CEPH चयन गर्दै। भाग 1

हामीसँग पाँचवटा र्याकहरू, दशवटा अप्टिकल स्विचहरू, कन्फिगर गरिएको BGP, दुई दर्जन SSD र सबै रङ र साइजका SAS डिस्कहरूको गुच्छा, साथै proxmox र सबै स्थिर डाटा हाम्रो आफ्नै S3 भण्डारणमा राख्ने इच्छा थियो। यो सबै भर्चुअलाइजेसनको लागि आवश्यक छ भन्ने होइन, तर एकपटक तपाईंले ओपनसोर्स प्रयोग गर्न थाल्नुभयो, त्यसपछि आफ्नो शौकलाई अन्त्यसम्म पछ्याउनुहोस्। मलाई चिन्तित गर्ने एउटै कुरा BGP थियो। आन्तरिक BGP राउटिंग भन्दा असहाय, गैरजिम्मेवार र अनैतिक संसारमा कोही छैन। र मलाई थाहा थियो कि चाँडै हामी यसमा डुब्नेछौं।

कार्य तुच्छ थियो - त्यहाँ CEPH थियो, तर यसले धेरै राम्रो काम गरेन। यो "राम्रो" गर्न आवश्यक थियो।
मैले प्राप्त गरेको क्लस्टर विषम थियो, हतारमा ट्युन गरिएको थियो र व्यावहारिक रूपमा ट्युन गरिएको थिएन। यसले विभिन्न नोडहरूका दुई समूहहरू समावेश गर्दछ, एउटा साझा ग्रिडले क्लस्टर र सार्वजनिक नेटवर्क दुवैको रूपमा कार्य गर्दछ। नोडहरू चार प्रकारका डिस्कहरूले भरिएका थिए - दुई प्रकारका SSD, दुई अलग प्लेसमेन्ट नियमहरूमा सङ्कलन गरिएको, र तेस्रो समूहमा सङ्कलन गरिएका विभिन्न साइजका दुई प्रकारका HDD। विभिन्न आकारको समस्या विभिन्न OSD वजनहरूद्वारा हल गरिएको थियो।

सेटअप आफै दुई भागमा विभाजित छ - अपरेटिङ सिस्टम ट्युनिङ и CEPH को ट्युनिङ र यसको सेटिङहरू।

OS अपग्रेड गर्दै

नेटवर्क

उच्च विलम्बताले रेकर्डिङ र सन्तुलन दुवैलाई असर गर्यो। रेकर्डिङ गर्दा - किनभने ग्राहकले अन्य प्लेसमेन्ट समूहहरूमा डेटा प्रतिकृतिहरूले सफलता पुष्टि नगरेसम्म सफल रेकर्डिङको बारेमा प्रतिक्रिया प्राप्त गर्दैन। CRUSH नक्सामा प्रतिकृतिहरू वितरण गर्ने नियमहरू प्रति होस्ट एक प्रतिकृति भएको हुनाले, सञ्जाल सधैं प्रयोग गरिन्थ्यो।

त्यसकारण, मैले गर्ने निर्णय गरेको पहिलो कुरा हालको सञ्जाललाई अलिकति ट्वीक गरेको थियो, जबकि एकै समयमा मलाई अलग नेटवर्कहरूमा जान मनाउन प्रयास गर्दै।

सुरु गर्नको लागि, मैले नेटवर्क कार्डहरूको सेटिङहरू ट्वीक गरें। मैले लामहरू सेटअप गरेर सुरु गरें:

के भयो:

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

यो देख्न सकिन्छ कि हालको प्यारामिटरहरू अधिकतमबाट टाढा छन्। बढेको:

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

उत्कृष्ट लेख द्वारा निर्देशित

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

पठाउने लामको लम्बाइ बढ्यो txqueuelen 1000 देखि 10 सम्म

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

खैर, ceph को कागजात पछ्याउँदै

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

बढेको MTU २ to सम्म।

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

/etc/network/interfaces मा थपियो ताकि माथिका सबै स्टार्टअपमा लोड हुन्छ

बिरालो / आदि / नेटवर्क / इन्टरफेस

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

जस पछि, उही लेख पछ्याउँदै, मैले सोचेर 4.15 कर्नेलको ह्यान्डलहरू घुमाउन थाले। नोडहरूमा 128G RAM छ भनेर विचार गर्दै, हामीले कन्फिगरेसन फाइलको साथ समाप्त गर्यौं। 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)

