CEPH selecteren. Deel 1
We hadden vijf racks, tien optische switches, geconfigureerde BGP, een paar dozijn SSD's en een heleboel SAS-schijven in alle kleuren en maten, evenals proxmox en de wens om alle statische gegevens in onze eigen S3-opslag te plaatsen. Niet dat dit allemaal nodig is voor virtualisatie, maar als je eenmaal opensource gaat gebruiken, volg dan je hobby tot het einde. Het enige wat mij stoorde was BGP. Er is niemand ter wereld hulpelozer, onverantwoordelijker en immoreler dan interne BGP-routing. En ik wist dat we er al snel in zouden duiken.
De taak was triviaal: er was CEPH, maar het werkte niet zo goed. Het was noodzakelijk om “goed” te doen.
Het cluster dat ik ontving was heterogeen, haastig afgestemd en praktisch niet afgestemd. Het bestond uit twee groepen verschillende knooppunten, waarbij één gemeenschappelijk netwerk zowel als cluster als als openbaar netwerk fungeerde. De knooppunten waren gevuld met vier soorten schijven: twee soorten SSD's, verzameld in twee afzonderlijke plaatsingsregels, en twee soorten HDD's van verschillende groottes, verzameld in een derde groep. Het probleem met verschillende formaten werd opgelost door verschillende OSD-gewichten.
De opstelling zelf is verdeeld in twee delen: afstemmen van het besturingssysteem и afstemming van CEPH zelf en de instellingen ervan.
Besturingssysteem upgraden
Netwerk
Hoge latentie beïnvloedde zowel de opname als de balancering. Bij opname - omdat de cliënt geen reactie ontvangt over succesvolle opname totdat gegevensreplica's in andere plaatsingsgroepen het succes bevestigen. Omdat de regels voor het distribueren van replica's in de CRUSH-kaart één replica per host waren, werd altijd het netwerk gebruikt.
Daarom besloot ik als eerste het huidige netwerk enigszins aan te passen, terwijl ik tegelijkertijd probeerde mij ervan te overtuigen om naar afzonderlijke netwerken over te stappen.
Om te beginnen heb ik de instellingen van de netwerkkaarten aangepast. Ik begon met het instellen van wachtrijen:
wat is er gebeurd:
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: 1Het is duidelijk dat de huidige parameters verre van maxima zijn. Toegenomen:
root@ceph01:~#ethtool -G ens1f0 rx 4096
root@ceph01:~#ethtool -G ens1f0 tx 4096
root@ceph01:~#ethtool -L ens1f0 combined 63Geleid door een uitstekend artikel
de lengte van de verzendwachtrij vergroot txqueuelen van 1000 tot 10
root@ceph01:~#ip link set ens1f0 txqueuelen 10000Nou ja, volgens de documentatie van cef zelf
toegenomen MTU tot 9000.
root@ceph01:~#ip link set dev ens1f0 mtu 9000Toegevoegd aan /etc/network/interfaces zodat al het bovenstaande wordt geladen bij het opstarten
cat / etc / netwerk / 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 9000Waarna ik, na hetzelfde artikel, bedachtzaam de handvatten van de 4.15-kernel begon te verdraaien. Aangezien de knooppunten 128 GB RAM hebben, hebben we uiteindelijk een configuratiebestand voor 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)Сglans netwerk werd toegewezen aan afzonderlijke 10Gbps-netwerkinterfaces in een afzonderlijk plat netwerk. Elke machine was uitgerust met netwerkkaarten met twee poorten Mellanox 10/25 Gbps, aangesloten op twee afzonderlijke 10Gbps-switches. De aggregatie werd uitgevoerd met behulp van OSPF, omdat binding met lacp om de een of andere reden een totale doorvoer van maximaal 16 Gbps liet zien, terwijl Ospf met succes beide tienen op elke machine gebruikte. Toekomstige plannen waren om te profiteren van ROCE op deze melanoxen om de latentie te verminderen. Zo stelt u dit deel van het netwerk in:
- Omdat de machines zelf externe IP-adressen op BGP hebben, hebben we software nodig - (meer precies, op het moment dat dit artikel werd geschreven, was dat zo ) stond al.
