Одабиром ЦЕПХ. Део 1
Имали смо пет рекова, десет оптичких прекидача, конфигурисан БГП, неколико десетина ССД-ова и гомилу САС дискова свих боја и величина, као и прокмок и жељу да све статичке податке ставимо у сопствено С3 складиште. Није да је све ово потребно за виртуелизацију, али када почнете да користите опенсоурце, пратите свој хоби до краја. Једино што ми је сметало је БГП. Не постоји нико на свету беспомоћнији, неодговорнији и неморалнији од интерног БГП рутирања. И знао сам да ћемо ускоро заронити у то.
Задатак је био тривијалан - постојао је ЦЕПХ, али није добро функционисао. Требало је учинити „добро“.
Група коју сам добио је била хетерогена, на брзину подешена и практично неподешена. Састојао се од две групе различитих чворова, са једном заједничком мрежом која је деловала и као кластер и као јавна мрежа. Чворови су били испуњени са четири типа дискова - два типа ССД-а, сакупљених у два одвојена правила постављања, и два типа ХДД-а различитих величина, сакупљених у трећу групу. Проблем са различитим величинама је решен различитим тежинама менија на екрану.
Сама поставка је подељена на два дела - подешавање оперативног система и подешавање самог ЦЕПХ-а и његове поставке.
Надоградња ОС
мрежа
Високо кашњење је утицало и на снимање и на балансирање. Приликом снимања – јер клијент неће добити одговор о успешном снимању све док реплике података у другим групама пласмана не потврде успех. Пошто су правила за дистрибуцију реплика у ЦРУСХ мапи била једна реплика по хосту, увек се користила мрежа.
Стога, прва ствар коју сам одлучио да урадим је да мало подесим тренутну мрежу, док сам у исто време покушавао да ме убеди да пређем на одвојене мреже.
За почетак сам подесио подешавања мрежних картица. Почео сам постављањем редова:
Шта се десило:
етхтоол -л енс1ф1
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: 1Види се да су тренутни параметри далеко од максимума. Повећано:
root@ceph01:~#ethtool -G ens1f0 rx 4096
root@ceph01:~#ethtool -G ens1f0 tx 4096
root@ceph01:~#ethtool -L ens1f0 combined 63Вођен одличним чланком
повећала дужину реда за слање тккуеуелен од 1000 до 10 000
root@ceph01:~#ip link set ens1f0 txqueuelen 10000Па, пратећи документацију самог цепх-а
повећан МТУ до 9000 часова.
root@ceph01:~#ip link set dev ens1f0 mtu 9000Додато у /етц/нетворк/интерфацес тако да се све горе учитава при покретању
мачка / итд / мрежа / интерфејси
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 9000Након чега сам, пратећи исти чланак, почео замишљено да окрећем ручке кернела 4.15. С обзиром да чворови имају 128Г РАМ-а, на крају смо добили конфигурациону датотеку за сисцтл
мачка /етц/сисцтл.д/50-цепх.цонф
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)Ссјајна мрежа је додељен на одвојеним мрежним интерфејсима од 10Гбпс у засебну равну мрежу. Свака машина је била опремљена мрежним картицама са два порта меланокс 10/25 Гбпс, прикључен на два одвојена 10Гбпс прекидача. Агрегација је извршена коришћењем ОСПФ-а, пошто је повезивање са лацп-ом из неког разлога показало укупну пропусност од максимално 16 Гбпс, док је оспф успешно користио обе десетице на свакој машини. Будући планови су били да се искористи РОЦЕ на овим меланоксима како би се смањила латенција. Како да подесите овај део мреже:
- Пошто саме машине имају екстерне ИП адресе на БГП-у, потребан нам је софтвер - (тачније, у време писања овог чланка био је ) већ је стајао.
- Укупно, машине су имале два мрежна интерфејса, сваки са два интерфејса – укупно 4 порта. Једна мрежна картица је гледала у фабрику са два порта и на њој је конфигурисан БГП, друга је гледала два различита прекидача са два порта и на њој је постављен ОСПФ
Више детаља о подешавању ОСПФ-а: Главни задатак је здружити две везе и имати толеранцију грешака.
