CEPH තෝරා ගැනීම. 1 කොටස
අපට රාක්ක පහක්, දෘෂ්‍ය ස්විච දහයක්, වින්‍යාස කළ BGP, SSD දුසිම් කිහිපයක් සහ සියලු වර්ණ සහ ප්‍රමාණයේ SAS තැටි පොකුරක් මෙන්ම proxmox සහ සියලුම ස්ථිතික දත්ත අපගේම S3 ගබඩාවට තැබීමට ඇති ආශාව තිබුණි. අථත්‍යකරණය සඳහා මේ සියල්ල අවශ්ය බව නොවේ, නමුත් ඔබ opensource භාවිතා කිරීමට පටන් ගත් පසු, අවසානය දක්වා ඔබේ විනෝදාංශය අනුගමනය කරන්න. මට කරදර කළ එකම දෙය බීජීපී ය. අභ්‍යන්තර BGP මාර්ගගත කිරීම තරම් අසරණ, වගකීම් විරහිත සහ සදාචාර විරෝධී කිසිවෙක් ලෝකයේ නැත. ඒ වගේම ඉක්මනින්ම අපි ඒකට කිමිදෙන බව මම දැනගෙන හිටියා.
කාර්යය සුළුපටු විය - CEPH තිබුනා, නමුත් එය ඉතා හොඳින් වැඩ කළේ නැත. එය "යහපත්" කිරීමට අවශ්ය විය.
මට ලැබුණු පොකුර විෂම, කඩිමුඩියේ සුසර කරන ලද සහ ප්‍රායෝගිකව සුසර නොකළ. එය විවිධ නෝඩ් කණ්ඩායම් දෙකකින් සමන්විත වූ අතර, එක් පොදු ජාලයක් පොකුරක් සහ පොදු ජාලයක් ලෙස ක්‍රියා කරයි. නෝඩ් තැටි වර්ග හතරකින් පුරවා ඇත - SSD වර්ග දෙකක්, වෙනම ස්ථානගත කිරීමේ නීති දෙකකින් එකතු කරන ලද අතර, තුන්වන කණ්ඩායමක එකතු කරන ලද විවිධ ප්‍රමාණයේ HDD වර්ග දෙකක්. විවිධ ප්‍රමාණයේ ගැටලුව විවිධ OSD බර මගින් විසඳා ඇත.
සැකසුම කොටස් දෙකකට බෙදා ඇත - මෙහෙයුම් පද්ධති සුසර කිරීම и CEPH හි සුසර කිරීම සහ එහි සැකසුම්.
OS යාවත්කාලීන කිරීම
ජාල
ඉහළ ප්‍රමාදය පටිගත කිරීම සහ තුලනය යන දෙකටම බලපෑවේය. පටිගත කිරීමේදී - වෙනත් ස්ථානගත කිරීමේ කණ්ඩායම්වල දත්ත අනුරූ සාර්ථකත්වය තහවුරු කරන තෙක් සේවාදායකයාට සාර්ථක පටිගත කිරීම පිළිබඳ ප්‍රතිචාරයක් නොලැබෙන බැවිනි. CRUSH සිතියමේ අනුරූ බෙදා හැරීමේ නීති එක් සත්කාරකයකට එක් අනුරුවක් වූ බැවින්, ජාලය සැමවිටම භාවිතා විය.
එමනිසා, මම කිරීමට තීරණය කළ පළමු දෙය නම් වත්මන් ජාලය තරමක් වෙනස් කිරීම, ඒ සමඟම වෙනම ජාල වෙත යාමට මට ඒත්තු ගැන්වීමට උත්සාහ කිරීමයි.
ආරම්භ කිරීම සඳහා, මම ජාල කාඩ්පත් සැකසීම් වෙනස් කළෙමි. මම පෝලිම් සැකසීමෙන් ආරම්භ කළෙමි:
සිදුවුයේ කුමක් ද:
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: 1වත්මන් පරාමිතීන් උපරිමයෙන් දුරස්ථ බව දැකිය හැකිය. වැඩි වී ඇත:
root@ceph01:~#ethtool -G ens1f0 rx 4096
root@ceph01:~#ethtool -G ens1f0 tx 4096
root@ceph01:~#ethtool -L ens1f0 combined 63විශිෂ්ට ලිපියක් මගින් මඟ පෙන්වනු ලැබේ
යවන පෝලිමේ දිග වැඩි කළා txqueuelen 1000 සිට 10 දක්වා
root@ceph01:~#ip link set ens1f0 txqueuelen 10000හොඳයි, ceph හි ලේඛනගත කිරීම අනුගමනය කිරීම
වැඩි විය MTU 9000 දක්වා.
root@ceph01:~#ip link set dev ens1f0 mtu 9000/etc/network/interfaces වෙත එකතු කර ඇති නිසා ඉහත සියල්ල ආරම්භයේදීම පටවනු ලැබේ.
