Wybór CEPH. Część 1
Mieliśmy pięć stojaków, dziesięć przełączników optycznych, skonfigurowany protokół BGP, kilkadziesiąt dysków SSD i kilka dysków SAS wszystkich kolorów i rozmiarów, a także proxmox i chęć umieszczenia wszystkich danych statycznych we własnej pamięci S3. Nie żeby to wszystko było potrzebne do wirtualizacji, ale kiedy zaczniesz korzystać z open source, kieruj się swoim hobby do końca. Jedyne co mnie niepokoiło to BGP. Nie ma na świecie nikogo bardziej bezradnego, nieodpowiedzialnego i niemoralnego niż wewnętrzny routing BGP. I wiedziałem, że już niedługo się w to zagłębimy.
Zadanie było banalne – był CEPH, ale nie działał zbyt dobrze. Trzeba było czynić „dobro”.
Klaster, który otrzymałem, był niejednorodny, naprędce dostrojony i praktycznie nie dostrojony. Składał się z dwóch grup różnych węzłów, przy czym jedna wspólna sieć działała zarówno jako klaster, jak i sieć publiczna. Węzły zapełniono czterema rodzajami dysków – dwoma rodzajami dysków SSD zebranymi w dwóch odrębnych regułach rozmieszczenia oraz dwoma typami dysków HDD o różnych rozmiarach, zebranymi w trzeciej grupie. Problem z różnymi rozmiarami został rozwiązany przez różne wagi OSD.
Sama konfiguracja jest podzielona na dwie części - strojenie systemu operacyjnego и strojenie samego CEPH i jego ustawienia.
Aktualizacja systemu operacyjnego
Sieć
Wysokie opóźnienie miało wpływ zarówno na nagrywanie, jak i na balansowanie. Podczas nagrywania - ponieważ klient nie otrzyma odpowiedzi o pomyślnym nagraniu, dopóki repliki danych w innych grupach rozmieszczeń nie potwierdzą powodzenia. Ponieważ zasady dystrybucji replik na mapie CRUSH zakładały jedną replikę na hosta, zawsze używana była sieć.
Dlatego pierwszą rzeczą, którą zdecydowałem się zrobić, było lekkie podrasowanie obecnej sieci, jednocześnie próbując przekonać mnie do przejścia do odrębnych sieci.
Na początek zmodyfikowałem ustawienia kart sieciowych. Zacząłem od ustawienia kolejek:
co się stało:
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: 1Widać, że obecne parametry są dalekie od maksymalnych. Zwiększony:
root@ceph01:~#ethtool -G ens1f0 rx 4096
root@ceph01:~#ethtool -G ens1f0 tx 4096
root@ceph01:~#ethtool -L ens1f0 combined 63Kierując się doskonałym artykułem
zwiększono długość kolejki wysyłkowej kolejka kolejkowa od 1000 do 10 000
root@ceph01:~#ip link set ens1f0 txqueuelen 10000Cóż, zgodnie z dokumentacją samego ceph
zwiększony MTU do 9000.
root@ceph01:~#ip link set dev ens1f0 mtu 9000Dodano do /etc/network/interfaces, aby wszystkie powyższe były ładowane podczas uruchamiania
cat / etc / network / interfaces
root@ceph01:~# cat /etc/network/interfaces
auto lo
iface lo inet loopback
auto ens1f0
iface ens1f0 inet manual
post-up /sbin/ethtool -G ens1f0 rx 4096
post-up /sbin/ethtool -G ens1f0 tx 4096
post-up /sbin/ethtool -L ens1f0 combined 63
post-up /sbin/ip link set ens1f0 txqueuelen 10000
mtu 9000
auto ens1f1
iface ens1f1 inet manual
post-up /sbin/ethtool -G ens1f1 rx 4096
post-up /sbin/ethtool -G ens1f1 tx 4096
post-up /sbin/ethtool -L ens1f1 combined 63
post-up /sbin/ip link set ens1f1 txqueuelen 10000
mtu 9000Następnie, kierując się tym samym artykułem, zacząłem starannie przekręcać uchwyty jądra 4.15. Biorąc pod uwagę, że węzły mają 128 GB pamięci RAM, otrzymaliśmy plik konfiguracyjny dla 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)Сsieć połysku została przydzielona na oddzielnych interfejsach sieciowych 10 Gb/s do oddzielnej sieci płaskiej. Każda maszyna została wyposażona w dwuportowe karty sieciowe mellanox 10/25 Gb/s, podłączone do dwóch oddzielnych przełączników 10 Gb/s. Agregację przeprowadzono przy użyciu OSPF, ponieważ połączenie z lacpem z jakiegoś powodu wykazało całkowitą przepustowość maksymalnie 16 Gb/s, podczas gdy ospf z powodzeniem wykorzystał obie dziesiątki na każdej maszynie. Plany na przyszłość przewidywały wykorzystanie ROCE na tych melanoksach w celu zmniejszenia opóźnień. Jak skonfigurować tę część sieci:
- Ponieważ same maszyny mają zewnętrzne adresy IP w BGP, potrzebujemy oprogramowania - (a dokładniej w momencie pisania tego artykułu było to ) już stał.
