CEPH ਦੀ ਚੋਣ ਕਰ ਰਿਹਾ ਹੈ। ਭਾਗ 1

ਸਾਡੇ ਕੋਲ ਪੰਜ ਰੈਕ, ਦਸ ਆਪਟੀਕਲ ਸਵਿੱਚ, ਕੌਂਫਿਗਰ ਕੀਤੇ BGP, ਦੋ ਦਰਜਨ SSD ਅਤੇ ਸਾਰੇ ਰੰਗਾਂ ਅਤੇ ਆਕਾਰਾਂ ਦੀਆਂ SAS ਡਿਸਕਾਂ ਦਾ ਇੱਕ ਸਮੂਹ, ਨਾਲ ਹੀ ਪ੍ਰੌਕਸਮੌਕਸ ਅਤੇ ਸਾਰੇ ਸਥਿਰ ਡੇਟਾ ਨੂੰ ਸਾਡੇ ਆਪਣੇ S3 ਸਟੋਰੇਜ ਵਿੱਚ ਪਾਉਣ ਦੀ ਇੱਛਾ ਸੀ। ਇਹ ਨਹੀਂ ਕਿ ਇਹ ਸਭ ਵਰਚੁਅਲਾਈਜੇਸ਼ਨ ਲਈ ਜ਼ਰੂਰੀ ਹੈ, ਪਰ ਇੱਕ ਵਾਰ ਜਦੋਂ ਤੁਸੀਂ ਓਪਨਸੋਰਸ ਦੀ ਵਰਤੋਂ ਕਰਨਾ ਸ਼ੁਰੂ ਕਰ ਦਿੰਦੇ ਹੋ, ਤਾਂ ਆਪਣੇ ਸ਼ੌਕ ਨੂੰ ਅੰਤ ਤੱਕ ਪਾਲਣਾ ਕਰੋ. ਇਕੋ ਚੀਜ਼ ਜਿਸ ਨੇ ਮੈਨੂੰ ਪਰੇਸ਼ਾਨ ਕੀਤਾ ਉਹ ਸੀ ਬੀ.ਜੀ.ਪੀ. ਅੰਦਰੂਨੀ BGP ਰੂਟਿੰਗ ਤੋਂ ਵੱਧ ਲਾਚਾਰ, ਗੈਰ-ਜ਼ਿੰਮੇਵਾਰ ਅਤੇ ਅਨੈਤਿਕ ਸੰਸਾਰ ਵਿੱਚ ਕੋਈ ਨਹੀਂ ਹੈ। ਅਤੇ ਮੈਨੂੰ ਪਤਾ ਸੀ ਕਿ ਬਹੁਤ ਜਲਦੀ ਅਸੀਂ ਇਸ ਵਿੱਚ ਡੁੱਬ ਜਾਵਾਂਗੇ।

ਕੰਮ ਮਾਮੂਲੀ ਸੀ - ਸੀਈਪੀਐਚ ਸੀ, ਪਰ ਇਹ ਬਹੁਤ ਵਧੀਆ ਕੰਮ ਨਹੀਂ ਕਰਦਾ ਸੀ। "ਚੰਗਾ" ਕਰਨਾ ਜ਼ਰੂਰੀ ਸੀ।
ਮੈਨੂੰ ਪ੍ਰਾਪਤ ਹੋਇਆ ਕਲੱਸਟਰ ਵਿਭਿੰਨ ਸੀ, ਜਲਦਬਾਜ਼ੀ ਵਿੱਚ ਟਿਊਨ ਕੀਤਾ ਗਿਆ ਸੀ ਅਤੇ ਅਮਲੀ ਤੌਰ 'ਤੇ ਟਿਊਨ ਨਹੀਂ ਕੀਤਾ ਗਿਆ ਸੀ। ਇਸ ਵਿੱਚ ਵੱਖ-ਵੱਖ ਨੋਡਾਂ ਦੇ ਦੋ ਸਮੂਹ ਹੁੰਦੇ ਹਨ, ਜਿਸ ਵਿੱਚ ਇੱਕ ਸਾਂਝਾ ਗਰਿੱਡ ਇੱਕ ਕਲੱਸਟਰ ਅਤੇ ਇੱਕ ਜਨਤਕ ਨੈੱਟਵਰਕ ਦੋਵਾਂ ਵਜੋਂ ਕੰਮ ਕਰਦਾ ਹੈ। ਨੋਡ ਚਾਰ ਕਿਸਮਾਂ ਦੀਆਂ ਡਿਸਕਾਂ ਨਾਲ ਭਰੇ ਹੋਏ ਸਨ - ਦੋ ਕਿਸਮ ਦੇ SSD, ਦੋ ਵੱਖਰੇ ਪਲੇਸਮੈਂਟ ਨਿਯਮਾਂ ਵਿੱਚ ਇਕੱਤਰ ਕੀਤੇ ਗਏ, ਅਤੇ ਵੱਖਰੇ ਆਕਾਰ ਦੇ ਦੋ ਕਿਸਮ ਦੇ HDD, ਇੱਕ ਤੀਜੇ ਸਮੂਹ ਵਿੱਚ ਇਕੱਠੇ ਕੀਤੇ ਗਏ। ਵੱਖ-ਵੱਖ ਆਕਾਰਾਂ ਵਾਲੀ ਸਮੱਸਿਆ ਨੂੰ ਵੱਖ-ਵੱਖ OSD ਵਜ਼ਨਾਂ ਦੁਆਰਾ ਹੱਲ ਕੀਤਾ ਗਿਆ ਸੀ।

ਸੈੱਟਅੱਪ ਆਪਣੇ ਆਪ ਨੂੰ ਦੋ ਹਿੱਸਿਆਂ ਵਿੱਚ ਵੰਡਿਆ ਗਿਆ ਹੈ - ਓਪਰੇਟਿੰਗ ਸਿਸਟਮ ਟਿਊਨਿੰਗ и ਖੁਦ CEPH ਦੀ ਟਿਊਨਿੰਗ ਅਤੇ ਇਸ ਦੀਆਂ ਸੈਟਿੰਗਾਂ।

OS ਨੂੰ ਅੱਪਗ੍ਰੇਡ ਕੀਤਾ ਜਾ ਰਿਹਾ ਹੈ

ਨੈੱਟਵਰਕ

ਉੱਚ ਲੇਟੈਂਸੀ ਨੇ ਰਿਕਾਰਡਿੰਗ ਅਤੇ ਸੰਤੁਲਨ ਦੋਵਾਂ ਨੂੰ ਪ੍ਰਭਾਵਿਤ ਕੀਤਾ। ਰਿਕਾਰਡਿੰਗ ਕਰਦੇ ਸਮੇਂ - ਕਿਉਂਕਿ ਕਲਾਇੰਟ ਨੂੰ ਸਫਲ ਰਿਕਾਰਡਿੰਗ ਬਾਰੇ ਕੋਈ ਜਵਾਬ ਨਹੀਂ ਮਿਲੇਗਾ ਜਦੋਂ ਤੱਕ ਦੂਜੇ ਪਲੇਸਮੈਂਟ ਸਮੂਹਾਂ ਵਿੱਚ ਡਾਟਾ ਪ੍ਰਤੀਕ੍ਰਿਤੀਆਂ ਸਫਲਤਾ ਦੀ ਪੁਸ਼ਟੀ ਨਹੀਂ ਕਰਦੀਆਂ। ਕਿਉਂਕਿ CRUSH ਨਕਸ਼ੇ ਵਿੱਚ ਪ੍ਰਤੀਕ੍ਰਿਤੀਆਂ ਨੂੰ ਵੰਡਣ ਦੇ ਨਿਯਮ ਪ੍ਰਤੀ ਮੇਜ਼ਬਾਨ ਲਈ ਇੱਕ ਪ੍ਰਤੀਕ੍ਰਿਤੀ ਸਨ, ਨੈਟਵਰਕ ਹਮੇਸ਼ਾ ਵਰਤਿਆ ਜਾਂਦਾ ਸੀ।

ਇਸ ਲਈ, ਸਭ ਤੋਂ ਪਹਿਲਾਂ ਜੋ ਮੈਂ ਕਰਨ ਦਾ ਫੈਸਲਾ ਕੀਤਾ ਉਹ ਮੌਜੂਦਾ ਨੈਟਵਰਕ ਨੂੰ ਥੋੜਾ ਜਿਹਾ ਟਵੀਕ ਕਰਨਾ ਸੀ, ਜਦੋਂ ਕਿ ਉਸੇ ਸਮੇਂ ਮੈਨੂੰ ਵੱਖਰੇ ਨੈਟਵਰਕਸ ਤੇ ਜਾਣ ਲਈ ਮਨਾਉਣ ਦੀ ਕੋਸ਼ਿਸ਼ ਕੀਤੀ ਗਈ ਸੀ.

