CEPH ကို ရွေးချယ်ခြင်း။ အပိုင်း 1

ကျွန်ုပ်တို့တွင် အကွက်ငါးခု၊ optical switches ဆယ်ခု၊ ပြင်ဆင်ထားသော BGP၊ SSD တစ်ဒါဇင်နှင့် အရောင်နှင့် အရွယ်အစားအားလုံး၏ SAS disk အစုံ၊ အပြင် proxmox နှင့် static data အားလုံးကို ကျွန်ုပ်တို့၏ကိုယ်ပိုင် S3 သိုလှောင်မှုတွင် ထည့်သွင်းလိုသောဆန္ဒရှိခဲ့ပါသည်။ ဤအရာအားလုံးကို virtualization အတွက် လိုအပ်သည်မဟုတ်သော်လည်း သင် opensource ကိုစသုံးသည်နှင့် အဆုံးအထိ သင်၏ဝါသနာကို လိုက်နာပါ။ ကျွန်ုပ်ကို အနှောင့်အယှက်ပေးသည့် တစ်ခုတည်းသော အရာမှာ BGP ဖြစ်သည်။ ပြည်တွင်း BGP လမ်းကြောင်းထက် ပိုအားကိုးရာမဲ့၊ တာဝန်မဲ့ပြီး အကျင့်ပျက်သူ ကမ္ဘာပေါ်မှာ ဘယ်သူမှ မရှိပါဘူး။ ပြီးတော့ သိပ်မကြာခင်မှာ ငါတို့ အဲဒီထဲကို ခုန်ဆင်းမယ်ဆိုတာ ငါသိတယ်။

အလုပ်သည် အသေးအဖွဲဖြစ်သည် - CEPH ရှိသည်၊ သို့သော် ၎င်းသည် အလွန်အလုပ်မဖြစ်ပါ။ "ကောင်းမှု" လုပ်ဖို့ လိုအပ်တယ်။
ကျွန်တော်ရရှိခဲ့သော အစုအဝေးသည် ကွဲပြားသော၊ အလျင်အမြန် ချိန်ညှိထားပြီး လက်တွေ့တွင် ညှိမရပါ။ ၎င်းတွင် တူညီသော ဇယားကွက်တစ်ခုသည် အစုအဖွဲ့တစ်ခုနှင့် အများသူငှာ ကွန်ရက်နှစ်ခုလုံးအဖြစ် လုပ်ဆောင်သည့် မတူညီသော node နှစ်ခုပါ၀င်သည်။ node များတွင် disk အမျိုးအစား လေးမျိုးဖြင့် ပြည့်နေပါသည် - SSD အမျိုးအစား နှစ်မျိုး၊ သီးခြား နေရာချထားမှု စည်းမျဉ်း နှစ်ခုနှင့် အရွယ်အစား မတူညီသော HDD အမျိုးအစား နှစ်မျိုးကို တတိယအုပ်စုတွင် စုဆောင်းထားသည်။ မတူညီသောအရွယ်အစားရှိပြဿနာကို မတူညီသော OSD အလေးချိန်များဖြင့် ဖြေရှင်းခဲ့သည်။

Setup ကိုယ်တိုင်က နှစ်ပိုင်းခွဲထားပါတယ်- operating system ချိန်ညှိခြင်း။ и CEPH ကိုယ်တိုင် ချိန်ညှိခြင်း။ နှင့်၎င်း၏ဆက်တင်များ။

OS အဆင့်မြှင့်တင်ခြင်း။

Network

ကြာမြင့်ချိန် ကြာမြင့်ချိန်သည် ရိုက်ကူးခြင်းနှင့် ဟန်ချက်ညီခြင်းတို့ကို အကျိုးသက်ရောက်စေသည်။ မှတ်တမ်းတင်သည့်အခါ - အခြားနေရာချထားမှုအဖွဲ့များမှ ဒေတာပုံတူများကို အောင်မြင်ကြောင်း အတည်ပြုသည်အထိ ဖောက်သည်သည် အောင်မြင်သောမှတ်တမ်းတင်ခြင်းနှင့်ပတ်သက်၍ တုံ့ပြန်မှုကို ရရှိမည်မဟုတ်သောကြောင့်ဖြစ်သည်။ CRUSH မြေပုံရှိ ပုံတူများကို ဖြန့်ဝေခြင်းဆိုင်ရာ စည်းမျဉ်းများသည် host တစ်ခုလျှင် ပုံတူတစ်ခုဖြစ်သောကြောင့်၊ ကွန်ရက်ကို အမြဲတမ်းအသုံးပြုခဲ့သည်။

ထို့ကြောင့်၊ ကျွန်ုပ်လုပ်ဆောင်ရန် ပထမဆုံးဆုံးဖြတ်သည်မှာ လက်ရှိကွန်ရက်ကို အနည်းငယ် ပြုပြင်ပြောင်းလဲရန်ဖြစ်ပြီး တစ်ချိန်တည်းတွင် ကျွန်ုပ်အား သီးခြားကွန်ရက်များသို့ ပြောင်းရွှေ့ရန် စည်းရုံးသိမ်းသွင်းရန် ကြိုးစားနေပါသည်။