Сचमक नेटवर्क छुट्टै 10Gbps नेटवर्क इन्टरफेसहरूमा छुट्टै फ्ल्याट नेटवर्कमा आवंटित गरिएको थियो। प्रत्येक मेसिन दोहोरो-पोर्ट नेटवर्क कार्ड संग सुसज्जित थियो mellanox 10/25 Gbps, दुई अलग 10Gbps स्विचहरूमा प्लग गरिएको। ओएसपीएफ प्रयोग गरेर एग्रीगेसन गरिएको थियो, किनकि कुनै कारणले lacp सँग बन्डिङले अधिकतम 16 Gbps को कुल थ्रुपुट देखाएको थियो, जबकि ओएसपीएफले प्रत्येक मेसिनमा दुबै दसहरू सफलतापूर्वक प्रयोग गर्यो। भविष्यका योजनाहरू विलम्बता कम गर्न यी मेलानोक्सहरूमा ROCE को फाइदा उठाउने थिए। नेटवर्कको यो भाग कसरी सेट अप गर्ने:

1. BGP मा मेशिनहरू आफैंमा बाह्य आईपी ठेगानाहरू भएकाले, हामीलाई सफ्टवेयर चाहिन्छ - (अधिक स्पष्ट रूपमा, यो लेख लेख्ने समयमा यो थियो frr=6.0-1 ) पहिले नै उभिएको थियो।
2. कुलमा, मेशिनहरूमा दुईवटा नेटवर्क इन्टरफेसहरू थिए, प्रत्येकमा दुई इन्टरफेसहरू थिए - कुल 4 पोर्टहरू। एउटा नेटवर्क कार्डले दुईवटा पोर्ट भएको कारखानालाई हेर्यो र यसमा BGP कन्फिगर गरिएको थियो, दोस्रोले दुईवटा पोर्टसहितको दुई फरक स्विचलाई हेर्यो र यसमा OSPF सेट गरिएको थियो।

OSPF स्थापना गर्ने बारे थप विवरणहरू: मुख्य कार्य दुई लिङ्कहरू जम्मा गर्नु र गल्ती सहनशीलता हुनु हो।
दुई नेटवर्क इन्टरफेसहरू दुई साधारण फ्ल्याट नेटवर्कहरूमा कन्फिगर गरिएका छन् - 10.10.10.0/24 र 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

जसद्वारा कारहरू एकअर्कालाई देख्छन्।

डिस्क

अर्को चरण डिस्क अनुकूलन गर्न थियो। SSD को लागी मैले शेड्यूलर परिवर्तन गरें हुन्न, HDD को लागि - म्याद। यसलाई स्पष्ट रूपमा भन्नको लागि, NOOP ले "फर्स्ट इन, फर्स्ट आउट" को सिद्धान्तमा काम गर्दछ जुन अंग्रेजीमा "FIFO (फर्स्ट इन, फर्स्ट आउट)" जस्तो देखिन्छ। अनुरोधहरू आइपुग्दा लामबद्ध हुन्छन्। DEADLINE अधिक पढ्ने-उन्मुख छ, साथै लाइनमा राखिएको प्रक्रियाले सञ्चालनको समयमा डिस्कमा लगभग विशेष पहुँच प्राप्त गर्दछ। यो हाम्रो प्रणालीको लागि उपयुक्त छ - आखिर, प्रत्येक डिस्कमा एउटा मात्र प्रक्रिया काम गर्दछ - OSD डेमन।
(I/O अनुसूचकमा डुब्न चाहनेहरूले यसको बारेमा यहाँ पढ्न सक्नुहुन्छ:
http://www.admin-magazine.com/HPC/Articles/Linux-I-O-Schedulers

रूसी भाषामा पढ्न रुचाउनेहरू: https://www.opennet.ru/base/sys/linux_shedulers.txt.html)