ਸ਼ੁਰੂ ਕਰਨ ਲਈ, ਮੈਂ ਨੈੱਟਵਰਕ ਕਾਰਡਾਂ ਦੀਆਂ ਸੈਟਿੰਗਾਂ ਨੂੰ ਟਵੀਕ ਕੀਤਾ ਹੈ। ਮੈਂ ਕਤਾਰਾਂ ਸਥਾਪਤ ਕਰਕੇ ਸ਼ੁਰੂਆਤ ਕੀਤੀ:

ਕੀ ਹੋਇਆ:

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

ਇਹ ਦੇਖਿਆ ਜਾ ਸਕਦਾ ਹੈ ਕਿ ਮੌਜੂਦਾ ਮਾਪਦੰਡ ਅਧਿਕਤਮ ਤੋਂ ਬਹੁਤ ਦੂਰ ਹਨ. ਵਧਿਆ:

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

ਇੱਕ ਸ਼ਾਨਦਾਰ ਲੇਖ ਦੁਆਰਾ ਸੇਧਿਤ

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

ਭੇਜਣ ਵਾਲੀ ਕਤਾਰ ਦੀ ਲੰਬਾਈ ਵਧਾ ਦਿੱਤੀ ਹੈ txqueuelen 1000 ਤੋਂ 10 ਤੱਕ

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

ਖੈਰ, ਖੁਦ ceph ਦੇ ਦਸਤਾਵੇਜ਼ਾਂ ਦੀ ਪਾਲਣਾ ਕਰਦੇ ਹੋਏ

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

ਵਧਿਆ MTU 9000 ਤੱਕ

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

/etc/network/interfaces ਵਿੱਚ ਜੋੜਿਆ ਗਿਆ ਹੈ ਤਾਂ ਜੋ ਉਪਰੋਕਤ ਸਾਰੇ ਸਟਾਰਟਅੱਪ ਤੇ ਲੋਡ ਕੀਤੇ ਜਾ ਸਕਣ

ਬਿੱਲੀ / ਆਦਿ / ਨੈੱਟਵਰਕ / ਇੰਟਰਫੇਸ

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

ਜਿਸ ਤੋਂ ਬਾਅਦ, ਉਸੇ ਲੇਖ ਦੀ ਪਾਲਣਾ ਕਰਦੇ ਹੋਏ, ਮੈਂ ਸੋਚ-ਸਮਝ ਕੇ 4.15 ਕਰਨਲ ਦੇ ਹੈਂਡਲ ਨੂੰ ਮਰੋੜਨਾ ਸ਼ੁਰੂ ਕੀਤਾ। ਇਹ ਧਿਆਨ ਵਿੱਚ ਰੱਖਦੇ ਹੋਏ ਕਿ ਨੋਡਾਂ ਵਿੱਚ 128G RAM ਹੈ, ਅਸੀਂ ਇਸ ਲਈ ਇੱਕ ਕੌਂਫਿਗਰੇਸ਼ਨ ਫਾਈਲ ਦੇ ਨਾਲ ਸਮਾਪਤ ਕੀਤਾ 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)

Сਚਮਕਦਾਰ ਨੈੱਟਵਰਕ ਵੱਖਰੇ ਫਲੈਟ ਨੈੱਟਵਰਕ ਵਿੱਚ ਵੱਖਰੇ 10Gbps ਨੈੱਟਵਰਕ ਇੰਟਰਫੇਸਾਂ 'ਤੇ ਨਿਰਧਾਰਤ ਕੀਤਾ ਗਿਆ ਸੀ। ਹਰ ਮਸ਼ੀਨ ਦੋਹਰੇ-ਪੋਰਟ ਨੈੱਟਵਰਕ ਕਾਰਡਾਂ ਨਾਲ ਲੈਸ ਸੀ mellanox 10/25 Gbps, ਦੋ ਵੱਖਰੇ 10Gbps ਸਵਿੱਚਾਂ ਵਿੱਚ ਪਲੱਗ ਕੀਤਾ ਗਿਆ। ਏਗਰੀਗੇਸ਼ਨ OSPF ਦੀ ਵਰਤੋਂ ਕਰਕੇ ਕੀਤਾ ਗਿਆ ਸੀ, ਕਿਉਂਕਿ ਕਿਸੇ ਕਾਰਨ ਕਰਕੇ lacp ਨਾਲ ਬੰਧਨ ਨੇ ਵੱਧ ਤੋਂ ਵੱਧ 16 Gbps ਦਾ ਕੁੱਲ ਥ੍ਰੋਪੁੱਟ ਦਿਖਾਇਆ, ਜਦੋਂ ਕਿ ospf ਨੇ ਹਰੇਕ ਮਸ਼ੀਨ 'ਤੇ ਦੋਨਾਂ ਟੈਨਾਂ ਦੀ ਸਫਲਤਾਪੂਰਵਕ ਵਰਤੋਂ ਕੀਤੀ। ਭਵਿੱਖ ਦੀਆਂ ਯੋਜਨਾਵਾਂ ਲੇਟੈਂਸੀ ਨੂੰ ਘਟਾਉਣ ਲਈ ਇਹਨਾਂ ਮੇਲਾਨੋਕਸਾਂ 'ਤੇ ROCE ਦਾ ਲਾਭ ਲੈਣ ਲਈ ਸਨ। ਨੈੱਟਵਰਕ ਦੇ ਇਸ ਹਿੱਸੇ ਨੂੰ ਕਿਵੇਂ ਸੈਟ ਅਪ ਕਰਨਾ ਹੈ:

1. ਕਿਉਂਕਿ ਮਸ਼ੀਨਾਂ ਦੇ ਖੁਦ BGP 'ਤੇ ਬਾਹਰੀ IP ਪਤੇ ਹਨ, ਸਾਨੂੰ ਸਾਫਟਵੇਅਰ ਦੀ ਲੋੜ ਹੈ - (ਵਧੇਰੇ ਸਪੱਸ਼ਟ ਤੌਰ 'ਤੇ, ਇਸ ਲੇਖ ਨੂੰ ਲਿਖਣ ਦੇ ਸਮੇਂ ਇਹ ਸੀ frr=6.0-1 ) ਪਹਿਲਾਂ ਹੀ ਖੜ੍ਹਾ ਸੀ।
2. ਕੁੱਲ ਮਿਲਾ ਕੇ, ਮਸ਼ੀਨਾਂ ਦੇ ਦੋ ਨੈੱਟਵਰਕ ਇੰਟਰਫੇਸ ਸਨ, ਹਰੇਕ ਵਿੱਚ ਦੋ ਇੰਟਰਫੇਸ ਸਨ - ਕੁੱਲ 4 ਪੋਰਟਾਂ। ਇੱਕ ਨੈਟਵਰਕ ਕਾਰਡ ਫੈਕਟਰੀ ਨੂੰ ਦੋ ਪੋਰਟਾਂ ਦੇ ਨਾਲ ਵੇਖਦਾ ਹੈ ਅਤੇ ਇਸ 'ਤੇ BGP ਸੰਰਚਿਤ ਕੀਤਾ ਗਿਆ ਸੀ, ਦੂਜਾ ਇੱਕ ਦੋ ਪੋਰਟਾਂ ਵਾਲੇ ਦੋ ਵੱਖ-ਵੱਖ ਸਵਿੱਚਾਂ ਨੂੰ ਵੇਖਦਾ ਹੈ ਅਤੇ ਇਸ 'ਤੇ OSPF ਸੈੱਟ ਕੀਤਾ ਗਿਆ ਸੀ।

OSPF ਸਥਾਪਤ ਕਰਨ ਬਾਰੇ ਹੋਰ ਵੇਰਵੇ: ਮੁੱਖ ਕੰਮ ਦੋ ਲਿੰਕਾਂ ਨੂੰ ਇਕੱਠਾ ਕਰਨਾ ਅਤੇ ਨੁਕਸ ਸਹਿਣਸ਼ੀਲਤਾ ਹੈ।
ਦੋ ਨੈੱਟਵਰਕ ਇੰਟਰਫੇਸਾਂ ਨੂੰ ਦੋ ਸਧਾਰਨ ਫਲੈਟ ਨੈੱਟਵਰਕਾਂ ਵਿੱਚ ਸੰਰਚਿਤ ਕੀਤਾ ਗਿਆ ਹੈ - 10.10.10.0/24 ਅਤੇ 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