- W sumie maszyny posiadały dwa interfejsy sieciowe, każdy z dwoma interfejsami – łącznie 4 porty. Jedna karta sieciowa patrzyła na fabrykę z dwoma portami i był na niej skonfigurowany BGP, druga patrzyła na dwa różne przełączniki z dwoma portami i był na niej ustawiony OSPF
Więcej szczegółów na temat konfiguracji protokołu OSPF: Głównym zadaniem jest agregacja dwóch łączy i zapewnienie odporności na błędy.
dwa interfejsy sieciowe są skonfigurowane w dwie proste sieci płaskie - 10.10.10.0/24 i 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 ens1f1dzięki któremu samochody się widzą.
DYSK
Kolejnym krokiem była optymalizacja dysków. W przypadku dysku SSD zmieniłem harmonogram na Nie, dla dysku twardego - ostateczny termin. Mówiąc wprost, NOOP działa na zasadzie „pierwsze weszło, pierwsze wyszło”, co w języku angielskim brzmi jak „FIFO (pierwsze weszło, pierwsze wyszło). Żądania są umieszczane w kolejce w miarę ich nadejścia. DEADLINE jest bardziej zorientowany na odczyt, a proces oczekujący w kolejce uzyskuje niemal wyłączny dostęp do dysku w momencie operacji. Dla naszego systemu jest to idealne rozwiązanie - wszak na każdym dysku działa tylko jeden proces - demon OSD.
(Ci, którzy chcą zagłębić się w harmonogram we/wy, mogą przeczytać o tym tutaj:
Ci, którzy wolą czytać po rosyjsku: )
W zaleceniach dotyczących dostrajania Linuksa zaleca się również zwiększenie nr_request
nr_żądania
Wartość nr_requests określa ilość żądań we/wy, które są buforowane, zanim program planujący we/wy wyśle/odbierze dane do urządzenia blokowego, jeśli używasz karty RAID/urządzenia blokowego, które mogą obsłużyć większą kolejkę niż I Harmonogram /O jest ustawiony na, podniesienie wartości nr_requests może pomóc w usprawnieniu działania i zmniejszeniu obciążenia serwera, gdy na serwerze występuje duża liczba operacji we/wy. Jeśli jako harmonogram używasz Deadline lub CFQ, sugeruje się ustawienie wartości nr_request na 2-krotność wartości głębokości kolejki.
ALE! Sami obywatele, twórcy CEPH, przekonują nas, że ich system priorytetów działa lepiej
WBThrottle i/lub nr_requests
WBThrottle i/lub nr_requests
Przechowywanie plików wykorzystuje buforowane wejścia/wyjścia do zapisu; przynosi to wiele korzyści, jeśli dziennik przechowywania plików znajduje się na szybszym nośniku. Żądania klientów są powiadamiane natychmiast po zapisaniu danych w dzienniku, a następnie są przesyłane na dysk z danymi w późniejszym czasie przy użyciu standardowych funkcji systemu Linux. Umożliwia to wrzecionowym OSD zapewnienie opóźnienia zapisu podobnego do dysków SSD podczas zapisu w małych seriach. To opóźnione zapisywanie zwrotne umożliwia także samemu jądru reorganizację żądań wejścia/wyjścia dysku, z nadzieją albo połączenia ich ze sobą, albo umożliwienia istniejącym głowicom dyskowym wybrania bardziej optymalnej ścieżki na swoich talerzach. Efektem końcowym jest to, że można wycisnąć nieco więcej wejść/wyjść z każdego dysku, niż byłoby to możliwe w przypadku bezpośrednich lub synchronicznych operacji we/wy.
