CEPH ஐத் தேர்ந்தெடுக்கிறது. பகுதி 1
எங்களிடம் ஐந்து ரேக்குகள், பத்து ஆப்டிகல் சுவிட்சுகள், கட்டமைக்கப்பட்ட BGP, இரண்டு டஜன் SSDகள் மற்றும் அனைத்து வண்ணங்கள் மற்றும் அளவுகள் கொண்ட SAS டிஸ்க்குகள், அத்துடன் proxmox மற்றும் அனைத்து நிலையான தரவுகளையும் எங்கள் சொந்த S3 சேமிப்பகத்தில் வைக்கும் விருப்பம் இருந்தது. மெய்நிகராக்கத்திற்கு இவை அனைத்தும் தேவை என்று இல்லை, ஆனால் நீங்கள் ஓப்பன்சோர்ஸைப் பயன்படுத்த ஆரம்பித்தவுடன், உங்கள் பொழுதுபோக்கை இறுதிவரை பின்பற்றவும். பி.ஜி.பி. இன்டர்னல் பிஜிபி ரூட்டிங்கை விட உதவியற்ற, பொறுப்பற்ற மற்றும் ஒழுக்கக்கேடான யாரும் உலகில் இல்லை. விரைவில் நாம் அதில் மூழ்குவோம் என்று எனக்குத் தெரியும்.
பணி அற்பமானது - CEPH இருந்தது, ஆனால் அது நன்றாக வேலை செய்யவில்லை. "நல்லது" செய்ய வேண்டியது அவசியம்.
நான் பெற்ற கிளஸ்டர் பன்முகத்தன்மை கொண்டது, அவசரமாக டியூன் செய்யப்பட்டது மற்றும் நடைமுறையில் டியூன் செய்யப்படவில்லை. இது வெவ்வேறு முனைகளின் இரண்டு குழுக்களைக் கொண்டிருந்தது, ஒரு பொதுவான கட்டம் ஒரு கிளஸ்டர் மற்றும் பொது நெட்வொர்க்காக செயல்படுகிறது. கணுக்கள் நான்கு வகையான வட்டுகளால் நிரப்பப்பட்டன - இரண்டு வகையான SSD, இரண்டு தனித்தனி வேலை வாய்ப்பு விதிகளில் சேகரிக்கப்பட்டது, மற்றும் இரண்டு வகையான HDD வெவ்வேறு அளவுகளில், மூன்றாவது குழுவில் சேகரிக்கப்பட்டது. வெவ்வேறு அளவுகளில் உள்ள சிக்கல் வெவ்வேறு OSD எடைகளால் தீர்க்கப்பட்டது.
அமைப்பு இரண்டு பகுதிகளாக பிரிக்கப்பட்டுள்ளது - இயக்க முறைமை சரிப்படுத்தும் и CEPH இன் டியூனிங் மற்றும் அதன் அமைப்புகள்.
OS ஐ மேம்படுத்துகிறது
பிணையம்
அதிக தாமதம் ரெக்கார்டிங் மற்றும் பேலன்சிங் இரண்டையும் பாதித்தது. பதிவு செய்யும் போது - மற்ற வேலை வாய்ப்புக் குழுக்களில் உள்ள தரவுப் பிரதிகள் வெற்றியை உறுதிப்படுத்தும் வரை கிளையன்ட் வெற்றிகரமான பதிவு பற்றிய பதிலைப் பெறமாட்டார். க்ரஷ் வரைபடத்தில் பிரதிகளை விநியோகிப்பதற்கான விதிகள் ஒரு ஹோஸ்டுக்கு ஒரு பிரதியாக இருந்ததால், நெட்வொர்க் எப்போதும் பயன்படுத்தப்பட்டது.
எனவே, நான் செய்ய முடிவு செய்த முதல் விஷயம், தற்போதைய நெட்வொர்க்கை சிறிது மாற்றியமைக்க வேண்டும், அதே நேரத்தில் தனி நெட்வொர்க்குகளுக்கு செல்ல என்னை சமாதானப்படுத்த முயற்சிக்கிறேன்.