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 9000ඊට පසු, එම ලිපියම අනුගමනය කරමින්, මම 4.15 කර්නලයේ හසුරුවලින් කල්පනාකාරීව ඇඹරීමට පටන් ගතිමි. නෝඩ් වල 128G RAM ඇති බව සලකන විට, අපි වින්‍යාස ගොනුවක් සමඟ අවසන් කළෙමු. 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)Сදිලිසෙන ජාලය වෙනම 10Gbps ජාල අතුරුමුහුණත් මත වෙනම පැතලි ජාලයකට වෙන් කරන ලදී. සෑම යන්ත්‍රයක්ම ද්විත්ව වරාය ජාල කාඩ්පත් වලින් සමන්විත විය මෙලනොක්ස් 10/25 Gbps, වෙනම 10Gbps ස්විච දෙකකට පේනුගත කර ඇත. යම් හේතුවක් නිසා lacp සමඟ බන්ධනය උපරිම වශයෙන් 16 Gbps හි සම්පූර්ණ ප්‍රතිදානයක් පෙන්නුම් කරන බැවින්, OSPF භාවිතයෙන් එකතු කිරීම සිදු කරන ලද අතර, ospf සෑම යන්ත්‍රයකම දස දෙකම සාර්ථකව භාවිතා කළේය. ප්‍රමාදය අඩු කිරීම සඳහා මෙම මෙලනොක්ස් මත ROCE හි ප්‍රයෝජන ගැනීම අනාගත සැලසුම් විය. ජාලයේ මෙම කොටස සකසන්නේ කෙසේද:
- යන්ත්‍රවලටම BGP මත බාහිර IP ලිපින ඇති බැවින්, අපට මෘදුකාංග අවශ්ය වේ - (වඩාත් නිවැරදිව, මෙම ලිපිය ලියන අවස්ථාවේ එය විය ) දැනටමත් සිටගෙන සිටියේය.
- සමස්තයක් වශයෙන්, යන්ත්‍රවලට ජාල අතුරුමුහුණත් දෙකක් තිබුණි, එක් එක් අතුරුමුහුණත් දෙකකින් - මුළු වරායන් 4 කි. එක් ජාල කාඩ්පතක් වරායන් දෙකක් සහිත කර්මාන්තශාලාව දෙස බැලූ අතර BGP එහි වින්‍යාස කර ඇත, දෙවැන්න වරාය දෙකක් සහිත විවිධ ස්විච දෙකක් දෙස බැලූ අතර OSPF එය මත සකසා ඇත.
OSPF පිහිටුවීම පිළිබඳ වැඩි විස්තර: ප්රධාන කාර්යය වන්නේ සබැඳි දෙකක් එකතු කිරීම සහ වැරදි ඉවසීමයි.
ජාල අතුරුමුහුණත් දෙකක් සරල පැතලි ජාල දෙකකට වින්‍යාස කර ඇත - 10.10.10.0/24 සහ 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 ens1f1කාර් එකිනෙක දකින එකෙන්.
ඩිස්ක්
ඊළඟ පියවර වූයේ තැටි ප්‍රශස්ත කිරීමයි. SSD සඳහා මම උපලේඛනය වෙනස් කළෙමි noop, HDD සඳහා - නියමිත කාලය. එය කෙලින්ම කිවහොත්, NOOP ක්‍රියා කරන්නේ ඉංග්‍රීසියෙන් “FIFO (First In, First Out)” ලෙස හැඟෙන “පළමුවෙන්, පළමුවෙන් පිටතට” යන මූලධර්මය මත ය. ඉල්ලීම් එන විට පෝලිම් ගැසී ඇත. DEADLINE වඩාත් කියවීමට නැඹුරු වේ, තවද පෝලිම් ක්‍රියාවලියට ක්‍රියාත්මක වන අවස්ථාවේ තැටියට තනිකරම ප්‍රවේශය ලැබේ. මෙය අපගේ පද්ධතිය සඳහා පරිපූර්ණයි - සියල්ලට පසු, එක් එක් තැටිය සමඟ ක්‍රියා කරන්නේ එක් ක්‍රියාවලියක් පමණි - OSD ඩීමන්.
