CEPH тандоо. 1-бөлүк
Бизде беш стеллаж, он оптикалык өчүргүч, конфигурацияланган BGP, бир нече ондогон SSD жана ар кандай түстөгү жана өлчөмдөгү SAS дисктери, ошондой эле proxmox жана бардык статикалык маалыматтарды өзүбүздүн S3 сактагычыбызга салуу каалообуз бар. Мунун баары виртуалдаштыруу үчүн керек эмес, бирок сиз ачык булакты колдоно баштагандан кийин, хоббиңизди аягына чейин ээрчиңиз. Мени тынчсыздандырган бир гана нерсе BGP болду. Дүйнөдө ички BGP маршрутизациясынан өткөн алсыз, жоопкерчиликсиз жана адепсиз эч ким жок. Мен жакында биз ага киришерибизди билгем.
Тапшырма анча маанилүү эмес - CEPH бар, бирок ал жакшы иштеген жок. «Жакшылык» кылуу керек эле.
Мен алган кластер гетерогендүү, шашылыш түрдө жөндөлгөн жана иш жүзүндө туураланган эмес. Ал ар кандай түйүндөрдүн эки тобунан турган, бир жалпы сетка кластердин да, коомдук тармактын да ролун аткарган. Түйүндөр дисктердин төрт түрү менен толтурулган - эки өзүнчө жайгаштыруу эрежелеринде чогултулган SSDдин эки түрү жана үчүнчү топко чогултулган ар кандай өлчөмдөгү HDDдин эки түрү. Ар кандай өлчөмдөгү көйгөй ар кандай OSD салмактары менен чечилди.
Орнотуу өзү эки бөлүккө бөлүнөт - операциялык системаны тууралоо и CEPH өзү жөндөө жана анын орнотуулары.
OS жаңыланууда
тармак
Жогорку кечигүү жаздырууга да, тең салмактуулукка да таасирин тийгизди. Жазып жатканда - анткени башка жайгаштыруу топторундагы маалыматтардын репликалары ийгиликти тастыктамайынча кардар ийгиликтүү жаздыруу жөнүндө жооп албайт. CRUSH картасында репликаларды таратуу эрежелери ар бир хостко бир реплика болгондуктан, тармак дайыма колдонулчу.
Ошондуктан, мен чечкен биринчи нерсе - учурдагы тармакты бир аз чыңдоо, ошол эле учурда мени өзүнчө тармактарга өтүүгө көндүрүүгө аракет кылуу.
Баштоо үчүн, мен тармактык карталардын жөндөөлөрүн өзгөрттүм. Мен кезектерди коюу менен баштадым:
Эмне болду эле:
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: 1Бул учурдагы параметрлери максималдуу алыс экенин көрүүгө болот. Көбөйтүлгөн:
root@ceph01:~#ethtool -G ens1f0 rx 4096
root@ceph01:~#ethtool -G ens1f0 tx 4096
root@ceph01:~#ethtool -L ens1f0 combined 63Мыкты макала менен жетектелген
жөнөтүү кезегинин узундугун көбөйттү txqueuelen 1000ден 10ге чейин
root@ceph01:~#ip link set ens1f0 txqueuelen 10000Ооба, cephтин документтерине ылайык
көбөйдү АДАМ 9000.
root@ceph01:~#ip link set dev ens1f0 mtu 9000/etc/network/interfacesке кошулду, ошентип жогоруда айтылгандардын баары ишке киргенде жүктөлөт
cat / etc / network / interfaces
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 9000Андан кийин, ошол эле макаладан кийин, мен 4.15 ядросунун туткаларын ойлоно баштадым. Түйүндөрдө 128G RAM бар экенин эске алып, биз үчүн конфигурация файлы менен аяктадык syctl
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)Сжаркыраган тармак өзүнчө 10Gbps тармак интерфейстеринде өзүнчө жалпак тармакка бөлүнгөн. Ар бир машина эки порттуу тармак карталары менен жабдылган mellanox 10/25 Gbps, эки өзүнчө 10Gbps өчүргүчтөрүнө сайылган. Агрегация OSPF аркылуу жүргүзүлдү, анткени lacp менен байланышуу кандайдыр бир себептерден улам максимум 16 Гбит/с жалпы өткөрүү жөндөмдүүлүгүн көрсөттү, ал эми ospf ар бир машинада эки онду тең ийгиликтүү колдонду. Келечектеги пландар кечиктирүүнү азайтуу үчүн бул меланокстарда ROCE мүмкүнчүлүгүн колдонуу болгон. Тармактын бул бөлүгүн кантип орнотуу керек:
- Машиналардын BGPде тышкы IP даректери болгондуктан, бизге программалык камсыздоо керек - (Тагыраак айтканда, бул макаланы жазып жаткан учурда ) уже туруптур.