ਜਿਸ ਦੁਆਰਾ ਕਾਰਾਂ ਇੱਕ ਦੂਜੇ ਨੂੰ ਵੇਖਦੀਆਂ ਹਨ।

ਡਿਸਕ

ਅਗਲਾ ਕਦਮ ਡਿਸਕਾਂ ਨੂੰ ਅਨੁਕੂਲ ਬਣਾਉਣਾ ਸੀ। SSD ਲਈ ਮੈਂ ਸ਼ਡਿਊਲਰ ਨੂੰ ਇਸ ਵਿੱਚ ਬਦਲ ਦਿੱਤਾ ਹੈ noop, HDD ਲਈ - ਡੈੱਡਲਾਈਨ. ਇਸ ਨੂੰ ਸਪਸ਼ਟ ਤੌਰ 'ਤੇ ਕਹਿਣ ਲਈ, NOOP "ਫਸਟ ਇਨ, ਫਸਟ ਆਊਟ" ਦੇ ਸਿਧਾਂਤ 'ਤੇ ਕੰਮ ਕਰਦਾ ਹੈ, ਜੋ ਅੰਗਰੇਜ਼ੀ ਵਿੱਚ "FIFO (ਫਸਟ ਇਨ, ਫਸਟ ਆਊਟ)" ਵਰਗਾ ਹੈ। ਬੇਨਤੀਆਂ ਆਉਣ ਦੇ ਨਾਲ ਹੀ ਕਤਾਰ ਵਿੱਚ ਹਨ। DEADLINE ਵਧੇਰੇ ਪੜ੍ਹਨ-ਅਧਾਰਿਤ ਹੈ, ਨਾਲ ਹੀ ਕਤਾਰਬੱਧ ਪ੍ਰਕਿਰਿਆ ਨੂੰ ਕਾਰਵਾਈ ਦੇ ਸਮੇਂ ਡਿਸਕ ਤੱਕ ਲਗਭਗ ਵਿਸ਼ੇਸ਼ ਪਹੁੰਚ ਪ੍ਰਾਪਤ ਹੁੰਦੀ ਹੈ। ਇਹ ਸਾਡੇ ਸਿਸਟਮ ਲਈ ਸੰਪੂਰਨ ਹੈ - ਆਖ਼ਰਕਾਰ, ਹਰੇਕ ਡਿਸਕ ਨਾਲ ਸਿਰਫ਼ ਇੱਕ ਪ੍ਰਕਿਰਿਆ ਕੰਮ ਕਰਦੀ ਹੈ - OSD ਡੈਮਨ।
(ਜੋ ਲੋਕ I/O ਸ਼ਡਿਊਲਰ ਵਿੱਚ ਡੁਬਕੀ ਲਗਾਉਣਾ ਚਾਹੁੰਦੇ ਹਨ ਉਹ ਇਸ ਬਾਰੇ ਇੱਥੇ ਪੜ੍ਹ ਸਕਦੇ ਹਨ:
http://www.admin-magazine.com/HPC/Articles/Linux-I-O-Schedulers

ਉਹ ਜਿਹੜੇ ਰੂਸੀ ਵਿੱਚ ਪੜ੍ਹਨਾ ਪਸੰਦ ਕਰਦੇ ਹਨ: https://www.opennet.ru/base/sys/linux_shedulers.txt.html)

ਲੀਨਕਸ ਨੂੰ ਟਿਊਨ ਕਰਨ ਲਈ ਸਿਫ਼ਾਰਸ਼ਾਂ ਵਿੱਚ, nr_request ਨੂੰ ਵਧਾਉਣ ਦੀ ਵੀ ਸਿਫ਼ਾਰਸ਼ ਕੀਤੀ ਜਾਂਦੀ ਹੈ

nr_requests
nr_requests ਦਾ ਮੁੱਲ I/O ਬੇਨਤੀਆਂ ਦੀ ਮਾਤਰਾ ਨੂੰ ਨਿਰਧਾਰਤ ਕਰਦਾ ਹੈ ਜੋ I/O ਸ਼ਡਿਊਲਰ ਦੁਆਰਾ ਬਲਾਕ ਡਿਵਾਈਸ ਨੂੰ ਡੇਟਾ ਭੇਜਣ / ਪ੍ਰਾਪਤ ਕਰਨ ਤੋਂ ਪਹਿਲਾਂ ਬਫਰ ਹੋ ਜਾਂਦਾ ਹੈ, ਜੇਕਰ ਤੁਸੀਂ ਇੱਕ RAID ਕਾਰਡ / ਬਲਾਕ ਡਿਵਾਈਸ ਦੀ ਵਰਤੋਂ ਕਰ ਰਹੇ ਹੋ ਜੋ I ਤੋਂ ਵੱਡੀ ਕਤਾਰ ਨੂੰ ਸੰਭਾਲ ਸਕਦਾ ਹੈ। /O ਸ਼ਡਿਊਲਰ ਨੂੰ ਸੈੱਟ ਕੀਤਾ ਗਿਆ ਹੈ, nr_requests ਦੇ ਮੁੱਲ ਨੂੰ ਵਧਾਉਣਾ ਸਰਵਰ 'ਤੇ ਵੱਡੀ ਮਾਤਰਾ ਵਿੱਚ I/O ਹੋਣ 'ਤੇ ਸਰਵਰ ਲੋਡ ਨੂੰ ਸੁਧਾਰਨ ਅਤੇ ਘਟਾਉਣ ਵਿੱਚ ਮਦਦ ਕਰ ਸਕਦਾ ਹੈ। ਜੇਕਰ ਤੁਸੀਂ ਸਮਾਂ-ਸੀਮਾ ਜਾਂ CFQ ਨੂੰ ਸ਼ਡਿਊਲਰ ਵਜੋਂ ਵਰਤ ਰਹੇ ਹੋ, ਤਾਂ ਇਹ ਸੁਝਾਅ ਦਿੱਤਾ ਜਾਂਦਾ ਹੈ ਕਿ ਤੁਹਾਨੂੰ ਕਤਾਰ ਦੀ ਡੂੰਘਾਈ ਦੇ ਮੁੱਲ ਤੋਂ 2 ਗੁਣਾ nr_request ਮੁੱਲ ਸੈੱਟ ਕਰਨਾ ਚਾਹੀਦਾ ਹੈ।

ਪਰ! ਨਾਗਰਿਕ ਖੁਦ, CEPH ਦੇ ਵਿਕਾਸਕਾਰ, ਸਾਨੂੰ ਯਕੀਨ ਦਿਵਾਉਂਦੇ ਹਨ ਕਿ ਉਨ੍ਹਾਂ ਦੀ ਤਰਜੀਹਾਂ ਦੀ ਪ੍ਰਣਾਲੀ ਬਿਹਤਰ ਕੰਮ ਕਰਦੀ ਹੈ

WBThrottle ਅਤੇ/ਜਾਂ nr_requests

WBThrottle ਅਤੇ/ਜਾਂ nr_requests
ਫਾਈਲ ਸਟੋਰੇਜ ਲਿਖਣ ਲਈ ਬਫਰਡ I/O ਦੀ ਵਰਤੋਂ ਕਰਦੀ ਹੈ; ਇਹ ਬਹੁਤ ਸਾਰੇ ਫਾਇਦੇ ਲਿਆਉਂਦਾ ਹੈ ਜੇਕਰ ਫਾਈਲ ਸਟੋਰੇਜ਼ ਲੌਗ ਤੇਜ਼ ਮੀਡੀਆ 'ਤੇ ਹੈ। ਜਿਵੇਂ ਹੀ ਲੌਗ ਵਿੱਚ ਡੇਟਾ ਲਿਖਿਆ ਜਾਂਦਾ ਹੈ, ਕਲਾਇੰਟ ਬੇਨਤੀਆਂ ਨੂੰ ਸੂਚਿਤ ਕੀਤਾ ਜਾਂਦਾ ਹੈ, ਅਤੇ ਫਿਰ ਸਟੈਂਡਰਡ ਲੀਨਕਸ ਕਾਰਜਕੁਸ਼ਲਤਾ ਦੀ ਵਰਤੋਂ ਕਰਕੇ ਬਾਅਦ ਵਿੱਚ ਡੇਟਾ ਡਿਸਕ ਵਿੱਚ ਫਲੱਸ਼ ਕੀਤਾ ਜਾਂਦਾ ਹੈ। ਇਹ ਸਪਿੰਡਲ OSDs ਲਈ SSDs ਦੇ ਸਮਾਨ ਰਾਈਟ ਲੇਟੈਂਸੀ ਪ੍ਰਦਾਨ ਕਰਨਾ ਸੰਭਵ ਬਣਾਉਂਦਾ ਹੈ ਜਦੋਂ ਛੋਟੇ ਬਰਸਟਾਂ ਵਿੱਚ ਲਿਖਣਾ ਹੁੰਦਾ ਹੈ। ਇਹ ਦੇਰੀ ਨਾਲ ਲਿਖਣਾ ਵਾਪਸ ਵੀ ਕਰਨਲ ਨੂੰ ਡਿਸਕ I/O ਬੇਨਤੀਆਂ ਨੂੰ ਮੁੜ ਸੰਗਠਿਤ ਕਰਨ ਦੀ ਇਜਾਜ਼ਤ ਦਿੰਦਾ ਹੈ, ਜਾਂ ਤਾਂ ਉਹਨਾਂ ਨੂੰ ਇਕੱਠੇ ਮਿਲਾਉਣ ਦੀ ਉਮੀਦ ਨਾਲ ਜਾਂ ਮੌਜੂਦਾ ਡਿਸਕ ਹੈੱਡਾਂ ਨੂੰ ਉਹਨਾਂ ਦੇ ਪਲੇਟਰਾਂ ਉੱਤੇ ਕੁਝ ਹੋਰ ਅਨੁਕੂਲ ਮਾਰਗ ਚੁਣਨ ਦੀ ਇਜਾਜ਼ਤ ਦਿੰਦਾ ਹੈ। ਸ਼ੁੱਧ ਪ੍ਰਭਾਵ ਇਹ ਹੈ ਕਿ ਤੁਸੀਂ ਸਿੱਧੇ ਜਾਂ ਸਮਕਾਲੀ I/O ਨਾਲ ਸੰਭਵ ਹੋਣ ਨਾਲੋਂ ਹਰੇਕ ਡਿਸਕ ਤੋਂ ਥੋੜ੍ਹਾ ਹੋਰ I/O ਨਿਚੋੜ ਸਕਦੇ ਹੋ।

