವನ್ನು ಹೆಚ್ಚಿಸಿದೆ txqueuelen 1000 ರಿಂದ 10 ವರೆಗೆ

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

ಸರಿ, ceph ನ ದಸ್ತಾವೇಜನ್ನು ಅನುಸರಿಸಿ

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

ಹೆಚ್ಚಾಯಿತು ಎಂಟಿಯು 9000 ರವರೆಗೆ.

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

/etc/network/interfaces ಗೆ ಸೇರಿಸಲಾಗಿದೆ ಇದರಿಂದ ಮೇಲಿನ ಎಲ್ಲಾ ಪ್ರಾರಂಭದಲ್ಲಿ ಲೋಡ್ ಆಗುತ್ತದೆ

ಬೆಕ್ಕು / ಇತ್ಯಾದಿ / ನೆಟ್‌ವರ್ಕ್ / ಇಂಟರ್ಫೇಸ್‌ಗಳು

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

ಅದರ ನಂತರ, ಅದೇ ಲೇಖನವನ್ನು ಅನುಸರಿಸಿ, ನಾನು 4.15 ಕರ್ನಲ್ನ ಹಿಡಿಕೆಗಳನ್ನು ಚಿಂತನಶೀಲವಾಗಿ ತಿರುಗಿಸಲು ಪ್ರಾರಂಭಿಸಿದೆ. ನೋಡ್‌ಗಳು 128G RAM ಅನ್ನು ಹೊಂದಿವೆ ಎಂದು ಪರಿಗಣಿಸಿ, ನಾವು ಕಾನ್ಫಿಗರೇಶನ್ ಫೈಲ್‌ನೊಂದಿಗೆ ಕೊನೆಗೊಂಡಿದ್ದೇವೆ 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)

Сಹೊಳಪು ಜಾಲ ಪ್ರತ್ಯೇಕ 10Gbps ನೆಟ್‌ವರ್ಕ್ ಇಂಟರ್‌ಫೇಸ್‌ಗಳಲ್ಲಿ ಪ್ರತ್ಯೇಕ ಫ್ಲಾಟ್ ನೆಟ್‌ವರ್ಕ್‌ಗೆ ಹಂಚಿಕೆ ಮಾಡಲಾಗಿದೆ. ಪ್ರತಿಯೊಂದು ಯಂತ್ರವು ಡ್ಯುಯಲ್-ಪೋರ್ಟ್ ನೆಟ್‌ವರ್ಕ್ ಕಾರ್ಡ್‌ಗಳನ್ನು ಹೊಂದಿತ್ತು ಮೆಲ್ಲನಾಕ್ಸ್ 10/25 Gbps, ಎರಡು ಪ್ರತ್ಯೇಕ 10Gbps ಸ್ವಿಚ್‌ಗಳಿಗೆ ಪ್ಲಗ್ ಮಾಡಲಾಗಿದೆ. OSPF ಅನ್ನು ಬಳಸಿಕೊಂಡು ಒಟ್ಟುಗೂಡಿಸುವಿಕೆಯನ್ನು ಕೈಗೊಳ್ಳಲಾಯಿತು, ಏಕೆಂದರೆ ಕೆಲವು ಕಾರಣಗಳಿಗಾಗಿ lacp ನೊಂದಿಗೆ ಬಂಧವು ಗರಿಷ್ಠ 16 Gbps ಒಟ್ಟು ಥ್ರೋಪುಟ್ ಅನ್ನು ತೋರಿಸಿದೆ, ಆದರೆ ospf ಪ್ರತಿ ಗಣಕದಲ್ಲಿ ಎರಡೂ ಹತ್ತಾರುಗಳನ್ನು ಯಶಸ್ವಿಯಾಗಿ ಬಳಸಿಕೊಂಡಿತು. ಭವಿಷ್ಯದ ಯೋಜನೆಗಳು ಸುಪ್ತತೆಯನ್ನು ಕಡಿಮೆ ಮಾಡಲು ಈ ಮೆಲನಾಕ್ಸ್‌ಗಳ ಮೇಲೆ ROCE ಯ ಲಾಭವನ್ನು ಪಡೆದುಕೊಳ್ಳುವುದು. ನೆಟ್ವರ್ಕ್ನ ಈ ಭಾಗವನ್ನು ಹೇಗೆ ಹೊಂದಿಸುವುದು:

ಯಂತ್ರಗಳು ಸ್ವತಃ BGP ನಲ್ಲಿ ಬಾಹ್ಯ IP ವಿಳಾಸಗಳನ್ನು ಹೊಂದಿರುವುದರಿಂದ, ನಮಗೆ ಸಾಫ್ಟ್‌ವೇರ್ ಅಗತ್ಯವಿದೆ - (ಹೆಚ್ಚು ನಿಖರವಾಗಿ, ಈ ಲೇಖನವನ್ನು ಬರೆಯುವ ಸಮಯದಲ್ಲಿ ಅದು frr=6.0-1 ) ಆಗಲೇ ನಿಂತಿದ್ದ.
ಒಟ್ಟಾರೆಯಾಗಿ, ಯಂತ್ರಗಳು ಎರಡು ನೆಟ್ವರ್ಕ್ ಇಂಟರ್ಫೇಸ್ಗಳನ್ನು ಹೊಂದಿದ್ದವು, ಪ್ರತಿಯೊಂದೂ ಎರಡು ಇಂಟರ್ಫೇಸ್ಗಳೊಂದಿಗೆ - ಒಟ್ಟು 4 ಪೋರ್ಟ್ಗಳು. ಒಂದು ನೆಟ್‌ವರ್ಕ್ ಕಾರ್ಡ್ ಎರಡು ಪೋರ್ಟ್‌ಗಳನ್ನು ಹೊಂದಿರುವ ಕಾರ್ಖಾನೆಯನ್ನು ನೋಡಿದೆ ಮತ್ತು ಅದರ ಮೇಲೆ BGP ಅನ್ನು ಕಾನ್ಫಿಗರ್ ಮಾಡಲಾಗಿದೆ, ಎರಡನೆಯದು ಎರಡು ಪೋರ್ಟ್‌ಗಳೊಂದಿಗೆ ಎರಡು ವಿಭಿನ್ನ ಸ್ವಿಚ್‌ಗಳನ್ನು ನೋಡಿದೆ ಮತ್ತು ಅದರ ಮೇಲೆ OSPF ಅನ್ನು ಹೊಂದಿಸಲಾಗಿದೆ

OSPF ಅನ್ನು ಹೊಂದಿಸುವುದರ ಕುರಿತು ಹೆಚ್ಚಿನ ವಿವರಗಳು: ಎರಡು ಲಿಂಕ್‌ಗಳನ್ನು ಒಟ್ಟುಗೂಡಿಸುವುದು ಮತ್ತು ದೋಷ ಸಹಿಷ್ಣುತೆಯನ್ನು ಹೊಂದಿರುವುದು ಮುಖ್ಯ ಕಾರ್ಯವಾಗಿದೆ.
ಎರಡು ನೆಟ್‌ವರ್ಕ್ ಇಂಟರ್‌ಫೇಸ್‌ಗಳನ್ನು ಎರಡು ಸರಳ ಫ್ಲಾಟ್ ನೆಟ್‌ವರ್ಕ್‌ಗಳಾಗಿ ಕಾನ್ಫಿಗರ್ ಮಾಡಲಾಗಿದೆ - 10.10.10.0/24 ಮತ್ತು 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

ಅದರ ಮೂಲಕ ಕಾರುಗಳು ಪರಸ್ಪರ ನೋಡುತ್ತವೆ.