- In totaal hadden de machines twee netwerkinterfaces, elk met twee interfaces - in totaal 4 poorten. Eén netwerkkaart keek in de fabriek met twee poorten en BGP was erop geconfigureerd, de tweede keek naar twee verschillende switches met twee poorten en OSPF stond erop ingesteld
Meer details over het instellen van OSPF: De hoofdtaak is het aggregeren van twee koppelingen en het hebben van fouttolerantie.
twee netwerkinterfaces zijn geconfigureerd in twee eenvoudige platte netwerken - 10.10.10.0/24 en 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 ens1f1waardoor auto's elkaar zien.
SCHIJF
De volgende stap was het optimaliseren van de schijven. Voor SSD heb ik de planner gewijzigd in nee hoor, voor harde schijf - termijn. Om het bot te zeggen: NOOP werkt volgens het principe van ‘first in, first out’, wat in het Engels klinkt als ‘FIFO (First In, First Out)’. Verzoeken worden in de wachtrij geplaatst zodra ze binnenkomen. DEADLINE is meer leesgericht, en het proces in de wachtrij krijgt vrijwel exclusieve toegang tot de schijf op het moment van de bewerking. Dit is perfect voor ons systeem - er werkt tenslotte maar één proces met elke schijf: OSD-daemon.
(Degenen die in de I/O-planner willen duiken, kunnen hier meer over lezen:
Degenen die liever in het Russisch lezen: )
In aanbevelingen voor het afstemmen van Linux wordt ook aanbevolen om nr_request
nr_verzoeken
De waarde van nr_requests bepaalt het aantal I/O-verzoeken dat wordt gebufferd voordat de I/O-planner gegevens naar het blokapparaat verzendt/ontvangt, als u een RAID-kaart/blokapparaat gebruikt dat een grotere wachtrij aankan dan wat de I/O-planner aankan. /O-planner is ingesteld, kan het verhogen van de waarde van nr_requests helpen om de serverbelasting te verbeteren en de serverbelasting te verminderen wanneer er grote hoeveelheden I/O op de server plaatsvinden. Als u Deadline of CFQ als planner gebruikt, wordt u aangeraden de waarde nr_request in te stellen op 2 keer de waarde van de wachtrijdiepte.
MAAR! De burgers zelf, de ontwikkelaars van CEPH, overtuigen ons ervan dat hun prioriteitensysteem beter werkt
WBThrottle en/of nr_requests
WBThrottle en/of nr_requests
Bestandsopslag maakt gebruik van gebufferde I/O voor schrijven; dit levert een aantal voordelen op als het bestandsopslaglogboek zich op snellere media bevindt. Clientverzoeken worden op de hoogte gesteld zodra gegevens naar het logboek worden geschreven, en worden vervolgens op een later tijdstip naar de gegevensschijf zelf gespoeld met behulp van de standaard Linux-functionaliteit. Dit maakt het voor spindel-OSD's mogelijk om schrijflatentie te bieden die vergelijkbaar is met SSD's bij het schrijven in kleine bursts. Dit vertraagde terugschrijven stelt de kernel zelf ook in staat de schijf-I/O-verzoeken te reorganiseren, in de hoop ze óf samen te voegen óf de bestaande schijfkoppen een meer optimaal pad over hun platters te laten kiezen. Het netto-effect is dat u iets meer I/O uit elke schijf kunt persen dan mogelijk zou zijn met directe of synchrone I/O.