два мрежна интерфејса су конфигурисана у две једноставне равне мреже - 10.10.10.0/24 и 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 ens1f1по којима се аутомобили међусобно виде.
ДИСК
Следећи корак је био оптимизација перформанси дискова. За ССД сам променио планер у нооп, за ХДД - рок. Искрено речено, НООП функционише по принципу „први ушао, први изашао“, што на енглеском звучи као „ФИФО (први ушао, први изашао)“. Захтеви се чекају у реду како стигну. ДЕАДЛИНЕ је више оријентисан на читање, плус процес у реду чекања добија скоро искључиви приступ диску у време операције. Ово је савршено за наш систем - на крају крајева, само један процес ради са сваким диском - ОСД демон.
(Они који желе да зароне у И/О планер могу прочитати о томе овде:
Они који више воле да читају на руском: )
У препорукама за подешавање Линук-а, такође се препоручује повећање нр_рекуест
нр_рекуестс
Вредност нр_рекуестс одређује количину И/О захтева који се баферују пре него што И/О планер пошаље/прими податке на блок уређај, ако користите РАИД картицу/блок уређај који може да обрађује већи ред од онога што ја /О планер је подешен на, подизање вредности нр_рекуестс може помоћи да се побољша и смањи оптерећење сервера када се на серверу појаве велике количине И/О. Ако користите Деадлине или ЦФК као планер, препоручује се да поставите вредност нр_рекуест на 2 пута већу од вредности дубине реда.
АЛИ! Сами грађани, програмери ЦЕПХ-а, убеђују нас да њихов систем приоритета боље функционише
ВБТхроттле и/или нр_рекуестс
ВБТхроттле и/или нр_рекуестс
Файловое хранилище использует для записи буферизованные операции ввода/ вывода; это привносит целый ряд преимуществ если журнал файлового хранения находится на более быстром носителе. Запросы клиентов получают уведомления как только данные записаны в журнал, а затем сбрасываются на сам диск данных в более позднее время пользуясь стандартной функциональностью Linux. Это делает возможным для OSD шпиндельных дисков предоставлять латентность записи аналогичную SSD при записях малыми пакетами. Такая задержанная отложенная запись также позволяет самому ядру перестраивать запросы операций ввода/ вывода к диску с надеждой либо слить их воедино, либо позволить имеющимся головкам диска выбрать некий более оптимальный путь поверх своих пластин. Конечный эффект состоит в том, что вы можете выжать слегка больше операций ввода/ вывода из каждого диска чем это было бы возможно при прямых или синхронных операциях ввода/ вывода.
Међутим, одређени проблем настаје ако обим улазних записа у дати Цепх кластер премашује све могућности основних дискова. У овом сценарију, укупан број чекајућих И/О операција које чекају да буду уписане на диск могао би неконтролисано да расте и да доведе до тога да И/О редови попуњавају цео диск и Цепх редове. Захтеви за читање су посебно погођени јер се заглављују између захтева за писање, за које може потрајати неколико секунди да се испразне на примарни диск.
Да би превазишао овај проблем, Цепх има механизам за пригушивање повратног уписивања уграђен у складиште датотека који се зове ВБТхроттле. Дизајниран је да ограничи укупну количину лењог писања И/О који може да стане у ред и почне процес испуштања раније него што би се природно догодило због тога што га је омогућило само језгро. Нажалост, тестирање показује да подразумеване вредности можда и даље не смањују постојеће понашање на ниво који може смањити овај утицај на кашњење читања. Прилагођавања могу да промене ово понашање и смање укупне дужине редова за писање и учине овај утицај мање озбиљним. Међутим, постоји компромис: смањењем укупног максималног броја уноса који су дозвољени у реду чекања, можете смањити способност самог језгра да максимизира своју ефикасност у наручивању долазних захтева. Вреди мало размислити о томе шта вам је потребно више за ваш специфични случај употребе, радна оптерећења и прилагођавање да им одговара.