(I/O උපලේඛනයට කිමිදීමට කැමති අයට ඒ ගැන මෙතැනින් කියවිය හැක:
රුසියානු භාෂාවෙන් කියවීමට කැමති අය: )
Linux සුසර කිරීම සඳහා වන නිර්දේශයන්හිදී, nr_request වැඩි කිරීම ද නිර්දේශ කෙරේ
nr_ඉල්ලීම්
nr_requests හි අගය තීරණය කරන්නේ I/O උපලේඛකයා බ්ලොක් උපාංගයට දත්ත යැවීමට / ලැබීමට පෙර, ඔබ I ට වඩා විශාල පෝලිමක් හැසිරවිය හැකි RAID කාඩ්පතක් / Block උපාංගයක් භාවිතා කරන්නේ නම්, I/O ඉල්ලීම් ප්රමාණය තීරණය කරයි. /O උපලේඛනය සකසා ඇත, nr_requests වල අගය ඉහල නැංවීම හරහා වැඩි දියුණු කිරීමට සහ සේවාදායකයේ I/O විශාල ප්‍රමාණයක් සිදුවන විට සේවාදායක භාරය අඩු කිරීමට උපකාරී වේ. ඔබ උපලේඛකයා ලෙස ඩෙඩ්ලයින් හෝ CFQ භාවිතා කරන්නේ නම්, ඔබ nr_request අගය පෝලිම් ගැඹුරේ අගය මෙන් 2 ගුණයකට සැකසිය යුතු බව යෝජනා කෙරේ.
එහෙත්! CEPH හි සංවර්ධකයින් වන පුරවැසියන්ම ඔවුන්ගේ ප්‍රමුඛතා පද්ධතිය වඩා හොඳින් ක්‍රියා කරන බව අපට ඒත්තු ගන්වයි
WBThrottle සහ/හෝ nr_requests
WBThrottle සහ/හෝ nr_requests
ගොනු ගබඩාව ලිවීම සඳහා ස්වාරක්ෂක I/O භාවිතා කරයි; ගොනු ගබඩා ලොගය වේගවත් මාධ්‍යයක තිබේ නම් මෙය ප්‍රතිලාභ රැසක් ගෙන එයි. දත්ත ලොගයට ලියා ඇති විගස සේවාලාභී ඉල්ලීම් දැනුම් දෙනු ලබන අතර පසුව සම්මත ලිනක්ස් ක්‍රියාකාරීත්වය භාවිතයෙන් දත්ත තැටියටම ෆ්ලෂ් කරනු ලැබේ. කුඩා පිපිරුම් වලින් ලියන විට SSD වලට සමාන ලිවීමේ ප්‍රමාදය ලබා දීමට ස්පින්ඩල් OSD වලට මෙය හැකි වේ. මෙම ප්‍රමාද වූ නැවත ලිවීම මඟින් කර්නලයටම තැටි I/O ඉල්ලීම් ප්‍රතිසංවිධානය කිරීමට ඉඩ සලසයි, එක්කෝ ඒවා එකට ඒකාබද්ධ කිරීමට හෝ පවතින තැටි ප්‍රධානීන්ට ඔවුන්ගේ ප්ලැටර්වලට වඩා ප්‍රශස්ත මාර්ගයක් තෝරා ගැනීමට ඉඩ සලසයි. ශුද්ධ බලපෑම නම්, ඔබට එක් එක් තැටියෙන් සෘජු හෝ සමමුහුර්ත I/O සමඟ කළ හැකි ප්‍රමාණයට වඩා තරමක් වැඩි I/O මිරිකා හැරීමයි.
කෙසේ වෙතත්, දී ඇති Ceph පොකුරකට ලැබෙන වාර්තා පරිමාව යටින් පවතින තැටිවල සියලු හැකියාවන් ඉක්මවා ගියහොත් යම් ගැටළුවක් පැන නගී. මෙම අවස්ථාවෙහිදී, තැටියට ලිවීමට බලා සිටින පොරොත්තු I/O මෙහෙයුම් ගණන පාලනය කළ නොහැකි ලෙස වර්ධනය විය හැකි අතර I/O පෝලිම් මුළු තැටියම සහ Ceph පෝලිම් පිරවීමට හේතු විය හැක. කියවීමේ ඉල්ලීම් විශේෂයෙන් බලපාන්නේ ඒවා ලිවීමේ ඉල්ලීම් අතර සිරවී ඇති නිසා, ප්‍රාථමික තැටිය වෙත ෆ්ලෂ් කිරීමට තත්පර කිහිපයක් ගත විය හැක.
