CEPH pasirinkimas. 1 dalis

Turėjome penkis stovus, dešimt optinių jungiklių, sukonfigūruotą BGP, porą dešimčių SSD ir krūvą įvairių spalvų ir dydžių SAS diskų, taip pat proxmox ir norą visus statinius duomenis įdėti į savo S3 saugyklą. Ne todėl, kad viso to reikia virtualizacijai, bet kai pradėsite naudoti atvirąjį kodą, sekite savo hobį iki galo. Vienintelis dalykas, kuris mane trikdė, buvo BGP. Nėra pasaulyje bejėgiškesnio, neatsakingesnio ir amoralesnio už vidinį BGP maršrutizavimą. Ir aš žinojau, kad gana greitai į tai pasinersime.

Užduotis buvo nereikšminga – buvo CEPH, bet ji neveikė labai gerai. Reikėjo daryti „gerą“.
Klasteris, kurį gavau, buvo nevienalytis, skubotai sureguliuotas ir praktiškai nesuderintas. Jį sudarė dvi skirtingų mazgų grupės, kurių vienas bendras tinklelis veikia ir kaip klasteris, ir kaip viešasis tinklas. Mazgai buvo užpildyti keturių tipų diskais – dviejų tipų SSD, surinktais pagal dvi atskiras išdėstymo taisykles, ir dviejų tipų skirtingų dydžių HDD, surinktų trečioje grupėje. Skirtingų dydžių problemą išsprendė skirtingi OSD svoriai.

Pati sąranka yra padalinta į dvi dalis - operacinės sistemos derinimas и paties CEPH derinimas ir jo nustatymai.

OS atnaujinimas

tinklas

Didelė delsa paveikė ir įrašymą, ir balansavimą. Įrašant – nes klientas negaus atsakymo apie sėkmingą įrašymą, kol duomenų kopijos kitose talpinimo grupėse nepatvirtins sėkmės. Kadangi kopijų platinimo taisyklės CRUSH žemėlapyje buvo viena kopija vienam pagrindiniam kompiuteriui, tinklas buvo naudojamas visada.

Todėl pirmas dalykas, kurį nusprendžiau padaryti, buvo šiek tiek pakoreguoti dabartinį tinklą, tuo pačiu bandydamas mane įtikinti pereiti prie atskirų tinklų.

Pirmiausia pakoregavau tinklo plokščių nustatymus. Pradėjau nuo eilių nustatymo:

kas nutiko:

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

Matyti, kad dabartiniai parametrai toli gražu nėra maksimumai. Padidėjęs:

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

Vadovavosi puikiu straipsniu

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

padidino siuntimo eilės ilgį txqueuelen nuo 1000 iki 10 000

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

Na, vadovaudamiesi paties cepho dokumentacija

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

padidėjo MTU į 9000.

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

Pridėta prie /etc/network/interfaces, kad visa tai būtų įkelta paleidžiant

katė / etc / tinklas / sąsajos

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

Po to, vadovaudamasis tuo pačiu straipsniu, pradėjau apgalvotai sukti 4.15 branduolio rankenas. Atsižvelgiant į tai, kad mazgai turi 128G RAM, mes gavome konfigūracijos failą 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)

Сblizgesio tinklas buvo paskirstytas atskirose 10Gbps tinklo sąsajose į atskirą plokščią tinklą. Kiekviena mašina buvo aprūpinta dviejų prievadų tinklo plokštėmis mellanox 10/25 Gbps, prijungtas prie dviejų atskirų 10 Gbps jungiklių. Sujungimas buvo atliktas naudojant OSPF, nes sujungimas su lacp dėl tam tikrų priežasčių parodė didžiausią 16 Gbps pralaidumą, o ospf sėkmingai panaudojo abi dešimtis kiekviename įrenginyje. Ateityje planuota pasinaudoti šių melanoksų ROCE pranašumais, siekiant sumažinti delsą. Kaip nustatyti šią tinklo dalį:

Kadangi patys įrenginiai turi išorinius IP adresus BGP, mums reikia programinės įrangos - (tiksliau, šio straipsnio rašymo metu taip buvo frr=6.0-1 ) jau stovėjo.
Iš viso mašinos turėjo dvi tinklo sąsajas, kurių kiekviena turėjo po dvi sąsajas – iš viso 4 prievadus. Viena tinklo plokštė pažiūrėjo į gamyklą su dviem prievadais ir joje buvo sukonfigūruotas BGP, antroji žiūrėjo į du skirtingus jungiklius su dviem prievadais ir joje buvo nustatytas OSPF

Daugiau informacijos apie OSPF nustatymą: pagrindinė užduotis yra sujungti dvi nuorodas ir turėti atsparumą gedimams.
dvi tinklo sąsajos sukonfigūruotos į du paprastus plokščius tinklus - 10.10.10.0/24 ir 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

pagal kuriuos automobiliai mato vienas kitą.