Да бисте контролисали дубину таквог реда заостатка писања, можете или смањити укупан максималан број нерешених И/О операција користећи ВБТхроттле подешавања, или можете смањити максималну вредност за изванредне операције на нивоу блока самог кернела. Оба могу ефикасно контролисати исто понашање, а ваше жељене поставке ће бити основа за примену овог подешавања.
Такође треба напоменути да је Цепхов систем приоритета рада ефикаснији за краће упите на нивоу диска. Смањивањем укупног реда на дати диск, примарна локација реда се помера у Цепх, где има већу контролу над приоритетом И/О операције. Размотрите следећи пример:
echo 8 > /sys/block/sda/queue/nr_requestsЗАЈЕДНИЧКИ
И још неколико подешавања кернела да би ваш аутомобил био мек и свиленкаст и да би се из хардвера извукло мало више перформанси
мачка /етц/сисцтл.д/60-цепх2.цонф
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. Урањање у ЦЕПХ
Подешавања на којима бих желео да се задржим детаљније:
мачка /етц/цепх/цепх.цонф
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: 4Неки од параметара који су тестирани за КА у верзији 12.2.12 недостају у цепх верзији 12.2.2, на пример осд_рецовери_тхреадс. Стога су планови укључивали ажурирање производње до 12.2.12. Пракса је показала компатибилност између верзија 12.2.2 и 12.2.12 у једном кластеру, што омогућава ажурирање у току.
Тест кластер
Наравно, за тестирање је било потребно имати исту верзију као у битци, али у време када сам почео да радим са кластером, у спремишту је била доступна само новија. Гледајући, оно што можете уочити у мањој верзији није много (1393 линије у конфигурацијама против 1436 у новој верзији), одлучили смо да почнемо да тестирамо нову (свеједно ажурирање, зашто ићи са старим отпадом)
Једина ствар коју смо покушали да оставимо иза старе верзије је пакет цепх-деплои пошто су неки од услужних програма (и неки од запослених) били прилагођени његовој синтакси. Нова верзија је била доста другачија, али није утицала на рад самог кластера и остављена је у верзији 1.5.39
Пошто команда цепх-диск јасно каже да је застарела и користите команду цепх-волуме, драги моји, почели смо да креирамо ОСД-ове са овом командом, без губљења времена на застареле.
План је био да направимо огледало од два ССД диска на које ћемо поставити ОСД логове, који се, пак, налазе на вретенастим САС-овима. На тај начин можемо да се заштитимо од проблема са подацима ако диск са дневником падне.
Почели смо да правимо кластер према документацији
мачка /етц/цепх/цепх.цонф
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-qПрва ствар на коју сам налетео када сам радио са овом верзијом цепх-деплои-а са верзијом кластера 12.2.12 била је грешка при покушају да креирам ОСД са дб-ом на софтверском нападу -
root@ceph01-qa:~#ceph-volume lvm create --bluestore --data /dev/sde --block.db /dev/md0
blkid could not detect a PARTUUID for device: /dev/md1Заиста, изгледа да блкид није ПАРТУУИД, па сам морао ручно да креирам партиције:
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; doneЧини се да је све спремно, покушавамо поново да креирамо ОСД и добијамо следећу грешку (која, иначе, није репродукована у борби)
када креирате ОСД типа блуесторе без навођења путање до ВАЛ-а, али навођења дб
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 argumenШтавише, ако на истом огледалу (или на другом месту, по вашем избору) креирате другу партицију за ВАЛ и наведете је приликом креирања ОСД-а, онда ће све ићи глатко (осим појаве посебног ВАЛ-а, што можда нећете желео).
Али, пошто је још увек било у далеким плановима да се ВАЛ пресели у НВМе, пракса се није показала сувишном.
root@ceph01-qa:~#ceph-volume lvm create --bluestore --data /dev/sdf --block.wal /dev/md0p2 --block.db /dev/md1p2Креирани монитори, менаџери и ОСД. Сада бих желео да их другачије групишем, јер планирам да имам различите типове дискова - брзе пулове на ССД-у и велике, али споре на САС палачинке.
Претпоставимо да сервери имају 20 дискова, првих десет су једног типа, други други.