தொடங்குவதற்கு, நான் நெட்வொர்க் கார்டுகளின் அமைப்புகளை மாற்றியமைத்தேன். நான் வரிசைகளை அமைப்பதன் மூலம் தொடங்கினேன்:
என்ன நடந்தது:
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: 1தற்போதைய அளவுருக்கள் அதிகபட்சத்திலிருந்து வெகு தொலைவில் இருப்பதைக் காணலாம். அதிகரித்தது:
root@ceph01:~#ethtool -G ens1f0 rx 4096
root@ceph01:~#ethtool -G ens1f0 tx 4096
root@ceph01:~#ethtool -L ens1f0 combined 63ஒரு சிறந்த கட்டுரையால் வழிநடத்தப்பட்டது
அனுப்பும் வரிசையின் நீளத்தை அதிகரித்தது txqueuelen 1000 முதல் 10 வரை
root@ceph01:~#ip link set ens1f0 txqueuelen 10000சரி, ceph இன் ஆவணங்களைத் தொடர்ந்து
அதிகரித்தது MTU க்கு வரை.
root@ceph01:~#ip link set dev ens1f0 mtu 9000மேலே உள்ள அனைத்தும் தொடக்கத்தில் ஏற்றப்படும் வகையில் /etc/network/interfaces இல் சேர்க்கப்பட்டது
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 9000அதன் பிறகு, அதே கட்டுரையைத் தொடர்ந்து, நான் 4.15 கர்னலின் கைப்பிடிகளை சிந்தனையுடன் திருப்ப ஆரம்பித்தேன். முனைகளில் 128G ரேம் இருப்பதைக் கருத்தில் கொண்டு, நாங்கள் ஒரு உள்ளமைவு கோப்பை முடித்தோம் 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)Сபளபளப்பான நெட்வொர்க் தனித்தனி 10Gbps நெட்வொர்க் இடைமுகங்களில் ஒரு தனி பிளாட் நெட்வொர்க்கில் ஒதுக்கப்பட்டது. ஒவ்வொரு இயந்திரமும் இரட்டை போர்ட் நெட்வொர்க் கார்டுகளுடன் பொருத்தப்பட்டிருந்தது மெல்லனாக்ஸ் 10/25 Gbps, இரண்டு தனித்தனி 10Gbps சுவிட்சுகளில் செருகப்பட்டது. OSPF ஐப் பயன்படுத்தி ஒருங்கிணைத்தல் மேற்கொள்ளப்பட்டது, ஏனெனில் சில காரணங்களால் lacp உடன் பிணைப்பது அதிகபட்சமாக 16 Gbps மொத்த செயல்திறனைக் காட்டியது, அதே நேரத்தில் ospf ஒவ்வொரு கணினியிலும் இரண்டு பத்துகளையும் வெற்றிகரமாகப் பயன்படுத்தியது. எதிர்காலத் திட்டங்கள் தாமதத்தைக் குறைக்க இந்த மெலனாக்ஸ்களில் ROCE ஐப் பயன்படுத்திக் கொள்ள வேண்டும். நெட்வொர்க்கின் இந்த பகுதியை எவ்வாறு அமைப்பது:
- இயந்திரங்களே BGP இல் வெளிப்புற IP முகவரிகளைக் கொண்டிருப்பதால், எங்களுக்கு மென்பொருள் தேவை - (இன்னும் துல்லியமாக, இந்த கட்டுரையை எழுதும் நேரத்தில் அது இருந்தது ) ஏற்கனவே நின்று கொண்டிருந்தது.
- மொத்தத்தில், இயந்திரங்கள் இரண்டு பிணைய இடைமுகங்களைக் கொண்டிருந்தன, ஒவ்வொன்றும் இரண்டு இடைமுகங்கள் - மொத்தம் 4 போர்ட்கள். ஒரு நெட்வொர்க் கார்டு இரண்டு போர்ட்களைக் கொண்ட தொழிற்சாலையைப் பார்த்தது, அதில் பிஜிபி கட்டமைக்கப்பட்டது, இரண்டாவது இரண்டு போர்ட்களைக் கொண்ட இரண்டு வெவ்வேறு சுவிட்சுகளைப் பார்த்தது மற்றும் அதில் OSPF அமைக்கப்பட்டது.
OSPF அமைப்பது பற்றிய கூடுதல் விவரங்கள்: முக்கிய பணி இரண்டு இணைப்புகளை ஒருங்கிணைத்து தவறுகளை பொறுத்துக்கொள்ளும் தன்மை கொண்டது.
இரண்டு பிணைய இடைமுகங்கள் இரண்டு எளிய பிளாட் நெட்வொர்க்குகளாக கட்டமைக்கப்பட்டுள்ளன - 10.10.10.0/24 மற்றும் 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 ens1f1இதன் மூலம் கார்கள் ஒன்றையொன்று பார்க்கின்றன.