Er doet zich echter een bepaald probleem voor als het volume aan binnenkomende records naar een bepaald Ceph-cluster alle mogelijkheden van de onderliggende schijven overschrijdt. In dit scenario zou het totale aantal openstaande I/O-bewerkingen die wachten om naar schijf te worden geschreven ongecontroleerd kunnen groeien en ertoe kunnen leiden dat I/O-wachtrijen de gehele schijf- en Ceph-wachtrijen vullen. Leesverzoeken worden met name getroffen omdat ze vastlopen tussen schrijfverzoeken, wat enkele seconden kan duren om naar de primaire schijf te worden gespoeld.
Om dit probleem te verhelpen heeft Ceph een terugschrijf-throttling-mechanisme ingebouwd in de bestandsopslag genaamd WBThrottle. Het is ontworpen om de totale hoeveelheid lazy write I/O te beperken die in de wachtrij kan staan en eerder met het flush-proces kan beginnen dan normaal zou gebeuren als gevolg van de activering door de kernel zelf. Helaas blijkt uit tests dat de standaardwaarden het bestaande gedrag mogelijk nog steeds niet terugbrengen tot een niveau dat deze impact op de leeslatentie kan verminderen. Aanpassingen kunnen dit gedrag veranderen en de totale lengte van de schrijfwachtrij verminderen en deze impact minder ernstig maken. Er is echter een wisselwerking: door het totale maximale aantal items dat in de wachtrij mag staan te verminderen, kun je het vermogen van de kernel zelf verminderen om zijn efficiëntie bij het ordenen van binnenkomende verzoeken te maximaliseren. Het is de moeite waard om een beetje na te denken over wat u nog meer nodig heeft voor uw specifieke gebruikssituatie en werklasten, en deze aan te passen.
Om de diepte van zo'n wachtrij voor schrijfachterstanden te controleren, kun je óf het totale maximale aantal openstaande I/O-bewerkingen verminderen met behulp van de WBThrottle-instellingen, óf je kunt de maximale waarde voor openstaande bewerkingen op blokniveau van je kernel zelf verlagen. Beide kunnen hetzelfde gedrag effectief controleren, en uw voorkeuren zullen de basis vormen voor het implementeren van deze instelling.
Er moet ook worden opgemerkt dat het prioriteitssysteem van Ceph efficiënter is voor kortere zoekopdrachten op schijfniveau. Door de algehele wachtrij tot een bepaalde schijf te verkleinen, wordt de primaire locatie van de wachtrij verplaatst naar Ceph, waar deze meer controle heeft over welke prioriteit de I/O-bewerking heeft. Beschouw het volgende voorbeeld:
echo 8 > /sys/block/sda/queue/nr_requestsGEMEENSCHAPPELIJKE
En nog een paar kernelaanpassingen om je auto zacht en zijdeachtig te maken en wat meer prestaties uit de hardware te halen
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. Onderdompeling in CEPH
Instellingen waar ik graag dieper op in wil gaan:
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: 4Sommige van de parameters die in versie 12.2.12 op QA zijn getest, ontbreken bijvoorbeeld in ceph-versie 12.2.2 osd_recovery_threads. Daarom bevatten de plannen een update van de productie naar 12.2.12. De praktijk heeft compatibiliteit tussen versies 12.2.2 en 12.2.12 in één cluster aangetoond, waardoor doorlopende updates mogelijk zijn.
Testcluster
Voor het testen was het uiteraard nodig om dezelfde versie te hebben als in de strijd, maar op het moment dat ik met het cluster begon te werken, was alleen de nieuwere beschikbaar in de repository. Na gekeken te hebben, is wat je kunt onderscheiden in de secundaire versie niet erg groot (1393 regels in configuraties tegen 1436 in de nieuwe versie), hebben we besloten om de nieuwe te gaan testen (toch updaten, waarom zou je met oude rommel gaan)
Het enige dat we in de oude versie probeerden achter te laten, is het pakket ceph-implementeren omdat sommige hulpprogramma's (en sommige werknemers) waren afgestemd op de syntaxis ervan. De nieuwe versie was heel anders, maar had geen invloed op de werking van het cluster zelf en bleef in de versie 1.5.39
Omdat het ceph-disk commando duidelijk zegt dat het verouderd is en we het ceph-volume commando gebruiken, lieverds, zijn we begonnen met het maken van OSD's met dit commando, zonder tijd te verspillen aan verouderde OSD's.