මෙම ගැටලුව මඟහරවා ගැනීම සඳහා, Ceph සතුව WBThrottle ලෙස හඳුන්වන ගොනු ගබඩාව තුළට ලිවීමට හැකිලීමේ යාන්ත්‍රණයක් ඇත. එය නිර්මාණය කර ඇත්තේ කර්නලය විසින්ම සක්‍රීය කර තිබීම නිසා ස්වභාවිකව සිදුවනවාට වඩා කලින් පෝලිම් ගැසී එහි ෆ්ලෂ් ක්‍රියාවලිය ආරම්භ කළ හැකි කම්මැලි ලිවීමේ I/O ප්රමාණය සීමා කිරීමටය. අවාසනාවකට මෙන්, පරීක්ෂණ මගින් පෙන්නුම් කරන්නේ පෙරනිමි අගයන් තවමත් පවතින හැසිරීම් කියවීමේ ප්‍රමාදයට මෙම බලපෑම අඩු කළ හැකි මට්ටමකට අඩු නොකළ හැකි බවයි. ගැලපීම් මගින් මෙම හැසිරීම වෙනස් කළ හැකි අතර සමස්ත ලිවීමේ පෝලිම් දිග අඩු කර මෙම බලපෑම අඩු කළ හැක. කෙසේ වෙතත්, වෙළඳාමක් ඇත: පෝලිම් කිරීමට අවසර දී ඇති සමස්ත උපරිම ඇතුළත් කිරීම් සංඛ්‍යාව අඩු කිරීමෙන්, ලැබෙන ඉල්ලීම් ඇණවුම් කිරීමේදී එහි කාර්යක්ෂමතාව උපරිම කිරීමට කර්නලයේ ඇති හැකියාව ඔබට අඩු කළ හැකිය. ඔබේ නිශ්චිත භාවිත නඩුව, වැඩ බර සහ ඒවාට ගැලපෙන පරිදි සකස් කිරීම සඳහා ඔබට වැඩිපුර අවශ්ය දේ ගැන ටිකක් සිතා බැලීම වටී.
එවැනි ලිවීම්-බැක්ලොග් පෝලිමක ගැඹුර පාලනය කිරීම සඳහා, ඔබට WBThrottle සිටුවම් භාවිතයෙන් සමස්ත උපරිම I/O මෙහෙයුම් සංඛ්‍යාව අඩු කළ හැකිය, නැතහොත් ඔබේ කර්නලයේම වාරණ මට්ටමින් කැපී පෙනෙන මෙහෙයුම් සඳහා උපරිම අගය අඩු කළ හැක. දෙදෙනාටම එකම හැසිරීම ඵලදායී ලෙස පාලනය කළ හැකි අතර, මෙම සැකසුම ක්‍රියාත්මක කිරීම සඳහා ඔබේ මනාපයන් පදනම වනු ඇත.
තැටි මට්ටමේ කෙටි විමසුම් සඳහා Ceph හි මෙහෙයුම් ප්‍රමුඛතා පද්ධතිය වඩාත් කාර්යක්ෂම බව ද සඳහන් කළ යුතුය. ලබා දී ඇති තැටියකට සමස්ත පෝලිම හැකිලීමෙන්, පෝලිමේ ප්‍රාථමික ස්ථානය Ceph වෙත ගමන් කරයි, එහිදී I/O මෙහෙයුමේ ප්‍රමුඛතාවය කුමක්ද යන්න පිළිබඳ වැඩි පාලනයක් එයට ඇත. පහත උදාහරණය සලකා බලන්න:
echo 8 > /sys/block/sda/queue/nr_requestsපොදු
ඔබේ මෝටර් රථය මෘදු සහ සිනිඳු බවට පත් කිරීමට සහ දෘඪාංගයෙන් තව ටිකක් කාර්ය සාධනය මිරිකීමට තවත් කර්නල් tweaks කිහිපයක්
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 හි ගිල්වීම
මම වඩාත් විස්තරාත්මකව වාසය කිරීමට කැමති සැකසුම්:
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: 412.2.12 අනුවාදයේ QA සඳහා පරීක්ෂා කරන ලද සමහර පරාමිති ceph අනුවාදය 12.2.2 හි අස්ථානගත වී ඇත, උදාහරණයක් ලෙස osd_recovery_threads. එබැවින්, 12.2.12 වෙත නිෂ්පාදනය පිළිබඳ යාවත්කාලීන කිරීමක් සැලසුම්වලට ඇතුළත් විය. අභ්‍යාසය එක් පොකුරක් තුළ 12.2.2 සහ 12.2.12 අනුවාද අතර ගැළපුම පෙන්නුම් කර ඇත, එය පෙරළීමේ යාවත්කාලීන කිරීමට ඉඩ සලසයි.