စတင်ရန်၊ ကျွန်ုပ်သည် ကွန်ရက်ကတ်များ၏ ဆက်တင်များကို ပြင်ဆင်ခဲ့သည်။ တန်းစီခြင်းများကို စတင်လုပ်ဆောင်ခဲ့သည်-

ဘာဖြစ်တာလဲ:

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

လက်ရှိ ကန့်သတ်ချက်များသည် အမြင့်ဆုံးနှင့် ဝေးကွာသည်ကို တွေ့မြင်နိုင်သည်။ တိုးလာသည်-

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

ကောင်းမွန်သော ဆောင်းပါးဖြင့် လမ်းညွှန်ထားသည်။

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

ပို့သည့်တန်းစီ၏ အရှည်ကို တိုးလာသည်။ txqueuelen 1000 မှ 10 အထိ

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

ကောင်းပြီ၊ ceph ကိုယ်တိုင်၏စာရွက်စာတမ်းများကိုလိုက်နာပါ။

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

တိုးလာသည်။ သမဂ္ဂ 9000 ရန်။

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

အထက်ဖော်ပြပါ အားလုံးကို စတင်ချိန်တွင် တင်နိုင်စေရန် /etc/network/interfaces သို့ ပေါင်းထည့်ထားသည်။

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 9000

ထို့နောက် တူညီသောဆောင်းပါးကို လိုက်နာပြီးနောက်၊ ကျွန်ုပ်သည် 4.15 kernel ၏ လက်ကိုင်များကို စဉ်းလဲစွာ လှည့်ပတ်လာသည်။ node များတွင် 128G RAM ရှိသည်ကို ထည့်သွင်းစဉ်းစားခြင်းဖြင့်၊ ကျွန်ုပ်တို့အတွက် configuration file တစ်ခုဖြင့် အဆုံးသတ်ခဲ့သည်။ sysctl

ကြောင် /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)

Сတောက်ပသောကွန်ရက် သီးခြား 10Gbps ကွန်ရက် အင်တာဖေ့စ်များပေါ်တွင် သီးခြားပြားချပ်ချပ်ကွန်ရက်တစ်ခုအဖြစ် ခွဲဝေပေးခဲ့သည်။ စက်တိုင်းတွင် dual-port network cards များတပ်ဆင်ထားပါသည်။ mellanox 10/25 Gbps၊ သီးခြား 10Gbps ခလုတ်နှစ်ခုတွင် ပလပ်ထိုးထားသည်။ အကြောင်းတစ်ခုခုကြောင့် lacp နှင့် ချိတ်ဆက်ခြင်းတွင် ပေါင်းစည်းခြင်းမှာ အများဆုံး 16 Gbps ရှိပြီး ospf သည် စက်တစ်ခုစီတွင် ဆယ်ဂဏန်းနှစ်ခုလုံးကို အောင်မြင်စွာအသုံးပြုနိုင်ခဲ့သော်လည်း ospf သည် အကြောင်းရင်းတစ်ခုခုကြောင့် ပေါင်းစပ်ခြင်းကို လုပ်ဆောင်ခဲ့သည်။ စောင့်ဆိုင်းနေချိန်ကို လျှော့ချရန်အတွက် အနာဂတ်အစီအစဉ်များသည် ဤ melanoxes များပေါ်ရှိ ROCE ၏ အကျိုးကျေးဇူးကို အသုံးချရန်ဖြစ်သည်။ ကွန်ရက်၏ ဤအပိုင်းကို မည်သို့သတ်မှတ်ရမည်နည်း။

1. စက်များတွင် BGP တွင် ပြင်ပ IP လိပ်စာများ ရှိနေသောကြောင့် ကျွန်ုပ်တို့သည် ဆော့ဖ်ဝဲ လိုအပ်သည်- (တိတိပပပြောရရင် ဒီဆောင်းပါးရေးတဲ့ အချိန်တုန်းကပေါ့။ frr=6.0-1 ) ရပ်နေပြီ။
2. စုစုပေါင်း၊ စက်များတွင် အင်တာဖေ့စ်နှစ်ခု၊ တစ်ခုစီတွင် အင်တာဖေ့စ်နှစ်ခုပါရှိသည် - စုစုပေါင်း port 4 ခုရှိသည်။ ကွန်ရက်ကတ်တစ်ခုသည် ဆိပ်ကမ်းနှစ်ခုပါသော စက်ရုံကိုကြည့်ရှုပြီး ၎င်းတွင် BGP ကို ​​ပုံဖော်ထားသည်၊ ဒုတိယတစ်ခုသည် မတူညီသော ခလုတ်နှစ်ခုကို ဆိပ်ကမ်းနှစ်ခုဖြင့် ကြည့်ရှုပြီး OSPF ကို ၎င်းတွင် သတ်မှတ်ပေးထားသည်။