ਹਾਲਾਂਕਿ, ਇੱਕ ਖਾਸ ਸਮੱਸਿਆ ਪੈਦਾ ਹੁੰਦੀ ਹੈ ਜੇਕਰ ਇੱਕ ਦਿੱਤੇ Ceph ਕਲੱਸਟਰ ਵਿੱਚ ਆਉਣ ਵਾਲੇ ਰਿਕਾਰਡਾਂ ਦੀ ਮਾਤਰਾ ਅੰਡਰਲਾਈੰਗ ਡਿਸਕਾਂ ਦੀਆਂ ਸਾਰੀਆਂ ਸਮਰੱਥਾਵਾਂ ਤੋਂ ਵੱਧ ਜਾਂਦੀ ਹੈ। ਇਸ ਦ੍ਰਿਸ਼ਟੀਕੋਣ ਵਿੱਚ, ਡਿਸਕ ਉੱਤੇ ਲਿਖੇ ਜਾਣ ਦੀ ਉਡੀਕ ਵਿੱਚ ਲੰਬਿਤ I/O ਓਪਰੇਸ਼ਨਾਂ ਦੀ ਕੁੱਲ ਗਿਣਤੀ ਬੇਕਾਬੂ ਹੋ ਸਕਦੀ ਹੈ ਅਤੇ ਨਤੀਜੇ ਵਜੋਂ I/O ਕਤਾਰਾਂ ਪੂਰੀ ਡਿਸਕ ਅਤੇ Ceph ਕਤਾਰਾਂ ਨੂੰ ਭਰ ਸਕਦੀਆਂ ਹਨ। ਰੀਡ ਬੇਨਤੀਆਂ ਖਾਸ ਤੌਰ 'ਤੇ ਪ੍ਰਭਾਵਿਤ ਹੁੰਦੀਆਂ ਹਨ ਕਿਉਂਕਿ ਉਹ ਲਿਖਣ ਦੀਆਂ ਬੇਨਤੀਆਂ ਵਿਚਕਾਰ ਫਸ ਜਾਂਦੀਆਂ ਹਨ, ਜੋ ਪ੍ਰਾਇਮਰੀ ਡਿਸਕ ਨੂੰ ਫਲੱਸ਼ ਕਰਨ ਲਈ ਕਈ ਸਕਿੰਟ ਲੈ ਸਕਦੀਆਂ ਹਨ।

ਇਸ ਸਮੱਸਿਆ ਨੂੰ ਦੂਰ ਕਰਨ ਲਈ, Ceph ਕੋਲ WBThrottle ਨਾਮਕ ਫਾਈਲ ਸਟੋਰੇਜ ਵਿੱਚ ਇੱਕ ਰਾਈਟਬੈਕ ਥ੍ਰੋਟਲਿੰਗ ਵਿਧੀ ਹੈ। ਇਹ ਆਲਸੀ ਰਾਈਟ I/O ਦੀ ਸਮੁੱਚੀ ਮਾਤਰਾ ਨੂੰ ਸੀਮਤ ਕਰਨ ਲਈ ਤਿਆਰ ਕੀਤਾ ਗਿਆ ਹੈ ਜੋ ਕਿ ਕਤਾਰ ਬਣਾ ਸਕਦਾ ਹੈ ਅਤੇ ਇਸਦੀ ਫਲੱਸ਼ ਪ੍ਰਕਿਰਿਆ ਨੂੰ ਕੁਦਰਤੀ ਤੌਰ 'ਤੇ ਕਰਨਲ ਦੁਆਰਾ ਯੋਗ ਕੀਤੇ ਜਾਣ ਤੋਂ ਪਹਿਲਾਂ ਸ਼ੁਰੂ ਕਰ ਸਕਦਾ ਹੈ। ਬਦਕਿਸਮਤੀ ਨਾਲ, ਟੈਸਟਿੰਗ ਦਰਸਾਉਂਦੀ ਹੈ ਕਿ ਡਿਫੌਲਟ ਮੁੱਲ ਅਜੇ ਵੀ ਮੌਜੂਦਾ ਵਿਵਹਾਰ ਨੂੰ ਇੱਕ ਪੱਧਰ ਤੱਕ ਨਹੀਂ ਘਟਾ ਸਕਦੇ ਹਨ ਜੋ ਪੜ੍ਹਨ ਦੀ ਲੇਟੈਂਸੀ 'ਤੇ ਇਸ ਪ੍ਰਭਾਵ ਨੂੰ ਘਟਾ ਸਕਦਾ ਹੈ। ਸਮਾਯੋਜਨ ਇਸ ਵਿਵਹਾਰ ਨੂੰ ਬਦਲ ਸਕਦੇ ਹਨ ਅਤੇ ਸਮੁੱਚੀ ਲਿਖਤ ਕਤਾਰ ਦੀ ਲੰਬਾਈ ਨੂੰ ਘਟਾ ਸਕਦੇ ਹਨ ਅਤੇ ਇਸ ਪ੍ਰਭਾਵ ਨੂੰ ਘੱਟ ਗੰਭੀਰ ਬਣਾ ਸਕਦੇ ਹਨ। ਹਾਲਾਂਕਿ, ਇੱਕ ਟ੍ਰੇਡ-ਆਫ ਹੈ: ਕਤਾਰ ਵਿੱਚ ਹੋਣ ਦੀ ਇਜਾਜ਼ਤ ਵਾਲੀਆਂ ਐਂਟਰੀਆਂ ਦੀ ਸਮੁੱਚੀ ਵੱਧ ਤੋਂ ਵੱਧ ਗਿਣਤੀ ਨੂੰ ਘਟਾ ਕੇ, ਤੁਸੀਂ ਆਉਣ ਵਾਲੀਆਂ ਬੇਨਤੀਆਂ ਨੂੰ ਆਰਡਰ ਕਰਨ ਵਿੱਚ ਆਪਣੀ ਕੁਸ਼ਲਤਾ ਨੂੰ ਵੱਧ ਤੋਂ ਵੱਧ ਕਰਨ ਲਈ ਕਰਨਲ ਦੀ ਯੋਗਤਾ ਨੂੰ ਘਟਾ ਸਕਦੇ ਹੋ। ਤੁਹਾਡੇ ਖਾਸ ਵਰਤੋਂ ਦੇ ਕੇਸ, ਵਰਕਲੋਡ ਅਤੇ ਉਹਨਾਂ ਦੇ ਅਨੁਕੂਲ ਹੋਣ ਲਈ ਤੁਹਾਨੂੰ ਹੋਰ ਕੀ ਚਾਹੀਦਾ ਹੈ ਇਸ ਬਾਰੇ ਥੋੜਾ ਸੋਚਣਾ ਮਹੱਤਵਪੂਰਣ ਹੈ।

ਅਜਿਹੀ ਰਾਈਟ-ਬੈਕਲਾਗ ਕਤਾਰ ਦੀ ਡੂੰਘਾਈ ਨੂੰ ਨਿਯੰਤਰਿਤ ਕਰਨ ਲਈ, ਤੁਸੀਂ ਜਾਂ ਤਾਂ WBThrottle ਸੈਟਿੰਗਾਂ ਦੀ ਵਰਤੋਂ ਕਰਕੇ ਬਕਾਇਆ I/O ਓਪਰੇਸ਼ਨਾਂ ਦੀ ਸਮੁੱਚੀ ਵੱਧ ਤੋਂ ਵੱਧ ਸੰਖਿਆ ਨੂੰ ਘਟਾ ਸਕਦੇ ਹੋ, ਜਾਂ ਤੁਸੀਂ ਆਪਣੇ ਕਰਨਲ ਦੇ ਬਲਾਕ ਪੱਧਰ 'ਤੇ ਬਕਾਇਆ ਓਪਰੇਸ਼ਨਾਂ ਲਈ ਅਧਿਕਤਮ ਮੁੱਲ ਨੂੰ ਘਟਾ ਸਕਦੇ ਹੋ। ਦੋਵੇਂ ਇੱਕੋ ਵਿਵਹਾਰ ਨੂੰ ਪ੍ਰਭਾਵਸ਼ਾਲੀ ਢੰਗ ਨਾਲ ਨਿਯੰਤਰਿਤ ਕਰ ਸਕਦੇ ਹਨ, ਅਤੇ ਤੁਹਾਡੀਆਂ ਤਰਜੀਹਾਂ ਇਸ ਸੈਟਿੰਗ ਨੂੰ ਲਾਗੂ ਕਰਨ ਲਈ ਆਧਾਰ ਹੋਣਗੀਆਂ।
ਇਹ ਵੀ ਨੋਟ ਕੀਤਾ ਜਾਣਾ ਚਾਹੀਦਾ ਹੈ ਕਿ Ceph ਦੀ ਸੰਚਾਲਨ ਤਰਜੀਹ ਪ੍ਰਣਾਲੀ ਡਿਸਕ ਪੱਧਰ 'ਤੇ ਛੋਟੀਆਂ ਪੁੱਛਗਿੱਛਾਂ ਲਈ ਵਧੇਰੇ ਕੁਸ਼ਲ ਹੈ. ਸਮੁੱਚੀ ਕਤਾਰ ਨੂੰ ਇੱਕ ਦਿੱਤੀ ਡਿਸਕ ਤੇ ਸੁੰਗੜਨ ਨਾਲ, ਕਤਾਰ ਦਾ ਪ੍ਰਾਇਮਰੀ ਟਿਕਾਣਾ Ceph ਵੱਲ ਜਾਂਦਾ ਹੈ, ਜਿੱਥੇ I/O ਓਪਰੇਸ਼ਨ ਦੀ ਕਿਹੜੀ ਤਰਜੀਹ ਹੈ ਇਸ 'ਤੇ ਇਸਦਾ ਵਧੇਰੇ ਨਿਯੰਤਰਣ ਹੁੰਦਾ ਹੈ। ਹੇਠ ਦਿੱਤੀ ਉਦਾਹਰਨ 'ਤੇ ਗੌਰ ਕਰੋ:

