Velger CEPH. Del 1

Vi hadde fem rack, ti optiske brytere, konfigurert BGP, et par dusin SSD-er og en haug med SAS-disker i alle farger og størrelser, samt proxmox og ønsket om å legge alle statiske data inn i vår egen S3-lagring. Ikke at alt dette er nødvendig for virtualisering, men når du begynner å bruke åpen kildekode, følg hobbyen din til slutten. Det eneste som plaget meg var BGP. Det er ingen i verden som er mer hjelpeløs, uansvarlig og umoralsk enn intern BGP-ruting. Og jeg visste at vi ganske snart ville dykke ned i det.

Oppgaven var triviell - det var CEPH, men det fungerte ikke veldig bra. Det var nødvendig å gjøre "bra".
Klyngen jeg mottok var heterogen, raskt innstilt og praktisk talt ikke innstilt. Den besto av to grupper av forskjellige noder, med ett felles rutenett som fungerte som både en klynge og et offentlig nettverk. Nodene ble fylt med fire typer disker - to typer SSD, samlet i to separate plasseringsregler, og to typer HDD av forskjellige størrelser, samlet i en tredje gruppe. Problemet med forskjellige størrelser ble løst av forskjellige OSD-vekter.

Selve oppsettet er delt inn i to deler - justering av operativsystemet и tuning av selve CEPH og dens innstillinger.

Oppgraderer OS

Network

Høy latenstid påvirket både opptak og balansering. Ved opptak - fordi klienten ikke vil motta svar om vellykket opptak før datareplikaer i andre plasseringsgrupper bekrefter suksess. Siden reglene for distribusjon av replikaer i CRUSH-kartet var én replika per vert, ble nettverket alltid brukt.

Derfor var det første jeg bestemte meg for å gjøre litt tilpasning til det nåværende nettverket, samtidig som jeg prøvde å overbevise meg om å flytte til separate nettverk.

Til å begynne med finjusterte jeg innstillingene til nettverkskortene. Jeg startet med å sette opp køer:

hva skjedde:

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

Det kan sees at gjeldende parametere er langt fra maksimum. Økt:

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

Veiledet av en utmerket artikkel

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

økt lengden på sendekøen txqueuelen fra 1000 til 10 000

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

Vel, etter dokumentasjonen av ceph selv

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

økt MTU til 9000.

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

Lagt til /etc/network/interfaces slik at alt ovenfor lastes ved oppstart

katt / etc / nettverk / grensesnitt

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

Etter den samme artikkelen begynte jeg å vri håndtakene på 4.15-kjernen med omtanke. Med tanke på at nodene har 128G RAM, endte vi opp med en konfigurasjonsfil for 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)

Сglansnettverk ble tildelt på separate 10 Gbps nettverksgrensesnitt til et eget flatt nettverk. Hver maskin var utstyrt med nettverkskort med to porter mellanox 10/25 Gbps, koblet til to separate 10 Gbps-svitsjer. Aggregering ble utført ved bruk av OSPF, siden binding med lacp av en eller annen grunn viste en total gjennomstrømning på maksimalt 16 Gbps, mens ospf vellykket utnyttet begge tiere på hver maskin. Fremtidige planer var å dra nytte av ROCE på disse melanoksene for å redusere ventetiden. Slik setter du opp denne delen av nettverket:

Siden maskinene selv har eksterne IP-adresser på BGP, trenger vi programvare - (mer presist, på tidspunktet for skriving av denne artikkelen var det frr=6.0-1 ) sto allerede.
Totalt hadde maskinene to nettverksgrensesnitt, hver med to grensesnitt – totalt 4 porter. Ett nettverkskort så på fabrikken med to porter og BGP var konfigurert på det, det andre så på to forskjellige brytere med to porter og OSPF var satt på det

Flere detaljer om å sette opp OSPF: Hovedoppgaven er å samle to lenker og ha feiltoleranse.
to nettverksgrensesnitt er konfigurert til to enkle flate nettverk - 10.10.10.0/24 og 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

ved hvilke biler ser hverandre.