OSPF စနစ်ထည့်သွင်းခြင်းဆိုင်ရာ နောက်ထပ်အသေးစိတ်အချက်များ- အဓိကတာဝန်မှာ လင့်ခ်နှစ်ခုကို ပေါင်းစည်းရန်နှင့် အမှားခံနိုင်ရည်ရှိရန်ဖြစ်သည်။
ကွန်ရက်အင်တာဖေ့စ်နှစ်ခုကို ရိုးရှင်းသော ကွန်ရက်နှစ်ခုအဖြစ် ပြင်ဆင်သတ်မှတ်ထားသည် - 10.10.10.0/24 နှင့် 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

ဘယ်ကားတွေက အချင်းချင်းတွေ့လဲ။

DISK

နောက်တစ်ဆင့်မှာ disk များကို optimize လုပ်ရန်ဖြစ်သည်။ SSD အတွက် ကျွန်ုပ်သည် အချိန်ဇယားကို ပြောင်းလဲခဲ့သည်။ နော့HDD အတွက် - သတ်မှတ်နောက်ဆုံးအချိန်. ပြတ်ပြတ်သားသားပြောရလျှင် NOOP သည် အင်္ဂလိပ်လို “FIFO (First In, First Out)” ဟူသော နိယာမတွင် အလုပ်လုပ်ပါသည်။ တောင်းဆိုမှုများ ရောက်ရှိလာချိန်တွင် တန်းစီနေပါသည်။ DEADLINE သည် ပိုမိုဖတ်ရှုရန် ဦးတည်သည်၊ ထို့အပြင် တန်းစီထားသော လုပ်ငန်းစဉ်သည် လည်ပတ်ချိန်တွင် ဒစ်ကို သီးသန့်ဝင်ရောက်ခွင့်နီးပါး ရရှိပါသည်။ ၎င်းသည် ကျွန်ုပ်တို့၏စနစ်အတွက် ပြီးပြည့်စုံသည် - အမှန်တော့၊ လုပ်ငန်းစဉ်တစ်ခုသည် disk တစ်ခုစီတွင်သာ လုပ်ဆောင်သည် - OSD daemon။
(I/O အချိန်ဇယားကို စူးစမ်းလိုသူများ ဤနေရာတွင် ဖတ်ရှုနိုင်ပါသည်။
http://www.admin-magazine.com/HPC/Articles/Linux-I-O-Schedulers

ရုရှားဘာသာဖြင့် စာဖတ်ဝါသနာပါသူများ၊ https://www.opennet.ru/base/sys/linux_shedulers.txt.html)

Linux ကို ချိန်ညှိခြင်းအတွက် အကြံပြုချက်များတွင် nr_request ကို တိုးမြှင့်ရန် အကြံပြုထားသည်။

nr_တောင်းဆိုချက်များ
nr_requests ၏တန်ဖိုးသည် I/O အစီအစဉ်ဆွဲသူမှ ပိတ်ဆို့ကိရိယာသို့ ဒေတာပေးပို့ခြင်း/လက်ခံခြင်းမပြုမီတွင် I/O တောင်းခံမှုပမာဏကို ဆုံးဖြတ်ပေးသည်၊ အကယ်၍ သင်သည် RAID ကတ်/ Block Device ထက် ပိုကြီးသော တန်းစီခြင်းကို ကိုင်တွယ်နိုင်သော RAID ကတ်ကို အသုံးပြုနေပါက၊ /O အချိန်ဇယားကို သတ်မှတ်ထားသည်၊ nr_requests များ၏တန်ဖိုးကို မြှင့်တင်ခြင်းသည် ဆာဗာပေါ်တွင် I/O ပမာဏများပြားလာသောအခါတွင် ဆာဗာဝန်အား မြှင့်တင်ရန်နှင့် လျှော့ချရန် ကူညီပေးနိုင်ပါသည်။ သင်သည် Deadline သို့မဟုတ် CFQ ကို အချိန်ဇယားရေးဆွဲသူအဖြစ် အသုံးပြုနေပါက nr_request တန်ဖိုးကို တန်းစီအတိမ်အနက်၏တန်ဖိုး၏ 2 ဆအဖြစ် သတ်မှတ်သင့်သည်ဟု အကြံပြုထားသည်။

ဒါပေမယ့်! နိုင်ငံသားများကိုယ်တိုင်၊ CEPH ၏ developer များက ၎င်းတို့၏ ဦးစားပေးစနစ်သည် ပိုကောင်းသည်ဟု ကျွန်ုပ်တို့ကို ယုံကြည်ပါသည်။