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

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

ਕਮਿMMਨ

ਅਤੇ ਤੁਹਾਡੀ ਕਾਰ ਨੂੰ ਨਰਮ ਅਤੇ ਰੇਸ਼ਮੀ ਬਣਾਉਣ ਲਈ ਕੁਝ ਹੋਰ ਕਰਨਲ ਟਵੀਕਸ ਅਤੇ ਹਾਰਡਵੇਅਰ ਦੇ ਬਾਹਰ ਥੋੜਾ ਹੋਰ ਪ੍ਰਦਰਸ਼ਨ

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 ਵਿੱਚ ਡੁੱਬਣਾ

ਉਹ ਸੈਟਿੰਗਾਂ ਜਿਨ੍ਹਾਂ 'ਤੇ ਮੈਂ ਹੋਰ ਵੇਰਵੇ ਨਾਲ ਰਹਿਣਾ ਚਾਹਾਂਗਾ:

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

ਵਰਜਨ 12.2.12 'ਤੇ QA ਲਈ ਟੈਸਟ ਕੀਤੇ ਗਏ ਕੁਝ ਮਾਪਦੰਡ ceph ਸੰਸਕਰਣ 12.2.2 ਵਿੱਚ ਗੁੰਮ ਹਨ, ਉਦਾਹਰਨ ਲਈ osd_recovery_threads. ਇਸ ਲਈ, ਯੋਜਨਾਵਾਂ ਵਿੱਚ 12.2.12 ਤੱਕ ਉਤਪਾਦਨ 'ਤੇ ਇੱਕ ਅੱਪਡੇਟ ਸ਼ਾਮਲ ਹੈ। ਅਭਿਆਸ ਨੇ ਇੱਕ ਕਲੱਸਟਰ ਵਿੱਚ ਸੰਸਕਰਣ 12.2.2 ਅਤੇ 12.2.12 ਵਿਚਕਾਰ ਅਨੁਕੂਲਤਾ ਦਿਖਾਈ ਹੈ, ਜੋ ਰੋਲਿੰਗ ਅੱਪਡੇਟ ਦੀ ਆਗਿਆ ਦਿੰਦੀ ਹੈ।

ਟੈਸਟ ਕਲੱਸਟਰ

ਕੁਦਰਤੀ ਤੌਰ 'ਤੇ, ਟੈਸਟਿੰਗ ਲਈ ਲੜਾਈ ਦੇ ਸਮਾਨ ਸੰਸਕਰਣ ਹੋਣਾ ਜ਼ਰੂਰੀ ਸੀ, ਪਰ ਜਦੋਂ ਮੈਂ ਕਲੱਸਟਰ ਨਾਲ ਕੰਮ ਕਰਨਾ ਸ਼ੁਰੂ ਕੀਤਾ, ਤਾਂ ਰਿਪੋਜ਼ਟਰੀ ਵਿੱਚ ਸਿਰਫ ਨਵਾਂ ਉਪਲਬਧ ਸੀ. ਦੇਖਣ ਤੋਂ ਬਾਅਦ, ਜੋ ਤੁਸੀਂ ਛੋਟੇ ਸੰਸਕਰਣ ਵਿੱਚ ਸਮਝ ਸਕਦੇ ਹੋ ਉਹ ਬਹੁਤ ਵੱਡਾ ਨਹੀਂ ਹੈ (1393 ਦੇ ਵਿਰੁੱਧ ਸੰਰਚਨਾ ਵਿੱਚ ਲਾਈਨ 1436 ਨਵੇਂ ਸੰਸਕਰਣ ਵਿੱਚ), ਅਸੀਂ ਨਵੇਂ ਸੰਸਕਰਣ ਦੀ ਜਾਂਚ ਸ਼ੁਰੂ ਕਰਨ ਦਾ ਫੈਸਲਾ ਕੀਤਾ ਹੈ (ਫਿਰ ਵੀ ਅੱਪਡੇਟ ਕਰਨਾ, ਪੁਰਾਣੇ ਜੰਕ ਨਾਲ ਕਿਉਂ ਜਾਣਾ)

ਇਕੋ ਚੀਜ਼ ਜੋ ਅਸੀਂ ਪੁਰਾਣੇ ਸੰਸਕਰਣ ਨੂੰ ਪਿੱਛੇ ਛੱਡਣ ਦੀ ਕੋਸ਼ਿਸ਼ ਕੀਤੀ ਉਹ ਹੈ ਪੈਕੇਜ ceph-ਤੈਨਾਤ ਕਿਉਂਕਿ ਕੁਝ ਉਪਯੋਗਤਾਵਾਂ (ਅਤੇ ਕੁਝ ਕਰਮਚਾਰੀ) ਇਸਦੇ ਸੰਟੈਕਸ ਲਈ ਤਿਆਰ ਕੀਤੀਆਂ ਗਈਆਂ ਸਨ। ਨਵਾਂ ਸੰਸਕਰਣ ਕਾਫ਼ੀ ਵੱਖਰਾ ਸੀ, ਪਰ ਕਲੱਸਟਰ ਦੇ ਆਪਰੇਸ਼ਨ ਨੂੰ ਪ੍ਰਭਾਵਿਤ ਨਹੀਂ ਕਰਦਾ ਸੀ, ਅਤੇ ਇਸਨੂੰ ਸੰਸਕਰਣ ਵਿੱਚ ਛੱਡ ਦਿੱਤਾ ਗਿਆ ਸੀ 1.5.39

ਕਿਉਂਕਿ ceph-disk ਕਮਾਂਡ ਸਪੱਸ਼ਟ ਤੌਰ 'ਤੇ ਕਹਿੰਦੀ ਹੈ ਕਿ ਇਹ ਬਰਤਰਫ਼ ਹੈ ਅਤੇ ceph-volume ਕਮਾਂਡ ਦੀ ਵਰਤੋਂ ਕਰੋ, ਪਿਆਰੇ, ਅਸੀਂ ਪੁਰਾਣੀਆਂ 'ਤੇ ਸਮਾਂ ਬਰਬਾਦ ਕੀਤੇ ਬਿਨਾਂ, ਇਸ ਕਮਾਂਡ ਨਾਲ OSD ਬਣਾਉਣਾ ਸ਼ੁਰੂ ਕਰ ਦਿੱਤਾ ਹੈ।

ਯੋਜਨਾ ਦੋ SSD ਡਰਾਈਵਾਂ ਦਾ ਇੱਕ ਸ਼ੀਸ਼ਾ ਬਣਾਉਣ ਦੀ ਸੀ ਜਿਸ 'ਤੇ ਅਸੀਂ OSD ਲੌਗ ਲਗਾਵਾਂਗੇ, ਜੋ ਬਦਲੇ ਵਿੱਚ, ਸਪਿੰਡਲ SASs 'ਤੇ ਸਥਿਤ ਹਨ। ਇਸ ਤਰ੍ਹਾਂ ਅਸੀਂ ਆਪਣੇ ਆਪ ਨੂੰ ਡੇਟਾ ਦੀਆਂ ਸਮੱਸਿਆਵਾਂ ਤੋਂ ਬਚਾ ਸਕਦੇ ਹਾਂ ਜੇਕਰ ਲੌਗ ਵਾਲੀ ਡਿਸਕ ਡਿੱਗ ਜਾਂਦੀ ਹੈ।