- Бардыгы болуп машиналарда эки тармак интерфейси болгон, ар биринде эки интерфейс бар - бардыгы 4 порт. Бир тармак картасы эки порту бар заводду карап, ага BGP конфигурацияланган, экинчиси эки порту бар эки башка өчүргүчтөрдү карап, ага OSPF орнотулган.
OSPF орнотуу боюнча көбүрөөк маалымат: Негизги милдет - эки шилтемени бириктирүү жана катага чыдамдуулук.
эки тармак интерфейси эки жөнөкөй жалпак тармактарга конфигурацияланган - 10.10.10.0/24 жана 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 ens1f1кайсы унаалар бири-бирин көрүшөт.
ДИСК
Кийинки кадам дисктерди оптималдаштыруу болду. SSD үчүн мен пландаштыргычты өзгөрттүм noop, HDD үчүн - мөөнөтү. Ачык айтканда, NOOP "биринчи кирген, биринчи чыккан" принциби боюнча иштейт, ал англисче "FIFO (Биринчи кирген, биринчи чыккан)" сыяктуу угат. Талаптар келгенден кийин кезекке турушат. DEADLINE окууга көбүрөөк багытталган, ошондой эле кезекте турган процесс операция учурунда дискке дээрлик эксклюзивдүү мүмкүнчүлүк алат. Бул биздин система үчүн идеалдуу - ар бир диск менен бир гана процесс иштейт - OSD демону.
(I/O пландоочусуна кирүүнү каалагандар бул жөнүндө окуй алышат:
Орус тилинде окууну каалагандар: )
Linuxту тюнинг боюнча сунуштарда nr_request жогорулатуу сунушталат
nr_requests
nr_requests мааниси I/O пландоочусу блок түзмөгүнө маалыматтарды жөнөтүп/кабыл алганга чейин буферленген киргизүү/чыгаруу сурамдарынын көлөмүн аныктайт, эгерде сиз I/O пландоочусуна караганда чоңураак кезекти кармай алган RAID картасын/Блок түзмөгүн колдонуп жатсаңыз. /O пландоочу орнотулган, nr_requests маанисин жогорулатуу серверде чоң көлөмдөгү киргизүү/чыгармачылык пайда болгондо сервердин жүгүн жакшыртууга жана азайтууга жардам берет. Пландоочу катары Deadline же CFQ колдонуп жатсаңыз, nr_request маанисин кезек тереңдигинин маанисинен 2 эсе жогору коюу сунушталат.
БИРОК! Жарандардын өздөрү, CEPHти иштеп чыгуучулар, алардын артыкчылыктар системасы жакшыраак иштешине бизди ынандырат
WBThrottle жана/же nr_requests
WBThrottle жана/же nr_requests
Файл сактагыч жазуу үчүн буфердик I/O колдонот; бул файлдарды сактоо журналы ылдамыраак медиада болсо, бир катар артыкчылыктарды алып келет. Кардардын суроо-талаптары маалыматтар журналга жазылгандан кийин кабарланат жана андан кийин стандарттуу Linux функцияларын колдонуу менен маалымат дискинин өзүнө куюлат. Бул шпиндель OSD'лерине кичинекей жарылууларда жазууда SSDдерге окшош жазуу кечигүүсүн камсыз кылууга мүмкүндүк берет. Бул кечиктирилген кайра жазуу да ядронун өзүнө дисктин киргизүү/чыгаруу суроо-талаптарын кайра уюштурууга мүмкүндүк берет, же аларды бириктирүү же учурдагы диск башчыларына пластинкалардын үстүнөн оптималдуу жолду тандоого мүмкүндүк берет. Таза эффект, сиз түз же синхрондуу киргизүү/чыгаруу менен мүмкүн болгонго караганда ар бир дисктен бир аз көбүрөөк I/O сыгып аласыз.