Jednak pewien problem pojawia się, gdy ilość rekordów przychodzących do danego klastra Ceph przekracza wszystkie możliwości dysków bazowych. W tym scenariuszu łączna liczba oczekujących operacji we/wy oczekujących na zapis na dysku może wzrosnąć w niekontrolowany sposób i spowodować, że kolejki we/wy zapełnią cały dysk i kolejki Ceph. Żądania odczytu są szczególnie dotknięte, ponieważ blokują się pomiędzy żądaniami zapisu, a ich opróżnienie na dysk podstawowy może zająć kilka sekund.
Aby przezwyciężyć ten problem, Ceph posiada wbudowany w pamięć plików mechanizm ograniczania zapisu zwrotnego o nazwie WBThrottle. Został zaprojektowany w celu ograniczenia całkowitej liczby operacji we/wy z leniwym zapisem, które mogą ustawić się w kolejce i rozpocząć proces opróżniania wcześniej, niż miałoby to naturalnie miejsce w przypadku włączenia przez samo jądro. Niestety testy pokazują, że wartości domyślne mogą w dalszym ciągu nie zredukować istniejącego zachowania do poziomu, który może zmniejszyć ten wpływ na opóźnienia odczytu. Dostosowania mogą zmienić to zachowanie i zmniejszyć ogólną długość kolejek zapisu, a także sprawić, że wpływ ten będzie mniej dotkliwy. Istnieje jednak kompromis: zmniejszając ogólną maksymalną liczbę wpisów, które można umieścić w kolejce, można zmniejszyć zdolność samego jądra do maksymalizacji jego wydajności w porządkowaniu przychodzących żądań. Warto zastanowić się, czego potrzebujesz więcej w konkretnym przypadku użycia, obciążeniach i dostosować je do nich.
Aby kontrolować głębokość takiej kolejki zaległości zapisu, możesz albo zmniejszyć ogólną maksymalną liczbę zaległych operacji we/wy przy użyciu ustawień WBThrottle, albo możesz zmniejszyć maksymalną wartość zaległych operacji na poziomie bloku samego jądra. Obydwa mogą skutecznie kontrolować to samo zachowanie, a Twoje preferencje będą podstawą do wdrożenia tego ustawienia.
Należy również zauważyć, że system priorytetów operacji Ceph jest bardziej wydajny w przypadku krótszych zapytań na poziomie dysku. Zmniejszając całą kolejkę do danego dysku, podstawowa lokalizacja kolejki przenosi się do Ceph, gdzie ma większą kontrolę nad priorytetem operacji we/wy. Rozważ następujący przykład:
echo 8 > /sys/block/sda/queue/nr_requestsWSPÓLNY
I jeszcze kilka poprawek jądra, dzięki którym Twój samochód będzie miękki i jedwabisty oraz wyciśnie nieco więcej wydajności ze sprzętu
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. Zanurzenie w CEPH
Ustawienia, nad którymi chciałbym się rozwodzić bardziej szczegółowo:
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: 4Na przykład w wersji ceph 12.2.12 brakuje niektórych parametrów testowanych pod kątem kontroli jakości w wersji 12.2.2 osd_recovery_threads. Dlatego plany obejmowały aktualizację produkcji do wersji 12.2.12. Praktyka wykazała kompatybilność wersji 12.2.2 i 12.2.12 w jednym klastrze, co pozwala na aktualizacje kroczące.