ਅਸੀਂ ਦਸਤਾਵੇਜ਼ਾਂ ਦੇ ਅਨੁਸਾਰ ਇੱਕ ਕਲੱਸਟਰ ਬਣਾਉਣਾ ਸ਼ੁਰੂ ਕੀਤਾ

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

ਇੱਕ ਕਲੱਸਟਰ ਸੰਸਕਰਣ 12.2.12 ਦੇ ਨਾਲ ceph-deploy ਦੇ ਇਸ ਸੰਸਕਰਣ ਦੇ ਨਾਲ ਕੰਮ ਕਰਦੇ ਸਮੇਂ ਸਭ ਤੋਂ ਪਹਿਲਾਂ ਮੈਨੂੰ ਠੋਕਰ ਲੱਗੀ ਇੱਕ ਸੌਫਟਵੇਅਰ ਰੇਡ ਤੇ db ਨਾਲ ਇੱਕ OSD ਬਣਾਉਣ ਦੀ ਕੋਸ਼ਿਸ਼ ਕਰਦੇ ਸਮੇਂ ਇੱਕ ਗਲਤੀ ਸੀ -

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

ਦਰਅਸਲ, blkid PARTUUID ਨਹੀਂ ਜਾਪਦਾ, ਇਸ ਲਈ ਮੈਨੂੰ ਹੱਥੀਂ ਭਾਗ ਬਣਾਉਣੇ ਪਏ:

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

ਸਭ ਕੁਝ ਤਿਆਰ ਜਾਪਦਾ ਹੈ, ਅਸੀਂ ਓਐਸਡੀ ਨੂੰ ਦੁਬਾਰਾ ਬਣਾਉਣ ਦੀ ਕੋਸ਼ਿਸ਼ ਕਰਦੇ ਹਾਂ ਅਤੇ ਹੇਠ ਲਿਖੀ ਗਲਤੀ ਪ੍ਰਾਪਤ ਕਰਦੇ ਹਾਂ (ਜੋ, ਤਰੀਕੇ ਨਾਲ, ਲੜਾਈ ਵਿੱਚ ਦੁਬਾਰਾ ਨਹੀਂ ਪੈਦਾ ਕੀਤਾ ਗਿਆ ਸੀ)

ਜਦੋਂ WAL ਦਾ ਮਾਰਗ ਨਿਰਧਾਰਿਤ ਕੀਤੇ ਬਿਨਾਂ ਬਲੂਸਟੋਰ ਕਿਸਮ ਦਾ ਇੱਕ OSD ਬਣਾਉਂਦੇ ਹੋ, ਪਰ db ਨਿਰਧਾਰਤ ਕਰਦੇ ਹੋ

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

ਇਸ ਤੋਂ ਇਲਾਵਾ, ਜੇਕਰ ਉਸੇ ਸ਼ੀਸ਼ੇ 'ਤੇ (ਜਾਂ ਕਿਸੇ ਹੋਰ ਥਾਂ 'ਤੇ, ਤੁਹਾਡੀ ਪਸੰਦ ਦੇ) ਤੁਸੀਂ WAL ਲਈ ਇੱਕ ਹੋਰ ਭਾਗ ਬਣਾਉਂਦੇ ਹੋ ਅਤੇ ਇਸਨੂੰ OSD ਬਣਾਉਣ ਵੇਲੇ ਨਿਰਧਾਰਤ ਕਰਦੇ ਹੋ, ਤਾਂ ਸਭ ਕੁਝ ਸੁਚਾਰੂ ਢੰਗ ਨਾਲ ਚੱਲੇਗਾ (ਇੱਕ ਵੱਖਰੀ WAL ਦੀ ਦਿੱਖ ਨੂੰ ਛੱਡ ਕੇ, ਜੋ ਤੁਸੀਂ ਨਹੀਂ ਕਰ ਸਕਦੇ ਹੋ। ਚਾਹੁੰਦਾ ਸੀ).

ਪਰ, ਕਿਉਂਕਿ ਇਹ ਅਜੇ ਵੀ WAL ਨੂੰ NVMe ਵਿੱਚ ਤਬਦੀਲ ਕਰਨ ਦੀ ਦੂਰ ਦੀਆਂ ਯੋਜਨਾਵਾਂ ਵਿੱਚ ਸੀ, ਅਭਿਆਸ ਬੇਲੋੜਾ ਨਹੀਂ ਨਿਕਲਿਆ।

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

ਮਾਨੀਟਰ, ਮੈਨੇਜਰ ਅਤੇ ਓ.ਐਸ.ਡੀ. ਹੁਣ ਮੈਂ ਉਹਨਾਂ ਨੂੰ ਵੱਖਰੇ ਤੌਰ 'ਤੇ ਸਮੂਹ ਕਰਨਾ ਚਾਹਾਂਗਾ, ਕਿਉਂਕਿ ਮੈਂ ਵੱਖ-ਵੱਖ ਕਿਸਮਾਂ ਦੀਆਂ ਡਿਸਕਾਂ ਦੀ ਯੋਜਨਾ ਬਣਾ ਰਿਹਾ ਹਾਂ - SSD 'ਤੇ ਤੇਜ਼ ਪੂਲ ਅਤੇ SAS ਪੈਨਕੇਕ 'ਤੇ ਵੱਡੇ, ਪਰ ਹੌਲੀ ਪੂਲ.

ਮੰਨ ਲਓ ਕਿ ਸਰਵਰਾਂ ਕੋਲ 20 ਡਿਸਕਾਂ ਹਨ, ਪਹਿਲੀਆਂ ਦਸ ਇੱਕ ਕਿਸਮ ਦੀਆਂ ਹਨ, ਦੂਜੀਆਂ ਦੂਜੀਆਂ ਹਨ।
ਸ਼ੁਰੂਆਤੀ, ਡਿਫੌਲਟ, ਕਾਰਡ ਇਸ ਤਰ੍ਹਾਂ ਦਿਖਦਾ ਹੈ:

ceph osd ਰੁੱਖ

root@ceph01-q:~# ceph osd ਟ੍ਰੀ
ਆਈਡੀ ਕਲਾਸ ਵਜ਼ਨ ਕਿਸਮ ਦਾ ਨਾਮ ਸਥਿਤੀ ਰੀਵੇਟ PRI-AFF
-1 14.54799 ਰੂਟ ਡਿਫੌਲਟ
-3 9.09200 ਹੋਸਟ ceph01-q
0 ssd 1.00000 osd.0 ਅੱਪ 1.00000 1.00000
1 ssd 1.00000 osd.1 ਅੱਪ 1.00000 1.00000
2 ssd 1.00000 osd.2 ਅੱਪ 1.00000 1.00000
3 ssd 1.00000 osd.3 ਅੱਪ 1.00000 1.00000
4 hdd 1.00000 osd. 4 ਅੱਪ 1.00000 1.00000
5 hdd 0.27299 osd. 5 ਅੱਪ 1.00000 1.00000
6 hdd 0.27299 osd. 6 ਅੱਪ 1.00000 1.00000
7 hdd 0.27299 osd. 7 ਅੱਪ 1.00000 1.00000
8 hdd 0.27299 osd. 8 ਅੱਪ 1.00000 1.00000
9 hdd 0.27299 osd. 9 ਅੱਪ 1.00000 1.00000
10 hdd 0.27299 osd. 10 ਅੱਪ 1.00000 1.00000
11 hdd 0.27299 osd. 11 ਅੱਪ 1.00000 1.00000
12 hdd 0.27299 osd. 12 ਅੱਪ 1.00000 1.00000
13 hdd 0.27299 osd. 13 ਅੱਪ 1.00000 1.00000
14 hdd 0.27299 osd. 14 ਅੱਪ 1.00000 1.00000
15 hdd 0.27299 osd. 15 ਅੱਪ 1.00000 1.00000
16 hdd 0.27299 osd. 16 ਅੱਪ 1.00000 1.00000
17 hdd 0.27299 osd. 17 ਅੱਪ 1.00000 1.00000
18 hdd 0.27299 osd. 18 ਅੱਪ 1.00000 1.00000
19 hdd 0.27299 osd. 19 ਅੱਪ 1.00000 1.00000
-5 5.45599 ਹੋਸਟ ceph02-q
20 ssd 0.27299 osd.20 ਅੱਪ 1.00000 1.00000
21 ssd 0.27299 osd.21 ਅੱਪ 1.00000 1.00000
22 ssd 0.27299 osd.22 ਅੱਪ 1.00000 1.00000
23 ssd 0.27299 osd.23 ਅੱਪ 1.00000 1.00000
24 hdd 0.27299 osd. 24 ਅੱਪ 1.00000 1.00000
25 hdd 0.27299 osd. 25 ਅੱਪ 1.00000 1.00000
26 hdd 0.27299 osd. 26 ਅੱਪ 1.00000 1.00000
27 hdd 0.27299 osd. 27 ਅੱਪ 1.00000 1.00000
28 hdd 0.27299 osd. 28 ਅੱਪ 1.00000 1.00000
29 hdd 0.27299 osd. 29 ਅੱਪ 1.00000 1.00000
30 hdd 0.27299 osd. 30 ਅੱਪ 1.00000 1.00000
31 hdd 0.27299 osd. 31 ਅੱਪ 1.00000 1.00000
32 hdd 0.27299 osd. 32 ਅੱਪ 1.00000 1.00000
33 hdd 0.27299 osd. 33 ਅੱਪ 1.00000 1.00000
34 hdd 0.27299 osd. 34 ਅੱਪ 1.00000 1.00000
35 hdd 0.27299 osd. 35 ਅੱਪ 1.00000 1.00000
36 hdd 0.27299 osd. 36 ਅੱਪ 1.00000 1.00000
37 hdd 0.27299 osd. 37 ਅੱਪ 1.00000 1.00000
38 hdd 0.27299 osd. 38 ਅੱਪ 1.00000 1.00000
39 hdd 0.27299 osd. 39 ਅੱਪ 1.00000 1.00000
-7 6.08690 ਹੋਸਟ ceph03-q
40 ssd 0.27299 osd.40 ਅੱਪ 1.00000 1.00000
41 ssd 0.27299 osd.41 ਅੱਪ 1.00000 1.00000
42 ssd 0.27299 osd.42 ਅੱਪ 1.00000 1.00000
43 ssd 0.27299 osd.43 ਅੱਪ 1.00000 1.00000
44 hdd 0.27299 osd. 44 ਅੱਪ 1.00000 1.00000
45 hdd 0.27299 osd. 45 ਅੱਪ 1.00000 1.00000
46 hdd 0.27299 osd. 46 ਅੱਪ 1.00000 1.00000
47 hdd 0.27299 osd. 47 ਅੱਪ 1.00000 1.00000
48 hdd 0.27299 osd. 48 ਅੱਪ 1.00000 1.00000
49 hdd 0.27299 osd. 49 ਅੱਪ 1.00000 1.00000
50 hdd 0.27299 osd. 50 ਅੱਪ 1.00000 1.00000
51 hdd 0.27299 osd. 51 ਅੱਪ 1.00000 1.00000
52 hdd 0.27299 osd. 52 ਅੱਪ 1.00000 1.00000
53 hdd 0.27299 osd. 53 ਅੱਪ 1.00000 1.00000
54 hdd 0.27299 osd. 54 ਅੱਪ 1.00000 1.00000
55 hdd 0.27299 osd. 55 ਅੱਪ 1.00000 1.00000
56 hdd 0.27299 osd. 56 ਅੱਪ 1.00000 1.00000
57 hdd 0.27299 osd. 57 ਅੱਪ 1.00000 1.00000
58 hdd 0.27299 osd. 58 ਅੱਪ 1.00000 1.00000
59 hdd 0.89999 osd. 59 ਅੱਪ 1.00000 1.00000