පරීක්ෂණ පොකුර
ස්වාභාවිකවම, පරීක්ෂා කිරීම සඳහා සටනේදී මෙන් එකම අනුවාදයක් තිබීම අවශ්ය විය, නමුත් මම පොකුර සමඟ වැඩ කිරීමට පටන් ගත් අවස්ථාවේදී, ගබඩාවේ තිබුණේ නවතම එක පමණි. බැලූ විට, කුඩා අනුවාදයෙන් ඔබට හඳුනාගත හැකි දේ ඉතා විශාල නොවේ (1393 configs හි ඇති රේඛා එරෙහිව 1436 නව අනුවාදයේ), අපි නව එක පරීක්ෂා කිරීම ආරම්භ කිරීමට තීරණය කළෙමු (කෙසේ වෙතත් යාවත්කාලීන කිරීම, පැරණි කුණු සමඟ යන්නේ ඇයි)
අපි පැරණි අනුවාදය අත්හැරීමට උත්සාහ කළ එකම දෙය පැකේජයයි ceph-deploy සමහර උපයෝගිතා (සහ සමහර සේවකයින්) එහි වාක්‍ය ඛණ්ඩයට අනුව සකස් කර ඇත. නව අනුවාදය බෙහෙවින් වෙනස් වූ නමුත් පොකුරේම ක්‍රියාකාරිත්වයට බලපෑවේ නැත, එය අනුවාදයේ ඉතිරි විය 1.5.39
ceph-disk විධානයෙන් එය අත්හරින ලද බව පැහැදිලිව පවසන බැවින් සහ ceph-volume විධානය භාවිතා කරන බැවින්, හිතවතුනි, අපි යල් පැන ගිය ඒවාට කාලය නාස්ති නොකර මෙම විධානය සමඟ OSD නිර්මාණය කිරීම ආරම්භ කළෙමු.
සැලසුම වූයේ SSD ධාවක දෙකක දර්පණයක් නිර්මාණය කිරීම සඳහා අපි OSD ලොග් ස්ථානගත කරන අතර ඒවා ස්පින්ඩල් SAS මත පිහිටා ඇත. මේ ආකාරයෙන් ලොග් සහිත තැටිය වැටුණහොත් දත්ත සමඟ ඇති ගැටළු වලින් අපට ආරක්ෂා විය හැක.
අපි ලියකියවිලි අනුව පොකුරක් සෑදීමට පටන් ගත්තා
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-q12.2.12 පොකුරු අනුවාදයක් සමඟ මෙම ceph-deploy අනුවාදය සමඟ වැඩ කිරීමේදී මා පැකිළුණු පළමු දෙය නම් මෘදුකාංග වැටලීමකදී db සමඟ OSD නිර්මාණය කිරීමට උත්සාහ කිරීමේදී ඇති වූ දෝෂයකි -
root@ceph01-qa:~#ceph-volume lvm create --bluestore --data /dev/sde --block.db /dev/md0
blkid could not detect a PARTUUID for device: /dev/md1ඇත්ත වශයෙන්ම, blkid PARTUID නොවන බව පෙනේ, එබැවින් මට අතින් කොටස් සෑදීමට සිදු විය:
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; doneසෑම දෙයක්ම සූදානම් බව පෙනේ, අපි නැවත OSD නිර්මාණය කර පහත දෝෂය ලබා ගැනීමට උත්සාහ කරමු (එය සටනේදී ප්‍රතිනිෂ්පාදනය නොවීය)
බ්ලූස්ටෝර් වර්ගයේ OSD නිර්මාණය කිරීමේදී WAL වෙත මාර්ගය සඳහන් නොකර, නමුත් db සඳහන් කිරීම
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 argumenඑපමණක් නොව, එකම දර්පණය මත (හෝ වෙනත් ස්ථානයක, ඔබ කැමති පරිදි) ඔබ WAL සඳහා වෙනත් කොටසක් සාදා OSD නිර්මාණය කිරීමේදී එය සඳහන් කරන්නේ නම්, එවිට සියල්ල සුමටව සිදුවනු ඇත (වෙනම WAL එකක පෙනුම හැර, ඔබට එසේ නොවිය හැකිය. අවශ්යයි) .
