Selectarea CEPH. Partea 1
Aveam cinci rafturi, zece switch-uri optice, BGP configurat, câteva zeci de SSD-uri și o grămadă de discuri SAS de toate culorile și dimensiunile, precum și proxmox și dorința de a pune toate datele statice în propriul nostru stocare S3. Nu că toate acestea sunt necesare pentru virtualizare, dar odată ce începi să folosești opensource, urmează-ți hobby-ul până la sfârșit. Singurul lucru care m-a deranjat a fost BGP. Nu există nimeni în lume mai neajutorat, iresponsabil și imoral decât rutarea internă BGP. Și știam că destul de curând ne vom scufunda în asta.
Sarcina a fost trivială - a existat CEPH, dar nu a funcționat foarte bine. Era necesar să faci „bine”.
Clusterul pe care l-am primit a fost eterogen, reglat în grabă și practic neacordat. Acesta a constat din două grupuri de noduri diferite, cu o rețea comună care acționează atât ca un cluster, cât și ca o rețea publică. Nodurile au fost umplute cu patru tipuri de discuri - două tipuri de SSD, colectate în două reguli de plasare separate și două tipuri de HDD de dimensiuni diferite, colectate într-un al treilea grup. Problema cu diferite dimensiuni a fost rezolvată prin diferite greutăți OSD.
Configurația în sine este împărțită în două părți - reglarea sistemului de operare и reglajul CEPH în sine și setările acestuia.
Actualizarea sistemului de operare
Reţea
Latența mare a afectat atât înregistrarea, cât și echilibrarea. La înregistrare - deoarece clientul nu va primi un răspuns despre înregistrarea cu succes până când replicile datelor din alte grupuri de plasare nu confirmă succesul. Deoarece regulile de distribuire a replicilor în harta CRUSH erau o replică per gazdă, rețeaua a fost întotdeauna folosită.
Prin urmare, primul lucru pe care m-am hotărât să-l fac a fost să modific ușor rețeaua actuală, încercând în același timp să mă conving să trec la rețele separate.
Pentru început, am modificat setările plăcilor de rețea. Am început prin a configura cozi:
Ce s-a întâmplat:
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: 1Se poate observa că parametrii actuali sunt departe de maximi. Creștere:
root@ceph01:~#ethtool -G ens1f0 rx 4096
root@ceph01:~#ethtool -G ens1f0 tx 4096
root@ceph01:~#ethtool -L ens1f0 combined 63Ghidat de un articol excelent
a crescut lungimea cozii de expediere txqueuelen de la 1000 la 10
root@ceph01:~#ip link set ens1f0 txqueuelen 10000Ei bine, în urma documentației ceph în sine
a crescut MTU la 9000.
root@ceph01:~#ip link set dev ens1f0 mtu 9000Adăugat la /etc/network/interfaces, astfel încât toate cele de mai sus să fie încărcate la pornire
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 9000După care, urmând același articol, am început să răsucesc cu grijă mânerele kernel-ului 4.15. Avand in vedere ca nodurile au 128G RAM, am ajuns sa avem un fisier de configurare pt 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)Сrețea de strălucire a fost alocat pe interfețe de rețea separate de 10 Gbps într-o rețea plată separată. Fiecare mașină a fost echipată cu plăci de rețea cu două porturi mellanox 10/25 Gbps, conectat la două switch-uri separate de 10 Gbps. Agregarea a fost efectuată folosind OSPF, deoarece legarea cu lacp din anumite motive a arătat un debit total de maxim 16 Gbps, în timp ce ospf a folosit cu succes ambele zeci pe fiecare mașină. Planurile de viitor au fost să profităm de ROCE pe aceste melanoxe pentru a reduce latența. Cum să configurați această parte a rețelei:
- Deoarece mașinile în sine au adrese IP externe pe BGP, avem nevoie de software - (mai precis, la momentul scrierii acestui articol era ) stătea deja în picioare.
- În total, mașinile aveau două interfețe de rețea, fiecare cu două interfețe - un total de 4 porturi. O placă de rețea s-a uitat la fabrică cu două porturi și BGP a fost configurat pe ea, a doua s-a uitat la două switch-uri diferite cu două porturi și OSPF a fost setat pe ea
Mai multe detalii despre configurarea OSPF: Sarcina principală este de a agrega două legături și de a avea toleranță la erori.
două interfețe de rețea sunt configurate în două rețele simple simple - 10.10.10.0/24 și 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 ens1f1prin care mașinile se văd.