Бирок, эгерде берилген Ceph кластерине кирүүчү жазуулардын көлөмү негизги дисктердин бардык мүмкүнчүлүктөрүнөн ашып кетсе, белгилүү бир көйгөй пайда болот. Бул сценарийде дискке жазылууну күтүп жаткан күтүүдөгү киргизүү/чыгаруу операцияларынын жалпы саны көзөмөлсүз өсүп, киргизүү/чыгаруу кезектеринин бүт дискти жана Ceph кезегин толтуруусуна алып келиши мүмкүн. Окуу сурамдарына өзгөчө таасир этет, анткени алар жазуу өтүнүчтөрүнүн ортосунда тыгылып калышат, аларды негизги дискке жууп салуу бир нече секунд талап кылынышы мүмкүн.
Бул көйгөйдү чечүү үчүн, Ceph WBThrottle деп аталган файл сактагычына орнотулган кайра жазууну басуучу механизмге ээ. Ал кезекке туруп, тазалоо процессин өзөктүн өзү иштеткендиктен табигый түрдө боло тургандан эрте башташы мүмкүн болгон жалкоо жазуу киргизүү/чыгаруусунун жалпы көлөмүн чектөө үчүн иштелип чыккан. Тилекке каршы, тестирлөө демейки маанилер дагы деле бар жүрүм-турумду окуунун кечигүүсүнө бул таасирди азайта турган деңгээлге чейин азайта албасын көрсөтүп турат. Түзөтүүлөр бул жүрүм-турумду өзгөртүп, жалпы жазуу кезегинин узундугун азайтып, бул таасирди анча оор эмес кыла алат. Бирок, соодалашуу бар: кезекке турууга уруксат берилген жазуулардын жалпы максималдуу санын азайтуу менен, сиз өзөктүн өзүнүн келген суроо-талаптарды иреттөөдө анын эффективдүүлүгүн жогорулатуу мүмкүнчүлүгүн азайта аласыз. Бул сиздин конкреттүү колдонуу жагдайыңыз, жумуш жүгү жана аларга ылайыкташтыруу үчүн эмне керектиги жөнүндө бир аз ойлонуп көргөнүңүз оң.
Мындай артта калган жазуу кезегинин тереңдигин көзөмөлдөө үчүн, WBThrottle орнотууларын колдонуу менен көрүнүктүү киргизүү/чыгаруу операцияларынын жалпы максималдуу санын азайтсаңыз болот, же өзүңүздүн ядроңуздун блок деңгээлинде көрүнүктүү операциялардын максималдуу маанисин азайтсаңыз болот. Экөө тең бир эле жүрүм-турумду натыйжалуу башкара алат жана сиздин каалоолоруңуз бул жөндөөнү ишке ашыруу үчүн негиз болот.
Ошондой эле Cephтин операциялык артыкчылык системасы диск деңгээлинде кыскараак сурамдар үчүн натыйжалуураак экенин белгилей кетүү керек. Берилген дискке жалпы кезекти кичирейтүү менен, кезектин негизги орду Cephге жылат, ал жерде киргизүү/чыгаруу операциясы кандай артыкчылыкка ээ экенин көбүрөөк көзөмөлдөйт. Төмөнкү мисалды карап көрөлү:
echo 8 > /sys/block/sda/queue/nr_requestsЖалпы
Унааңызды жумшак жана жибектей кылып, аппараттык жабдыктардан бир аз көбүрөөк өндүрүмдүүлүктү сыгып алуу үчүн дагы бир нече өзөктүк өзгөртүүлөр
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. CEPHге чөмүлүү
Мен кененирээк токтолгум келген орнотуулар:
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 версиясында QA үчүн сыналган кээ бир параметрлер ceph 12.2.2 версиясында жок, мисалы osd_recovery_threads. Ошондуктан, пландар 12.2.12 чейин өндүрүштү жаңыртуу камтылган. Практика бир кластерде 12.2.2 жана 12.2.12 версияларынын ортосунда шайкештикти көрсөттү, бул жаңыртууларды жылдырууга мүмкүндүк берет.