Het plan was om een spiegel te maken van twee SSD-schijven waarop we OSD-logboeken zullen plaatsen, die zich op hun beurt op spindel-SAS's bevinden. Op deze manier kunnen we onszelf beschermen tegen problemen met gegevens als de schijf met het logboek valt.
We zijn begonnen met het maken van een cluster volgens de documentatie
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-qHet eerste dat ik tegenkwam toen ik met deze versie van ceph-deploy werkte met een clusterversie 12.2.12, was een fout bij het maken van een OSD met db tijdens een software-raid -
root@ceph01-qa:~#ceph-volume lvm create --bluestore --data /dev/sde --block.db /dev/md0
blkid could not detect a PARTUUID for device: /dev/md1Blkid lijkt inderdaad geen PARTUUID te zijn, dus moest ik handmatig partities maken:
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; doneAlles lijkt klaar te zijn, we proberen de OSD opnieuw te maken en krijgen de volgende foutmelding (die overigens niet werd gereproduceerd in de strijd)
bij het maken van een OSD van het type bluestore zonder het pad naar WAL op te geven, maar db op te geven
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 argumenBovendien, als u op dezelfde spiegel (of op een andere plaats naar keuze) een andere partitie voor WAL maakt en deze opgeeft bij het maken van de OSD, dan zal alles soepel verlopen (behalve het verschijnen van een afzonderlijke WAL, wat u misschien niet doet). hebben gewild).
Maar aangezien het nog in de verre plannen zat om WAL naar NVMe te verhuizen, bleek de praktijk niet overbodig.
root@ceph01-qa:~#ceph-volume lvm create --bluestore --data /dev/sdf --block.wal /dev/md0p2 --block.db /dev/md1p2Monitoren, managers en OSD gemaakt. Nu zou ik ze anders willen groeperen, omdat ik van plan ben verschillende soorten schijven te hebben: snelle pools op SSD en grote, maar langzame pools op SAS-pannenkoeken.
Laten we aannemen dat de servers 20 schijven hebben, de eerste tien zijn van één type, de tweede van een ander type.
De initiële standaardkaart ziet er als volgt uit:
ceph osd-boom
root@ceph01-q:~# ceph osd-boom
ID KLASSE GEWICHT TYPE NAAM STATUS HERGEWICHT PRI-AFF
-1 14.54799 rootstandaard
-3 9.09200 host ceph01-q
0 SSD 1.00000 osd.0 omhoog 1.00000 1.00000
1 SSD 1.00000 osd.1 omhoog 1.00000 1.00000
2 SSD 1.00000 osd.2 omhoog 1.00000 1.00000
3 SSD 1.00000 osd.3 omhoog 1.00000 1.00000
4 hdd 1.00000 osd.4 omhoog 1.00000 1.00000
5 hdd 0.27299 osd.5 omhoog 1.00000 1.00000
6 hdd 0.27299 osd.6 omhoog 1.00000 1.00000
7 hdd 0.27299 osd.7 omhoog 1.00000 1.00000
8 hdd 0.27299 osd.8 omhoog 1.00000 1.00000
9 hdd 0.27299 osd.9 omhoog 1.00000 1.00000
10 hdd 0.27299 osd.10 omhoog 1.00000 1.00000
11 hdd 0.27299 osd.11 omhoog 1.00000 1.00000