DISC
Următorul pas a fost optimizarea discurilor. Pentru SSD am schimbat programatorul la nup, pentru HDD - Termenul limită. Pentru a spune clar, NOOP funcționează pe principiul „primul intrat, primul ieșit”, care în engleză sună ca „FIFO (First In, First Out)”. Solicitările sunt puse în coadă pe măsură ce sosesc. DEADLINE este mai orientat spre citire, plus că procesul din coadă primește acces aproape exclusiv la disc în momentul operației. Acest lucru este perfect pentru sistemul nostru - la urma urmei, doar un proces funcționează cu fiecare disc - demonul OSD.
(Cei care doresc să se scufunde în programatorul I/O pot citi despre asta aici:
Cei care preferă să citească în rusă: )
În recomandările pentru reglarea Linux, se recomandă și creșterea nr_request
nr_cereri
Valoarea nr_requests determină cantitatea de solicitări I/O care sunt stocate în buffer înainte ca planificatorul I/O să trimită/ să primească date către dispozitivul de blocare, dacă utilizați o placă RAID/Dispozitiv bloc care poate gestiona o coadă mai mare decât cea a I/O. /O Scheduler este setat la, creșterea valorii nr_requests poate ajuta la îmbunătățirea și reducerea încărcării serverului atunci când apar cantități mari de I/O pe server. Dacă utilizați Deadline sau CFQ ca programator, se recomandă să setați valoarea nr_request la de 2 ori valoarea adâncimii cozii.
DAR! Înșiși cetățenii, dezvoltatorii CEPH, ne convin că sistemul lor de priorități funcționează mai bine
WBThrottle și/sau nr_requests
WBThrottle și/sau nr_requests
Stocarea fișierelor folosește I/O tamponat pentru scriere; acest lucru aduce o serie de beneficii dacă jurnalul de stocare a fișierelor se află pe medii mai rapide. Solicitările clientului sunt notificate de îndată ce datele sunt scrise în jurnal și apoi sunt trimise ulterior pe discul de date, folosind funcționalitatea standard Linux. Acest lucru face posibil ca OSD-urile spindle să ofere o latență de scriere similară cu SSD-urile atunci când scrieți în rafale mici. Această scriere înapoi întârziată permite, de asemenea, nucleului însuși să reorganizeze cererile I/O de disc, cu speranța fie de a le îmbina împreună, fie de a permite capetelor de disc existente să aleagă o cale mai optimă peste platourile lor. Efectul net este că puteți stoarce puțin mai multe I/O din fiecare disc decât ar fi posibil cu I/O directe sau sincrone.
Cu toate acestea, apare o anumită problemă dacă volumul înregistrărilor primite către un anumit cluster Ceph depășește toate capacitățile discurilor subiacente. În acest scenariu, numărul total de operațiuni I/O în așteptare care așteaptă să fie scrise pe disc ar putea crește necontrolat și ar putea duce la cozile de I/O care umple întregul disc și cozile Ceph. Solicitările de citire sunt afectate în special deoarece rămân blocate între cererile de scriere, ceea ce poate dura câteva secunde pentru a spăla pe discul principal.
Pentru a depăși această problemă, Ceph are un mecanism de limitare a scrierii înapoi încorporat în stocarea fișierelor numit WBThrottle. Este proiectat pentru a limita cantitatea totală de I/O de scriere lenenă care se pot pune la coadă și poate începe procesul de spălare mai devreme decât s-ar întâmpla în mod natural datorită activării de către nucleu însuși. Din păcate, testarea demonstrează că este posibil ca valorile implicite să nu reducă comportamentul existent la un nivel care poate reduce acest impact asupra latenței de citire. Ajustările pot modifica acest comportament și pot reduce lungimea totală a cozii de scriere și pot face acest impact mai puțin sever. Există totuși un compromis: prin reducerea numărului maxim total de intrări permise a fi puse în coadă, puteți reduce capacitatea nucleului însuși de a-și maximiza eficiența în comandarea cererilor primite. Merită să vă gândiți puțin la ceea ce aveți nevoie mai mult pentru cazul dvs. de utilizare specific, sarcinile de lucru și adaptarea pentru a le potrivi.