Сыноо кластери
Албетте, тестирлөө үчүн согуштагыдай версия болушу керек болчу, бирок мен кластер менен иштей баштаганда репозиторийде жаңысы гана бар болчу. Карап чыккандан кийин, сиз кичинекей версияда эмнени көрө аласыз, анча чоң эмес (1393 каршы конфигурациялардагы сызыктар 1436 жаңы версияда), биз жаңысын сынап көрүүнү чечтик (кандай болсо да жаңыртуу, эмне үчүн эски таштандыларды колдонуу керек)
Эски версияны артка калтырууга аракет кылган бир гана нерсе - бул пакет ceph-жайгаштыруу анткени кээ бир утилиталар (жана кээ бир кызматкерлер) анын синтаксисине ылайыкташтырылган. Жаңы версия такыр башкача болгон, бирок кластердин өзүнүн иштөөсүнө эч кандай таасир эткен эмес жана ал версияда калган 1.5.39
Ceph-disk буйругу анын эскиргендигин ачык айткандыктан жана ceph-volume буйругун колдонуңуз, урматтуулар, биз эскиргендерге убакыт коротпой, ушул буйрук менен OSD түзө баштадык.
План эки SSD дискинин күзгүсүн түзүү болчу, ага биз OSD журналдарын жайгаштырабыз, алар өз кезегинде SAS шпинделдеринде жайгашкан. Бул жол менен биз журналы бар диск түшүп калса, өзүбүздү берилиштерге байланыштуу көйгөйлөрдөн коргой алабыз.
Документке ылайык кластер түзө баштадык
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 кластердик версиясы менен ceph-deploy бул версиясы менен иштөөдө мен биринчи жолу мүдүрүлгөн нерсе, программалык рейдде db менен OSD түзүүгө аракет кылгандагы ката болду -
root@ceph01-qa:~#ceph-volume lvm create --bluestore --data /dev/sde --block.db /dev/md0
blkid could not detect a PARTUUID for device: /dev/md1Чынында эле, blkid PARTUUID эмес окшойт, ошондуктан мен кол менен бөлүмдөрдү түзүшүм керек болчу:
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; doneБаары даяр окшойт, биз кайрадан OSD түзүүгө аракет кылабыз жана төмөнкү катаны алабыз (айтмакчы, ал согушта кайталанган эмес)
WAL жолун көрсөтпөстөн, бирок db көрсөтүү менен bluestore түрүндөгү OSD түзүүдө
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 argumenМындан тышкары, эгерде сиз ошол эле күзгүдө (же сиз каалаган башка жерде) WAL үчүн башка бөлүктү түзүп, аны OSD түзүүдө көрсөтсөңүз, анда баары ойдогудай өтөт (өзүнчө WAL пайда болгондон башкасы, аны каалаган).
Бирок, WALды NVMeге көчүрүү дагы эле алыскы пландарда болгондуктан, практика ашыкча болгон жок.
root@ceph01-qa:~#ceph-volume lvm create --bluestore --data /dev/sdf --block.wal /dev/md0p2 --block.db /dev/md1p2Мониторлор, менеджерлер жана OSD түзүлдү. Эми мен аларды башкача топтогум келет, анткени мен ар кандай типтеги дисктерди алууну пландап жатам - SSDдеги тез бассейндер жана SAS куймактарында чоң, бирок жай бассейндер.
Серверлерде 20 диск бар деп коёлу, биринчи он бир түрү, экинчиси башка.