ಡಿಸ್ಕ್ ಮಾಡಿ

ಮುಂದಿನ ಹಂತವು ಡಿಸ್ಕ್ಗಳನ್ನು ಆಪ್ಟಿಮೈಸ್ ಮಾಡುವುದು. SSD ಗಾಗಿ ನಾನು ಶೆಡ್ಯೂಲರ್ ಅನ್ನು ಬದಲಾಯಿಸಿದೆ ನೂಪ್, HDD ಗಾಗಿ - ಗಡುವು. ಇದನ್ನು ನೇರವಾಗಿ ಹೇಳುವುದಾದರೆ, NOOP "ಫಸ್ಟ್ ಇನ್, ಫಸ್ಟ್ ಔಟ್" ತತ್ವದ ಮೇಲೆ ಕಾರ್ಯನಿರ್ವಹಿಸುತ್ತದೆ, ಇದು ಇಂಗ್ಲಿಷ್‌ನಲ್ಲಿ "FIFO (First In, First Out)" ಎಂದು ಧ್ವನಿಸುತ್ತದೆ. ವಿನಂತಿಗಳು ಬರುತ್ತಿದ್ದಂತೆ ಸರದಿಯಲ್ಲಿವೆ. DEADLINE ಹೆಚ್ಚು ಓದಲು-ಆಧಾರಿತವಾಗಿದೆ, ಜೊತೆಗೆ ಸರತಿಯಲ್ಲಿರುವ ಪ್ರಕ್ರಿಯೆಯು ಕಾರ್ಯಾಚರಣೆಯ ಸಮಯದಲ್ಲಿ ಡಿಸ್ಕ್‌ಗೆ ಬಹುತೇಕ ವಿಶೇಷ ಪ್ರವೇಶವನ್ನು ಪಡೆಯುತ್ತದೆ. ಇದು ನಮ್ಮ ಸಿಸ್ಟಮ್‌ಗೆ ಪರಿಪೂರ್ಣವಾಗಿದೆ - ಎಲ್ಲಾ ನಂತರ, ಪ್ರತಿ ಡಿಸ್ಕ್‌ನೊಂದಿಗೆ ಕೇವಲ ಒಂದು ಪ್ರಕ್ರಿಯೆಯು ಕಾರ್ಯನಿರ್ವಹಿಸುತ್ತದೆ - OSD ಡೀಮನ್.
(I/O ಶೆಡ್ಯೂಲರ್‌ಗೆ ಧುಮುಕಲು ಬಯಸುವವರು ಅದರ ಬಗ್ಗೆ ಇಲ್ಲಿ ಓದಬಹುದು:
http://www.admin-magazine.com/HPC/Articles/Linux-I-O-Schedulers

ರಷ್ಯನ್ ಭಾಷೆಯಲ್ಲಿ ಓದಲು ಇಷ್ಟಪಡುವವರು: https://www.opennet.ru/base/sys/linux_shedulers.txt.html)

Linux ಅನ್ನು ಟ್ಯೂನಿಂಗ್ ಮಾಡಲು ಶಿಫಾರಸುಗಳಲ್ಲಿ, nr_request ಅನ್ನು ಹೆಚ್ಚಿಸಲು ಸಹ ಶಿಫಾರಸು ಮಾಡಲಾಗಿದೆ

nr_requests
nr_requests ನ ಮೌಲ್ಯವು I/O ಶೆಡ್ಯೂಲರ್ ಬ್ಲಾಕ್ ಸಾಧನಕ್ಕೆ ಡೇಟಾವನ್ನು ಕಳುಹಿಸುವ / ಸ್ವೀಕರಿಸುವ ಮೊದಲು ಬಫರ್ ಆಗುವ I/O ವಿನಂತಿಗಳ ಪ್ರಮಾಣವನ್ನು ನಿರ್ಧರಿಸುತ್ತದೆ, ನೀವು RAID ಕಾರ್ಡ್ / ಬ್ಲಾಕ್ ಸಾಧನವನ್ನು ಬಳಸುತ್ತಿದ್ದರೆ ಅದು I ಗಿಂತ ದೊಡ್ಡ ಸರದಿಯನ್ನು ನಿಭಾಯಿಸುತ್ತದೆ. /O ಶೆಡ್ಯೂಲರ್ ಅನ್ನು ಹೊಂದಿಸಲಾಗಿದೆ, nr_requests ನ ಮೌಲ್ಯವನ್ನು ಹೆಚ್ಚಿಸುವುದರಿಂದ ಸರ್ವರ್‌ನಲ್ಲಿ ಹೆಚ್ಚಿನ ಪ್ರಮಾಣದ I/O ಸಂಭವಿಸಿದಾಗ ಸರ್ವರ್ ಲೋಡ್ ಅನ್ನು ಸುಧಾರಿಸಲು ಮತ್ತು ಕಡಿಮೆ ಮಾಡಲು ಸಹಾಯ ಮಾಡುತ್ತದೆ. ನೀವು ಡೆಡ್‌ಲೈನ್ ಅಥವಾ CFQ ಅನ್ನು ಶೆಡ್ಯೂಲರ್ ಆಗಿ ಬಳಸುತ್ತಿದ್ದರೆ, ನೀವು nr_request ಮೌಲ್ಯವನ್ನು ಕ್ಯೂ ಡೆಪ್ತ್‌ನ 2 ಪಟ್ಟು ಮೌಲ್ಯಕ್ಕೆ ಹೊಂದಿಸಬೇಕು ಎಂದು ಸೂಚಿಸಲಾಗಿದೆ.

ಆದರೆ! ನಾಗರಿಕರು, CEPH ನ ಅಭಿವರ್ಧಕರು, ಅವರ ಆದ್ಯತೆಗಳ ವ್ಯವಸ್ಥೆಯು ಉತ್ತಮವಾಗಿ ಕಾರ್ಯನಿರ್ವಹಿಸುತ್ತದೆ ಎಂದು ನಮಗೆ ಮನವರಿಕೆ ಮಾಡುತ್ತಾರೆ

WBThrottle ಮತ್ತು/ಅಥವಾ nr_requests

WBThrottle ಮತ್ತು/ಅಥವಾ nr_requests
ಫೈಲ್ ಸಂಗ್ರಹಣೆಯು ಬಫರ್ಡ್ I/O ಅನ್ನು ಬರೆಯಲು ಬಳಸುತ್ತದೆ; ಫೈಲ್ ಶೇಖರಣಾ ಲಾಗ್ ವೇಗವಾದ ಮಾಧ್ಯಮದಲ್ಲಿದ್ದರೆ ಇದು ಹಲವಾರು ಪ್ರಯೋಜನಗಳನ್ನು ತರುತ್ತದೆ. ಲಾಗ್‌ಗೆ ಡೇಟಾವನ್ನು ಬರೆದ ತಕ್ಷಣ ಕ್ಲೈಂಟ್ ವಿನಂತಿಗಳನ್ನು ಸೂಚಿಸಲಾಗುತ್ತದೆ ಮತ್ತು ನಂತರದ ಸಮಯದಲ್ಲಿ ಪ್ರಮಾಣಿತ ಲಿನಕ್ಸ್ ಕಾರ್ಯವನ್ನು ಬಳಸಿಕೊಂಡು ಡೇಟಾ ಡಿಸ್ಕ್‌ಗೆ ಫ್ಲಶ್ ಮಾಡಲಾಗುತ್ತದೆ. ಇದು ಸ್ಪಿಂಡಲ್ ಒಎಸ್‌ಡಿಗಳಿಗೆ ಸಣ್ಣ ಸ್ಫೋಟಗಳಲ್ಲಿ ಬರೆಯುವಾಗ ಎಸ್‌ಎಸ್‌ಡಿಗಳಂತೆಯೇ ಬರೆಯುವ ಸುಪ್ತತೆಯನ್ನು ಒದಗಿಸಲು ಸಾಧ್ಯವಾಗಿಸುತ್ತದೆ. ಈ ವಿಳಂಬಿತ ರೈಟ್ ಬ್ಯಾಕ್ ಡಿಸ್ಕ್ I/O ವಿನಂತಿಗಳನ್ನು ಮರುಸಂಘಟಿಸಲು ಕರ್ನಲ್ ಅನ್ನು ಅನುಮತಿಸುತ್ತದೆ, ಅವುಗಳನ್ನು ಒಟ್ಟಿಗೆ ವಿಲೀನಗೊಳಿಸುವ ಅಥವಾ ಅಸ್ತಿತ್ವದಲ್ಲಿರುವ ಡಿಸ್ಕ್ ಹೆಡ್‌ಗಳು ತಮ್ಮ ಪ್ಲ್ಯಾಟರ್‌ಗಳ ಮೇಲೆ ಕೆಲವು ಹೆಚ್ಚು ಸೂಕ್ತವಾದ ಮಾರ್ಗವನ್ನು ಆಯ್ಕೆ ಮಾಡಲು ಅವಕಾಶ ನೀಡುತ್ತದೆ. ನಿವ್ವಳ ಪರಿಣಾಮವೆಂದರೆ ನೀವು ಪ್ರತಿ ಡಿಸ್ಕ್‌ನಿಂದ ನೇರ ಅಥವಾ ಸಿಂಕ್ರೊನಸ್ I/O ಗಿಂತ ಸ್ವಲ್ಪ ಹೆಚ್ಚು I/O ಅನ್ನು ಸ್ಕ್ವೀಜ್ ಮಾಡಬಹುದು.