WBThrottle နှင့်/သို့မဟုတ် nr_requestsများ

WBThrottle နှင့်/သို့မဟုတ် nr_requestsများ
ဖိုင်သိုလှောင်မှုတွင် စာရေးရန်အတွက် buffered I/O ကိုအသုံးပြုသည်။ ဖိုင်သိုလှောင်မှု မှတ်တမ်းသည် ပိုမိုမြန်ဆန်သော မီဒီယာပေါ်တွင် ရှိနေပါက ၎င်းသည် အကျိုးကျေးဇူးများစွာကို ရရှိစေပါသည်။ ဒေတာမှတ်တမ်းတွင် ရေးမှတ်ပြီးသည်နှင့် Client တောင်းဆိုချက်များကို အကြောင်းကြားပြီး စံ Linux လုပ်ဆောင်ချက်ကို အသုံးပြုပြီး နောက်ပိုင်းတွင် ဒေတာဒစ်ခ်သို့ လွှင့်ပစ်လိုက်သည်။ ၎င်းသည် spindle OSDs များအတွက် SSDs များကဲ့သို့ ရေးရန်အချိန်ကို ပေးစွမ်းနိုင်စေပါသည်။ ဤနှောင့်နှေးသောစာပြန်ရေးခြင်းသည် kernel ကိုယ်တိုင်က ၎င်းတို့ကို ပေါင်းစည်းခြင်း သို့မဟုတ် ရှိပြီးသား disk ခေါင်းများကို ၎င်းတို့၏ပန်းကန်များပေါ်တွင် ပိုမိုသင့်လျော်သောလမ်းကြောင်းအချို့ကို ရွေးချယ်ခွင့်ပေးရန်မျှော်လင့်ချက်ဖြင့် disk I/O တောင်းဆိုမှုများကို ပြန်လည်ဖွဲ့စည်းနိုင်စေပါသည်။ အသားတင်အကျိုးသက်ရောက်မှုသည် တိုက်ရိုက် သို့မဟုတ် ထပ်တူကျသော I/O ဖြင့် ဖြစ်နိုင်သည်ထက် ဒစ်တစ်ခုစီမှ I/O ကို အနည်းငယ်ပို၍ညှစ်ထုတ်နိုင်ခြင်းဖြစ်သည်။

သို့ရာတွင်၊ ပေးထားသော Ceph အစုအဝေးသို့ ဝင်လာသည့် မှတ်တမ်းများ၏ ပမာဏသည် အရင်းခံ disk များ၏ လုပ်ဆောင်နိုင်စွမ်းအားလုံးထက် ကျော်လွန်နေပါက အချို့သော ပြဿနာတစ်ခု ဖြစ်ပေါ်လာပါသည်။ ဤအခြေအနေတွင်၊ ဒစ်ခ်သို့ စာရေးရန် စောင့်ဆိုင်းနေသည့် I/O လည်ပတ်မှု စုစုပေါင်း အရေအတွက်သည် ထိန်းမနိုင်သိမ်းမရ တိုးလာနိုင်ပြီး I/O တန်းစီများသည် ဒစ်ခ်နှင့် Ceph တန်းစီများ တစ်ခုလုံးကို ပြည့်စေပါသည်။ ဖတ်ရန်တောင်းဆိုမှုများသည် အထူးအားဖြင့် ၎င်းတို့သည် စာရေးတောင်းဆိုမှုများကြားတွင် ကပ်နေသောကြောင့်၊ ၎င်းသည် ပင်မဒစ်သို့ပြန်ထုတ်ရန် စက္ကန့်များစွာကြာနိုင်သည်။

ဤပြဿနာကို ကျော်လွှားရန်အတွက် Ceph တွင် WBThrottle ဟုခေါ်သော ဖိုင်သိုလှောင်မှုတွင် ထည့်သွင်းထားသော writeback throttling ယန္တရားတစ်ခုရှိသည်။ ၎င်းသည် kernel ကိုယ်တိုင်ဖွင့်ထားခြင်းကြောင့် သဘာဝအတိုင်း ဖြစ်ပေါ်မည့် ထက်စောပြီး ၎င်း၏ flush လုပ်ငန်းစဉ်ကို စတင်နိုင်သည့် ပျင်းရိရေး I/O ပမာဏကို ကန့်သတ်ရန် ဒီဇိုင်းထုတ်ထားသည်။ ကံမကောင်းစွာဖြင့်၊ စမ်းသပ်ခြင်းသည် မူရင်းတန်ဖိုးများသည် စာဖတ်ချိန်နေချိန်အပေါ် ဤအကျိုးသက်ရောက်မှုကို လျှော့ချနိုင်သည့် အဆင့်အထိ ရှိပြီးသားအပြုအမူများကို မလျှော့ချနိုင်သေးကြောင်း သရုပ်ပြပါသည်။ ချိန်ညှိချက်များသည် ဤအပြုအမူကို ပြောင်းလဲနိုင်ပြီး ခြုံငုံရေးနိုင်သော တန်းစီစာအရှည်ကို လျှော့ချနိုင်ပြီး ဤသက်ရောက်မှုကို ပိုမိုပြင်းထန်စေသည်။ သို့သော် အပေးအယူတစ်ခုရှိပါသည်- တန်းစီရန်ခွင့်ပြုထားသော အရေအတွက်စုစုပေါင်းကို လျှော့ချခြင်းဖြင့် အဝင်တောင်းဆိုမှုများကို အမိန့်ပေးရာတွင် ၎င်း၏စွမ်းဆောင်ရည်ကို အမြင့်ဆုံးမြှင့်တင်ရန် kernel ကိုယ်တိုင်၏စွမ်းရည်ကို လျှော့ချနိုင်သည်။ သင်၏ သီးခြားအသုံးပြုမှုကိစ္စ၊ အလုပ်တာဝန်များနှင့် ၎င်းတို့နှင့် လိုက်လျောညီထွေဖြစ်အောင် ချိန်ညှိရန်အတွက် သင်ပိုမိုလိုအပ်သည်များအကြောင်း အနည်းငယ်စဉ်းစားသင့်သည်။