Pentru a controla profunzimea unei astfel de cozi de scriere-backlog, puteți fie să reduceți numărul maxim total de operațiuni I/O restante folosind setările WBThrottle, fie puteți reduce valoarea maximă pentru operațiunile restante la nivelul de bloc al nucleului dumneavoastră însuși. Ambele pot controla eficient același comportament, iar preferințele dvs. vor sta la baza implementării acestei setări.
De asemenea, trebuie remarcat faptul că sistemul de priorități de operare al Ceph este mai eficient pentru interogări mai scurte la nivel de disc. Prin micșorarea cozii generale la un anumit disc, locația principală a cozii se mută în Ceph, unde are mai mult control asupra priorității operației de I/O. Luați în considerare următorul exemplu:
echo 8 > /sys/block/sda/queue/nr_requestsCOMUNĂ
Și alte câteva modificări ale nucleului pentru a vă face mașina moale și mătăsoasă și pentru a strânge puțin mai multă performanță din hardware
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. Imersiune în CEPH
Setări la care aș dori să mă opresc mai detaliat:
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: 4Unii dintre parametrii care au fost testați pentru QA în versiunea 12.2.12 lipsesc în versiunea ceph 12.2.2, de exemplu osd_recovery_threads. Prin urmare, planurile au inclus o actualizare a producției la 12.2.12. Practica a demonstrat compatibilitatea între versiunile 12.2.2 și 12.2.12 într-un singur cluster, ceea ce permite actualizări derulante.
Cluster de testare
Desigur, pentru testare a fost necesar să existe aceeași versiune ca în luptă, dar în momentul în care am început să lucrez cu clusterul, în depozit era disponibilă doar cea mai nouă. După ce te-ai uitat, ceea ce poți discerne în versiunea minoră nu este foarte mare (1393 linii în configs contra 1436 în noua versiune), am decis să începem testarea celui nou (actualizare oricum, de ce să mergem cu vechile vechi)
Singurul lucru pe care am încercat să lăsăm în urmă versiunea veche este pachetul ceph-deploy întrucât unele dintre utilități (și unii dintre angajați) au fost adaptate la sintaxa acesteia. Noua versiune a fost destul de diferită, dar nu a afectat funcționarea clusterului în sine și a fost lăsată în versiune 1.5.39
Deoarece comanda ceph-disk spune clar că este depreciată și folosește comanda ceph-volume, dragilor, am început să creăm OSD-uri cu această comandă, fără să pierdem timpul cu cele învechite.
Planul a fost să creăm o oglindă a două unități SSD pe care vom plasa jurnalele OSD, care, la rândul lor, sunt situate pe SAS-uri spindle. Astfel ne putem proteja de problemele cu datele dacă discul cu jurnalul cade.
Am început să creăm un cluster conform documentației
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-qPrimul lucru pe care l-am dat când am lucrat cu această versiune de ceph-deploy cu o versiune de cluster 12.2.12 a fost o eroare când încercam să creez un OSD cu db pe un raid software -
root@ceph01-qa:~#ceph-volume lvm create --bluestore --data /dev/sde --block.db /dev/md0
blkid could not detect a PARTUUID for device: /dev/md1Într-adevăr, blkid nu pare să fie PARTUUID, așa că a trebuit să creez partiții manual:
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; doneTotul pare a fi gata, încercăm să creăm din nou OSD-ul și obținem următoarea eroare (care, apropo, nu a fost reprodusă în luptă)
la crearea unui OSD de tip bluestore fără a specifica calea către WAL, dar specificând 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 argumenMai mult decât atât, dacă pe aceeași oglindă (sau într-un alt loc, la alegere) creați o altă partiție pentru WAL și o specificați la crearea OSD-ului, atunci totul va merge bine (cu excepția apariției unui WAL separat, pe care este posibil să nu am vrut).
Dar, din moment ce era încă în planurile îndepărtate de a muta WAL în NVMe, practica nu s-a dovedit a fi de prisos.
root@ceph01-qa:~#ceph-volume lvm create --bluestore --data /dev/sdf --block.wal /dev/md0p2 --block.db /dev/md1p2Am creat monitoare, manageri și OSD. Acum aș dori să le grupez diferit, deoarece plănuiesc să am diferite tipuri de discuri - pool-uri rapide pe SSD și pool-uri mari, dar lente pe clătite SAS.