लिनक्स ट्युनिङका लागि सिफारिसहरूमा, यो nr_request बढाउन पनि सिफारिस गरिन्छ

nr_requests
nr_requests को मानले I/O अनुरोधहरूको मात्रा निर्धारण गर्दछ जुन I/O अनुसूचकले ब्लक यन्त्रमा डेटा पठाउनु/प्राप्त गर्नु अघि बफर हुन्छ, यदि तपाइँ RAID कार्ड / ब्लक यन्त्र प्रयोग गर्दै हुनुहुन्छ जुन I भन्दा ठूलो लाम ह्यान्डल गर्न सक्छ। /O अनुसूचक सेट गरिएको छ, nr_requests को मान बढाएर सर्भरमा ठूलो मात्रामा I/O देखा पर्दा सर्भर लोड कम गर्न मद्दत गर्न सक्छ। यदि तपाइँ समयसीमा वा CFQ लाई अनुसूचकको रूपमा प्रयोग गर्दै हुनुहुन्छ भने, तपाइँले nr_request मान लाई queue depth को मानको २ गुणा सेट गर्नुपर्छ भनेर सुझाव दिइन्छ।

तर! नागरिकहरू आफैं, CEPH का विकासकर्ताहरूले हामीलाई उनीहरूको प्राथमिकताहरूको प्रणाली राम्रोसँग काम गर्दछ भनेर विश्वस्त पार्छन्

WBThrottle र/वा nr_requests

WBThrottle र/वा nr_requests
फाइल भण्डारणले लेखनको लागि बफर गरिएको I/O अपरेशनहरू प्रयोग गर्दछ; यदि फाइल भण्डारण जर्नल छिटो मिडियामा अवस्थित छ भने यसले धेरै फाइदाहरू प्रदान गर्दछ। जर्नलमा डेटा लेखिने बित्तिकै क्लाइन्ट अनुरोधहरूलाई सूचित गरिन्छ, र त्यसपछि मानक कार्यक्षमता प्रयोग गरेर पछि डेटा डिस्कमा फ्लश गरिन्छ। Linuxयसले OSD स्पिन्डल ड्राइभहरूलाई साना प्याकेटहरूमा लेख्दा SSD हरू जस्तै लेखन विलम्बता प्रदान गर्न सम्भव बनाउँछ। यो ढिलाइ भएको लेखनले कर्नेललाई डिस्कमा I/O अनुरोधहरू पुनर्संरचना गर्न पनि अनुमति दिन्छ, या त तिनीहरूलाई एकसाथ मर्ज गर्ने वा डिस्क हेडहरूलाई तिनीहरूको प्लेटरहरूमा अझ इष्टतम मार्ग छनौट गर्न अनुमति दिने आशामा। अन्तिम परिणाम यो हो कि तपाईंले प्रत्यक्ष वा सिंक्रोनस I/O अपरेशनहरूसँग सम्भव हुने भन्दा थोरै बढी I/O अपरेशनहरू निचोड गर्न सक्नुहुन्छ।

यद्यपि, एक निश्चित समस्या उत्पन्न हुन्छ यदि दिइएको Ceph क्लस्टरमा आगमन रेकर्डहरूको भोल्युम अन्तर्निहित डिस्कहरूको सबै क्षमताहरू भन्दा बढी हुन्छ। यस परिदृश्यमा, डिस्कमा लेख्नका लागि पर्खिरहेका पेन्डिङ I/O अपरेसनहरूको कुल संख्या अनियन्त्रित रूपमा बढ्न सक्छ र परिणामस्वरूप सम्पूर्ण डिस्क र Ceph लामहरूमा I/O लामहरू भर्न सक्छ। पढ्ने अनुरोधहरू विशेष रूपमा प्रभावित हुन्छन् किनभने तिनीहरू लेखन अनुरोधहरू बीचमा अड्किन्छन्, जसले प्राथमिक डिस्कमा फ्लस गर्न धेरै सेकेन्ड लिन सक्छ।

यस समस्यालाई पार गर्न, Ceph सँग WBThrottle भनिने फाइल भण्डारणमा निर्मित लेखन ब्याक थ्रोटलिङ मेकानिजम छ। यो अल्छी लेखन I/O को समग्र मात्रालाई सीमित गर्न डिजाइन गरिएको हो जसले लामबद्ध गर्न सक्छ र यसको फ्लश प्रक्रिया पहिले नै कर्नेल द्वारा सक्षम भएको कारणले गर्दा स्वाभाविक रूपमा देखा पर्नेछ। दुर्भाग्यवश, परीक्षणले देखाउँछ कि पूर्वनिर्धारित मानहरूले अझै पनि अवस्थित व्यवहारलाई स्तरमा घटाउन सक्दैन जसले पढ्ने विलम्बतामा यो प्रभावलाई कम गर्न सक्छ। समायोजनले यो व्यवहार परिवर्तन गर्न सक्छ र समग्र लेखन लाइन लम्बाइ घटाउन सक्छ र यो प्रभाव कम गम्भीर बनाउन सक्छ। त्यहाँ एक ट्रेड-अफ छ, यद्यपि: लामबद्ध गर्न अनुमति दिइएको प्रविष्टिहरूको समग्र अधिकतम संख्या घटाएर, तपाईंले आगमन अनुरोधहरू क्रमबद्ध गर्नको लागि यसको दक्षता अधिकतम गर्न कर्नेलको क्षमतालाई कम गर्न सक्नुहुन्छ। तपाईको विशिष्ट प्रयोग केस, वर्कलोडहरू र तिनीहरूलाई अनुरूप समायोजनको लागि तपाईलाई के चाहिन्छ भन्ने बारे थोरै सोच्न लायक छ।