ထိုသို့သော write-backlog တန်းစီ၏ အတိမ်အနက်ကို ထိန်းချုပ်ရန်၊ သင်သည် WBThrottle ဆက်တင်များကို အသုံးပြု၍ ထူးထူးခြားခြား I/O လည်ပတ်မှု အများဆုံး အရေအတွက်ကို လျှော့ချနိုင်သည်၊ သို့မဟုတ် သင်၏ kernel ၏ ဘလောက်အဆင့်တွင် ထူးထူးခြားခြား လုပ်ဆောင်မှုများအတွက် အများဆုံးတန်ဖိုးကို လျှော့ချနိုင်သည်။ နှစ်ခုစလုံးသည် တူညီသောအပြုအမူကို ထိထိရောက်ရောက် ထိန်းချုပ်နိုင်ပြီး၊ သင်၏ နှစ်သက်မှုများသည် ဤဆက်တင်ကို အကောင်အထည်ဖော်ရန်အတွက် အခြေခံဖြစ်လိမ့်မည်။
Ceph ၏လုပ်ငန်းဆောင်တာဦးစားပေးစနစ်သည် disk အဆင့်ရှိ တိုတောင်းသောမေးခွန်းများအတွက် ပိုမိုထိရောက်မှုရှိသည်ကို သတိပြုသင့်သည်။ တန်းစီတစ်ခုလုံးကို ပေးထားသည့်ဒစ်တစ်ခုသို့ ချုံ့လိုက်ခြင်းဖြင့်၊ တန်းစီ၏အဓိကတည်နေရာသည် I/O လုပ်ဆောင်ချက်အပေါ် ဦးစားပေးထိန်းချုပ်နိုင်သည့် Ceph သို့ ရွှေ့သည်။ အောက်ပါဥပမာကို သုံးသပ်ကြည့်ပါ-

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

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

Commons

သင့်ကားကို ပျော့ပျောင်းနူးညံ့စေပြီး ဟာ့ဒ်ဝဲထက် အနည်းငယ်ပိုသော စွမ်းဆောင်ရည်ကို ညှစ်ထုတ်ရန် နောက်ထပ် kernel tweaks အနည်းငယ်

ကြောင် /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 တွင် နှစ်မြှုပ်ခြင်း။

နောက်ထပ်အသေးစိတ်ဖော်ပြလိုသော ဆက်တင်များ

ကြောင် /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

ဗားရှင်း 12.2.12 တွင် QA အတွက် စမ်းသပ်ထားသည့် ဘောင်အချို့သည် ဥပမာ ceph ဗားရှင်း 12.2.2 တွင် ပျောက်နေပါသည်။ osd_recovery_threads။ ထို့ကြောင့်၊ အစီအစဉ်များတွင် ထုတ်လုပ်မှုအပေါ် 12.2.12 သို့ အပ်ဒိတ်တစ်ခု ပါဝင်သည်။ အလေ့အကျင့်သည် ဗားရှင်း 12.2.2 နှင့် 12.2.12 ကြားတွင် တွဲဖက်အသုံးပြုနိုင်သော အပ်ဒိတ်များကို အစုအဝေးတစ်ခုတွင် ပြသထားသည်။

စမ်းသပ်အစုအဖွဲ့

ပုံမှန်အားဖြင့်၊ စမ်းသပ်ရန်အတွက် တိုက်ပွဲတွင်ကဲ့သို့ တူညီသောဗားရှင်းရှိရန် လိုအပ်သော်လည်း၊ ကျွန်ုပ်သည် အစုအဖွဲ့နှင့် စတင်လုပ်ဆောင်ချိန်တွင်၊ သိုလှောင်မှုတွင်သာ အသစ်ကို ရနိုင်ပါသည်။ ကြည့်လိုက်ရင် အသေးအမွှားဗားရှင်းမှာ သင်ပိုင်းခြားသိမြင်နိုင်တဲ့အရာက သိပ်ကြီးကြီးမားမားတော့ မဟုတ်ပါဘူး။1393 configs တွင်လိုင်းများဆန့်ကျင်ဘက် 1436 ဗားရှင်းအသစ်တွင်)၊ ကျွန်ုပ်တို့သည် အသစ်ကို စတင်စမ်းသပ်ရန် ဆုံးဖြတ်ခဲ့သည် (ဘာပဲဖြစ်ဖြစ် အပ်ဒိတ်လုပ်ခြင်း၊ အမှိုက်ဟောင်းနှင့် အဘယ်ကြောင့် သွားပါ)