12 hdd 0.27299 osd.12 omhoog 1.00000 1.00000
13 hdd 0.27299 osd.13 omhoog 1.00000 1.00000
14 hdd 0.27299 osd.14 omhoog 1.00000 1.00000
15 hdd 0.27299 osd.15 omhoog 1.00000 1.00000
16 hdd 0.27299 osd.16 omhoog 1.00000 1.00000
17 hdd 0.27299 osd.17 omhoog 1.00000 1.00000
18 hdd 0.27299 osd.18 omhoog 1.00000 1.00000
19 hdd 0.27299 osd.19 omhoog 1.00000 1.00000
-5 5.45599 host ceph02-q
20 SSD 0.27299 osd.20 omhoog 1.00000 1.00000
21 SSD 0.27299 osd.21 omhoog 1.00000 1.00000
22 SSD 0.27299 osd.22 omhoog 1.00000 1.00000
23 SSD 0.27299 osd.23 omhoog 1.00000 1.00000
24 hdd 0.27299 osd.24 omhoog 1.00000 1.00000
25 hdd 0.27299 osd.25 omhoog 1.00000 1.00000
26 hdd 0.27299 osd.26 omhoog 1.00000 1.00000
27 hdd 0.27299 osd.27 omhoog 1.00000 1.00000
28 hdd 0.27299 osd.28 omhoog 1.00000 1.00000
29 hdd 0.27299 osd.29 omhoog 1.00000 1.00000
30 hdd 0.27299 osd.30 omhoog 1.00000 1.00000
31 hdd 0.27299 osd.31 omhoog 1.00000 1.00000
32 hdd 0.27299 osd.32 omhoog 1.00000 1.00000
33 hdd 0.27299 osd.33 omhoog 1.00000 1.00000
34 hdd 0.27299 osd.34 omhoog 1.00000 1.00000
35 hdd 0.27299 osd.35 omhoog 1.00000 1.00000
36 hdd 0.27299 osd.36 omhoog 1.00000 1.00000
37 hdd 0.27299 osd.37 omhoog 1.00000 1.00000
38 hdd 0.27299 osd.38 omhoog 1.00000 1.00000
39 hdd 0.27299 osd.39 omhoog 1.00000 1.00000
-7 6.08690 host ceph03-q
40 SSD 0.27299 osd.40 omhoog 1.00000 1.00000
41 SSD 0.27299 osd.41 omhoog 1.00000 1.00000
42 SSD 0.27299 osd.42 omhoog 1.00000 1.00000
43 SSD 0.27299 osd.43 omhoog 1.00000 1.00000
44 hdd 0.27299 osd.44 omhoog 1.00000 1.00000
45 hdd 0.27299 osd.45 omhoog 1.00000 1.00000
46 hdd 0.27299 osd.46 omhoog 1.00000 1.00000
47 hdd 0.27299 osd.47 omhoog 1.00000 1.00000
48 hdd 0.27299 osd.48 omhoog 1.00000 1.00000
49 hdd 0.27299 osd.49 omhoog 1.00000 1.00000
50 hdd 0.27299 osd.50 omhoog 1.00000 1.00000
51 hdd 0.27299 osd.51 omhoog 1.00000 1.00000
52 hdd 0.27299 osd.52 omhoog 1.00000 1.00000
53 hdd 0.27299 osd.53 omhoog 1.00000 1.00000
54 hdd 0.27299 osd.54 omhoog 1.00000 1.00000
55 hdd 0.27299 osd.55 omhoog 1.00000 1.00000
56 hdd 0.27299 osd.56 omhoog 1.00000 1.00000
57 hdd 0.27299 osd.57 omhoog 1.00000 1.00000
58 hdd 0.27299 osd.58 omhoog 1.00000 1.00000
59 hdd 0.89999 osd.59 omhoog 1.00000 1.00000
Laten we onze eigen virtuele racks en servers maken met blackjack en andere dingen:
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 rack01De problemen die we tegenkwamen in strijden cluster, wanneer u probeert een nieuwe host te maken en deze naar een bestaand rack te verplaatsen - opdracht ceph osd crush verplaats ceph01-host root=rack01 bevroor en de monitoren begonnen een voor een te vallen. Door het commando af te breken met een simpele CTRL+C keerde het cluster terug naar de wereld van de levenden.