ಆದಾಗ್ಯೂ, ನಿರ್ದಿಷ್ಟ Ceph ಕ್ಲಸ್ಟರ್‌ಗೆ ಒಳಬರುವ ದಾಖಲೆಗಳ ಪರಿಮಾಣವು ಆಧಾರವಾಗಿರುವ ಡಿಸ್ಕ್‌ಗಳ ಎಲ್ಲಾ ಸಾಮರ್ಥ್ಯಗಳನ್ನು ಮೀರಿದರೆ ಒಂದು ನಿರ್ದಿಷ್ಟ ಸಮಸ್ಯೆ ಉದ್ಭವಿಸುತ್ತದೆ. ಈ ಸನ್ನಿವೇಶದಲ್ಲಿ, ಡಿಸ್ಕ್‌ಗೆ ಬರೆಯಲು ಕಾಯುತ್ತಿರುವ ಬಾಕಿ ಉಳಿದಿರುವ I/O ಕಾರ್ಯಾಚರಣೆಗಳ ಒಟ್ಟು ಸಂಖ್ಯೆಯು ಅನಿಯಂತ್ರಿತವಾಗಿ ಬೆಳೆಯಬಹುದು ಮತ್ತು I/O ಕ್ಯೂಗಳು ಸಂಪೂರ್ಣ ಡಿಸ್ಕ್ ಮತ್ತು Ceph ಕ್ಯೂಗಳನ್ನು ತುಂಬಲು ಕಾರಣವಾಗುತ್ತದೆ. ಪ್ರಾಥಮಿಕ ಡಿಸ್ಕ್‌ಗೆ ಫ್ಲಶ್ ಮಾಡಲು ಹಲವಾರು ಸೆಕೆಂಡುಗಳನ್ನು ತೆಗೆದುಕೊಳ್ಳಬಹುದು, ಬರೆಯುವ ವಿನಂತಿಗಳ ನಡುವೆ ಅವು ಸಿಲುಕಿಕೊಳ್ಳುವುದರಿಂದ ಓದುವ ವಿನಂತಿಗಳು ವಿಶೇಷವಾಗಿ ಪ್ರಭಾವಿತವಾಗಿವೆ.

ಈ ಸಮಸ್ಯೆಯನ್ನು ನಿವಾರಿಸಲು, Ceph WBThrottle ಎಂಬ ಫೈಲ್ ಸಂಗ್ರಹಣೆಯಲ್ಲಿ ನಿರ್ಮಿಸಲಾದ ರೈಟ್‌ಬ್ಯಾಕ್ ಥ್ರೊಟ್ಲಿಂಗ್ ಕಾರ್ಯವಿಧಾನವನ್ನು ಹೊಂದಿದೆ. ಕರ್ನಲ್ ಮೂಲಕವೇ ಸಕ್ರಿಯಗೊಳಿಸುವುದರಿಂದ ಸ್ವಾಭಾವಿಕವಾಗಿ ಸಂಭವಿಸುವುದಕ್ಕಿಂತ ಮುಂಚೆಯೇ ಸರದಿಯಲ್ಲಿ ನಿಲ್ಲುವ ಮತ್ತು ಅದರ ಫ್ಲಶ್ ಪ್ರಕ್ರಿಯೆಯನ್ನು ಪ್ರಾರಂಭಿಸುವ ಸೋಮಾರಿ ಬರಹ I/O ಯ ಒಟ್ಟಾರೆ ಪ್ರಮಾಣವನ್ನು ಮಿತಿಗೊಳಿಸಲು ಇದನ್ನು ವಿನ್ಯಾಸಗೊಳಿಸಲಾಗಿದೆ. ದುರದೃಷ್ಟವಶಾತ್, ಡೀಫಾಲ್ಟ್ ಮೌಲ್ಯಗಳು ಅಸ್ತಿತ್ವದಲ್ಲಿರುವ ನಡವಳಿಕೆಯನ್ನು ಓದುವ ಸುಪ್ತತೆಯ ಮೇಲೆ ಈ ಪರಿಣಾಮವನ್ನು ಕಡಿಮೆ ಮಾಡುವ ಮಟ್ಟಕ್ಕೆ ಇನ್ನೂ ಕಡಿಮೆ ಮಾಡದಿರಬಹುದು ಎಂದು ಪರೀಕ್ಷೆಯು ತೋರಿಸುತ್ತದೆ. ಹೊಂದಾಣಿಕೆಗಳು ಈ ನಡವಳಿಕೆಯನ್ನು ಬದಲಾಯಿಸಬಹುದು ಮತ್ತು ಒಟ್ಟಾರೆ ಬರೆಯುವ ಸರದಿಯ ಉದ್ದವನ್ನು ಕಡಿಮೆ ಮಾಡಬಹುದು ಮತ್ತು ಈ ಪರಿಣಾಮವನ್ನು ಕಡಿಮೆ ತೀವ್ರಗೊಳಿಸಬಹುದು. ಟ್ರೇಡ್-ಆಫ್ ಇದೆ, ಆದಾಗ್ಯೂ: ಸರತಿಯಲ್ಲಿ ಅನುಮತಿಸಲಾದ ಒಟ್ಟಾರೆ ಗರಿಷ್ಠ ಸಂಖ್ಯೆಯ ನಮೂದುಗಳನ್ನು ಕಡಿಮೆ ಮಾಡುವ ಮೂಲಕ, ಒಳಬರುವ ವಿನಂತಿಗಳನ್ನು ಆರ್ಡರ್ ಮಾಡುವಲ್ಲಿ ಅದರ ದಕ್ಷತೆಯನ್ನು ಹೆಚ್ಚಿಸಲು ನೀವು ಕರ್ನಲ್‌ನ ಸಾಮರ್ಥ್ಯವನ್ನು ಕಡಿಮೆ ಮಾಡಬಹುದು. ನಿಮ್ಮ ನಿರ್ದಿಷ್ಟ ಬಳಕೆಯ ಪ್ರಕರಣ, ಕೆಲಸದ ಹೊರೆಗಳು ಮತ್ತು ಅವರಿಗೆ ಸರಿಹೊಂದುವಂತೆ ಸರಿಹೊಂದಿಸಲು ನಿಮಗೆ ಹೆಚ್ಚು ಏನು ಬೇಕು ಎಂಬುದರ ಕುರಿತು ಸ್ವಲ್ಪ ಯೋಚಿಸುವುದು ಯೋಗ್ಯವಾಗಿದೆ.