டிஸ்க்
அடுத்த கட்டம் வட்டுகளை மேம்படுத்துவதாகும். SSDக்கு நான் திட்டமிடலை மாற்றினேன் நூப், HDD க்கு - காலக்கெடுவை. அப்பட்டமாகச் சொல்வதென்றால், NOOP ஆனது "முதலில், முதலில் வெளியே" என்ற கொள்கையின் அடிப்படையில் செயல்படுகிறது, இது ஆங்கிலத்தில் "FIFO (First In, First Out)" என்று ஒலிக்கிறது. கோரிக்கைகள் வரும்போது வரிசையில் நிற்கின்றன. DEADLINE ஆனது அதிக வாசிப்பு சார்ந்தது, மேலும் வரிசைப்படுத்தப்பட்ட செயல்முறையானது செயல்பாட்டின் போது வட்டுக்கு கிட்டத்தட்ட பிரத்தியேக அணுகலைப் பெறுகிறது. இது எங்கள் கணினிக்கு சரியானது - எல்லாவற்றிற்கும் மேலாக, ஒவ்வொரு வட்டிலும் ஒரே ஒரு செயல்முறை மட்டுமே இயங்குகிறது - OSD டீமான்.
(I/O திட்டமிடலில் மூழ்க விரும்புவோர் அதைப் பற்றி இங்கே படிக்கலாம்:
ரஷ்ய மொழியில் படிக்க விரும்புவோர்: )
லினக்ஸை ட்யூனிங் செய்வதற்கான பரிந்துரைகளில், nr_request ஐ அதிகரிக்கவும் பரிந்துரைக்கப்படுகிறது
nr_requests
nr_requests இன் மதிப்பானது, I/O திட்டமிடுபவர் பிளாக் சாதனத்திற்கு தரவை அனுப்புவதற்கு / பெறுவதற்கு முன் இடையகப்படுத்தப்படும் I/O கோரிக்கைகளின் அளவை தீர்மானிக்கிறது, நீங்கள் RAID கார்டு / பிளாக் சாதனத்தைப் பயன்படுத்தினால், I ஐ விட பெரிய வரிசையைக் கையாள முடியும். /O திட்டமிடல் அமைக்கப்பட்டுள்ளது, nr_requests மதிப்பை உயர்த்துவது முழுவதும் மேம்படுத்தவும், சர்வரில் அதிக அளவு I/O ஏற்படும் போது சர்வர் சுமையை குறைக்கவும் உதவும். நீங்கள் காலக்கெடு அல்லது CFQஐ திட்டமிடுபவராகப் பயன்படுத்தினால், nr_request மதிப்பை வரிசை ஆழத்தின் மதிப்பை விட 2 மடங்கு அதிகமாக அமைக்க பரிந்துரைக்கப்படுகிறது.
ஆனாலும்! குடிமக்களே, CEPH இன் டெவலப்பர்கள், அவர்களின் முன்னுரிமைகள் அமைப்பு சிறப்பாகச் செயல்படுவதாக எங்களை நம்பவைக்கிறார்கள்
WBThrottle மற்றும்/அல்லது nr_requests
WBThrottle மற்றும்/அல்லது nr_requests
கோப்பு சேமிப்பகம் எழுதுவதற்கு இடையக I/O பயன்படுத்துகிறது; கோப்பு சேமிப்பகப் பதிவேடு வேகமான மீடியாவில் இருந்தால் இது பல நன்மைகளைத் தருகிறது. பதிவில் தரவு எழுதப்பட்டவுடன் கிளையண்ட் கோரிக்கைகள் அறிவிக்கப்படும், பின்னர் நிலையான லினக்ஸ் செயல்பாட்டைப் பயன்படுத்தி தரவு வட்டில் ஃப்ளஷ் செய்யப்படும். சிறிய வெடிப்புகளில் எழுதும் போது, SSDகளைப் போன்றே எழுதும் தாமதத்தை ஸ்பின்டில் OSDகள் வழங்குவதை இது சாத்தியமாக்குகிறது. இந்த தாமதமான ரைட் பேக், கர்னலையே வட்டு I/O கோரிக்கைகளை மறுசீரமைக்க அனுமதிக்கிறது, அவற்றை ஒன்றாக இணைக்கலாம் அல்லது தற்போதுள்ள வட்டு தலைகள் தங்கள் பிளாட்டர்களில் இன்னும் சில உகந்த பாதையை தேர்வு செய்ய அனுமதிக்கலாம். நிகர விளைவு என்னவென்றால், நேரடி அல்லது ஒத்திசைவான I/O ஐ விட ஒவ்வொரு வட்டில் இருந்தும் சற்று அதிகமாக I/O ஐ அழுத்தலாம்.