එහෙත්, එය තවමත් WAL NVMe වෙත ගෙන යාමේ දුරස්ථ සැලසුම්වල පවතින බැවින්, භාවිතය අතිරික්තයක් බවට පත් නොවීය.
root@ceph01-qa:~#ceph-volume lvm create --bluestore --data /dev/sdf --block.wal /dev/md0p2 --block.db /dev/md1p2මොනිටර, කළමනාකරුවන් සහ OSD සාදන ලදී. දැන් මම ඒවා වෙනස් ලෙස කාණ්ඩ කිරීමට කැමතියි, මන්ද මම විවිධ වර්ගයේ තැටි - SSD මත වේගවත් තටාක සහ විශාල, නමුත් SAS පෑන්කේක් මත මන්දගාමී තටාක.
සේවාදායකයන්ට තැටි 20 ක් ඇති බව උපකල්පනය කරමු, පළමු දහය එක් වර්ගයකි, දෙවැන්න තවත් වර්ගයකි.
ආරම්භක, පෙරනිමි, කාඩ්පත මේ ආකාරයෙන් පෙනේ:
ceph osd ගස
root@ceph01-q:~# ceph osd ගස
හැඳුනුම්පත් පන්තියේ බර වර්ගය නම තත්ත්වය REWEIGHT PRI-AFF
-1 14.54799 මූල පෙරනිමිය
-3 9.09200 සත්කාරක ceph01-q
0 ssd 1.00000 osd.0 දක්වා 1.00000 1.00000
1 ssd 1.00000 osd.1 දක්වා 1.00000 1.00000
2 ssd 1.00000 osd.2 දක්වා 1.00000 1.00000
3 ssd 1.00000 osd.3 දක්වා 1.00000 1.00000
4 hdd 1.00000 osd.4 දක්වා 1.00000 1.00000
5 hdd 0.27299 osd.5 දක්වා 1.00000 1.00000
6 hdd 0.27299 osd.6 දක්වා 1.00000 1.00000
7 hdd 0.27299 osd.7 දක්වා 1.00000 1.00000
8 hdd 0.27299 osd.8 දක්වා 1.00000 1.00000
9 hdd 0.27299 osd.9 දක්වා 1.00000 1.00000
10 hdd 0.27299 osd.10 දක්වා 1.00000 1.00000
11 hdd 0.27299 osd.11 දක්වා 1.00000 1.00000
12 hdd 0.27299 osd.12 දක්වා 1.00000 1.00000
13 hdd 0.27299 osd.13 දක්වා 1.00000 1.00000
14 hdd 0.27299 osd.14 දක්වා 1.00000 1.00000
15 hdd 0.27299 osd.15 දක්වා 1.00000 1.00000
16 hdd 0.27299 osd.16 දක්වා 1.00000 1.00000
17 hdd 0.27299 osd.17 දක්වා 1.00000 1.00000
18 hdd 0.27299 osd.18 දක්වා 1.00000 1.00000
19 hdd 0.27299 osd.19 දක්වා 1.00000 1.00000
-5 5.45599 සත්කාරක ceph02-q
20 ssd 0.27299 osd.20 දක්වා 1.00000 1.00000
21 ssd 0.27299 osd.21 දක්වා 1.00000 1.00000
22 ssd 0.27299 osd.22 දක්වා 1.00000 1.00000
23 ssd 0.27299 osd.23 දක්වා 1.00000 1.00000
24 hdd 0.27299 osd.24 දක්වා 1.00000 1.00000
25 hdd 0.27299 osd.25 දක්වා 1.00000 1.00000
26 hdd 0.27299 osd.26 දක්වා 1.00000 1.00000
27 hdd 0.27299 osd.27 දක්වා 1.00000 1.00000
28 hdd 0.27299 osd.28 දක්වා 1.00000 1.00000
29 hdd 0.27299 osd.29 දක්වා 1.00000 1.00000
30 hdd 0.27299 osd.30 දක්වා 1.00000 1.00000
31 hdd 0.27299 osd.31 දක්වා 1.00000 1.00000
32 hdd 0.27299 osd.32 දක්වා 1.00000 1.00000
33 hdd 0.27299 osd.33 දක්වා 1.00000 1.00000
34 hdd 0.27299 osd.34 දක්වා 1.00000 1.00000