ಅಂತಹ ಬರಹ-ಬ್ಯಾಕ್‌ಲಾಗ್ ಸರದಿಯ ಆಳವನ್ನು ನಿಯಂತ್ರಿಸಲು, ನೀವು WBThrottle ಸೆಟ್ಟಿಂಗ್‌ಗಳನ್ನು ಬಳಸಿಕೊಂಡು ಒಟ್ಟಾರೆ ಗರಿಷ್ಟ ಸಂಖ್ಯೆಯ ಬಾಕಿ ಉಳಿದಿರುವ I/O ಕಾರ್ಯಾಚರಣೆಗಳನ್ನು ಕಡಿಮೆ ಮಾಡಬಹುದು ಅಥವಾ ನಿಮ್ಮ ಕರ್ನಲ್‌ನ ಬ್ಲಾಕ್ ಮಟ್ಟದಲ್ಲಿ ನೀವು ಬಾಕಿಯಿರುವ ಕಾರ್ಯಾಚರಣೆಗಳಿಗಾಗಿ ಗರಿಷ್ಠ ಮೌಲ್ಯವನ್ನು ಕಡಿಮೆ ಮಾಡಬಹುದು. ಎರಡೂ ಒಂದೇ ನಡವಳಿಕೆಯನ್ನು ಪರಿಣಾಮಕಾರಿಯಾಗಿ ನಿಯಂತ್ರಿಸಬಹುದು ಮತ್ತು ಈ ಸೆಟ್ಟಿಂಗ್ ಅನ್ನು ಕಾರ್ಯಗತಗೊಳಿಸಲು ನಿಮ್ಮ ಆದ್ಯತೆಗಳು ಆಧಾರವಾಗಿರುತ್ತವೆ.
ಡಿಸ್ಕ್ ಮಟ್ಟದಲ್ಲಿ ಕಡಿಮೆ ಪ್ರಶ್ನೆಗಳಿಗೆ Ceph ನ ಕಾರ್ಯಾಚರಣೆಯ ಆದ್ಯತೆಯ ವ್ಯವಸ್ಥೆಯು ಹೆಚ್ಚು ಪರಿಣಾಮಕಾರಿಯಾಗಿರುತ್ತದೆ ಎಂಬುದನ್ನು ಸಹ ಗಮನಿಸಬೇಕು. ನೀಡಿರುವ ಡಿಸ್ಕ್‌ಗೆ ಒಟ್ಟಾರೆ ಸರದಿಯನ್ನು ಕುಗ್ಗಿಸುವ ಮೂಲಕ, ಸರದಿಯ ಪ್ರಾಥಮಿಕ ಸ್ಥಳವು Ceph ಗೆ ಚಲಿಸುತ್ತದೆ, ಅಲ್ಲಿ I/O ಕಾರ್ಯಾಚರಣೆಯು ಯಾವ ಆದ್ಯತೆಯನ್ನು ಹೊಂದಿದೆ ಎಂಬುದರ ಮೇಲೆ ಹೆಚ್ಚಿನ ನಿಯಂತ್ರಣವನ್ನು ಹೊಂದಿರುತ್ತದೆ. ಕೆಳಗಿನ ಉದಾಹರಣೆಯನ್ನು ಪರಿಗಣಿಸಿ:

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

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

ಕಾಮನ್

ಮತ್ತು ನಿಮ್ಮ ಕಾರನ್ನು ಮೃದು ಮತ್ತು ರೇಷ್ಮೆಯಂತೆ ಮಾಡಲು ಮತ್ತು ಹಾರ್ಡ್‌ವೇರ್‌ನಿಂದ ಸ್ವಲ್ಪ ಹೆಚ್ಚಿನ ಕಾರ್ಯಕ್ಷಮತೆಯನ್ನು ಹಿಂಡಲು ಇನ್ನೂ ಕೆಲವು ಕರ್ನಲ್ ಟ್ವೀಕ್‌ಗಳು

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 ನಲ್ಲಿ ಇಮ್ಮರ್ಶನ್

ನಾನು ಹೆಚ್ಚು ವಿವರವಾಗಿ ವಾಸಿಸಲು ಬಯಸುವ ಸೆಟ್ಟಿಂಗ್‌ಗಳು:

cat /etc/ceph/ceph.conf

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

ಆವೃತ್ತಿ 12.2.12 ನಲ್ಲಿ QA ಗಾಗಿ ಪರೀಕ್ಷಿಸಲಾದ ಕೆಲವು ನಿಯತಾಂಕಗಳು ceph ಆವೃತ್ತಿ 12.2.2 ನಲ್ಲಿ ಕಾಣೆಯಾಗಿವೆ, ಉದಾಹರಣೆಗೆ osd_recovery_threads. ಆದ್ದರಿಂದ, ಯೋಜನೆಗಳು 12.2.12 ಗೆ ಉತ್ಪಾದನೆಯ ನವೀಕರಣವನ್ನು ಒಳಗೊಂಡಿವೆ. ಅಭ್ಯಾಸವು ಒಂದು ಕ್ಲಸ್ಟರ್‌ನಲ್ಲಿ 12.2.2 ಮತ್ತು 12.2.12 ಆವೃತ್ತಿಗಳ ನಡುವೆ ಹೊಂದಾಣಿಕೆಯನ್ನು ತೋರಿಸಿದೆ, ಇದು ರೋಲಿಂಗ್ ನವೀಕರಣಗಳನ್ನು ಅನುಮತಿಸುತ್ತದೆ.

ಪರೀಕ್ಷಾ ಕ್ಲಸ್ಟರ್

ಸ್ವಾಭಾವಿಕವಾಗಿ, ಪರೀಕ್ಷೆಗಾಗಿ ಇದು ಯುದ್ಧದಲ್ಲಿ ಅದೇ ಆವೃತ್ತಿಯನ್ನು ಹೊಂದಲು ಅಗತ್ಯವಾಗಿತ್ತು, ಆದರೆ ನಾನು ಕ್ಲಸ್ಟರ್ನೊಂದಿಗೆ ಕೆಲಸ ಮಾಡಲು ಪ್ರಾರಂಭಿಸಿದಾಗ, ರೆಪೊಸಿಟರಿಯಲ್ಲಿ ಹೊಸದು ಮಾತ್ರ ಲಭ್ಯವಿತ್ತು. ನೋಡಿದ ನಂತರ, ಚಿಕ್ಕ ಆವೃತ್ತಿಯಲ್ಲಿ ನೀವು ಗ್ರಹಿಸಬಹುದಾದದ್ದು ತುಂಬಾ ದೊಡ್ಡದಲ್ಲ (1393 ವಿರುದ್ಧ ಸಂರಚನೆಗಳಲ್ಲಿನ ಸಾಲುಗಳು 1436 ಹೊಸ ಆವೃತ್ತಿಯಲ್ಲಿ), ಹೊಸದನ್ನು ಪರೀಕ್ಷಿಸಲು ನಾವು ನಿರ್ಧರಿಸಿದ್ದೇವೆ (ಹೇಗಾದರೂ ನವೀಕರಿಸಲಾಗುತ್ತಿದೆ, ಹಳೆಯ ಜಂಕ್‌ನೊಂದಿಗೆ ಏಕೆ ಹೋಗಬೇಕು)