இருப்பினும், கொடுக்கப்பட்ட Ceph கிளஸ்டருக்கு உள்வரும் பதிவுகளின் அளவு அடிப்படை வட்டுகளின் அனைத்து திறன்களையும் விட அதிகமாக இருந்தால் ஒரு குறிப்பிட்ட சிக்கல் எழுகிறது. இந்தச் சூழ்நிலையில், வட்டுக்கு எழுதுவதற்குக் காத்திருக்கும் நிலுவையில் உள்ள I/O செயல்பாடுகளின் எண்ணிக்கை கட்டுப்பாடில்லாமல் வளர்ந்து, I/O வரிசைகள் முழு வட்டு மற்றும் Ceph வரிசைகளையும் நிரப்பும். வாசிப்புக் கோரிக்கைகள் குறிப்பாகப் பாதிக்கப்படுகின்றன, ஏனெனில் அவை எழுதும் கோரிக்கைகளுக்கு இடையில் சிக்கிக் கொள்கின்றன, இது முதன்மை வட்டில் ஃப்ளஷ் செய்ய பல வினாடிகள் ஆகலாம்.
இந்தச் சிக்கலைச் சமாளிக்க, Ceph ஆனது WBThrottle எனப்படும் கோப்பு சேமிப்பகத்தில் உள்ள ஒரு ரைட்பேக் த்ரோட்லிங் பொறிமுறையைக் கொண்டுள்ளது. இது கர்னலால் இயக்கப்படுவதால் இயற்கையாக நிகழும் நேரத்தை விட வரிசையாக நின்று அதன் ஃப்ளஷ் செயல்முறையைத் தொடங்கக்கூடிய சோம்பேறி எழுதும் I/O இன் ஒட்டுமொத்த அளவைக் கட்டுப்படுத்தும் வகையில் வடிவமைக்கப்பட்டுள்ளது. துரதிர்ஷ்டவசமாக, இயல்புநிலை மதிப்புகள் ஏற்கனவே உள்ள நடத்தையை வாசிப்பு தாமதத்தின் மீதான இந்த தாக்கத்தை குறைக்கக்கூடிய நிலைக்கு இன்னும் குறைக்காமல் இருக்கலாம் என்பதை சோதனை நிரூபிக்கிறது. சரிசெய்தல் இந்த நடத்தையை மாற்றலாம் மற்றும் ஒட்டுமொத்த எழுதும் வரிசை நீளத்தை குறைக்கலாம் மற்றும் இந்த தாக்கத்தை குறைக்கலாம். இருப்பினும், ஒரு பரிமாற்றம் உள்ளது: வரிசைப்படுத்த அனுமதிக்கப்பட்ட மொத்த உள்ளீடுகளின் அதிகபட்ச எண்ணிக்கையைக் குறைப்பதன் மூலம், உள்வரும் கோரிக்கைகளை ஆர்டர் செய்வதில் கர்னலின் செயல்திறனை அதிகரிக்க அதன் திறனை நீங்கள் குறைக்கலாம். உங்கள் குறிப்பிட்ட பயன்பாட்டு வழக்கு, பணிச்சுமை மற்றும் அவற்றிற்கு ஏற்றவாறு சரிசெய்தல் ஆகியவற்றிற்கு உங்களுக்கு என்ன தேவை என்பதைப் பற்றி கொஞ்சம் சிந்திக்க வேண்டியது அவசியம்.
அத்தகைய எழுதும் பின்னடைவு வரிசையின் ஆழத்தைக் கட்டுப்படுத்த, WBThrottle அமைப்புகளைப் பயன்படுத்தி ஒட்டுமொத்த அதிகபட்ச I/O செயல்பாடுகளைக் குறைக்கலாம் அல்லது உங்கள் கர்னலின் தொகுதி மட்டத்திலேயே நிலுவையில் உள்ள செயல்பாடுகளுக்கான அதிகபட்ச மதிப்பைக் குறைக்கலாம். இருவரும் ஒரே நடத்தையை திறம்பட கட்டுப்படுத்த முடியும், மேலும் உங்கள் விருப்பத்தேர்வுகள் இந்த அமைப்பைச் செயல்படுத்த அடிப்படையாக இருக்கும்.