यस्तो लेखन-ब्याकलग लामको गहिराई नियन्त्रण गर्न, तपाईले WBThrottle सेटिङहरू प्रयोग गरेर उत्कृष्ट I/O सञ्चालनहरूको समग्र अधिकतम संख्या घटाउन सक्नुहुन्छ, वा तपाईँले आफ्नो कर्नेलको ब्लक स्तरमा उत्कृष्ट कार्यहरूको लागि अधिकतम मान घटाउन सक्नुहुन्छ। दुबैले प्रभावकारी रूपमा समान व्यवहार नियन्त्रण गर्न सक्छन्, र तपाइँका प्राथमिकताहरू यो सेटिङ लागू गर्नको लागि आधार हुनेछ।
यो पनि ध्यान दिनुपर्छ कि Ceph को सञ्चालन प्राथमिकता प्रणाली डिस्क स्तरमा छोटो प्रश्नहरूको लागि अधिक कुशल छ। दिइएको डिस्कमा समग्र लामलाई संकुचित गरेर, लामको प्राथमिक स्थान Ceph मा सर्छ, जहाँ I/O अपरेशनको प्राथमिकतामा अधिक नियन्त्रण हुन्छ। निम्न उदाहरणलाई विचार गर्नुहोस्:

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

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

COMMON

र तपाईंको कारलाई नरम र रेशमी बनाउन र हार्डवेयरबाट अलि बढी कार्यसम्पादन निचोड गर्न केही थप कर्नेल ट्वीकहरू

cat /etc/sysctl.d/60-ceph2.conf

 kernel.pid_max = 4194303
#Дисков в каждой машине по 25, потому рассчитывали что процессов будет много
kernel.threads-max=2097152
# Тредов, естессно, тоже.
vm.max_map_count=524288
# Увеличили количество областей карты памяти процесса. 
# Как следует из документации по ядерным переменным 
# Области карты памяти используется как побочный эффект вызова
# malloc, напрямую с помощью mmap, mprotect и madvise, а также при загрузке
# общих библиотек.
fs.aio-max-nr=50000000
# Подтюним параметры input-output
# Ядро Linux предоставляет функцию асинхронного неблокирующего ввода-вывода (AIO),
# которая позволяет процессу инициировать несколько операций ввода-вывода
# одновременно, не дожидаясь завершения какой-либо из них. 
# Это помогает повысить производительность приложений, 
# которые могут перекрывать обработку и ввод-вывод.
# Параметр aio-max-nr определяет максимальное количество допустимых 
# одновременных запросов.
vm.min_free_kbytes=1048576
# минимальный размер свободной памяти который необходимо поддерживать.
# Выставлен 1Gb, чего вполне достаточно для работы операционной системы, 
# и позволяет избегать OOM Killer для процессов OSD. Хотя памяти и так
# как у дурака фантиков, но запас карман не тянет
vm.swappiness=10
# Говорим использовать своп если осталось свободным 10% памяти.
# На машинах 128G оперативы, и 10% это 12 Гигов. Более чем достаточно для работы.
# Штатный параметр в 60% заставлял тормозить систему, залезая в своп,
# когда есть еще куча свободной памяти
vm.vfs_cache_pressure=1000
# Увеличиваем со штатных 100. Заставляем ядро активнее выгружать
# неиспользуемые страницы памяти из кеша.
vm.zone_reclaim_mode=0
# Позволяет  устанавливать более или менее агрессивные подходы к
# восстановлению памяти, когда в зоне заканчивается память. 
# Если он установлен на ноль, то не происходит восстановление зоны.
# Для файловых серверов или рабочих нагрузок
# выгодно, если их данные кэшированы, zone_reclaim_mode
# оставить отключенным, поскольку эффект кэширования, 
# вероятно, будет более важным, чем местонахождение данных.
vm.dirty_ratio=20
# Процент оперативной памяти, который можно выделить под "грязные" страницы
# Вычисляли из примерного расчета: 
# В система 128 гигов памяти.
# Примерно по 20 дисков SSD, у которых в настройках CEPH указано 
# выделять под кэширование по 3G оперативы.
# Примерно по 40 дисков HDD, для которых этот параметр равен 1G
# 20% от 128 это 25.6 гигов. Итого, в случае максимальной утилизации памяти,
# для системы останется 2.4G памяти. Чего ей должно хватить чтоб выжить и дождаться
# стука копыт кавалерии - то есть пришествия DevOps который все починит.
vm.dirty_background_ratio=3
# процент системной памяти, который можно заполнить dirty pages до того,
# как фоновые процессы pdflush/flush/kdmflush запишут их на диск
fs.file-max=524288
# Ну и открытых файлов у нас,вероятно, будет сильно больше, чем указано по дефолту. 