ဗားရှင်းဟောင်းကို ချန်ထားဖို့ ကြိုးစားခဲ့တာက package ပါ။ ceph-deploy အချို့သော utilities (ဝန်ထမ်းအချို့) သည် ၎င်း၏ syntax နှင့် အံဝင်ခွင်ကျဖြစ်နေသောကြောင့်ဖြစ်သည်။ ဗားရှင်းအသစ်သည် အတော်လေးကွဲပြားသော်လည်း အစုအဝေး၏လုပ်ဆောင်မှုကို မထိခိုက်စေဘဲ ၎င်းကို ဗားရှင်းတွင်ချန်ထားခဲ့သည်။ 1.5.39

ceph-disk command သည် ၎င်းကို ရပ်ဆိုင်းထားပြီး ceph-volume command ကိုအသုံးပြုကြောင်းရှင်းရှင်းလင်းလင်းဖော်ပြထားသောကြောင့်၊ ကျွန်ုပ်တို့သည် ခေတ်မမီတော့သော အရာများကို အချိန်မဖြုန်းဘဲ ဤ command ဖြင့် OSD များကို စတင်ဖန်တီးခဲ့ပါသည်။

အစီအစဉ်သည် ကျွန်ုပ်တို့သည် OSD မှတ်တမ်းများကို ထားရှိမည့် SSD drive နှစ်ခု၏ မှန်တစ်ချပ်ကို ဖန်တီးရန်ဖြစ်ပြီး ၎င်းမှာ spindle SASs ပေါ်တွင် တည်ရှိသည်။ ဤနည်းဖြင့် လော့ဂ်ပါဒစ်ပြုတ်ကျပါက ဒေတာပြဿနာများမှ မိမိကိုယ်ကို ကာကွယ်နိုင်မည်ဖြစ်သည်။

စာရွက်စာတမ်းအရ အစုအဖွဲ့တစ်ခုကို စတင်ဖန်တီးခဲ့ပါသည်။

ကြောင် /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

Ceph-deploy ဗားရှင်း 12.2.12 နှင့် အစုလိုက်အပြုံလိုက် ဗားရှင်း XNUMX ဖြင့် လုပ်ဆောင်သောအခါ ပထမဆုံး သတိပြုမိသည်မှာ ဆော့ဖ်ဝဲလ်စီးနင်းမှုတွင် db ဖြင့် OSD တစ်ခုကို ဖန်တီးရန် ကြိုးပမ်းရာတွင် အမှားအယွင်းတစ်ခု ဖြစ်ခဲ့သည်-

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

အမှန်တော့၊ blkid သည် PARTUUID ဖြစ်ပုံမပေါ်ပါ၊ ထို့ကြောင့် ကျွန်ုပ်သည် အခန်းကန့်များကို ကိုယ်တိုင်ဖန်တီးခဲ့ရသည်-

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

အားလုံးအဆင်သင့်ဖြစ်ပုံရပြီး၊ ကျွန်ုပ်တို့သည် OSD ကို ထပ်မံဖန်တီးပြီး အောက်ပါ Error ကိုရယူရန် ကြိုးစားကြသည် (စကားအားဖြင့်၊ တိုက်ပွဲတွင် ပြန်လည်ထုတ်လုပ်ခြင်းမဟုတ်ပါ)

WAL သို့လမ်းကြောင်းမသတ်မှတ်ဘဲ bluestore အမျိုးအစား OSD ကိုဖန်တီးသောအခါ၊ db ကိုသတ်မှတ်ခြင်း။

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

ထို့အပြင်၊ တူညီသောမှန်ပေါ်တွင် (သို့မဟုတ်သင်နှစ်သက်ရာအခြားနေရာတွင်) WAL အတွက်အခြား partition တစ်ခုကိုဖန်တီးပြီး OSD ကိုဖန်တီးသောအခါတွင်သတ်မှတ်ပါက၊ သင်မလုပ်ဆောင်နိုင်သောသီးခြား WAL ၏အသွင်အပြင်မှလွဲ၍ အရာအားလုံးချောမွေ့သွားလိမ့်မည်။ လိုချင်ပြီ)။

သို့သော်၊ WAL ကို NVMe သို့ပြောင်းရွှေ့ရန် အလှမ်းဝေးသော အစီအစဉ်များ ရှိနေဆဲဖြစ်သောကြောင့်၊ အလေ့အကျင့်သည် မလိုအပ်တော့ပါ။