ನಾವು ಹಳೆಯ ಆವೃತ್ತಿಯನ್ನು ಬಿಡಲು ಪ್ರಯತ್ನಿಸಿದ ಏಕೈಕ ವಿಷಯವೆಂದರೆ ಪ್ಯಾಕೇಜ್ ಆಗಿದೆ ceph-ನಿಯೋಜನೆ ಏಕೆಂದರೆ ಕೆಲವು ಉಪಯುಕ್ತತೆಗಳು (ಮತ್ತು ಕೆಲವು ಉದ್ಯೋಗಿಗಳು) ಅದರ ಸಿಂಟ್ಯಾಕ್ಸ್‌ಗೆ ಅನುಗುಣವಾಗಿರುತ್ತವೆ. ಹೊಸ ಆವೃತ್ತಿಯು ವಿಭಿನ್ನವಾಗಿತ್ತು, ಆದರೆ ಕ್ಲಸ್ಟರ್ನ ಕಾರ್ಯಾಚರಣೆಯ ಮೇಲೆ ಪರಿಣಾಮ ಬೀರಲಿಲ್ಲ, ಮತ್ತು ಅದನ್ನು ಆವೃತ್ತಿಯಲ್ಲಿ ಬಿಡಲಾಯಿತು 1.5.39

ceph-disk ಆದೇಶವು ಅಸಮ್ಮತಿಸಲಾಗಿದೆ ಮತ್ತು ceph-volume ಆಜ್ಞೆಯನ್ನು ಬಳಸುತ್ತದೆ ಎಂದು ಸ್ಪಷ್ಟವಾಗಿ ಹೇಳುವುದರಿಂದ, ಪ್ರಿಯರೇ, ನಾವು ಹಳೆಯದಾದವುಗಳಲ್ಲಿ ಸಮಯವನ್ನು ವ್ಯರ್ಥ ಮಾಡದೆ ಈ ಆಜ್ಞೆಯೊಂದಿಗೆ OSD ಗಳನ್ನು ರಚಿಸಲು ಪ್ರಾರಂಭಿಸಿದ್ದೇವೆ.

ಎರಡು SSD ಡ್ರೈವ್‌ಗಳ ಕನ್ನಡಿಯನ್ನು ರಚಿಸುವುದು ಯೋಜನೆಯಾಗಿತ್ತು, ಅದರ ಮೇಲೆ ನಾವು OSD ಲಾಗ್‌ಗಳನ್ನು ಇರಿಸುತ್ತೇವೆ, ಅದು ಪ್ರತಿಯಾಗಿ, ಸ್ಪಿಂಡಲ್ SAS ಗಳಲ್ಲಿದೆ. ಲಾಗ್‌ನೊಂದಿಗೆ ಡಿಸ್ಕ್ ಬಿದ್ದರೆ ಈ ರೀತಿಯಾಗಿ ನಾವು ಡೇಟಾದ ಸಮಸ್ಯೆಗಳಿಂದ ನಮ್ಮನ್ನು ರಕ್ಷಿಸಿಕೊಳ್ಳಬಹುದು.

ನಾವು ದಾಖಲಾತಿಗಳ ಪ್ರಕಾರ ಕ್ಲಸ್ಟರ್ ಅನ್ನು ರಚಿಸಲು ಪ್ರಾರಂಭಿಸಿದ್ದೇವೆ

cat /etc/ceph/ceph.conf

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

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

ಕ್ಲಸ್ಟರ್ ಆವೃತ್ತಿ 12.2.12 ನೊಂದಿಗೆ ceph-deploy ನ ಈ ಆವೃತ್ತಿಯೊಂದಿಗೆ ಕೆಲಸ ಮಾಡುವಾಗ ನಾನು ಎಡವಿದ ಮೊದಲ ವಿಷಯವೆಂದರೆ ಸಾಫ್ಟ್‌ವೇರ್ ರೈಡ್‌ನಲ್ಲಿ db ಯೊಂದಿಗೆ OSD ರಚಿಸಲು ಪ್ರಯತ್ನಿಸುವಾಗ ದೋಷವಾಗಿದೆ -

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

ವಾಸ್ತವವಾಗಿ, blkid PARTUID ಎಂದು ತೋರುತ್ತಿಲ್ಲ, ಆದ್ದರಿಂದ ನಾನು ವಿಭಾಗಗಳನ್ನು ಹಸ್ತಚಾಲಿತವಾಗಿ ರಚಿಸಬೇಕಾಗಿತ್ತು:

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

ಎಲ್ಲವೂ ಸಿದ್ಧವಾಗಿದೆ ಎಂದು ತೋರುತ್ತದೆ, ನಾವು ಮತ್ತೆ OSD ಅನ್ನು ರಚಿಸಲು ಪ್ರಯತ್ನಿಸುತ್ತೇವೆ ಮತ್ತು ಕೆಳಗಿನ ದೋಷವನ್ನು ಪಡೆದುಕೊಳ್ಳುತ್ತೇವೆ (ಇದು ಯುದ್ಧದಲ್ಲಿ ಪುನರುತ್ಪಾದಿಸಲ್ಪಟ್ಟಿಲ್ಲ)

WAL ಗೆ ಮಾರ್ಗವನ್ನು ಸೂಚಿಸದೆ, ಆದರೆ db ಅನ್ನು ನಿರ್ದಿಷ್ಟಪಡಿಸದೆ ಬ್ಲೂಸ್ಟೋರ್ ಪ್ರಕಾರದ OSD ರಚಿಸುವಾಗ

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

ಇದಲ್ಲದೆ, ಅದೇ ಕನ್ನಡಿಯಲ್ಲಿ (ಅಥವಾ ನಿಮ್ಮ ಆಯ್ಕೆಯ ಇನ್ನೊಂದು ಸ್ಥಳದಲ್ಲಿ) ನೀವು WAL ಗಾಗಿ ಮತ್ತೊಂದು ವಿಭಾಗವನ್ನು ರಚಿಸಿದರೆ ಮತ್ತು OSD ಅನ್ನು ರಚಿಸುವಾಗ ಅದನ್ನು ನಿರ್ದಿಷ್ಟಪಡಿಸಿದರೆ, ನಂತರ ಎಲ್ಲವೂ ಸುಗಮವಾಗಿ ನಡೆಯುತ್ತದೆ (ಪ್ರತ್ಯೇಕ WAL ಕಾಣಿಸಿಕೊಳ್ಳುವುದನ್ನು ಹೊರತುಪಡಿಸಿ, ನೀವು ಮಾಡದಿರಬಹುದು ಬಯಸಿದೆ) .

ಆದರೆ, ಇದು ಇನ್ನೂ NVMe ಗೆ WAL ಅನ್ನು ಸರಿಸಲು ದೂರದ ಯೋಜನೆಗಳಲ್ಲಿದ್ದರಿಂದ, ಅಭ್ಯಾಸವು ಅತಿಯಾಗಿ ಹೊರಹೊಮ್ಮಲಿಲ್ಲ.

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

ಮಾನಿಟರ್‌ಗಳು, ಮ್ಯಾನೇಜರ್‌ಗಳು ಮತ್ತು OSD ರಚಿಸಲಾಗಿದೆ. ಈಗ ನಾನು ಅವುಗಳನ್ನು ವಿಭಿನ್ನವಾಗಿ ಗುಂಪು ಮಾಡಲು ಬಯಸುತ್ತೇನೆ, ಏಕೆಂದರೆ ನಾನು ವಿವಿಧ ರೀತಿಯ ಡಿಸ್ಕ್ಗಳನ್ನು ಹೊಂದಲು ಯೋಜಿಸುತ್ತೇನೆ - SSD ನಲ್ಲಿ ವೇಗದ ಪೂಲ್ಗಳು ಮತ್ತು ದೊಡ್ಡದಾದ, ಆದರೆ SAS ಪ್ಯಾನ್ಕೇಕ್ಗಳಲ್ಲಿ ನಿಧಾನವಾದ ಪೂಲ್ಗಳು.