Să presupunem că serverele au 20 de discuri, primele zece sunt de un tip, al doilea sunt altul.
Cardul inițial, implicit, arată astfel:
arbore ceph osd
root@ceph01-q:~# ceph osd tree
ID CLASA GREUTATE TIP NUME STARE REGREINTARE PRI-AFF
-1 14.54799 rădăcină implicită
-3 9.09200 gazdă ceph01-q
0 ssd 1.00000 osd.0 până la 1.00000 1.00000
1 ssd 1.00000 osd.1 până la 1.00000 1.00000
2 ssd 1.00000 osd.2 până la 1.00000 1.00000
3 ssd 1.00000 osd.3 până la 1.00000 1.00000
4 hdd 1.00000 osd.4 up 1.00000 1.00000
5 hdd 0.27299 osd.5 up 1.00000 1.00000
6 hdd 0.27299 osd.6 up 1.00000 1.00000
7 hdd 0.27299 osd.7 up 1.00000 1.00000
8 hdd 0.27299 osd.8 up 1.00000 1.00000
9 hdd 0.27299 osd.9 up 1.00000 1.00000
10 hdd 0.27299 osd.10 up 1.00000 1.00000
11 hdd 0.27299 osd.11 up 1.00000 1.00000
12 hdd 0.27299 osd.12 up 1.00000 1.00000
13 hdd 0.27299 osd.13 up 1.00000 1.00000
14 hdd 0.27299 osd.14 up 1.00000 1.00000
15 hdd 0.27299 osd.15 up 1.00000 1.00000
16 hdd 0.27299 osd.16 up 1.00000 1.00000
17 hdd 0.27299 osd.17 up 1.00000 1.00000
18 hdd 0.27299 osd.18 up 1.00000 1.00000
19 hdd 0.27299 osd.19 up 1.00000 1.00000
-5 5.45599 gazdă ceph02-q
20 ssd 0.27299 osd.20 până la 1.00000 1.00000
21 ssd 0.27299 osd.21 până la 1.00000 1.00000
22 ssd 0.27299 osd.22 până la 1.00000 1.00000
23 ssd 0.27299 osd.23 până la 1.00000 1.00000
24 hdd 0.27299 osd.24 up 1.00000 1.00000
25 hdd 0.27299 osd.25 up 1.00000 1.00000
26 hdd 0.27299 osd.26 up 1.00000 1.00000
27 hdd 0.27299 osd.27 up 1.00000 1.00000
28 hdd 0.27299 osd.28 up 1.00000 1.00000
29 hdd 0.27299 osd.29 up 1.00000 1.00000
30 hdd 0.27299 osd.30 up 1.00000 1.00000
31 hdd 0.27299 osd.31 up 1.00000 1.00000
32 hdd 0.27299 osd.32 up 1.00000 1.00000
33 hdd 0.27299 osd.33 up 1.00000 1.00000
34 hdd 0.27299 osd.34 up 1.00000 1.00000
35 hdd 0.27299 osd.35 up 1.00000 1.00000
36 hdd 0.27299 osd.36 up 1.00000 1.00000
37 hdd 0.27299 osd.37 up 1.00000 1.00000
38 hdd 0.27299 osd.38 up 1.00000 1.00000
39 hdd 0.27299 osd.39 up 1.00000 1.00000
-7 6.08690 gazdă ceph03-q
40 ssd 0.27299 osd.40 până la 1.00000 1.00000
41 ssd 0.27299 osd.41 până la 1.00000 1.00000
42 ssd 0.27299 osd.42 până la 1.00000 1.00000
43 ssd 0.27299 osd.43 până la 1.00000 1.00000
44 hdd 0.27299 osd.44 up 1.00000 1.00000
45 hdd 0.27299 osd.45 up 1.00000 1.00000
46 hdd 0.27299 osd.46 up 1.00000 1.00000
47 hdd 0.27299 osd.47 up 1.00000 1.00000
48 hdd 0.27299 osd.48 up 1.00000 1.00000
49 hdd 0.27299 osd.49 up 1.00000 1.00000
50 hdd 0.27299 osd.50 up 1.00000 1.00000
51 hdd 0.27299 osd.51 up 1.00000 1.00000
52 hdd 0.27299 osd.52 up 1.00000 1.00000
53 hdd 0.27299 osd.53 up 1.00000 1.00000
54 hdd 0.27299 osd.54 up 1.00000 1.00000
55 hdd 0.27299 osd.55 up 1.00000 1.00000
56 hdd 0.27299 osd.56 up 1.00000 1.00000
57 hdd 0.27299 osd.57 up 1.00000 1.00000
58 hdd 0.27299 osd.58 up 1.00000 1.00000
59 hdd 0.89999 osd.59 up 1.00000 1.00000
Să ne creăm propriile rafturi și servere virtuale cu blackjack și alte lucruri:
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 rack01Problemele pe care le-am întâlnit în luptă cluster, când încercați să creați o nouă gazdă și să o mutați într-un rack existent - comandă ceph osd crush move ceph01-host root=rack01 a înghețat, iar monitoarele au început să cadă unul câte unul. Anularea comenzii cu un simplu CTRL+C a returnat clusterul în lumea celor vii.