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

မော်နီတာများ၊ မန်နေဂျာများနှင့် OSD ကို ဖန်တီးထားသည်။ ယခု ကျွန်ုပ်သည် ၎င်းတို့ကို မတူညီသော အုပ်စုဖွဲ့လိုသည်၊ အကြောင်းမှာ ကျွန်ုပ်သည် SSD တွင် လျင်မြန်သော ရေကူးကန်များနှင့် ကြီးမားသော SAS ပန်ကိတ်များတွင် နှေးကွေးသော ရေကူးကန်များ အမျိုးမျိုးရှိရန် စီစဉ်ထားသောကြောင့် ဖြစ်သည်။

ဆာဗာများတွင် disk 20 ရှိသည်၊ ပထမဆယ်ခုသည် အမျိုးအစားတစ်ခုဖြစ်ပြီး ဒုတိယသည် အခြားတစ်ခုဖြစ်သည်ဟု ယူဆကြပါစို့။
ကနဦး၊ ပုံသေ၊ ကတ်သည် ဤကဲ့သို့ ဖြစ်သည်-

ceph osd သစ်ပင်

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

blackjack နှင့် အခြားအရာများဖြင့် ကျွန်ုပ်တို့၏ကိုယ်ပိုင် virtual racks နှင့် ဆာဗာများကို ဖန်တီးကြပါစို့။

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

ကျွန်တော်တို့ ကြုံတွေ့ခဲ့ရတဲ့ ပြဿနာတွေ၊ တိုက်ပွဲ host အသစ်တစ်ခုဖန်တီးပြီး ရှိပြီးသား rack - command သို့ ရွှေ့သည့်အခါ cluster ၊ ceph osd crush ရွှေ့ ceph01-host root=rack01 အေးခဲသွားပြီး မော်နီတာများ တဖြုတ်ဖြုတ် ပြုတ်ကျလာသည်။ ရိုးရှင်းသော CTRL+C ဖြင့် အမိန့်ကို ဖျက်လိုက်ခြင်းဖြင့် အစုအဝေးကို သက်ရှိလောကသို့ ပြန်ပေးသည်။

ရှာဖွေမှုတစ်ခုက ဤပြဿနာကို ပြသခဲ့သည်- https://tracker.ceph.com/issues/23386

ဖြေရှင်းချက်သည် crushmap ကို စွန့်ပစ်ပြီး အပိုင်းကို ထိုနေရာမှ ဖယ်ရှားရန် ဖြစ်လာသည်။ စည်းမျဉ်း 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

Akhtung- ဤလုပ်ဆောင်ချက်သည် OSD များအကြား နေရာချထားမှုအဖွဲ့၏ ချိန်ခွင်လျှာကို ဖြစ်ပေါ်စေနိုင်သည်။ အဲဒါက ကျွန်တော်တို့အတွက် ဖြစ်ပေါ်စေခဲ့ပေမယ့် အလွန်နည်းပါတယ်။

စမ်းသပ်မှုအစုတွင် ကျွန်ုပ်တို့ကြုံတွေ့ရသည့် ထူးဆန်းသည့်အရာမှာ OSD ဆာဗာကို ပြန်လည်စတင်ပြီးနောက်၊ ၎င်းတို့သည် ဆာဗာအသစ်များနှင့် လှောင်အိမ်များသို့ ရွှေ့ထားသည်ကို မေ့သွားပြီး root ပုံသေသို့ ပြန်သွားခြင်းဖြစ်သည်။
ရလဒ်အနေဖြင့်၊ ကျွန်ုပ်တို့သည် ssd drives အတွက် သီးခြား root တစ်ခုနှင့် spindle drives အတွက် သီးခြားတစ်ခုကို ဖန်တီးထားသည့် နောက်ဆုံးအစီအစဥ်ကို စုစည်းပြီး၊ ကျွန်ုပ်တို့သည် OSD အားလုံးကို rack များအဖြစ်ယူကာ ပုံမှန် root ကို ရိုးရှင်းစွာ ဖျက်လိုက်ပါသည်။ ပြန်လည်စတင်ပြီးနောက် OSD သည် ဆက်လက်တည်ရှိနေခဲ့သည်။
စာရွက်စာတမ်းများကို နောက်ပိုင်းတွင် တူးဖော်ပြီးနောက်၊ ဤအပြုအမူအတွက် တာဝန်ရှိသည့် ကန့်သတ်ချက်တစ်ခုကို တွေ့ရှိခဲ့သည်။ ဒုတိယအပိုင်းမှာ သူ့အကြောင်း

ဒစ်အမျိုးအစားအလိုက် မတူညီသောအုပ်စုများကို ကျွန်ုပ်တို့ပြုလုပ်ပုံ။

စတင်ရန်၊ ကျွန်ုပ်တို့သည် ssd အတွက်နှင့် hdd အတွက် root နှစ်ခုကိုဖန်တီးခဲ့သည်။

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

ဆာဗာများသည် အမျိုးမျိုးသော လှောင်အိမ်များတွင် တည်ရှိသောကြောင့် အဆင်ပြေစေရန်အတွက် ၎င်းတို့တွင် ဆာဗာများဖြင့် လှောင်အိမ်များကို ဖန်တီးခဲ့သည်။