Een zoekopdracht bracht dit probleem aan het licht:
De oplossing bleek te zijn om crushmap te dumpen en de sectie daar vandaan te verwijderen regel gerepliceerde_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 кластерAchtung: Deze bewerking kan een herbalancering van de plaatsingsgroep tussen OSD's veroorzaken. Bij ons heeft het dit wel veroorzaakt, maar heel weinig.
En het vreemde dat we in het testcluster tegenkwamen, was dat ze na het opnieuw opstarten van de OSD-server vergaten dat ze naar nieuwe servers en racks waren verplaatst en terugkeerden naar de root-standaard.
Als gevolg hiervan hebben we, nadat we het definitieve schema hadden samengesteld waarin we een aparte root voor SSD-schijven en een aparte root voor spindelaandrijvingen hadden gemaakt, alle OSD's in rekken geplaatst en eenvoudigweg de standaardroot verwijderd. Na het opnieuw opstarten begon de OSD op zijn plaats te blijven.
Nadat we later de documentatie hadden doorgenomen, hebben we een parameter gevonden die verantwoordelijk is voor dit gedrag. Over hem in het tweede deel
Hoe we verschillende groepen hebben gemaakt op schijftype.
Om te beginnen hebben we twee wortels gemaakt: voor SSD en voor HDD
root@ceph01-q:~#ceph osd crush add-bucket ssd-root root
root@ceph01-q:~#ceph osd crush add-bucket hdd-root rootOmdat de servers zich fysiek in verschillende racks bevinden, hebben we voor het gemak racks gemaakt met servers erin
# 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 hosten verdeelde de schijven op basis van hun type over verschillende servers
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 серверамиNadat we de schijven over de ssd-root- en hdd-root-routes hadden verspreid, hebben we de root-default leeg gelaten, zodat we deze kunnen verwijderen
root-ceph01-q:~#ceph osd crush remove defaultVervolgens moeten we distributieregels maken die we zullen binden aan de pools die worden gemaakt - in de regels zullen we aangeven welke wortels onze poolgegevens kunnen plaatsen en het niveau van uniekheid van de replica - replica's moeten bijvoorbeeld op verschillende servers staan, of in verschillende rekken (dat kan zelfs in verschillende wortels, als we zo’n verdeling hebben)
Voordat u een type kiest, kunt u beter de documentatie lezen:
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 firstnWelnu, we creëren pools waarin we in de toekomst schijfimages van onze virtualisatie willen opslaan - 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 1024En we vertellen deze pools welke plaatsingsregels ze moeten gebruiken
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
De keuze van het aantal plaatsingsgroepen moet worden benaderd vanuit een reeds bestaande visie voor uw cluster: hoeveel OSD's er ongeveer zullen zijn, welke hoeveelheid gegevens (als percentage van het totale volume) in de pool zal zitten, wat de totale hoeveelheid gegevens.
In totaal is het raadzaam om niet meer dan 300 plaatsingsgroepen op de schijf te hebben, en het zal gemakkelijker zijn om te balanceren met kleine plaatsingsgroepen - dat wil zeggen, als uw hele pool 10 Tb in beslag neemt en 10 PG bevat - en dan balanceren door terabyte-stenen (pg) te gooien zal problematisch zijn - giet zand met kleine zandkorrels gemakkelijker en gelijkmatiger in emmers).
Maar we moeten niet vergeten dat hoe groter het aantal PG's is, hoe meer middelen worden besteed aan het berekenen van hun locatie - geheugen en CPU worden gebruikt.
Een ruw begrip kan dat wel zijn , geleverd door de ontwikkelaars van de CEPH-documentatie.
Lijst met materialen:
Bron: www.habr.com