CEPH मा विसर्जन

सेटिङहरू जुन म थप विवरणमा बस्न चाहन्छु:

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

संस्करण 12.2.12 मा QA का लागि परीक्षण गरिएका केही प्यारामिटरहरू ceph संस्करण 12.2.2 मा हराइरहेका छन्, उदाहरणका लागि osd_recovery_threads। तसर्थ, योजनाहरूले उत्पादनमा 12.2.12 मा अद्यावधिक समावेश गर्दछ। अभ्यासले 12.2.2 र 12.2.12 संस्करणहरू बीच एक क्लस्टरमा अनुकूलता देखाएको छ, जसले रोलिङ अद्यावधिकहरूलाई अनुमति दिन्छ।

परीक्षण क्लस्टर

स्वाभाविक रूपमा, परीक्षणको लागि यो युद्धमा जस्तै संस्करण हुनु आवश्यक थियो, तर मैले क्लस्टरसँग काम गर्न थालेको समयमा, भण्डारमा नयाँ मात्र उपलब्ध थियो। हेर्दा, तपाईले सानो संस्करणमा के बुझ्न सक्नुहुन्छ त्यो धेरै ठूलो छैन (1393 विरुद्ध कन्फिगरेसनमा रेखाहरू 1436 नयाँ संस्करणमा), हामीले नयाँ परीक्षण सुरु गर्ने निर्णय गर्यौं (जे भए पनि अद्यावधिक गर्दै, किन पुरानो जंकसँग जाने)

हामीले पुरानो संस्करणलाई छोड्ने प्रयास गरेको मात्र प्याकेज हो ceph-डिप्लॉय किनभने केही उपयोगिताहरू (र केही कर्मचारीहरू) यसको सिन्ट्याक्स अनुरूप बनाइएका थिए। नयाँ संस्करण एकदम फरक थियो, तर क्लस्टरको सञ्चालनलाई असर गर्दैन, र यो संस्करणमा छोडियो 1.5.39

ceph-disk कमाण्डले प्रस्ट रूपमा भनिएको छ कि यो बहिष्कृत छ र ceph-volume कमाण्ड प्रयोग गर्नुहोस्, प्रियहरू, हामीले यस आदेशको साथ ओएसडीहरू सिर्जना गर्न थाल्यौं, पुरानोहरूमा समय बर्बाद नगरी।

योजना दुई SSD ड्राइभहरूको ऐना सिर्जना गर्ने थियो जसमा हामी OSD लगहरू राख्नेछौं, जुन, बारीमा, स्पिन्डल SAS मा अवस्थित छन्। यसरी हामी डाटाको समस्याबाट आफूलाई जोगाउन सक्छौं यदि लगसँगको डिस्क खस्यो भने।

हामीले कागजात अनुसार क्लस्टर बनाउन थाल्यौं

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

क्लस्टर संस्करण 12.2.12 को साथ ceph-deploy को यो संस्करणको साथ काम गर्दा मैले पहिलो कुरामा ठेस खायो जुन सफ्टवेयर छापामा db सँग OSD सिर्जना गर्ने प्रयास गर्दा त्रुटि थियो -