35 hdd 0.27299 osd.35 දක්වා 1.00000 1.00000
36 hdd 0.27299 osd.36 දක්වා 1.00000 1.00000
37 hdd 0.27299 osd.37 දක්වා 1.00000 1.00000
38 hdd 0.27299 osd.38 දක්වා 1.00000 1.00000
39 hdd 0.27299 osd.39 දක්වා 1.00000 1.00000
-7 6.08690 සත්කාරක ceph03-q
40 ssd 0.27299 osd.40 දක්වා 1.00000 1.00000
41 ssd 0.27299 osd.41 දක්වා 1.00000 1.00000
42 ssd 0.27299 osd.42 දක්වා 1.00000 1.00000
43 ssd 0.27299 osd.43 දක්වා 1.00000 1.00000
44 hdd 0.27299 osd.44 දක්වා 1.00000 1.00000
45 hdd 0.27299 osd.45 දක්වා 1.00000 1.00000
46 hdd 0.27299 osd.46 දක්වා 1.00000 1.00000
47 hdd 0.27299 osd.47 දක්වා 1.00000 1.00000
48 hdd 0.27299 osd.48 දක්වා 1.00000 1.00000
49 hdd 0.27299 osd.49 දක්වා 1.00000 1.00000
50 hdd 0.27299 osd.50 දක්වා 1.00000 1.00000
51 hdd 0.27299 osd.51 දක්වා 1.00000 1.00000
52 hdd 0.27299 osd.52 දක්වා 1.00000 1.00000
53 hdd 0.27299 osd.53 දක්වා 1.00000 1.00000
54 hdd 0.27299 osd.54 දක්වා 1.00000 1.00000
55 hdd 0.27299 osd.55 දක්වා 1.00000 1.00000
56 hdd 0.27299 osd.56 දක්වා 1.00000 1.00000
57 hdd 0.27299 osd.57 දක්වා 1.00000 1.00000
58 hdd 0.27299 osd.58 දක්වා 1.00000 1.00000
59 hdd 0.89999 osd.59 දක්වා 1.00000 1.00000
බ්ලැක් ජැක් සහ වෙනත් දේවල් සමඟ අපගේම අථත්‍ය රාක්ක සහ සේවාදායකයන් නිර්මාණය කරමු:
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 rack01අපි මුහුණ දුන් ගැටළු සටන් පොකුර, නව ධාරකයක් නිර්මාණය කිරීමට උත්සාහ කරන විට සහ එය පවතින රාක්ක - විධානයකට ගෙන යන්න ceph osd crush move ceph01-host root=rack01 ශීත කළ අතර මොනිටර එකින් එක වැටෙන්නට විය. සරල CTRL+C සමඟ විධානය අවලංගු කිරීමෙන් පොකුර ජීවමාන ලෝකයට ආපසු ලබා දුන්නේය.
සෙවුමක් මෙම ගැටලුව පෙන්නුම් කළේය:
විසඳුම වූයේ ක්‍රෂ්මැප් ඩම්ප් කර එම කොටස එතැනින් ඉවත් කිරීමයි රීතිය 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 кластерඅක්තුං: මෙම මෙහෙයුම OSD අතර ස්ථානගත කිරීමේ කණ්ඩායම නැවත සමතුලිත කිරීමට හේතු විය හැක. එය අපට මෙය හේතු විය, නමුත් ඉතා අල්පය.
ඒවගේම test cluster එකේදි අපිට මුණගැහුණු අමුතුම දේ තමයි OSD server එක reboot කලාට පස්සේ එයාලට ඒවා අලුත් servers වලට සහ racks වලට ගෙනිච්ච බව අමතක වෙලා root default එකට ආපු එක.
එහි ප්‍රතිඵලයක් වශයෙන්, අපි ssd ඩ්‍රයිව් සඳහා වෙනම මූලයක් සහ ස්පින්ඩල් ඩ්‍රයිව් සඳහා වෙනම මූලයක් නිර්මාණය කළ අවසාන යෝජනා ක්‍රමය එකලස් කර, අපි සියලුම OSD රාක්කවලට ගෙන පෙරනිමි මූල මකා දැමුවෙමු. නැවත පණගැන්වීමෙන් පසුව, OSD ස්ථානයේ රැඳී සිටීමට පටන් ගත්තේය.