DISK

Neste trinn var å optimalisere diskene. For SSD endret jeg planleggeren til Noop, for HDD - Fristen. For å si det rett ut, fungerer NOOP etter prinsippet om "først inn, først ut", som på engelsk høres ut som "FIFO (først inn, først ut)." Forespørsler står i kø når de kommer inn. DEADLINE er mer leseorientert, pluss at prosessen i kø får nesten eksklusiv tilgang til disken på tidspunktet for operasjonen. Dette er perfekt for systemet vårt - tross alt fungerer bare én prosess med hver disk - OSD-daemon.
(De som vil dykke ned i I/O-planleggeren kan lese om det her:
http://www.admin-magazine.com/HPC/Articles/Linux-I-O-Schedulers

De som foretrekker å lese på russisk: https://www.opennet.ru/base/sys/linux_shedulers.txt.html)

I anbefalinger for tuning av Linux, anbefales det også å øke nr_request

nr_requests
Verdien av nr_requests bestemmer mengden av I/O-forespørsler som blir bufret før I/O-planleggeren sender/mottar data til blokkeringsenheten, hvis du bruker et RAID-kort/blokkeringsenhet som kan håndtere en større kø enn det I /O-planleggeren er satt til, kan det å øke verdien av nr_requests bidra til å forbedre og redusere serverbelastningen når store mengder I/O forekommer på serveren. Hvis du bruker Deadline eller CFQ som planlegger, foreslås det at du setter nr_request-verdien til 2 ganger verdien av kødybde.

MEN! Innbyggerne selv, utviklerne av CEPH, overbeviser oss om at deres prioriteringssystem fungerer bedre

WBTrottle og/eller nr_requests

WBTrottle og/eller nr_requests
Fillagring bruker bufret I/O for skriving; dette gir en rekke fordeler hvis fillagringsloggen er på raskere medier. Klientforespørsler varsles så snart data er skrevet til loggen, og blir deretter tømt til selve datadisken på et senere tidspunkt ved bruk av standard Linux-funksjonalitet. Dette gjør det mulig for spindel-OSD-er å gi skriveforsinkelse som ligner på SSD-er når du skriver i små serier. Denne forsinkede tilbakeskrivingen lar også kjernen selv omorganisere disk I/O-forespørslene, med håp om enten å slå dem sammen eller la de eksisterende diskhodene velge en mer optimal vei over platene sine. Nettoeffekten er at du kan presse litt mer I/O ut av hver disk enn det som ville vært mulig med direkte eller synkron I/O.

Imidlertid oppstår et visst problem hvis volumet av innkommende poster til en gitt Ceph-klynge overstiger alle egenskapene til de underliggende diskene. I dette scenariet kan det totale antallet ventende I/O-operasjoner som venter på å bli skrevet til disk vokse ukontrollert og føre til at I/O-køer fyller hele disken og Ceph-køer. Leseforespørsler er spesielt påvirket fordi de blir sittende fast mellom skriveforespørsler, som kan ta flere sekunder å skylle til primærdisken.

For å overvinne dette problemet har Ceph en tilbakeskrivningsreguleringsmekanisme innebygd i fillagring kalt WBThrottle. Den er utformet for å begrense den totale mengden lat skrive-I/O som kan stå i kø og begynne flush-prosessen tidligere enn det som naturlig vil skje på grunn av at det er aktivert av selve kjernen. Dessverre viser testing at standardverdiene kanskje fortsatt ikke reduserer eksisterende atferd til et nivå som kan redusere denne innvirkningen på leseforsinkelse. Justeringer kan endre denne oppførselen og redusere den totale skrivekølengden og gjøre denne påvirkningen mindre alvorlig. Det er imidlertid en avveining: ved å redusere det totale maksimale antallet oppføringer som er tillatt å stå i kø, kan du redusere evnen til selve kjernen til å maksimere effektiviteten til å bestille innkommende forespørsler. Det er verdt å tenke litt på hva du trenger mer for din spesifikke brukssituasjon, arbeidsmengder og justering for å passe dem.