ಸರ್ವರ್‌ಗಳು 20 ಡಿಸ್ಕ್‌ಗಳನ್ನು ಹೊಂದಿವೆ ಎಂದು ಭಾವಿಸೋಣ, ಮೊದಲ ಹತ್ತು ಒಂದು ವಿಧ, ಎರಡನೆಯದು ಇನ್ನೊಂದು.
ಆರಂಭಿಕ, ಡೀಫಾಲ್ಟ್, ಕಾರ್ಡ್ ಈ ರೀತಿ ಕಾಣುತ್ತದೆ:

ceph osd ಮರ

root@ceph01-q:~# ceph osd ಮರ
ಐಡಿ ಕ್ಲಾಸ್ ತೂಕದ ಪ್ರಕಾರದ ಹೆಸರು ಸ್ಥಿತಿ ರೀವೈಟ್ ಪ್ರಿ-ಎಎಫ್ಎಫ್
-1 14.54799 ಮೂಲ ಡೀಫಾಲ್ಟ್
-3 9.09200 ಹೋಸ್ಟ್ ceph01-q
0 ssd 1.00000 osd.0 ಮೇಲೆ 1.00000 1.00000
1 ssd 1.00000 osd.1 ಮೇಲೆ 1.00000 1.00000
2 ssd 1.00000 osd.2 ಮೇಲೆ 1.00000 1.00000
3 ssd 1.00000 osd.3 ಮೇಲೆ 1.00000 1.00000
4 ಎಚ್ಡಿಡಿ 1.00000 ಒಎಸ್ಡಿ.4 1.00000 1.00000
5 ಎಚ್ಡಿಡಿ 0.27299 ಒಎಸ್ಡಿ.5 1.00000 1.00000
6 ಎಚ್ಡಿಡಿ 0.27299 ಒಎಸ್ಡಿ.6 1.00000 1.00000
7 ಎಚ್ಡಿಡಿ 0.27299 ಒಎಸ್ಡಿ.7 1.00000 1.00000
8 ಎಚ್ಡಿಡಿ 0.27299 ಒಎಸ್ಡಿ.8 1.00000 1.00000
9 ಎಚ್ಡಿಡಿ 0.27299 ಒಎಸ್ಡಿ.9 1.00000 1.00000
10 ಎಚ್ಡಿಡಿ 0.27299 ಒಎಸ್ಡಿ.10 1.00000 1.00000
11 ಎಚ್ಡಿಡಿ 0.27299 ಒಎಸ್ಡಿ.11 1.00000 1.00000
12 ಎಚ್ಡಿಡಿ 0.27299 ಒಎಸ್ಡಿ.12 1.00000 1.00000
13 ಎಚ್ಡಿಡಿ 0.27299 ಒಎಸ್ಡಿ.13 1.00000 1.00000
14 ಎಚ್ಡಿಡಿ 0.27299 ಒಎಸ್ಡಿ.14 1.00000 1.00000
15 ಎಚ್ಡಿಡಿ 0.27299 ಒಎಸ್ಡಿ.15 1.00000 1.00000
16 ಎಚ್ಡಿಡಿ 0.27299 ಒಎಸ್ಡಿ.16 1.00000 1.00000
17 ಎಚ್ಡಿಡಿ 0.27299 ಒಎಸ್ಡಿ.17 1.00000 1.00000
18 ಎಚ್ಡಿಡಿ 0.27299 ಒಎಸ್ಡಿ.18 1.00000 1.00000
19 ಎಚ್ಡಿಡಿ 0.27299 ಒಎಸ್ಡಿ.19 1.00000 1.00000
-5 5.45599 ಹೋಸ್ಟ್ ceph02-q
20 ssd 0.27299 osd.20 ಮೇಲೆ 1.00000 1.00000
21 ssd 0.27299 osd.21 ಮೇಲೆ 1.00000 1.00000
22 ssd 0.27299 osd.22 ಮೇಲೆ 1.00000 1.00000
23 ssd 0.27299 osd.23 ಮೇಲೆ 1.00000 1.00000
24 ಎಚ್ಡಿಡಿ 0.27299 ಒಎಸ್ಡಿ.24 1.00000 1.00000
25 ಎಚ್ಡಿಡಿ 0.27299 ಒಎಸ್ಡಿ.25 1.00000 1.00000
26 ಎಚ್ಡಿಡಿ 0.27299 ಒಎಸ್ಡಿ.26 1.00000 1.00000
27 ಎಚ್ಡಿಡಿ 0.27299 ಒಎಸ್ಡಿ.27 1.00000 1.00000
28 ಎಚ್ಡಿಡಿ 0.27299 ಒಎಸ್ಡಿ.28 1.00000 1.00000
29 ಎಚ್ಡಿಡಿ 0.27299 ಒಎಸ್ಡಿ.29 1.00000 1.00000
30 ಎಚ್ಡಿಡಿ 0.27299 ಒಎಸ್ಡಿ.30 1.00000 1.00000
31 ಎಚ್ಡಿಡಿ 0.27299 ಒಎಸ್ಡಿ.31 1.00000 1.00000
32 ಎಚ್ಡಿಡಿ 0.27299 ಒಎಸ್ಡಿ.32 1.00000 1.00000
33 ಎಚ್ಡಿಡಿ 0.27299 ಒಎಸ್ಡಿ.33 1.00000 1.00000
34 ಎಚ್ಡಿಡಿ 0.27299 ಒಎಸ್ಡಿ.34 1.00000 1.00000
35 ಎಚ್ಡಿಡಿ 0.27299 ಒಎಸ್ಡಿ.35 1.00000 1.00000
36 ಎಚ್ಡಿಡಿ 0.27299 ಒಎಸ್ಡಿ.36 1.00000 1.00000
37 ಎಚ್ಡಿಡಿ 0.27299 ಒಎಸ್ಡಿ.37 1.00000 1.00000
38 ಎಚ್ಡಿಡಿ 0.27299 ಒಎಸ್ಡಿ.38 1.00000 1.00000
39 ಎಚ್ಡಿಡಿ 0.27299 ಒಎಸ್ಡಿ.39 1.00000 1.00000
-7 6.08690 ಹೋಸ್ಟ್ ceph03-q
40 ssd 0.27299 osd.40 ಮೇಲೆ 1.00000 1.00000
41 ssd 0.27299 osd.41 ಮೇಲೆ 1.00000 1.00000
42 ssd 0.27299 osd.42 ಮೇಲೆ 1.00000 1.00000
43 ssd 0.27299 osd.43 ಮೇಲೆ 1.00000 1.00000
44 ಎಚ್ಡಿಡಿ 0.27299 ಒಎಸ್ಡಿ.44 1.00000 1.00000
45 ಎಚ್ಡಿಡಿ 0.27299 ಒಎಸ್ಡಿ.45 1.00000 1.00000
46 ಎಚ್ಡಿಡಿ 0.27299 ಒಎಸ್ಡಿ.46 1.00000 1.00000
47 ಎಚ್ಡಿಡಿ 0.27299 ಒಎಸ್ಡಿ.47 1.00000 1.00000
48 ಎಚ್ಡಿಡಿ 0.27299 ಒಎಸ್ಡಿ.48 1.00000 1.00000
49 ಎಚ್ಡಿಡಿ 0.27299 ಒಎಸ್ಡಿ.49 1.00000 1.00000
50 ಎಚ್ಡಿಡಿ 0.27299 ಒಎಸ್ಡಿ.50 1.00000 1.00000
51 ಎಚ್ಡಿಡಿ 0.27299 ಒಎಸ್ಡಿ.51 1.00000 1.00000
52 ಎಚ್ಡಿಡಿ 0.27299 ಒಎಸ್ಡಿ.52 1.00000 1.00000
53 ಎಚ್ಡಿಡಿ 0.27299 ಒಎಸ್ಡಿ.53 1.00000 1.00000
54 ಎಚ್ಡಿಡಿ 0.27299 ಒಎಸ್ಡಿ.54 1.00000 1.00000
55 ಎಚ್ಡಿಡಿ 0.27299 ಒಎಸ್ಡಿ.55 1.00000 1.00000
56 ಎಚ್ಡಿಡಿ 0.27299 ಒಎಸ್ಡಿ.56 1.00000 1.00000
57 ಎಚ್ಡಿಡಿ 0.27299 ಒಎಸ್ಡಿ.57 1.00000 1.00000
58 ಎಚ್ಡಿಡಿ 0.27299 ಒಎಸ್ಡಿ.58 1.00000 1.00000
59 ಎಚ್ಡಿಡಿ 0.89999 ಒಎಸ್ಡಿ.59 1.00000 1.00000