Klaster testowy
Oczywiście do testów trzeba było mieć tę samą wersję co w bitwie, jednak w momencie gdy zaczynałem pracę z klastrem, w repozytorium dostępna była tylko nowsza wersja. Po przyjrzeniu się, to, co można dostrzec w wersji minor, nie jest zbyt duże (1393 linie w konfiguracjach przeciwko 1436 w nowej wersji), postanowiliśmy rozpocząć testowanie nowej (i tak aktualizujemy, po co iść ze starymi śmieciami)
Jedyną rzeczą, którą próbowaliśmy pozostawić po starej wersji, jest pakiet wdrożenie ceph ponieważ niektóre narzędzia (i niektórzy pracownicy) zostały dostosowane do jego składni. Nowa wersja była zupełnie inna, ale nie miała wpływu na działanie samego klastra i została w wersji 1.5.39
Ponieważ polecenie ceph-disk wyraźnie mówi, że jest przestarzałe i używamy polecenia ceph-volume, kochani, zaczęliśmy tworzyć OSD za pomocą tego polecenia, nie marnując czasu na przestarzałe.
Plan był taki, aby stworzyć lustro dwóch dysków SSD, na którym będziemy umieszczać logi OSD, które z kolei znajdują się na wrzecionowych dyskach SAS. W ten sposób możemy uchronić się przed problemami z danymi w przypadku upadku dysku z logiem.
Zaczęliśmy tworzyć klaster zgodnie z dokumentacją
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-qPierwszą rzeczą, na którą natknąłem się podczas pracy z tą wersją ceph-deploy z wersją klastra 12.2.12, był błąd podczas próby utworzenia OSD z db na raid oprogramowania -
root@ceph01-qa:~#ceph-volume lvm create --bluestore --data /dev/sde --block.db /dev/md0
blkid could not detect a PARTUUID for device: /dev/md1Rzeczywiście, blkid nie wydaje się być PARTUUID, więc musiałem ręcznie utworzyć partycje:
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; doneWszystko wydaje się być gotowe, próbujemy ponownie utworzyć OSD i pojawia się następujący błąd (który, nawiasem mówiąc, nie został odtworzony w bitwie)
podczas tworzenia OSD typu bluestore bez podawania ścieżki do WAL, ale podając 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 argumenCo więcej, jeśli na tym samym serwerze lustrzanym (lub w innym wybranym przez Ciebie miejscu) utworzysz kolejną partycję dla WAL i określisz ją podczas tworzenia OSD, wszystko pójdzie gładko (z wyjątkiem pojawienia się osobnego WAL, którego możesz nie chcieli).
Ponieważ jednak przeniesienie WAL do NVMe było jeszcze w odległych planach, praktyka nie okazała się zbędna.
root@ceph01-qa:~#ceph-volume lvm create --bluestore --data /dev/sdf --block.wal /dev/md0p2 --block.db /dev/md1p2Stworzyłem monitory, menadżery i OSD. Teraz chcę je inaczej pogrupować, bo planuję mieć różne typy dysków - szybkie pule na SSD i duże, ale wolne pule na naleśnikach SAS.
Załóżmy, że serwery mają 20 dysków, pierwsze dziesięć jest jednego typu, drugie innego.