Почетна, подразумевана, картица изгледа овако:
цепх осд дрво
роот@цепх01-к:~# цепх осд стабло
ИД КЛАСА ТЕЖИНА ТИП НАЗИВ СТАТУС РЕВЕИГХТ ПРИ-АФФ
-1 14.54799 роот дефаулт
-3 9.09200 хост цепх01-к
0 ссд 1.00000 осд.0 горе 1.00000 1.00000
1 ссд 1.00000 осд.1 горе 1.00000 1.00000
2 ссд 1.00000 осд.2 горе 1.00000 1.00000
3 ссд 1.00000 осд.3 горе 1.00000 1.00000
4 хдд 1.00000 осд.4 уп 1.00000 1.00000
5 хдд 0.27299 осд.5 уп 1.00000 1.00000
6 хдд 0.27299 осд.6 уп 1.00000 1.00000
7 хдд 0.27299 осд.7 уп 1.00000 1.00000
8 хдд 0.27299 осд.8 уп 1.00000 1.00000
9 хдд 0.27299 осд.9 уп 1.00000 1.00000
10 хдд 0.27299 осд.10 уп 1.00000 1.00000
11 хдд 0.27299 осд.11 уп 1.00000 1.00000
12 хдд 0.27299 осд.12 уп 1.00000 1.00000
13 хдд 0.27299 осд.13 уп 1.00000 1.00000
14 хдд 0.27299 осд.14 уп 1.00000 1.00000
15 хдд 0.27299 осд.15 уп 1.00000 1.00000
16 хдд 0.27299 осд.16 уп 1.00000 1.00000
17 хдд 0.27299 осд.17 уп 1.00000 1.00000
18 хдд 0.27299 осд.18 уп 1.00000 1.00000
19 хдд 0.27299 осд.19 уп 1.00000 1.00000
-5 5.45599 хост цепх02-к
20 ссд 0.27299 осд.20 горе 1.00000 1.00000
21 ссд 0.27299 осд.21 горе 1.00000 1.00000
22 ссд 0.27299 осд.22 горе 1.00000 1.00000
23 ссд 0.27299 осд.23 горе 1.00000 1.00000
24 хдд 0.27299 осд.24 уп 1.00000 1.00000
25 хдд 0.27299 осд.25 уп 1.00000 1.00000
26 хдд 0.27299 осд.26 уп 1.00000 1.00000
27 хдд 0.27299 осд.27 уп 1.00000 1.00000
28 хдд 0.27299 осд.28 уп 1.00000 1.00000
29 хдд 0.27299 осд.29 уп 1.00000 1.00000
30 хдд 0.27299 осд.30 уп 1.00000 1.00000
31 хдд 0.27299 осд.31 уп 1.00000 1.00000
32 хдд 0.27299 осд.32 уп 1.00000 1.00000
33 хдд 0.27299 осд.33 уп 1.00000 1.00000
34 хдд 0.27299 осд.34 уп 1.00000 1.00000
35 хдд 0.27299 осд.35 уп 1.00000 1.00000
36 хдд 0.27299 осд.36 уп 1.00000 1.00000
37 хдд 0.27299 осд.37 уп 1.00000 1.00000
38 хдд 0.27299 осд.38 уп 1.00000 1.00000
39 хдд 0.27299 осд.39 уп 1.00000 1.00000
-7 6.08690 хост цепх03-к
40 ссд 0.27299 осд.40 горе 1.00000 1.00000
41 ссд 0.27299 осд.41 горе 1.00000 1.00000
42 ссд 0.27299 осд.42 горе 1.00000 1.00000
43 ссд 0.27299 осд.43 горе 1.00000 1.00000
44 хдд 0.27299 осд.44 уп 1.00000 1.00000
45 хдд 0.27299 осд.45 уп 1.00000 1.00000
46 хдд 0.27299 осд.46 уп 1.00000 1.00000
47 хдд 0.27299 осд.47 уп 1.00000 1.00000
48 хдд 0.27299 осд.48 уп 1.00000 1.00000
49 хдд 0.27299 осд.49 уп 1.00000 1.00000
50 хдд 0.27299 осд.50 уп 1.00000 1.00000
51 хдд 0.27299 осд.51 уп 1.00000 1.00000
52 хдд 0.27299 осд.52 уп 1.00000 1.00000
53 хдд 0.27299 осд.53 уп 1.00000 1.00000
54 хдд 0.27299 осд.54 уп 1.00000 1.00000
55 хдд 0.27299 осд.55 уп 1.00000 1.00000
56 хдд 0.27299 осд.56 уп 1.00000 1.00000
57 хдд 0.27299 осд.57 уп 1.00000 1.00000
58 хдд 0.27299 осд.58 уп 1.00000 1.00000
59 хдд 0.89999 осд.59 уп 1.00000 1.00000
Хајде да направимо сопствене виртуелне полице и сервере са блацкјацк-ом и другим стварима:
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 rack01Проблеми са којима смо се сусрели борба кластер, када покушавате да креирате нови хост и преместите га у постојећи рацк - команду цепх осд црусх мове цепх01-хост роот=рацк01 смрзли, а монитори су почели да падају један по један. Прекидање команде једноставним ЦТРЛ+Ц вратило је кластер у свет живих.