Баштапкы, демейки карта төмөнкүдөй көрүнөт:
ceph osd дарагы
root@ceph01-q:~# ceph osd дарагы
ID КЛАСС САЛМАК ТҮРҮ АТЫ АБАЛЫ КАЙРА САЛМАК PRI-AFF
-1 14.54799 root демейки
-3 9.09200 хост ceph01-q
0 ssd 1.00000 osd.0 жогору 1.00000 1.00000
1 ssd 1.00000 osd.1 жогору 1.00000 1.00000
2 ssd 1.00000 osd.2 жогору 1.00000 1.00000
3 ssd 1.00000 osd.3 жогору 1.00000 1.00000
4 hdd 1.00000 osd.4 жогору 1.00000 1.00000
5 hdd 0.27299 osd.5 жогору 1.00000 1.00000
6 hdd 0.27299 osd.6 жогору 1.00000 1.00000
7 hdd 0.27299 osd.7 жогору 1.00000 1.00000
8 hdd 0.27299 osd.8 жогору 1.00000 1.00000
9 hdd 0.27299 osd.9 жогору 1.00000 1.00000
10 hdd 0.27299 osd.10 жогору 1.00000 1.00000
11 hdd 0.27299 osd.11 жогору 1.00000 1.00000
12 hdd 0.27299 osd.12 жогору 1.00000 1.00000
13 hdd 0.27299 osd.13 жогору 1.00000 1.00000
14 hdd 0.27299 osd.14 жогору 1.00000 1.00000
15 hdd 0.27299 osd.15 жогору 1.00000 1.00000
16 hdd 0.27299 osd.16 жогору 1.00000 1.00000
17 hdd 0.27299 osd.17 жогору 1.00000 1.00000
18 hdd 0.27299 osd.18 жогору 1.00000 1.00000
19 hdd 0.27299 osd.19 жогору 1.00000 1.00000
-5 5.45599 хост ceph02-q
20 ssd 0.27299 osd.20 жогору 1.00000 1.00000
21 ssd 0.27299 osd.21 жогору 1.00000 1.00000
22 ssd 0.27299 osd.22 жогору 1.00000 1.00000
23 ssd 0.27299 osd.23 жогору 1.00000 1.00000
24 hdd 0.27299 osd.24 жогору 1.00000 1.00000
25 hdd 0.27299 osd.25 жогору 1.00000 1.00000
26 hdd 0.27299 osd.26 жогору 1.00000 1.00000
27 hdd 0.27299 osd.27 жогору 1.00000 1.00000
28 hdd 0.27299 osd.28 жогору 1.00000 1.00000
29 hdd 0.27299 osd.29 жогору 1.00000 1.00000
30 hdd 0.27299 osd.30 жогору 1.00000 1.00000
31 hdd 0.27299 osd.31 жогору 1.00000 1.00000
32 hdd 0.27299 osd.32 жогору 1.00000 1.00000
33 hdd 0.27299 osd.33 жогору 1.00000 1.00000
34 hdd 0.27299 osd.34 жогору 1.00000 1.00000
35 hdd 0.27299 osd.35 жогору 1.00000 1.00000
36 hdd 0.27299 osd.36 жогору 1.00000 1.00000
37 hdd 0.27299 osd.37 жогору 1.00000 1.00000
38 hdd 0.27299 osd.38 жогору 1.00000 1.00000
39 hdd 0.27299 osd.39 жогору 1.00000 1.00000
-7 6.08690 хост ceph03-q
40 ssd 0.27299 osd.40 жогору 1.00000 1.00000
41 ssd 0.27299 osd.41 жогору 1.00000 1.00000
42 ssd 0.27299 osd.42 жогору 1.00000 1.00000
43 ssd 0.27299 osd.43 жогору 1.00000 1.00000
44 hdd 0.27299 osd.44 жогору 1.00000 1.00000
45 hdd 0.27299 osd.45 жогору 1.00000 1.00000
46 hdd 0.27299 osd.46 жогору 1.00000 1.00000
47 hdd 0.27299 osd.47 жогору 1.00000 1.00000
48 hdd 0.27299 osd.48 жогору 1.00000 1.00000
49 hdd 0.27299 osd.49 жогору 1.00000 1.00000
50 hdd 0.27299 osd.50 жогору 1.00000 1.00000
51 hdd 0.27299 osd.51 жогору 1.00000 1.00000
52 hdd 0.27299 osd.52 жогору 1.00000 1.00000
53 hdd 0.27299 osd.53 жогору 1.00000 1.00000
54 hdd 0.27299 osd.54 жогору 1.00000 1.00000
55 hdd 0.27299 osd.55 жогору 1.00000 1.00000
56 hdd 0.27299 osd.56 жогору 1.00000 1.00000
57 hdd 0.27299 osd.57 жогору 1.00000 1.00000
58 hdd 0.27299 osd.58 жогору 1.00000 1.00000
59 hdd 0.89999 osd.59 жогору 1.00000 1.00000
Келгиле, блэкджек жана башка нерселер менен өзүбүздүн виртуалдык стеллаждарды жана серверлерди түзөлү:
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 rack01Биз туш болгон көйгөйлөр согуш кластер, жаңы хост түзүүгө жана аны учурдагы стойкага жылдырууга аракет кылып жатканда - команда ceph osd crush move ceph01-host root=rack01 катып калды, мониторлор биринин артынан бири кулай баштады. Жөнөкөй CTRL+C менен буйрукту токтотуу кластерди тирүүлөрдүн дүйнөсүнө кайтарды.