DISKAS

Kitas žingsnis buvo diskų optimizavimas. SSD pakeičiau planuoklį į noo, skirtas HDD - terminas. Tiesą sakant, NOOP veikia pagal principą „pirmas į, pirmas išeina“, kuris angliškai skamba kaip „FIFO (First In, First Out).“ Prašymai pateikiami eilėje, kai jie gaunami. DEADLINE yra labiau orientuotas į skaitymą, be to, eilėje esantis procesas operacijos metu gauna beveik išskirtinę prieigą prie disko. Tai puikiai tinka mūsų sistemai – juk su kiekvienu disku veikia tik vienas procesas – OSD demonas.
(Tie, kurie nori pasinerti į I/O planuoklį, apie tai gali paskaityti čia:
http://www.admin-magazine.com/HPC/Articles/Linux-I-O-Schedulers

Tie, kurie mėgsta skaityti rusiškai: https://www.opennet.ru/base/sys/linux_shedulers.txt.html)

Rekomendacijose dėl Linux derinimo taip pat rekomenduojama padidinti nr_request

Nr_requests
Nr_requests reikšmė nustato įvesties / išvesties užklausų, kurios bus buferizuojamos prieš įvesties / išvesties planuokliui siunčiant / gaunant duomenis į blokavimo įrenginį, skaičių, jei naudojate RAID kortelę / blokavimo įrenginį, kuris gali apdoroti didesnę eilę nei I. Nustatytas /O planuoklis, nr_requests vertės padidinimas gali padėti patobulinti visą ir sumažinti serverio apkrovą, kai serveryje atsiranda daug įvesties / išvesties. Jei kaip planuoklį naudojate terminą arba CFQ, rekomenduojama nustatyti nr_request reikšmę 2 kartus didesnę už eilės gylio reikšmę.

BET! Patys piliečiai, CEPH kūrėjai, mus įtikina, kad jų prioritetų sistema veikia geriau

WBTrottle ir (arba) Nr_requests

WBTrottle ir (arba) Nr_requests
Failų saugykla rašymui naudoja buferinį I/O; tai duoda daug privalumų, jei failų saugojimo žurnalas yra greitesnėje laikmenoje. Apie klientų užklausas pranešama iškart, kai duomenys įrašomi į žurnalą, o vėliau, naudojant standartines „Linux“ funkcijas, išleidžiami į patį duomenų diską. Tai leidžia suklio OSD užtikrinti rašymo delsą, panašią į SSD, kai rašoma mažais serijomis. Šis uždelstas įrašymas taip pat leidžia pačiam branduoliui pertvarkyti disko įvesties / išvesties užklausas, tikintis jas sujungti arba leisti esamoms disko galvutėms pasirinkti optimalesnį kelią per savo plokšteles. Grynasis efektas yra tas, kad galite išspausti šiek tiek daugiau įvesties / išvesties iš kiekvieno disko, nei būtų įmanoma naudojant tiesioginį arba sinchroninį įvestį / išvestį.

Tačiau iškyla tam tikra problema, jei į tam tikrą Ceph klasterį gaunamų įrašų kiekis viršija visas pagrindinių diskų galimybes. Pagal šį scenarijų bendras laukiančių įvesties / išvesties operacijų, laukiančių, kol bus įrašytos į diską, skaičius gali nekontroliuojamai augti, todėl įvesties / išvesties eilės užpildys visą diską ir Ceph eilės. Skaitymo užklausos yra ypač paveiktos, nes jos įstringa tarp rašymo užklausų, o tai gali užtrukti kelias sekundes, kol jos išplautos į pirminį diską.

Kad išspręstų šią problemą, „Ceph“ turi į failų saugyklą įmontuotą „WBThrottle“ įrašymo ribojimo mechanizmą. Jis sukurtas siekiant apriboti bendrą tingaus rašymo įvesties / išvesties, kuri gali atsidurti eilėje ir pradėti praplovimo procesą anksčiau, skaičių, nei tai įvyktų natūraliai, nes jį įgalina pats branduolys. Deja, bandymai rodo, kad numatytosios vertės vis tiek gali nesumažinti esamos elgsenos iki tokio lygio, kuris gali sumažinti šį poveikį skaitymo delsai. Koregavimai gali pakeisti šią elgseną ir sumažinti bendrą rašymo eilės ilgį ir padaryti šį poveikį ne tokį stiprų. Tačiau yra kompromisas: sumažinę bendrą maksimalų įrašų skaičių, kurį leidžiama sudaryti eilėje, galite sumažinti paties branduolio gebėjimą maksimaliai padidinti gaunamų užklausų užsakymo efektyvumą. Verta šiek tiek pagalvoti apie tai, ko jums reikia daugiau, atsižvelgiant į konkrečią naudojimo atvejį, darbo krūvius ir pritaikyti, kad jie atitiktų.