ਆਉ ਬਲੈਕਜੈਕ ਅਤੇ ਹੋਰ ਚੀਜ਼ਾਂ ਨਾਲ ਸਾਡੇ ਆਪਣੇ ਵਰਚੁਅਲ ਰੈਕ ਅਤੇ ਸਰਵਰ ਬਣਾਈਏ:

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

ਜਿਨ੍ਹਾਂ ਸਮੱਸਿਆਵਾਂ ਦਾ ਸਾਨੂੰ ਸਾਹਮਣਾ ਕਰਨਾ ਪਿਆ ਲੜਾਈ ਕਲੱਸਟਰ, ਜਦੋਂ ਇੱਕ ਨਵਾਂ ਹੋਸਟ ਬਣਾਉਣ ਦੀ ਕੋਸ਼ਿਸ਼ ਕਰ ਰਿਹਾ ਹੈ ਅਤੇ ਇਸਨੂੰ ਮੌਜੂਦਾ ਰੈਕ-ਕਮਾਂਡ ਵਿੱਚ ਭੇਜਦਾ ਹੈ ceph osd crush ਮੂਵ ceph01-ਹੋਸਟ ਰੂਟ=ਰੈਕ01 ਜੰਮ ਗਿਆ, ਅਤੇ ਮਾਨੀਟਰ ਇੱਕ-ਇੱਕ ਕਰਕੇ ਡਿੱਗਣ ਲੱਗੇ। ਇੱਕ ਸਧਾਰਨ CTRL+C ਨਾਲ ਕਮਾਂਡ ਨੂੰ ਰੱਦ ਕਰਨ ਨਾਲ ਕਲੱਸਟਰ ਨੂੰ ਜੀਵਤ ਸੰਸਾਰ ਵਿੱਚ ਵਾਪਸ ਕਰ ਦਿੱਤਾ ਗਿਆ।

ਇੱਕ ਖੋਜ ਨੇ ਇਹ ਸਮੱਸਿਆ ਦਿਖਾਈ: https://tracker.ceph.com/issues/23386

ਹੱਲ ਇਹ ਨਿਕਲਿਆ ਕਿ ਕਰਸ਼ਮੈਪ ਨੂੰ ਡੰਪ ਕਰਨਾ ਅਤੇ ਉੱਥੋਂ ਸੈਕਸ਼ਨ ਨੂੰ ਹਟਾਉਣਾ ਨਿਯਮ 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

ਅਖਤੁੰਗ: ਇਹ ਓਪਰੇਸ਼ਨ OSDs ਵਿਚਕਾਰ ਪਲੇਸਮੈਂਟ ਗਰੁੱਪ ਦੇ ਮੁੜ ਸੰਤੁਲਨ ਦਾ ਕਾਰਨ ਬਣ ਸਕਦਾ ਹੈ। ਇਹ ਸਾਡੇ ਲਈ ਇਸ ਦਾ ਕਾਰਨ ਬਣਿਆ, ਪਰ ਬਹੁਤ ਘੱਟ.

ਅਤੇ ਟੈਸਟ ਕਲੱਸਟਰ ਵਿੱਚ ਸਾਨੂੰ ਜੋ ਅਜੀਬ ਗੱਲ ਦਾ ਸਾਹਮਣਾ ਕਰਨਾ ਪਿਆ ਉਹ ਇਹ ਸੀ ਕਿ OSD ਸਰਵਰ ਨੂੰ ਰੀਬੂਟ ਕਰਨ ਤੋਂ ਬਾਅਦ, ਉਹ ਭੁੱਲ ਗਏ ਕਿ ਉਹਨਾਂ ਨੂੰ ਨਵੇਂ ਸਰਵਰਾਂ ਅਤੇ ਰੈਕਾਂ ਵਿੱਚ ਭੇਜਿਆ ਗਿਆ ਸੀ, ਅਤੇ ਰੂਟ ਡਿਫੌਲਟ ਤੇ ਵਾਪਸ ਆ ਗਏ ਸਨ।
ਨਤੀਜੇ ਵਜੋਂ, ਅੰਤਮ ਸਕੀਮ ਨੂੰ ਇਕੱਠਾ ਕਰਨ ਤੋਂ ਬਾਅਦ, ਜਿਸ ਵਿੱਚ ਅਸੀਂ ssd ਡਰਾਈਵਾਂ ਲਈ ਇੱਕ ਵੱਖਰਾ ਰੂਟ ਅਤੇ ਸਪਿੰਡਲ ਡਰਾਈਵਾਂ ਲਈ ਇੱਕ ਵੱਖਰਾ ਰੂਟ ਬਣਾਇਆ ਹੈ, ਅਸੀਂ ਸਾਰੇ OSDs ਨੂੰ ਰੈਕ ਵਿੱਚ ਲੈ ਲਿਆ ਹੈ ਅਤੇ ਸਿਰਫ਼ ਡਿਫਾਲਟ ਰੂਟ ਨੂੰ ਮਿਟਾ ਦਿੱਤਾ ਹੈ। ਰੀਬੂਟ ਹੋਣ ਤੋਂ ਬਾਅਦ, ਓ.ਐਸ.ਡੀ.
ਬਾਅਦ ਵਿੱਚ ਦਸਤਾਵੇਜ਼ਾਂ ਦੀ ਖੁਦਾਈ ਕਰਨ ਤੋਂ ਬਾਅਦ, ਸਾਨੂੰ ਇੱਕ ਪੈਰਾਮੀਟਰ ਮਿਲਿਆ ਜੋ ਇਸ ਵਿਵਹਾਰ ਲਈ ਜ਼ਿੰਮੇਵਾਰ ਹੈ। ਦੂਜੇ ਭਾਗ ਵਿੱਚ ਉਸ ਬਾਰੇ

ਅਸੀਂ ਡਿਸਕ ਕਿਸਮ ਦੁਆਰਾ ਵੱਖ-ਵੱਖ ਗਰੁੱਪ ਕਿਵੇਂ ਬਣਾਏ।

ਸ਼ੁਰੂ ਕਰਨ ਲਈ, ਅਸੀਂ ਦੋ ਰੂਟ ਬਣਾਏ - ssd ਅਤੇ hdd ਲਈ

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

ਕਿਉਂਕਿ ਸਰਵਰ ਭੌਤਿਕ ਤੌਰ 'ਤੇ ਵੱਖ-ਵੱਖ ਰੈਕਾਂ ਵਿੱਚ ਸਥਿਤ ਹਨ, ਸੁਵਿਧਾ ਲਈ ਅਸੀਂ ਉਹਨਾਂ ਵਿੱਚ ਸਰਵਰਾਂ ਦੇ ਨਾਲ ਰੈਕ ਬਣਾਏ ਹਨ