Издөө бул көйгөйдү көрсөттү:
Чечим crushmap таштоо жана ал жерден бөлүмдү алып салуу болуп чыкты эреже replicated_rolesset
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: Бул операция OSD ортосундагы жайгаштыруу тобунун тең салмактуулугуна алып келиши мүмкүн. Бул бизге себеп болду, бирок абдан аз.
Жана биз сыноо кластеринде жолуккан таң калыштуу нерсе, OSD серверин кайра жүктөгөндөн кийин, алар жаңы серверлерге жана стеллаждарга көчүрүлгөнүн унутуп, түпкү демейкиге кайтып келишкен.
Натыйжада, акыркы схеманы чогултуп, анда биз ssd дисктери үчүн өзүнчө тамырды жана шпинделдик дисктер үчүн өзүнчө бирди түзгөнбүз, биз бардык OSDлерди стеллаждарга алып, жөн эле демейки тамырды жок кылдык. Кайра жүктөөдөн кийин OSD ордунда кала баштады.
Кийинчерээк документтерди казып чыккандан кийин, биз бул жүрүм-турум үчүн жооптуу болгон параметрди таптык. Ал тууралуу экинчи бөлүктө
Кантип дисктин түрү боюнча ар кандай топторду түздүк.
Баштоо үчүн, биз эки тамыр түздүк - ssd жана hdd үчүн
root@ceph01-q:~#ceph osd crush add-bucket ssd-root root
root@ceph01-q:~#ceph osd crush add-bucket hdd-root rootСерверлер физикалык жактан ар кандай стеллаждарда жайгашкандыктан, ыңгайлуулук үчүн биз аларда серверлери бар стеллаждарды түздүк
# 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 hostжана дисктерди түрлөрүнө жараша ар кандай серверлерге бөлүштүрдү
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 серверамиДисктерди ssd-root жана hdd-root маршруттарынын арасына чачыратып, биз түпкү демейкиди бош калтырдык, ошондуктан биз аны жок кыла алабыз.
root-ceph01-q:~#ceph osd crush remove defaultАндан кийин, биз түзүлүп жаткан бассейндерге байлай турган бөлүштүрүү эрежелерин түзүшүбүз керек - эрежелерде биз кайсы тамырлар биздин пулдун маалыматтарын жана репликанын уникалдуулугунун деңгээлин көрсөтөт - мисалы, репликалар ар кандай серверлерде болушу керек, же ар кандай стеллаждарда (эгер бизде ушундай бөлүштүрүү бар болсо, ар кандай тамырларда да болот)
Түрүн тандоодон мурун, документтерди окуп чыгуу жакшы:
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 firstnОоба, биз келечекте виртуалдаштыруунун диск сүрөттөрүн сактагыбыз келген бассейндерди түзөбүз - 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 1024Жана биз бул бассейндерге кандай жайгаштыруу эрежелерин колдонуу керектигин айтабыз
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
Жайгаштыруу топторунун санын тандоого сиздин кластериңиздин алдын ала болгон көз карашы менен караш керек - болжол менен канча OSD болот, бассейнде канча маалымат (жалпы көлөмдүн пайызында) болот, эмне маалыматтардын жалпы суммасы.
Бардыгы болуп, дискте 300дөн ашык жайгаштыруу топтору болбошу максатка ылайык, жана чакан жайгаштыруу топтору менен тең салмактуулукту сактоо оңой болот, башкача айтканда, эгер сиздин бүт бассейниңиз 10 Тб ээлеп, анда 10 PG болсо - анда баланстоо терабайттык кирпичти ыргытуу менен (б.т.) көйгөйлүү болот - чакаларга кумдун кичинекей дандары менен кумду оңой жана тегиз куюңуз).
Бирок PG саны канчалык көп болсо, алардын жайгашкан жерин эсептөөгө ошончолук көп ресурстар сарпталарын эстен чыгарбашыбыз керек - эстутум жана CPU колдонула баштайт.
Оор түшүнүү болушу мүмкүн , CEPH документтерин иштеп чыгуучулар тарабынан берилген.
Материалдардын тизмеси:
Source: www.habr.com