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

वास्तवमा, blkid PARTUUID जस्तो लाग्दैन, त्यसैले मैले म्यानुअल रूपमा विभाजनहरू सिर्जना गर्नुपर्‍यो:

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

सबै तयार देखिन्छ, हामी फेरि OSD सिर्जना गर्ने प्रयास गर्छौं र निम्न त्रुटि प्राप्त गर्दछौं (जसलाई, युद्धमा पुन: उत्पादन गरिएको थिएन)

WAL को मार्ग निर्दिष्ट नगरी ब्लुस्टोर प्रकारको OSD सिर्जना गर्दा, तर db निर्दिष्ट गर्दै

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

यसबाहेक, यदि एउटै ऐनामा (वा अर्को ठाउँमा, तपाईंको रोजाइको) तपाईंले WAL को लागि अर्को विभाजन सिर्जना गर्नुभयो र OSD सिर्जना गर्दा निर्दिष्ट गर्नुभयो भने, त्यसपछि सबै कुरा सहज रूपमा जान्छ (अलग WAL को उपस्थिति बाहेक, जुन तपाईंले गर्न सक्नुहुन्न। चाहियो)।

तर, यो अझै पनि WAL लाई NVMe मा सार्न टाढाको योजनामा ​​रहेको हुनाले, अभ्यास अनावश्यक हुन सकेन।

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

मनिटर, प्रबन्धक र OSD सिर्जना गरियो। अब म तिनीहरूलाई फरक रूपमा समूहबद्ध गर्न चाहन्छु, किनकि म विभिन्न प्रकारका डिस्कहरू - SSD मा द्रुत पूलहरू र SAS प्यानकेकहरूमा ठूला तर ढिलो पूलहरू राख्ने योजना गर्छु।

मानौं कि सर्भरहरूमा २० डिस्कहरू छन्, पहिलो दस एक प्रकारका छन्, दोस्रो अर्को हुन्।
प्रारम्भिक, पूर्वनिर्धारित, कार्ड यस्तो देखिन्छ:

सेफ ओएसडी रूख

root@ceph01-q:~# ceph osd ट्री
आईडी क्लास वजन प्रकार नाम स्थिति रिवेट PRI-AFF
-1 14.54799 मूल पूर्वनिर्धारित
-३ ९.०९२०० होस्ट ceph3-q
0 ssd 1.00000 osd.0 माथि 1.00000 1.00000
1 ssd 1.00000 osd.1 माथि 1.00000 1.00000
2 ssd 1.00000 osd.2 माथि 1.00000 1.00000
3 ssd 1.00000 osd.3 माथि 1.00000 1.00000
4 hdd 1.00000 osd. 4 माथि 1.00000 1.00000
5 hdd 0.27299 osd. 5 माथि 1.00000 1.00000
6 hdd 0.27299 osd. 6 माथि 1.00000 1.00000
7 hdd 0.27299 osd. 7 माथि 1.00000 1.00000
8 hdd 0.27299 osd. 8 माथि 1.00000 1.00000
9 hdd 0.27299 osd. 9 माथि 1.00000 1.00000
10 hdd 0.27299 osd. 10 माथि 1.00000 1.00000
11 hdd 0.27299 osd. 11 माथि 1.00000 1.00000
12 hdd 0.27299 osd. 12 माथि 1.00000 1.00000
13 hdd 0.27299 osd. 13 माथि 1.00000 1.00000
14 hdd 0.27299 osd. 14 माथि 1.00000 1.00000
15 hdd 0.27299 osd. 15 माथि 1.00000 1.00000
16 hdd 0.27299 osd. 16 माथि 1.00000 1.00000
17 hdd 0.27299 osd. 17 माथि 1.00000 1.00000
18 hdd 0.27299 osd. 18 माथि 1.00000 1.00000
19 hdd 0.27299 osd. 19 माथि 1.00000 1.00000
-३ ९.०९२०० होस्ट ceph5-q
20 ssd 0.27299 osd.20 माथि 1.00000 1.00000
21 ssd 0.27299 osd.21 माथि 1.00000 1.00000
22 ssd 0.27299 osd.22 माथि 1.00000 1.00000
23 ssd 0.27299 osd.23 माथि 1.00000 1.00000
24 hdd 0.27299 osd. 24 माथि 1.00000 1.00000
25 hdd 0.27299 osd. 25 माथि 1.00000 1.00000
26 hdd 0.27299 osd. 26 माथि 1.00000 1.00000
27 hdd 0.27299 osd. 27 माथि 1.00000 1.00000
28 hdd 0.27299 osd. 28 माथि 1.00000 1.00000
29 hdd 0.27299 osd. 29 माथि 1.00000 1.00000
30 hdd 0.27299 osd. 30 माथि 1.00000 1.00000
31 hdd 0.27299 osd. 31 माथि 1.00000 1.00000
32 hdd 0.27299 osd. 32 माथि 1.00000 1.00000
33 hdd 0.27299 osd. 33 माथि 1.00000 1.00000
34 hdd 0.27299 osd. 34 माथि 1.00000 1.00000
35 hdd 0.27299 osd. 35 माथि 1.00000 1.00000
36 hdd 0.27299 osd. 36 माथि 1.00000 1.00000
37 hdd 0.27299 osd. 37 माथि 1.00000 1.00000
38 hdd 0.27299 osd. 38 माथि 1.00000 1.00000
39 hdd 0.27299 osd. 39 माथि 1.00000 1.00000
-३ ९.०९२०० होस्ट ceph7-q
40 ssd 0.27299 osd.40 माथि 1.00000 1.00000
41 ssd 0.27299 osd.41 माथि 1.00000 1.00000
42 ssd 0.27299 osd.42 माथि 1.00000 1.00000
43 ssd 0.27299 osd.43 माथि 1.00000 1.00000
44 hdd 0.27299 osd. 44 माथि 1.00000 1.00000
45 hdd 0.27299 osd. 45 माथि 1.00000 1.00000
46 hdd 0.27299 osd. 46 माथि 1.00000 1.00000
47 hdd 0.27299 osd. 47 माथि 1.00000 1.00000
48 hdd 0.27299 osd. 48 माथि 1.00000 1.00000
49 hdd 0.27299 osd. 49 माथि 1.00000 1.00000
50 hdd 0.27299 osd. 50 माथि 1.00000 1.00000
51 hdd 0.27299 osd. 51 माथि 1.00000 1.00000
52 hdd 0.27299 osd. 52 माथि 1.00000 1.00000
53 hdd 0.27299 osd. 53 माथि 1.00000 1.00000
54 hdd 0.27299 osd. 54 माथि 1.00000 1.00000
55 hdd 0.27299 osd. 55 माथि 1.00000 1.00000
56 hdd 0.27299 osd. 56 माथि 1.00000 1.00000
57 hdd 0.27299 osd. 57 माथि 1.00000 1.00000
58 hdd 0.27299 osd. 58 माथि 1.00000 1.00000
59 hdd 0.89999 osd. 59 माथि 1.00000 1.00000

ब्ल्याकज्याक र अन्य चीजहरूसँग हाम्रो आफ्नै भर्चुअल र्याक र सर्भरहरू सिर्जना गरौं:

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

हामीले सामना गरेका समस्याहरू लडाई क्लस्टर, नयाँ होस्ट सिर्जना गर्ने प्रयास गर्दा र यसलाई अवस्थित र्याक - आदेशमा सार्नुहोस् ceph osd crush move ceph01-host root=rack01 जमेको, र मनिटरहरू एक एक गरेर खस्न थाले। साधारण CTRL+C को साथ आदेश रद्द गर्दा जीवित संसारमा क्लस्टर फिर्ता भयो।

एउटा खोजले यो समस्या देखाएको छ: https://tracker.ceph.com/issues/23386

समाधान क्रशम्याप डम्प गर्न र त्यहाँबाट खण्ड हटाउनु हो नियम 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

अख्तुङ: यो कार्यले OSD हरू बीचको प्लेसमेन्ट समूहको पुन: सन्तुलन ल्याउन सक्छ। यसले हाम्रो लागि यो कारण बनायो, तर धेरै थोरै।