Norėdami valdyti tokios įrašymo atsilikimo eilės gylį, galite sumažinti bendrą maksimalų neįvykdytų įvesties / išvesties operacijų skaičių naudodami WBThrottle parametrus arba galite sumažinti didžiausią neįvykdytų operacijų reikšmę paties branduolio bloko lygiu. Abu gali veiksmingai valdyti tą patį elgesį, o jūsų nuostatos bus šio nustatymo pagrindas.
Taip pat reikėtų pažymėti, kad Ceph operacijų prioritetų sistema yra efektyvesnė trumpesnėms užklausoms disko lygiu. Sutraukus bendrą eilę iki tam tikro disko, pirminė eilės vieta perkeliama į Ceph, kur ji gali labiau valdyti įvesties / išvesties operacijos prioritetą. Apsvarstykite šį pavyzdį:

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

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

BENDRASIS

Ir dar keli branduolio patobulinimai, kad jūsų automobilis būtų minkštas ir šilkinis, o aparatinė įranga būtų našesnė

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.

Panardinimas į CEPH

Nustatymai, kuriuos norėčiau aptarti išsamiau:

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

Pavyzdžiui, kai kurių parametrų, kurie buvo išbandyti siekiant užtikrinti kokybės užtikrinimą 12.2.12 versijoje, trūksta 12.2.2 versijoje. osd_recovery_threads. Todėl į planus buvo įtrauktas gamybos atnaujinimas iki 12.2.12. Praktika parodė 12.2.2 ir 12.2.12 versijų suderinamumą viename klasteryje, o tai leidžia nuolat atnaujinti.

Bandymų klasteris

Natūralu, kad testavimui reikėjo turėti tą pačią versiją kaip ir mūšyje, tačiau tuo metu, kai pradėjau dirbti su klasteriumi, saugykloje buvo tik naujesnė. Pažiūrėjus, tai, ką galite pastebėti mažojoje versijoje, nėra labai didelis (1393 eilutės konfigūracijose prieš 1436 naujoje versijoje), nusprendėme pradėti testuoti naują (vis tiek atnaujiname, kodėl verta naudoti seną šlamštą)

Vienintelis dalykas, kurį bandėme palikti už senosios versijos, yra paketas ceph-deploy nes kai kurios komunalinės paslaugos (ir dalis darbuotojų) buvo pritaikytos jos sintaksei. Naujoji versija buvo gana skirtinga, tačiau neturėjo įtakos paties klasterio veikimui, todėl ji buvo palikta versijoje 1.5.39

Kadangi komanda ceph-disk aiškiai sako, kad ji pasenusi ir naudokite komandą ceph-volume, mielieji, pradėjome kurti OSD su šia komanda, negaišdami laiko pasenusiems.

Planas buvo sukurti dviejų SSD diskų veidrodį, ant kurio patalpinsime OSD žurnalus, kurie, savo ruožtu, yra ant veleno SAS. Taip galime apsisaugoti nuo problemų su duomenimis, jei diskas su žurnalu nukris.

Pradėjome kurti klasterį pagal dokumentaciją

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

Pirmas dalykas, į kurį sutikau dirbdamas su šia ceph-deploy versija su klasterio versija 12.2.12, buvo klaida bandant sukurti OSD su db per programinės įrangos reidą.

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

Iš tiesų, blkid nėra PARTUUID, todėl turėjau rankiniu būdu sukurti skaidinius:

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

Atrodo, kad viskas paruošta, bandome dar kartą sukurti OSD ir gauname šią klaidą (kuri, beje, nebuvo atkurta mūšyje)

kuriant bluestore tipo OSD nenurodant kelio į WAL, bet nurodant 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

Be to, jei tame pačiame veidrodyje (ar kitoje jūsų pasirinktoje vietoje) sukursite kitą WAL skaidinį ir nurodysite jį kurdami OSD, tada viskas vyks sklandžiai (išskyrus atskiro WAL atsiradimą, kurio negalite padaryti norėjau).