For å kontrollere dybden på en slik skrive-backlog-kø, kan du enten redusere det totale maksimale antallet utestående I/O-operasjoner ved å bruke WBThrottle-innstillinger, eller du kan redusere maksimalverdien for utestående operasjoner på blokknivået til selve kjernen. Begge kan effektivt kontrollere den samme oppførselen, og dine preferanser vil være grunnlaget for å implementere denne innstillingen.
Det bør også bemerkes at Cephs operasjonsprioriteringssystem er mer effektivt for kortere spørringer på disknivå. Ved å krympe den totale køen til en gitt disk, flyttes den primære plasseringen av køen til Ceph, hvor den har mer kontroll over hvilken prioritet I/O-operasjonen har. Tenk på følgende eksempel:

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

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

FELLES

Og noen flere kjernejusteringer for å gjøre bilen din myk og silkemyk og presse litt mer ytelse ut av maskinvaren

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.

Nedsenking i CEPH

Innstillinger som jeg vil dvele mer ved:

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

Noen av parameterne som ble testet for QA på versjon 12.2.12 mangler i ceph versjon 12.2.2, for eksempel osd_recovery_threads. Derfor inkluderte planene en oppdatering av produksjonen til 12.2.12. Praksis har vist kompatibilitet mellom versjoner 12.2.2 og 12.2.12 i én klynge, som tillater rullende oppdateringer.

Testklynge

For testing var det naturligvis nødvendig å ha samme versjon som i kampen, men på det tidspunktet jeg begynte å jobbe med klyngen, var det bare den nyere som var tilgjengelig i depotet. Etter å ha sett, er det du kan se i den mindre versjonen ikke veldig stort (1393 linjer i konfigurasjoner mot 1436 i den nye versjonen), bestemte vi oss for å begynne å teste den nye (oppdaterer uansett, hvorfor gå med gammelt søppel)

Det eneste vi prøvde å legge igjen den gamle versjonen er pakken ceph-deploy siden noen av verktøyene (og noen av de ansatte) var skreddersydd til dens syntaks. Den nye versjonen var ganske annerledes, men påvirket ikke driften av selve klyngen, og den ble liggende i versjonen 1.5.39

Siden ceph-disk-kommandoen tydelig sier at den er utdatert og bruk ceph-volume-kommandoen, kjære dere, begynte vi å lage OSD-er med denne kommandoen, uten å kaste bort tid på utdaterte.

Planen var å lage et speil av to SSD-stasjoner som vi skal plassere OSD-logger på, som igjen er plassert på spindel-SAS-er. På denne måten kan vi beskytte oss mot problemer med data dersom disken med loggen faller.

Vi begynte å lage en klynge i henhold til dokumentasjonen

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

Det første jeg snublet over når jeg jobbet med denne versjonen av ceph-deploy med en klyngeversjon 12.2.12 var en feil da jeg prøvde å lage en OSD med db på et programvareraid -

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

Faktisk ser det ikke ut til at blkid er PARTUUID, så jeg måtte lage partisjoner manuelt:

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

Alt ser ut til å være klart, vi prøver å lage OSD igjen og få følgende feil (som forresten ikke ble gjengitt i kamp)

når du oppretter en OSD av typen bluestore uten å spesifisere banen til WAL, men spesifisere db

root@ceph01-qa:~#ceph-volume lvm create --bluestore --data /dev/sde --block.db /dev/md0
stderr: 2019-04-12 10:39:27.211242 7eff461b6e00 -1 bluestore(/var/lib/ceph/osd/ceph-0/) _read_fsid unparsable uuid
stderr: 2019-04-12 10:39:27.213185 7eff461b6e00 -1 bdev(0x55824c273680 /var/lib/ceph/osd/ceph-0//block.wal) open open got: (22) Invalid argument
stderr: 2019-04-12 10:39:27.213201 7eff461b6e00 -1 bluestore(/var/lib/ceph/osd/ceph-0/) _open_db add block device(/var/lib/ceph/osd/ceph-0//block.wal) returned: (22) Invalid argument
stderr: 2019-04-12 10:39:27.999039 7eff461b6e00 -1 bluestore(/var/lib/ceph/osd/ceph-0/) mkfs failed, (22) Invalid argument
stderr: 2019-04-12 10:39:27.999057 7eff461b6e00 -1 OSD::mkfs: ObjectStore::mkfs failed with error (22) Invalid argument
stderr: 2019-04-12 10:39:27.999141 7eff461b6e00 -1  ** ERROR: error creating empty object store in /var/lib/ceph/osd/ceph-0/: (22) Invalid argumen

Dessuten, hvis du på det samme speilet (eller på et annet sted etter eget valg) oppretter en annen partisjon for WAL og spesifiserer den når du oppretter OSD, så vil alt gå jevnt (bortsett fra utseendet til en separat WAL, som du kanskje ikke har ønsket).