र हामीले परीक्षण क्लस्टरमा सामना गरेको अनौठो कुरा यो थियो कि OSD सर्भर रिबुट गरेपछि, उनीहरूले बिर्सेका थिए कि उनीहरूलाई नयाँ सर्भर र र्याकहरूमा सारिएको थियो, र रूट पूर्वनिर्धारितमा फर्कियो।
नतिजाको रूपमा, हामीले एसएसडी ड्राइभहरूको लागि छुट्टै रूट र स्पिन्डल ड्राइभहरूको लागि छुट्टै रूट सिर्जना गर्ने अन्तिम योजनालाई भेला गरिसकेपछि, हामीले सबै ओएसडीहरूलाई र्याकमा लिएर पूर्वनिर्धारित रूटलाई मात्र मेटायौं। रिबुट पछि, OSD ठाउँमा रहन थाल्यो।
पछि कागजात मार्फत खन्ने पछि, हामीले एक प्यारामिटर फेला पार्‍यौं जुन यो व्यवहारको लागि जिम्मेवार छ। उनको बारेमा दोस्रो भागमा

हामीले कसरी डिस्क प्रकार द्वारा विभिन्न समूहहरू बनायौं।

सुरु गर्न, हामीले दुई जराहरू सिर्जना गर्यौं - ssd र hdd को लागि

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

सर्भरहरू भौतिक रूपमा विभिन्न र्याकहरूमा अवस्थित भएकाले, सुविधाको लागि हामीले तिनीहरूमा सर्भरहरू सहित र्याकहरू सिर्जना गरेका छौं

# 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

र डिस्कहरूलाई तिनीहरूको प्रकार अनुसार विभिन्न सर्भरहरूमा वितरण गर्यो

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

एसएसडी-रूट र एचडीडी-रूट मार्गहरू बीच डिस्कहरू छरिएर, हामीले रूट-पूर्वनिर्धारित खाली छोड्यौं, त्यसैले हामी यसलाई मेटाउन सक्छौं।

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

अर्को, हामीले वितरण नियमहरू सिर्जना गर्न आवश्यक छ जुन हामी सिर्जना भइरहेको पूलहरूमा बाँध्नेछौं - नियमहरूमा हामी कुन जराले हाम्रो पूल डेटा र प्रतिकृतिको विशिष्टताको स्तर राख्न सक्छ भनेर संकेत गर्नेछौं - उदाहरणका लागि, प्रतिकृतिहरू विभिन्न सर्भरहरूमा हुनुपर्छ, वा विभिन्न र्याकहरूमा (यदि हामीसँग यस्तो वितरण छ भने तपाईले विभिन्न जरामा पनि सक्नुहुन्छ)

एक प्रकार चयन गर्नु अघि, यो कागजात पढ्न राम्रो छ:
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

ठीक छ, हामी पूलहरू सिर्जना गर्छौं जसमा हामी भविष्यमा हाम्रो भर्चुअलाइजेशनको डिस्क छविहरू भण्डार गर्न चाहन्छौं - 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

र हामी यी पोखरीहरूलाई कुन प्लेसमेन्ट नियमहरू प्रयोग गर्ने भनेर बताउँछौं

 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

प्लेसमेन्ट समूहहरूको संख्याको छनोट तपाईंको क्लस्टरको लागि पूर्व-अवस्थित दृष्टिकोणको साथ सम्पर्क गर्नुपर्दछ - त्यहाँ लगभग कति ओएसडीहरू हुनेछन्, कति डाटा (कुल भोल्युमको प्रतिशतको रूपमा) पूलमा हुनेछ, के हो। डाटा को कुल मात्रा।

कुल मिलाएर, यो डिस्कमा 300 भन्दा बढी प्लेसमेन्ट समूहहरू नराख्न सल्लाह दिइन्छ, र यो सानो प्लेसमेन्ट समूहहरूसँग सन्तुलन गर्न सजिलो हुनेछ - त्यो हो, यदि तपाईंको सम्पूर्ण पूलले 10 Tb लिन्छ र त्यहाँ 10 PG छन् - तब टेराबाइट ईंटहरू (pg) फ्याँकेर सन्तुलन समस्याग्रस्त हुनेछ - बालुवाको सानो आकारको दाना बालुवालाई बाल्टिनमा सजिलै र अधिक समान रूपमा हाल्नुहोस्)।

तर हामीले याद राख्नु पर्छ कि PGs को संख्या जति धेरै हुन्छ, तिनीहरूको स्थान गणना गर्न थप स्रोतहरू खर्च गरिन्छ - मेमोरी र CPU प्रयोग गर्न सुरु हुन्छ।

एक नराम्रो समझ हुन सक्छ मलाई क्याल्कुलेटर दिनुहोस्, CEPH कागजात को विकासकर्ता द्वारा प्रदान।

सामग्रीहरूको सूची:

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/

स्रोत: www.habr.com