පසුව ලේඛන කැණීමෙන් පසු, මෙම හැසිරීම සඳහා වගකිව යුතු පරාමිතියක් අපට හමු විය. දෙවන කොටසේ ඔහු ගැන
අපි තැටි වර්ගය අනුව විවිධ කණ්ඩායම් සෑදූ ආකාරය.
ආරම්භ කිරීම සඳහා, අපි මූල දෙකක් නිර්මාණය කළෙමු - ssd සහ hdd සඳහා
root@ceph01-q:~#ceph osd crush add-bucket ssd-root root
root@ceph01-q:~#ceph osd crush add-bucket hdd-root rootසේවාදායකයන් භෞතිකව විවිධ රාක්කවල පිහිටා ඇති බැවින්, පහසුව සඳහා අපි ඒවායේ සේවාදායකයන් සහිත රාක්ක නිර්මාණය කළෙමු.
# 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 hostසහ විවිධ සර්වර් වලට ඒවායේ වර්ග අනුව තැටි බෙදා හරින ලදී
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 серверамиssd-root සහ hdd-root මාර්ග අතර තැටි විසිරී ගිය පසු, අපි root-default හිස්ව තැබුවෙමු, එබැවින් අපට එය මකා දැමිය හැකිය.
root-ceph01-q:~#ceph osd crush remove defaultඊළඟට, අපි සාදනු ලබන සංචිතවලට බැඳී ඇති බෙදාහැරීමේ නීති නිර්මාණය කළ යුතුය - නීතිරීතිවල අපගේ සංචිත දත්ත තැබිය හැකි මූලයන් සහ අනුරුවේ සුවිශේෂත්වයේ මට්ටම සඳහන් කරන්නෙමු - උදාහරණයක් ලෙස, අනුරූ විවිධ සේවාදායකයන් මත තිබිය යුතුය, හෝ විවිධ රාක්කවල (අපට එවැනි බෙදාහැරීමක් තිබේ නම්, ඔබට විවිධ මූලයන් තුළ පවා හැකිය)
වර්ගයක් තෝරා ගැනීමට පෙර, ලේඛන කියවීම වඩා හොඳය:
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 firstnහොඳයි, අපි අනාගතයේදී අපගේ අථත්‍යකරණයේ තැටි රූප ගබඩා කිරීමට අවශ්ය සංචිත සාදන්නෙමු - 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 1024තවද භාවිතා කළ යුතු ස්ථානගත කිරීමේ නීති මොනවාදැයි අපි මෙම සංචිතවලට කියමු
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
ස්ථානගත කිරීමේ කණ්ඩායම් ගණන තෝරා ගැනීම ඔබේ පොකුර සඳහා පූර්ව-පවත්නා දැක්මක් සමඟ ප්‍රවේශ විය යුතුය - දළ වශයෙන් OSD කීයක් තිබේද, සංචිතයේ කොපමණ දත්ත ප්‍රමාණයක් (සම්පූර්ණ පරිමාවෙන් ප්‍රතිශතයක් ලෙස) තිබේද, කුමක්ද? මුළු දත්ත ප්රමාණය.
සමස්තයක් වශයෙන්, තැටියේ ස්ථානගත කිරීම් කණ්ඩායම් 300 කට වඩා නොතිබීම යෝග්‍ය වන අතර, කුඩා ස්ථානගත කිරීමේ කණ්ඩායම් සමඟ සමතුලිත කිරීම පහසු වනු ඇත - එනම්, ඔබේ මුළු සංචිතය Tb 10 ක් ගෙන එහි PG 10 ක් තිබේ නම් - සමතුලිත කිරීම ටෙරාබයිට් ගඩොල් විසි කිරීමෙන් (pg) ගැටළු ඇති වේ - කුඩා ප්‍රමාණයේ වැලි සහිත වැලි බාල්දි වලට පහසුවෙන් සහ වඩාත් ඒකාකාරව වත් කරන්න).
නමුත් අපි මතක තබා ගත යුතුයි PG ගණන වැඩි වන තරමට ඒවායේ පිහිටීම ගණනය කිරීම සඳහා වැඩි සම්පත් වැය වන බව - මතකය සහ CPU භාවිතා කිරීමට පටන් ගනී.
දළ අවබෝධයක් විය හැක , CEPH ලේඛන සංවර්ධකයින් විසින් සපයනු ලැබේ.
ද්රව්ය ලැයිස්තුව:
මූලාශ්රය: www.habr.com