O căutare a arătat această problemă:
Soluția s-a dovedit a fi să aruncați crushmap și să eliminați secțiunea de acolo rule 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 кластерAchtung: Această operațiune poate provoca o reechilibrare a grupului de plasare între OSD-uri. Ne-a cauzat acest lucru, dar foarte puțin.
Și lucrul ciudat pe care l-am întâlnit în clusterul de testare a fost că, după repornirea serverului OSD, au uitat că au fost mutați pe servere și rafturi noi și au revenit la rădăcina implicită.
Drept urmare, după ce am asamblat schema finală în care am creat o rădăcină separată pentru unitățile ssd și una separată pentru unitățile cu ax, am luat toate OSD-urile în rafturi și am șters pur și simplu rădăcina implicită. După repornire, OSD-ul a început să rămână pe loc.
După ce am săpat prin documentație mai târziu, am găsit un parametru care este responsabil pentru acest comportament. Despre el în partea a doua
Cum am făcut diferite grupuri după tipul de disc.
Pentru început, am creat două rădăcini - pentru ssd și pentru hdd
root@ceph01-q:~#ceph osd crush add-bucket ssd-root root
root@ceph01-q:~#ceph osd crush add-bucket hdd-root rootDeoarece serverele sunt situate fizic în rafturi diferite, pentru comoditate am creat rafturi cu servere în ele
# 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 hostși a distribuit discurile în funcție de tipurile lor pe diferite 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 серверамиDupă ce am împrăștiat discurile printre rutele ssd-root și hdd-root, am lăsat rădăcina implicită goală, astfel încât să o putem șterge
root-ceph01-q:~#ceph osd crush remove defaultÎn continuare, trebuie să creăm reguli de distribuție pe care le vom lega de pool-urile care sunt create - în reguli vom indica ce rădăcini pot pune datele pool-ului nostru și nivelul de unicitate al replicii - de exemplu, replicile trebuie să fie pe servere diferite, sau în rafturi diferite (poți chiar și în rădăcini diferite, dacă avem o astfel de distribuție)
Înainte de a alege un tip, este mai bine să citiți documentația:
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 firstnEi bine, creăm pool-uri în care dorim să stocăm imagini de disc ale virtualizării noastre în viitor - 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 1024Și le spunem acestor grupuri ce reguli de plasare să folosească
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
Alegerea numărului de grupuri de plasare trebuie abordată cu o viziune preexistentă pentru clusterul dvs. - aproximativ câte OSD-uri vor fi acolo, ce cantitate de date (ca procent din volumul total) va fi în pool, ce este cantitatea totală de date.
În total, este recomandabil să nu aveți mai mult de 300 de grupuri de plasare pe disc și va fi mai ușor să echilibrați cu grupuri mici de plasare - adică dacă întregul dvs. bazin ocupă 10 Tb și are 10 PG în el - atunci echilibrați prin aruncarea de cărămizi terabyte (pg) va fi problematică - turnați nisip cu granule de nisip de dimensiuni mici în găleți mai ușor și mai uniform).
Dar trebuie să ne amintim că cu cât numărul de PG-uri este mai mare, cu atât mai multe resurse sunt cheltuite pentru calcularea locației lor - memoria și CPU încep să fie utilizate.
O înțelegere grosieră poate , furnizat de dezvoltatorii documentației CEPH.
Lista materialelor:
Sursa: www.habr.com