ಬ್ಲ್ಯಾಕ್‌ಜಾಕ್ ಮತ್ತು ಇತರ ವಿಷಯಗಳೊಂದಿಗೆ ನಮ್ಮದೇ ಆದ ವರ್ಚುವಲ್ ರಾಕ್ಸ್ ಮತ್ತು ಸರ್ವರ್‌ಗಳನ್ನು ರಚಿಸೋಣ:

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

ನಾವು ಎದುರಿಸಿದ ಸಮಸ್ಯೆಗಳು ಯುದ್ಧ ಕ್ಲಸ್ಟರ್, ಹೊಸ ಹೋಸ್ಟ್ ಅನ್ನು ರಚಿಸಲು ಪ್ರಯತ್ನಿಸುವಾಗ ಮತ್ತು ಅದನ್ನು ಅಸ್ತಿತ್ವದಲ್ಲಿರುವ ರಾಕ್ - ಕಮಾಂಡ್‌ಗೆ ಸರಿಸಲು ceph osd ಕ್ರಷ್ ಮೂವ್ ceph01-ಹೋಸ್ಟ್ ರೂಟ್ = rack01 ಫ್ರೀಜ್, ಮತ್ತು ಮಾನಿಟರ್‌ಗಳು ಒಂದೊಂದಾಗಿ ಬೀಳಲು ಪ್ರಾರಂಭಿಸಿದವು. ಸರಳ CTRL+C ನೊಂದಿಗೆ ಆಜ್ಞೆಯನ್ನು ಸ್ಥಗಿತಗೊಳಿಸುವುದು ಕ್ಲಸ್ಟರ್ ಅನ್ನು ಜೀವಂತ ಜಗತ್ತಿಗೆ ಹಿಂದಿರುಗಿಸಿತು.

ಹುಡುಕಾಟವು ಈ ಸಮಸ್ಯೆಯನ್ನು ತೋರಿಸಿದೆ: https://tracker.ceph.com/issues/23386

ಕ್ರಶ್‌ಮ್ಯಾಪ್ ಅನ್ನು ಡಂಪ್ ಮಾಡುವುದು ಮತ್ತು ಅಲ್ಲಿಂದ ವಿಭಾಗವನ್ನು ತೆಗೆದುಹಾಕುವುದು ಪರಿಹಾರವಾಗಿದೆ ನಿಯಮ 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

ಅಖ್ತುಂಗ್: ಈ ಕಾರ್ಯಾಚರಣೆಯು OSD ಗಳ ನಡುವೆ ಪ್ಲೇಸ್‌ಮೆಂಟ್ ಗುಂಪಿನ ಮರುಸಮತೋಲನಕ್ಕೆ ಕಾರಣವಾಗಬಹುದು. ಇದು ನಮಗೆ ಇದನ್ನು ಉಂಟುಮಾಡಿದೆ, ಆದರೆ ಬಹಳ ಕಡಿಮೆ.

ಮತ್ತು ಟೆಸ್ಟ್ ಕ್ಲಸ್ಟರ್‌ನಲ್ಲಿ ನಾವು ಎದುರಿಸಿದ ವಿಚಿತ್ರವೆಂದರೆ OSD ಸರ್ವರ್ ಅನ್ನು ರೀಬೂಟ್ ಮಾಡಿದ ನಂತರ, ಅವರು ಹೊಸ ಸರ್ವರ್‌ಗಳು ಮತ್ತು ರಾಕ್‌ಗಳಿಗೆ ಸರಿಸಲಾಗಿದೆ ಎಂಬುದನ್ನು ಅವರು ಮರೆತಿದ್ದಾರೆ ಮತ್ತು ಮೂಲ ಡೀಫಾಲ್ಟ್‌ಗೆ ಮರಳಿದರು.
ಪರಿಣಾಮವಾಗಿ, ನಾವು ಎಸ್‌ಎಸ್‌ಡಿ ಡ್ರೈವ್‌ಗಳಿಗಾಗಿ ಪ್ರತ್ಯೇಕ ರೂಟ್ ಮತ್ತು ಸ್ಪಿಂಡಲ್ ಡ್ರೈವ್‌ಗಳಿಗಾಗಿ ಪ್ರತ್ಯೇಕ ರೂಟ್ ಅನ್ನು ರಚಿಸುವ ಅಂತಿಮ ಸ್ಕೀಮ್ ಅನ್ನು ಜೋಡಿಸಿದ ನಂತರ, ನಾವು ಎಲ್ಲಾ ಒಎಸ್‌ಡಿಗಳನ್ನು ರಾಕ್‌ಗಳಾಗಿ ತೆಗೆದುಕೊಂಡು ಡೀಫಾಲ್ಟ್ ರೂಟ್ ಅನ್ನು ಅಳಿಸಿದ್ದೇವೆ. ರೀಬೂಟ್ ಮಾಡಿದ ನಂತರ, OSD ಸ್ಥಳದಲ್ಲಿ ಉಳಿಯಲು ಪ್ರಾರಂಭಿಸಿತು.
ನಂತರ ದಸ್ತಾವೇಜನ್ನು ಅಗೆದ ನಂತರ, ಈ ನಡವಳಿಕೆಗೆ ಕಾರಣವಾದ ಪ್ಯಾರಾಮೀಟರ್ ಅನ್ನು ನಾವು ಕಂಡುಕೊಂಡಿದ್ದೇವೆ. ಎರಡನೇ ಭಾಗದಲ್ಲಿ ಅವನ ಬಗ್ಗೆ

ಡಿಸ್ಕ್ ಪ್ರಕಾರದಿಂದ ನಾವು ವಿವಿಧ ಗುಂಪುಗಳನ್ನು ಹೇಗೆ ರಚಿಸಿದ್ದೇವೆ.