Tačiau kadangi vis dar buvo planuota perkelti WAL į NVMe, praktika nepasirodė nereikalinga.

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

Sukurti monitoriai, tvarkyklės ir OSD. Dabar norėčiau juos sugrupuoti kitaip, nes planuoju turėti įvairių tipų diskus – sparčiuosius baseinus SSD ir didelius, bet lėtus SAS blynus.

Tarkime, kad serveriai turi 20 diskų, pirmieji dešimt yra vienokio tipo, antrieji – kitokio.
Pradinė, numatytoji kortelė atrodo taip:

ceph osd medis

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

Sukurkime savo virtualius stelažus ir serverius su blackjack ir kitais dalykais:

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

Problemos, su kuriomis susidūrėme kovoti klasteris, kai bandoma sukurti naują pagrindinį kompiuterį ir perkelti jį į esamą stovą - komanda ceph osd sutraiškyti perkelti ceph01-host root=rack01 sustingo, ir monitoriai vienas po kito ėmė kristi. Nutraukus komandą paprastu CTRL+C, klasteris buvo grąžintas į gyvųjų pasaulį.

Paieška parodė šią problemą: https://tracker.ceph.com/issues/23386

Paaiškėjo, kad sprendimas yra išmesti crushmap ir pašalinti iš ten sekciją taisyklė replikuota_taisyklės rinkinys

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

Akhtung: Ši operacija gali iš naujo subalansuoti išdėstymo grupę tarp OSD. Mums tai sukėlė, bet labai mažai.

Keistas dalykas, su kuriuo susidūrėme bandomajame klasteryje, buvo tai, kad iš naujo paleidę OSD serverį jie pamiršo, kad buvo perkelti į naujus serverius ir stelažus, ir grįžo į pagrindinį numatytąjį.
Dėl to, surinkę galutinę schemą, kurioje sukūrėme atskirą šaknį ssd diskams ir atskirą šakniniams diskams, perkėlėme visus OSD į stovus ir tiesiog ištrynėme numatytąją šaknį. Po perkrovimo OSD pradėjo likti vietoje.
Vėliau išnagrinėję dokumentaciją radome parametrą, kuris yra atsakingas už šį elgesį. Apie jį antroje dalyje

Kaip mes sukūrėme skirtingas grupes pagal disko tipą.

Pirmiausia sukūrėme dvi šaknis - ssd ir hdd

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

Kadangi serveriai fiziškai išdėstyti skirtinguose stelažuose, patogumui sukūrėme stelažus su serveriais juose

# 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

ir paskirstė diskus pagal jų tipus į skirtingus serverius

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

Išsklaidę diskus tarp ssd-root ir hdd-root maršrutų, palikome root-default tuščią, kad galėtume jį ištrinti

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

Toliau turime sukurti platinimo taisykles, kurias susiesime su kuriamais telkiniais – taisyklėse nurodysime, kurios šaknys gali įdėti mūsų telkinio duomenis ir kopijos unikalumo lygį – pavyzdžiui, kopijos turi būti skirtinguose serveriuose, arba skirtingose lentynose (galite net skirtingose šaknyse, jei turime tokį paskirstymą)

Prieš pasirenkant tipą, geriau perskaityti dokumentaciją:
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

Na, mes sukuriame telkinius, kuriuose ateityje norime saugoti savo virtualizacijos disko vaizdus - 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

Ir mes nurodome šiems telkiniams, kokias išdėstymo taisykles naudoti

 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

Renkantis talpinimo grupių skaičių, reikia atsižvelgti į jau turimą jūsų klasterio viziją – apytiksliai kiek ten bus OSD, koks duomenų kiekis (procentais nuo bendros apimties) bus telkinyje, koks yra viso duomenų kiekio.

Iš viso diske patartina neturėti daugiau nei 300 talpinimo grupių ir bus lengviau balansuoti su mažomis talpinimo grupėmis – tai yra, jei visas jūsų baseinas užima 10 Tb ir jame yra 10 PG, tada balansuojate. mesti terabaitų plytas (pg) bus problematiška - lengviau ir tolygiau suberkite smėlį su nedideliais smėlio grūdeliais į kibirus).

Tačiau turime prisiminti, kad kuo didesnis PG skaičius, tuo daugiau išteklių išleidžiama jų vietai apskaičiuoti - pradedama naudoti atmintis ir centrinis procesorius.

Grubus supratimas gali duok man skaičiuotuvą, kurią pateikė CEPH dokumentacijos kūrėjai.

Medžiagų sąrašas:

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/

Šaltinis: www.habr.com

Ceph - nuo „ant kelio“ iki „gamybos“