Men siden det fortsatt lå i de fjerne planene å flytte WAL til NVMe, viste praksisen seg ikke å være overflødig.

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

Laget monitorer, ledere og OSD. Nå vil jeg gjerne gruppere dem annerledes, fordi jeg planlegger å ha forskjellige typer disker - raske bassenger på SSD og store, men langsomme bassenger på SAS-pannekaker.

La oss anta at serverne har 20 disker, de ti første er én type, de andre er en annen.
Det første standardkortet ser slik ut:

ceph osd tre

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

La oss lage våre egne virtuelle rack og servere med blackjack og andre ting:

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

Problemene vi møtte i kamp klynge, når du prøver å opprette en ny vert og flytte den til et eksisterende rack - kommando ceph osd crush move ceph01-host root=rack01 frøs, og monitorene begynte å falle en etter en. Ved å avbryte kommandoen med en enkel CTRL+C returnerte klyngen til de levendes verden.

Et søk viste dette problemet: https://tracker.ceph.com/issues/23386

Løsningen viste seg å være å dumpe crushmap og fjerne seksjonen derfra regel 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: Denne operasjonen kan føre til en rebalansering av plasseringsgruppen mellom OSD-er. Det forårsaket dette for oss, men veldig lite.

Og det merkelige vi møtte i testklyngen var at etter å ha startet OSD-serveren på nytt, glemte de at de hadde blitt flyttet til nye servere og rack, og returnert til root-standarden.
Som et resultat, etter å ha satt sammen det endelige opplegget der vi opprettet en egen rot for ssd-stasjoner og en separat for spindelstasjoner, tok vi alle OSD-ene inn i stativer og slettet ganske enkelt standardroten. Etter omstart begynte OSD å forbli på plass.
Etter å ha gravd gjennom dokumentasjonen senere, fant vi en parameter som er ansvarlig for denne oppførselen. Om ham i andre del

Hvordan vi laget forskjellige grupper etter disktype.

Til å begynne med opprettet vi to røtter - for ssd og for hdd

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

Siden serverne fysisk er plassert i forskjellige rack, laget vi for enkelhets skyld rack med servere i dem

# 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

og distribuerte diskene i henhold til deres typer til forskjellige servere

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

Etter å ha spredt diskene blant ssd-root- og hdd-root-rutene, lot vi root-standarden være tom, slik at vi kan slette den

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

Deretter må vi lage distribusjonsregler som vi vil binde til bassengene som opprettes - i reglene vil vi indikere hvilke røtter som kan plassere pooldataene våre og nivået av unikhet til replikaen - for eksempel må replikaer være på forskjellige servere, eller i forskjellige stativer (du kan til og med i forskjellige røtter, hvis vi har en slik fordeling)

Før du velger en type, er det bedre å lese dokumentasjonen:
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

Vel, vi lager bassenger der vi ønsker å lagre diskbilder av virtualiseringen vår i fremtiden - 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

Og vi forteller disse bassengene hvilke plasseringsregler de skal bruke

 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

Valget av antall plasseringsgrupper må tilnærmes med en forhåndseksisterende visjon for klyngen din - omtrent hvor mange OSD-er vil være der, hvor mye data (i prosent av det totale volumet) vil være i bassenget, hva er den totale mengden data.

Totalt er det lurt å ikke ha mer enn 300 plasseringsgrupper på disken, og det vil være lettere å balansere med små plasseringsgrupper - det vil si hvis hele bassenget ditt tar opp 10 Tb og har 10 PG i seg - så balansering ved å kaste terabyte murstein (pg) vil være problematisk - hell sand med små sandkorn i bøtter enklere og jevnere).

Men vi må huske at jo større antall PG-er, jo mer ressurser brukes på å beregne plasseringen deres - minne og CPU begynner å bli utnyttet.

En grov forståelse kan evt gi meg en kalkulator, levert av utviklerne av CEPH-dokumentasjonen.

Liste over materialer:

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/

Kilde: www.habr.com

Ceph - fra "på kneet" til "produksjon"