# 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

ਅਤੇ ਡਿਸਕਾਂ ਨੂੰ ਉਹਨਾਂ ਦੀਆਂ ਕਿਸਮਾਂ ਅਨੁਸਾਰ ਵੱਖ-ਵੱਖ ਸਰਵਰਾਂ ਵਿੱਚ ਵੰਡਿਆ

root@ceph01-q:~# Диски с 0 по 3 это SSD, находятся в ceph01-q, ставим их в сервер 
root@ceph01-q:~#  ssd-ceph01-q
root@ceph01-q:~#ceph osd crush add 0 1 host=ssd-ceph01-q
root@ceph01-q:~#ceph osd crush add 1 1 host=ssd-ceph01-q
root@ceph01-q:~#ceph osd crush add 2 1 host=ssd-ceph01-q
root@ceph01-q:~#ceph osd crush add 3 1 host=ssd-ceph01-q
root-ceph01-q:~# аналогично с другими серверами

ssd-root ਅਤੇ hdd-root ਰੂਟਾਂ ਵਿੱਚ ਡਿਸਕਾਂ ਨੂੰ ਖਿੰਡਾਉਣ ਤੋਂ ਬਾਅਦ, ਅਸੀਂ ਰੂਟ-ਡਿਫਾਲਟ ਨੂੰ ਖਾਲੀ ਛੱਡ ਦਿੱਤਾ ਹੈ, ਇਸ ਲਈ ਅਸੀਂ ਇਸਨੂੰ ਮਿਟਾ ਸਕਦੇ ਹਾਂ।

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

ਅੱਗੇ, ਸਾਨੂੰ ਡਿਸਟ੍ਰੀਬਿਊਸ਼ਨ ਨਿਯਮ ਬਣਾਉਣ ਦੀ ਜ਼ਰੂਰਤ ਹੈ ਜੋ ਅਸੀਂ ਬਣਾਏ ਜਾ ਰਹੇ ਪੂਲ ਨਾਲ ਬੰਨ੍ਹਾਂਗੇ - ਨਿਯਮਾਂ ਵਿੱਚ ਅਸੀਂ ਇਹ ਦਰਸਾਵਾਂਗੇ ਕਿ ਕਿਹੜੀਆਂ ਜੜ੍ਹਾਂ ਸਾਡੇ ਪੂਲ ਡੇਟਾ ਅਤੇ ਪ੍ਰਤੀਕ੍ਰਿਤੀ ਦੀ ਵਿਲੱਖਣਤਾ ਦੇ ਪੱਧਰ ਨੂੰ ਰੱਖ ਸਕਦੀਆਂ ਹਨ - ਉਦਾਹਰਨ ਲਈ, ਪ੍ਰਤੀਕ੍ਰਿਤੀਆਂ ਵੱਖ-ਵੱਖ ਸਰਵਰਾਂ 'ਤੇ ਹੋਣੀਆਂ ਚਾਹੀਦੀਆਂ ਹਨ, ਜਾਂ ਵੱਖ-ਵੱਖ ਰੈਕਾਂ ਵਿੱਚ (ਤੁਸੀਂ ਵੱਖ-ਵੱਖ ਜੜ੍ਹਾਂ ਵਿੱਚ ਵੀ ਕਰ ਸਕਦੇ ਹੋ, ਜੇਕਰ ਸਾਡੇ ਕੋਲ ਅਜਿਹੀ ਵੰਡ ਹੈ)

ਇੱਕ ਕਿਸਮ ਦੀ ਚੋਣ ਕਰਨ ਤੋਂ ਪਹਿਲਾਂ, ਦਸਤਾਵੇਜ਼ਾਂ ਨੂੰ ਪੜ੍ਹਨਾ ਬਿਹਤਰ ਹੈ:
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

ਖੈਰ, ਅਸੀਂ ਪੂਲ ਬਣਾਉਂਦੇ ਹਾਂ ਜਿਸ ਵਿੱਚ ਅਸੀਂ ਭਵਿੱਖ ਵਿੱਚ ਸਾਡੇ ਵਰਚੁਅਲਾਈਜੇਸ਼ਨ ਦੀਆਂ ਡਿਸਕ ਚਿੱਤਰਾਂ ਨੂੰ ਸਟੋਰ ਕਰਨਾ ਚਾਹੁੰਦੇ ਹਾਂ - 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

ਅਤੇ ਅਸੀਂ ਇਹਨਾਂ ਪੂਲ ਨੂੰ ਦੱਸਦੇ ਹਾਂ ਕਿ ਪਲੇਸਮੈਂਟ ਦੇ ਕਿਹੜੇ ਨਿਯਮਾਂ ਦੀ ਵਰਤੋਂ ਕਰਨੀ ਹੈ

 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

ਪਲੇਸਮੈਂਟ ਸਮੂਹਾਂ ਦੀ ਗਿਣਤੀ ਦੀ ਚੋਣ ਨੂੰ ਤੁਹਾਡੇ ਕਲੱਸਟਰ ਲਈ ਪਹਿਲਾਂ ਤੋਂ ਮੌਜੂਦ ਦ੍ਰਿਸ਼ਟੀਕੋਣ ਨਾਲ ਸੰਪਰਕ ਕੀਤਾ ਜਾਣਾ ਚਾਹੀਦਾ ਹੈ - ਲਗਭਗ ਕਿੰਨੇ ਓਐਸਡੀ ਹੋਣਗੇ, ਪੂਲ ਵਿੱਚ ਡੇਟਾ ਦੀ ਕਿੰਨੀ ਮਾਤਰਾ (ਕੁੱਲ ਵੌਲਯੂਮ ਦੇ ਪ੍ਰਤੀਸ਼ਤ ਵਜੋਂ) ਹੋਵੇਗੀ, ਕੀ ਹੈ ਡਾਟਾ ਦੀ ਕੁੱਲ ਮਾਤਰਾ.

ਕੁੱਲ ਮਿਲਾ ਕੇ, ਡਿਸਕ 'ਤੇ 300 ਤੋਂ ਵੱਧ ਪਲੇਸਮੈਂਟ ਗਰੁੱਪ ਨਾ ਹੋਣ ਦੀ ਸਲਾਹ ਦਿੱਤੀ ਜਾਂਦੀ ਹੈ, ਅਤੇ ਛੋਟੇ ਪਲੇਸਮੈਂਟ ਗਰੁੱਪਾਂ ਨਾਲ ਸੰਤੁਲਨ ਬਣਾਉਣਾ ਆਸਾਨ ਹੋਵੇਗਾ - ਭਾਵ, ਜੇਕਰ ਤੁਹਾਡਾ ਪੂਰਾ ਪੂਲ 10 ਟੀਬੀ ਲੈਂਦਾ ਹੈ ਅਤੇ ਇਸ ਵਿੱਚ 10 ਪੀਜੀ ਹੈ - ਤਾਂ ਸੰਤੁਲਨ ਟੈਰਾਬਾਈਟ ਇੱਟਾਂ (ਪੀਜੀ) ਸੁੱਟਣ ਨਾਲ ਸਮੱਸਿਆ ਹੋਵੇਗੀ - ਰੇਤ ਦੇ ਛੋਟੇ ਆਕਾਰ ਦੇ ਦਾਣਿਆਂ ਨਾਲ ਬਾਲਟੀਆਂ ਵਿੱਚ ਆਸਾਨੀ ਨਾਲ ਅਤੇ ਵਧੇਰੇ ਸਮਾਨ ਰੂਪ ਵਿੱਚ ਡੋਲ੍ਹ ਦਿਓ)।

ਪਰ ਸਾਨੂੰ ਯਾਦ ਰੱਖਣਾ ਚਾਹੀਦਾ ਹੈ ਕਿ PGs ਦੀ ਗਿਣਤੀ ਜਿੰਨੀ ਜ਼ਿਆਦਾ ਹੋਵੇਗੀ, ਉਹਨਾਂ ਦੇ ਸਥਾਨ ਦੀ ਗਣਨਾ ਕਰਨ 'ਤੇ ਵਧੇਰੇ ਸਰੋਤ ਖਰਚੇ ਜਾਂਦੇ ਹਨ - ਮੈਮੋਰੀ ਅਤੇ CPU ਦੀ ਵਰਤੋਂ ਸ਼ੁਰੂ ਹੁੰਦੀ ਹੈ।

ਇੱਕ ਮੋਟਾ ਸਮਝ ਹੋ ਸਕਦਾ ਹੈ ਮੈਨੂੰ ਇੱਕ ਕੈਲਕੁਲੇਟਰ ਦਿਓ, CEPH ਦਸਤਾਵੇਜ਼ਾਂ ਦੇ ਡਿਵੈਲਪਰਾਂ ਦੁਆਰਾ ਪ੍ਰਦਾਨ ਕੀਤਾ ਗਿਆ ਹੈ।

ਸਮੱਗਰੀ ਦੀ ਸੂਚੀ:

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/

ਸਰੋਤ: www.habr.com