Претрага је показала овај проблем:
Испоставило се да је решење било да избаците црусхмап и уклоните одељак одатле правило реплицатед_рулесет
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 кластерАцхтунг: Ова операција може изазвати ребаланс групе пласмана између ОСД-а. То је изазвало ово за нас, али врло мало.
А чудна ствар на коју смо наишли у тестном кластеру је да су након поновног покретања ОСД сервера заборавили да су премештени на нове сервере и полице и вратили се на основне подразумеване вредности.
Као резултат тога, након што смо саставили коначну шему у којој смо направили посебан корен за ссд дискове и посебан за вретенасте дискове, све ОСД-ове смо ставили у полице и једноставно избрисали подразумевани корен. Након поновног покретања, ОСД је почео да остаје на месту.
Након каснијег копања по документацији, пронашли смо параметар који је одговоран за овакво понашање. О њему у другом делу
Како смо направили различите групе по типу диска.
За почетак смо креирали два корена - за ссд и за хдд
root@ceph01-q:~#ceph osd crush add-bucket ssd-root root
root@ceph01-q:~#ceph osd crush add-bucket hdd-root rootПошто су сервери физички лоцирани у различитим рацковима, ради погодности смо направили рекове са серверима у њима
# 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 hostи дистрибуирао дискове према њиховим типовима на различите сервере
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 серверамиНакон што смо расули дискове између ссд-роот и хдд-роот рута, оставили смо роот-дефаулт празан, тако да можемо да га избришемо
root-ceph01-q:~#ceph osd crush remove defaultДаље, треба да креирамо правила дистрибуције која ћемо везати за скупове који се креирају – у правилима ћемо назначити који корени могу да стављају податке нашег базена и ниво јединствености реплике – на пример, реплике морају бити на различитим серверима, или у различитим полицама (можете чак и у различитим коренима, ако имамо такву дистрибуцију)
Пре него што изаберете тип, боље је прочитати документацију:
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 firstnПа, ми креирамо скупове у које желимо да складиштимо слике диска наше виртуелизације у будућности - ПРОКСМОКС:
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 1024И ми кажемо овим скуповима која правила постављања да користе
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
Избору броја група за пласман мора се приступити са већ постојећом визијом за ваш кластер – колико ће отприлике ОСД-ова бити тамо, колика ће количина података (као проценат укупног обима) бити у групи, шта је укупна количина података.
Укупно, препоручљиво је да немате више од 300 група за пласман на диску, а биће лакше балансирати са малим групама пласмана - то јест, ако ваш читав скуп заузима 10 Тб и има 10 ПГ у себи - онда балансирање бацањем терабајтних цигли (пг) биће проблематично - сипајте песак са ситним зрнцима песка у канте лакше и равномерније).
Али морамо запамтити да што је већи број ПГ-ова, то се више ресурса троши на израчунавање њихове локације – меморија и ЦПУ почињу да се користе.
Грубо разумевање може , које су обезбедили програмери ЦЕПХ документације.
Списак материјала:
Извор: ввв.хабр.цом