# 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

၎င်းတို့အမျိုးအစားအလိုက် disk များကို မတူညီသောဆာဗာများသို့ ဖြန့်ဝေပေးသည်။

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 နှင့် hdd-root လမ်းကြောင်းများကြားတွင် disks များကို ဖြန့်ကြဲပြီး၊ root-default ကို ဗလာအဖြစ်ထားခဲ့ပြီး၊ ထို့ကြောင့် ၎င်းကို ဖျက်နိုင်ပါသည်။

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

နောက်တစ်ခု၊ ဖန်တီးထားတဲ့ ရေကူးကန်တွေနဲ့ စည်းမယ့် ဖြန့်ဖြူးရေး စည်းမျဉ်းတွေကို ဖန်တီးဖို့ လိုပါတယ် - စည်းမျဉ်းတွေမှာ ဘယ် root တွေက ကျွန်ုပ်တို့ရဲ့ pool data နဲ့ ပုံတူရဲ့ ထူးခြားမှုအဆင့်ကို ညွှန်ပြနိုင်မလဲ - ဥပမာ၊ ပုံတူတွေဟာ မတူညီတဲ့ ဆာဗာတွေမှာ ရှိရမယ်၊ သို့မဟုတ် မတူညီသော လှောင်အိမ်များတွင် (ကျွန်ုပ်တို့၌ ထိုသို့သောဖြန့်ဖြူးမှုတစ်ခုရှိလျှင် မတူညီသောအမြစ်များတွင်ပင် သင်လုပ်နိုင်သည်)

အမျိုးအစားတစ်ခုကို မရွေးချယ်မီ၊ စာရွက်စာတမ်းများကို ဖတ်ရန် ပိုကောင်းသည်-
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

ကောင်းပြီ၊ ကျွန်ုပ်တို့သည် အနာဂတ်တွင် ကျွန်ုပ်တို့၏ virtualization ၏ disk ပုံများကို သိမ်းဆည်းလိုသည့် pool များကို ဖန်တီးသည် - 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

ပြီးတော့ ဒီရေကူးကန်တွေကို ဘယ်လိုနေရာချထားမှုစည်းမျဉ်းတွေကို အသုံးပြုရမလဲဆိုတာ ပြောပြပေးပါဦး

 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

နေရာချထားပေးသည့် အဖွဲ့အရေအတွက်၏ ရွေးချယ်မှုအား သင့်အစုအဝေးအတွက် နဂိုရှိရင်းစွဲအမြင်ဖြင့် ချဉ်းကပ်ရပါမည် - ခန့်မှန်းခြေအားဖြင့် OSD မည်မျှရှိမည်၊ ဒေတာပမာဏ (စုစုပေါင်းပမာဏ၏ ရာခိုင်နှုန်းတစ်ခုအဖြစ်) ရေကူးကန်တွင် မည်သည့်အရာရှိမည်၊ စုစုပေါင်းဒေတာပမာဏ။

စုစုပေါင်း၊ ဒစ်ပေါ်တွင် နေရာချထားမှုအဖွဲ့ 300 ထက်မပိုစေရန် အကြံပြုလိုသည်မှာ၊ နေရာချထားမှုအုပ်စုငယ်များနှင့် ဟန်ချက်ညီရန် ပိုမိုလွယ်ကူလိမ့်မည် - ဆိုလိုသည်မှာ သင့်ရေကန်တစ်ခုလုံးတွင် 10 Tb တက်လာပြီး ၎င်းတွင် 10 PG ပါရှိပါက ဟန်ချက်ညီရန် တာရာဘိုက်အုတ်ခဲများ (pg) ဖြင့် ပစ်ချခြင်းဖြင့် ပြဿနာရှိနိုင်သည် - သေးငယ်သောအရွယ်အစားရှိသော သဲပုံးထဲသို့ သဲများကို လွယ်လွယ်ကူကူနှင့် ပိုမိုညီညီစွာ လောင်းထည့်ပါ။)

သို့သော် PG အရေအတွက် များလေလေ၊ ၎င်းတို့၏ တည်နေရာကို တွက်ချက်ရာတွင် ရင်းမြစ်များ ပိုများလေလေ - memory နှင့် CPU ကို စတင်အသုံးပြုလာသည်ကို ကျွန်ုပ်တို့ သတိရရမည်ဖြစ်သည်။

အကြမ်းဖျင်း နားလည်မှု ရှိနိုင်သည် ဂဏန်းပေါင်းစက်တစ်လုံးပေးပါ။CEPH စာတမ်းပြုစုသူများမှ ပံ့ပိုးပေးပါသည်။

ပစ္စည်းစာရင်း-

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/

source: www.habr.com