Początkowa, domyślna karta wygląda następująco:
drzewo ceph OSD
root@ceph01-q:~# drzewo ceph OSD
ID KLASA WAGA TYP NAZWA STATUS PRZEWAŻENIE PRI-AFF
-1 14.54799 wartość domyślna roota
-3 9.09200 host ceph01-q
0 ssd 1.00000 osd.0 w górę 1.00000 1.00000
1 ssd 1.00000 osd.1 w górę 1.00000 1.00000
2 ssd 1.00000 osd.2 w górę 1.00000 1.00000
3 ssd 1.00000 osd.3 w górę 1.00000 1.00000
4 dyski twarde 1.00000 OSD.4 w górę 1.00000 1.00000
5 dyski twarde 0.27299 OSD.5 w górę 1.00000 1.00000
6 dyski twarde 0.27299 OSD.6 w górę 1.00000 1.00000
7 dyski twarde 0.27299 OSD.7 w górę 1.00000 1.00000
8 dyski twarde 0.27299 OSD.8 w górę 1.00000 1.00000
9 dyski twarde 0.27299 OSD.9 w górę 1.00000 1.00000
10 dyski twarde 0.27299 OSD.10 w górę 1.00000 1.00000
11 dyski twarde 0.27299 OSD.11 w górę 1.00000 1.00000
12 dyski twarde 0.27299 OSD.12 w górę 1.00000 1.00000
13 dyski twarde 0.27299 OSD.13 w górę 1.00000 1.00000
14 dyski twarde 0.27299 OSD.14 w górę 1.00000 1.00000
15 dyski twarde 0.27299 OSD.15 w górę 1.00000 1.00000
16 dyski twarde 0.27299 OSD.16 w górę 1.00000 1.00000
17 dyski twarde 0.27299 OSD.17 w górę 1.00000 1.00000
18 dyski twarde 0.27299 OSD.18 w górę 1.00000 1.00000
19 dyski twarde 0.27299 OSD.19 w górę 1.00000 1.00000
-5 5.45599 host ceph02-q
20 ssd 0.27299 osd.20 w górę 1.00000 1.00000
21 ssd 0.27299 osd.21 w górę 1.00000 1.00000
22 ssd 0.27299 osd.22 w górę 1.00000 1.00000
23 ssd 0.27299 osd.23 w górę 1.00000 1.00000
24 dyski twarde 0.27299 OSD.24 w górę 1.00000 1.00000
25 dyski twarde 0.27299 OSD.25 w górę 1.00000 1.00000
26 dyski twarde 0.27299 OSD.26 w górę 1.00000 1.00000
27 dyski twarde 0.27299 OSD.27 w górę 1.00000 1.00000
28 dyski twarde 0.27299 OSD.28 w górę 1.00000 1.00000
29 dyski twarde 0.27299 OSD.29 w górę 1.00000 1.00000
30 dyski twarde 0.27299 OSD.30 w górę 1.00000 1.00000
31 dyski twarde 0.27299 OSD.31 w górę 1.00000 1.00000
32 dyski twarde 0.27299 OSD.32 w górę 1.00000 1.00000
33 dyski twarde 0.27299 OSD.33 w górę 1.00000 1.00000
34 dyski twarde 0.27299 OSD.34 w górę 1.00000 1.00000
35 dyski twarde 0.27299 OSD.35 w górę 1.00000 1.00000
36 dyski twarde 0.27299 OSD.36 w górę 1.00000 1.00000
37 dyski twarde 0.27299 OSD.37 w górę 1.00000 1.00000
38 dyski twarde 0.27299 OSD.38 w górę 1.00000 1.00000
39 dyski twarde 0.27299 OSD.39 w górę 1.00000 1.00000
-7 6.08690 host ceph03-q
40 ssd 0.27299 osd.40 w górę 1.00000 1.00000
41 ssd 0.27299 osd.41 w górę 1.00000 1.00000
42 ssd 0.27299 osd.42 w górę 1.00000 1.00000
43 ssd 0.27299 osd.43 w górę 1.00000 1.00000
44 dyski twarde 0.27299 OSD.44 w górę 1.00000 1.00000
45 dyski twarde 0.27299 OSD.45 w górę 1.00000 1.00000
46 dyski twarde 0.27299 OSD.46 w górę 1.00000 1.00000
47 dyski twarde 0.27299 OSD.47 w górę 1.00000 1.00000
48 dyski twarde 0.27299 OSD.48 w górę 1.00000 1.00000
49 dyski twarde 0.27299 OSD.49 w górę 1.00000 1.00000
50 dyski twarde 0.27299 OSD.50 w górę 1.00000 1.00000
51 dyski twarde 0.27299 OSD.51 w górę 1.00000 1.00000
52 dyski twarde 0.27299 OSD.52 w górę 1.00000 1.00000
53 dyski twarde 0.27299 OSD.53 w górę 1.00000 1.00000
54 dyski twarde 0.27299 OSD.54 w górę 1.00000 1.00000
55 dyski twarde 0.27299 OSD.55 w górę 1.00000 1.00000
56 dyski twarde 0.27299 OSD.56 w górę 1.00000 1.00000
57 dyski twarde 0.27299 OSD.57 w górę 1.00000 1.00000
58 dyski twarde 0.27299 OSD.58 w górę 1.00000 1.00000
59 dyski twarde 0.89999 OSD.59 w górę 1.00000 1.00000
Stwórzmy własne wirtualne stojaki i serwery z blackjackem i innymi rzeczami:
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 rack01Problemy, które napotkaliśmy w walka klaster podczas próby utworzenia nowego hosta i przeniesienia go do istniejącej szafy - polecenie ceph osd Crush Move ceph01-Host root=rack01 zamarł, a monitory zaczęły spadać jeden po drugim. Przerwanie polecenia za pomocą prostego CTRL+C przywróciło klaster do świata żywych.