ಮೊದಲಿಗೆ, ನಾವು ಎರಡು ಮೂಲಗಳನ್ನು ರಚಿಸಿದ್ದೇವೆ - ssd ಮತ್ತು hdd ಗಾಗಿ

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

ಸರ್ವರ್‌ಗಳು ಭೌತಿಕವಾಗಿ ವಿಭಿನ್ನ ಚರಣಿಗೆಗಳಲ್ಲಿ ನೆಲೆಗೊಂಡಿರುವುದರಿಂದ, ಅನುಕೂಲಕ್ಕಾಗಿ ನಾವು ಅವುಗಳಲ್ಲಿ ಸರ್ವರ್‌ಗಳೊಂದಿಗೆ ಚರಣಿಗೆಗಳನ್ನು ರಚಿಸಿದ್ದೇವೆ

# 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

ಮತ್ತು ಡಿಸ್ಕ್‌ಗಳನ್ನು ಅವುಗಳ ಪ್ರಕಾರಗಳ ಪ್ರಕಾರ ವಿವಿಧ ಸರ್ವರ್‌ಗಳಲ್ಲಿ ವಿತರಿಸಲಾಯಿತು

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 ಮತ್ತು hdd-root ಮಾರ್ಗಗಳ ನಡುವೆ ಡಿಸ್ಕ್ಗಳನ್ನು ಹರಡಿದ ನಂತರ, ನಾವು ರೂಟ್-ಡೀಫಾಲ್ಟ್ ಅನ್ನು ಖಾಲಿ ಬಿಟ್ಟಿದ್ದೇವೆ, ಆದ್ದರಿಂದ ನಾವು ಅದನ್ನು ಅಳಿಸಬಹುದು

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

ಮುಂದೆ, ನಾವು ರಚಿಸಲಾದ ಪೂಲ್‌ಗಳಿಗೆ ಬಂಧಿಸುವ ವಿತರಣಾ ನಿಯಮಗಳನ್ನು ನಾವು ರಚಿಸಬೇಕಾಗಿದೆ - ನಿಯಮಗಳಲ್ಲಿ ನಮ್ಮ ಪೂಲ್ ಡೇಟಾವನ್ನು ಮತ್ತು ಪ್ರತಿಕೃತಿಯ ಅನನ್ಯತೆಯ ಮಟ್ಟವನ್ನು ಯಾವ ಬೇರುಗಳನ್ನು ಹಾಕಬಹುದು ಎಂಬುದನ್ನು ನಾವು ಸೂಚಿಸುತ್ತೇವೆ - ಉದಾಹರಣೆಗೆ, ಪ್ರತಿಕೃತಿಗಳು ವಿಭಿನ್ನ ಸರ್ವರ್‌ಗಳಲ್ಲಿ ಇರಬೇಕು, ಅಥವಾ ವಿಭಿನ್ನ ಚರಣಿಗೆಗಳಲ್ಲಿ (ನಾವು ಅಂತಹ ವಿತರಣೆಯನ್ನು ಹೊಂದಿದ್ದರೆ ನೀವು ವಿಭಿನ್ನ ಬೇರುಗಳಲ್ಲಿ ಸಹ ಮಾಡಬಹುದು)

ಪ್ರಕಾರವನ್ನು ಆಯ್ಕೆಮಾಡುವ ಮೊದಲು, ದಸ್ತಾವೇಜನ್ನು ಓದುವುದು ಉತ್ತಮ:
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

ಸರಿ, ನಾವು ಭವಿಷ್ಯದಲ್ಲಿ ನಮ್ಮ ವರ್ಚುವಲೈಸೇಶನ್‌ನ ಡಿಸ್ಕ್ ಚಿತ್ರಗಳನ್ನು ಸಂಗ್ರಹಿಸಲು ಬಯಸುವ ಪೂಲ್‌ಗಳನ್ನು ರಚಿಸುತ್ತೇವೆ - 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

ಮತ್ತು ಈ ಪೂಲ್‌ಗಳಿಗೆ ಯಾವ ಪ್ಲೇಸ್‌ಮೆಂಟ್ ನಿಯಮಗಳನ್ನು ಬಳಸಬೇಕೆಂದು ನಾವು ಹೇಳುತ್ತೇವೆ

 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

ಪ್ಲೇಸ್‌ಮೆಂಟ್ ಗುಂಪುಗಳ ಸಂಖ್ಯೆಯ ಆಯ್ಕೆಯನ್ನು ನಿಮ್ಮ ಕ್ಲಸ್ಟರ್‌ಗಾಗಿ ಮೊದಲೇ ಅಸ್ತಿತ್ವದಲ್ಲಿರುವ ದೃಷ್ಟಿಯೊಂದಿಗೆ ಸಂಪರ್ಕಿಸಬೇಕು - ಸರಿಸುಮಾರು ಎಷ್ಟು OSD ಗಳು ಇರುತ್ತವೆ, ಯಾವ ಪ್ರಮಾಣದ ಡೇಟಾ (ಒಟ್ಟು ಪರಿಮಾಣದ ಶೇಕಡಾವಾರು) ಪೂಲ್‌ನಲ್ಲಿ ಇರುತ್ತದೆ, ಏನು ಡೇಟಾದ ಒಟ್ಟು ಮೊತ್ತ.

ಒಟ್ಟಾರೆಯಾಗಿ, ಡಿಸ್ಕ್‌ನಲ್ಲಿ 300 ಕ್ಕಿಂತ ಹೆಚ್ಚು ಪ್ಲೇಸ್‌ಮೆಂಟ್ ಗುಂಪುಗಳನ್ನು ಹೊಂದಿರದಿರುವುದು ಒಳ್ಳೆಯದು, ಮತ್ತು ಸಣ್ಣ ಪ್ಲೇಸ್‌ಮೆಂಟ್ ಗುಂಪುಗಳೊಂದಿಗೆ ಸಮತೋಲನ ಮಾಡುವುದು ಸುಲಭವಾಗುತ್ತದೆ - ಅಂದರೆ, ನಿಮ್ಮ ಸಂಪೂರ್ಣ ಪೂಲ್ 10 Tb ಅನ್ನು ತೆಗೆದುಕೊಂಡರೆ ಮತ್ತು ಅದರಲ್ಲಿ 10 PG ಇದ್ದರೆ - ನಂತರ ಸಮತೋಲನ ಟೆರಾಬೈಟ್ ಇಟ್ಟಿಗೆಗಳನ್ನು ಎಸೆಯುವ ಮೂಲಕ (ಪಿಜಿ) ಸಮಸ್ಯಾತ್ಮಕವಾಗಿರುತ್ತದೆ - ಸಣ್ಣ ಗಾತ್ರದ ಮರಳಿನೊಂದಿಗೆ ಮರಳನ್ನು ಬಕೆಟ್‌ಗಳಲ್ಲಿ ಸುಲಭವಾಗಿ ಮತ್ತು ಹೆಚ್ಚು ಸಮವಾಗಿ ಸುರಿಯಿರಿ.

ಆದರೆ ಹೆಚ್ಚಿನ ಸಂಖ್ಯೆಯ PG ಗಳು, ಅವುಗಳ ಸ್ಥಳವನ್ನು ಲೆಕ್ಕಹಾಕಲು ಹೆಚ್ಚಿನ ಸಂಪನ್ಮೂಲಗಳನ್ನು ಖರ್ಚು ಮಾಡಲಾಗುತ್ತದೆ ಎಂದು ನಾವು ನೆನಪಿನಲ್ಲಿಟ್ಟುಕೊಳ್ಳಬೇಕು - ಮೆಮೊರಿ ಮತ್ತು CPU ಅನ್ನು ಬಳಸಿಕೊಳ್ಳಲು ಪ್ರಾರಂಭಿಸುತ್ತದೆ.

ಸ್ಥೂಲ ತಿಳುವಳಿಕೆ ಇರಬಹುದು ನನಗೆ ಕ್ಯಾಲ್ಕುಲೇಟರ್ ಕೊಡು, CEPH ದಸ್ತಾವೇಜನ್ನು ಅಭಿವರ್ಧಕರು ಒದಗಿಸಿದ್ದಾರೆ.

ವಸ್ತುಗಳ ಪಟ್ಟಿ:

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/

ಮೂಲ: www.habr.com

ಸೆಫ್ - "ಮೊಣಕಾಲಿನ ಮೇಲೆ" ನಿಂದ "ಉತ್ಪಾದನೆ" ವರೆಗೆ