Wyszukiwanie wykazało ten problem:
Rozwiązaniem okazało się zrzucenie Crushmap i usunięcie stamtąd sekcji reguła replikowany_zestaw reguł
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 кластерOświetlenie: Ta operacja może spowodować ponowne zrównoważenie grupy miejsc docelowych pomiędzy OSD. U nas to spowodowało, ale w niewielkim stopniu.
Dziwną rzeczą, którą napotkaliśmy w klastrze testowym, było to, że po ponownym uruchomieniu serwera OSD zapomnieli, że zostali przeniesieni na nowe serwery i szafy, i przywrócili domyślne ustawienia root.
W rezultacie, po złożeniu ostatecznego schematu, w którym utworzyliśmy osobny katalog główny dla dysków SSD i osobny dla napędów wrzecionowych, przenieśliśmy wszystkie OSD do stojaków i po prostu usunęliśmy domyślny katalog główny. Po ponownym uruchomieniu OSD zaczęło pozostać na swoim miejscu.
Po późniejszym przejrzeniu dokumentacji znaleźliśmy parametr odpowiedzialny za to zachowanie. O nim w drugiej części
Jak utworzyliśmy różne grupy według typu dysku.
Na początek stworzyliśmy dwa korzenie - dla dysku SSD i dysku twardego
root@ceph01-q:~#ceph osd crush add-bucket ssd-root root
root@ceph01-q:~#ceph osd crush add-bucket hdd-root rootPonieważ serwery są fizycznie umieszczone w różnych szafach, dla wygody utworzyliśmy szafy z serwerami
# 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 hosti rozdzielił dyski według ich typów na różne serwery
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 серверамиPo rozproszeniu dysków pomiędzy trasami ssd-root i hdd-root pozostawiliśmy domyślną trasę root-domyślną, więc możemy ją usunąć
root-ceph01-q:~#ceph osd crush remove defaultNastępnie musimy stworzyć reguły dystrybucji, które będziemy wiązać z tworzonymi pulami – w regułach wskażemy, które rooty mogą umieszczać dane z naszej puli oraz jaki jest poziom unikalności repliki – np. repliki muszą znajdować się na różnych serwerach, lub w różnych stojakach (można nawet w różnych korzeniach, jeśli mamy taką dystrybucję)
Przed wyborem typu lepiej zapoznać się z dokumentacją:
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 firstnOtóż tworzymy pule, w których chcemy w przyszłości przechowywać obrazy dysków naszej wirtualizacji - 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 1024I mówimy tym pulom, jakich zasad umieszczania mają używać
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
Do wyboru liczby grup rozmieszczenia należy podejść z istniejącą wcześniej wizją klastra – w przybliżeniu, ile OSD będzie w nim dostępnych, jaka ilość danych (jako procent całkowitego wolumenu) będzie w puli, co całkowitą ilość danych.
W sumie wskazane jest, aby nie mieć na dysku więcej niż 300 grup rozmieszczeniowych, a łatwiej będzie zrównoważyć je z małymi grupami rozmieszczeniowymi - czyli jeśli cała Twoja pula zajmie 10 Tb i będzie w niej 10 PG - to równoważenie wrzucając terabajtowe cegły (pg) będzie problematyczne - łatwiej i równomiernie wsypywać do wiader piasek z drobnymi ziarenkami piasku).
Musimy jednak pamiętać, że im większa liczba PG, tym więcej zasobów zużywa się na obliczenie ich lokalizacji - pamięć i procesor zaczynają być wykorzystywane.
Zgrubne zrozumienie może , dostarczone przez twórców dokumentacji CEPH.
Lista materiałów:
Źródło: www.habr.com