Ceph இன் செயல்பாட்டு முன்னுரிமை அமைப்பு வட்டு மட்டத்தில் குறுகிய வினவல்களுக்கு மிகவும் திறமையானது என்பதையும் கவனத்தில் கொள்ள வேண்டும். கொடுக்கப்பட்ட வட்டுக்கு ஒட்டுமொத்த வரிசையை சுருக்குவதன் மூலம், வரிசையின் முதன்மை இடம் Ceph க்கு நகர்கிறது, அங்கு I/O செயல்பாட்டின் முன்னுரிமையின் மீது அது அதிக கட்டுப்பாட்டைக் கொண்டுள்ளது. பின்வரும் உதாரணத்தைக் கவனியுங்கள்:
echo 8 > /sys/block/sda/queue/nr_requestsபொதுவான
மேலும் சில கர்னல் மாற்றங்கள் உங்கள் காரை மென்மையாகவும் மென்மையாகவும் மாற்றவும் மற்றும் வன்பொருளில் இருந்து இன்னும் கொஞ்சம் செயல்திறனைக் குறைக்கவும்
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 இல் மூழ்குதல்
நான் இன்னும் விரிவாக வாழ விரும்பும் அமைப்புகள்:
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: 4பதிப்பு 12.2.12 இல் QA க்காக சோதிக்கப்பட்ட சில அளவுருக்கள் ceph பதிப்பு 12.2.2 இல் இல்லை, எடுத்துக்காட்டாக osd_recovery_threads. எனவே, திட்டங்களில் 12.2.12 க்கு உற்பத்தி பற்றிய புதுப்பிப்பு சேர்க்கப்பட்டுள்ளது. ஒரு கிளஸ்டரில் 12.2.2 மற்றும் 12.2.12 பதிப்புகளுக்கு இடையில் பொருந்தக்கூடிய தன்மையை பயிற்சி காட்டுகிறது, இது ரோலிங் புதுப்பிப்புகளை அனுமதிக்கிறது.
சோதனைக் கூட்டம்
இயற்கையாகவே, சோதனைக்கு போரில் இருந்த அதே பதிப்பை வைத்திருப்பது அவசியம், ஆனால் நான் கிளஸ்டருடன் வேலை செய்யத் தொடங்கிய நேரத்தில், புதியது மட்டுமே களஞ்சியத்தில் கிடைத்தது. சிறிய பதிப்பில் நீங்கள் அறியக்கூடியது பெரியதல்ல (1393 configs இல் உள்ள கோடுகள் எதிராக 1436 புதிய பதிப்பில்), புதியதைச் சோதிக்கத் தொடங்க முடிவு செய்தோம் (எப்படியும் புதுப்பித்தல், ஏன் பழைய குப்பைகளுடன் செல்ல வேண்டும்)
நாங்கள் பழைய பதிப்பை விட்டு வெளியேற முயற்சித்த ஒரே விஷயம் தொகுப்பு மட்டுமே ceph-வரிசைப்படுத்தல் சில பயன்பாடுகள் (மற்றும் சில பணியாளர்கள்) அதன் தொடரியலுக்கு ஏற்ப உருவாக்கப்பட்டன. புதிய பதிப்பு முற்றிலும் வேறுபட்டது, ஆனால் கிளஸ்டரின் செயல்பாட்டை பாதிக்கவில்லை, மேலும் அது பதிப்பில் விடப்பட்டது 1.5.39
ceph-disk கட்டளை நீக்கப்பட்டது என்று தெளிவாகக் கூறுவதால், ceph-volume கட்டளையைப் பயன்படுத்துங்கள் அன்பர்களே, காலாவதியானவற்றில் நேரத்தை வீணடிக்காமல் இந்தக் கட்டளையைக் கொண்டு OSDகளை உருவாக்கத் தொடங்கினோம்.
இரண்டு எஸ்எஸ்டி டிரைவ்களின் கண்ணாடியை உருவாக்குவதே திட்டம், அதில் ஓஎஸ்டி பதிவுகளை வைப்போம், அவை ஸ்பிண்டில் எஸ்ஏஎஸ்களில் அமைந்துள்ளன. இந்த வழியில், பதிவுடன் கூடிய வட்டு விழுந்தால், தரவு சிக்கல்களில் இருந்து நம்மைப் பாதுகாத்துக் கொள்ளலாம்.
ஆவணங்களின்படி ஒரு கிளஸ்டரை உருவாக்கத் தொடங்கினோம்
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-qகிளஸ்டர் பதிப்பு 12.2.12 உடன் ceph-deploy இன் இந்த பதிப்பில் பணிபுரியும் போது நான் முதலில் தடுமாறியது மென்பொருள் ரெய்டில் db உடன் OSD ஐ உருவாக்க முயற்சிக்கும் போது ஏற்பட்ட பிழை -
root@ceph01-qa:~#ceph-volume lvm create --bluestore --data /dev/sde --block.db /dev/md0
blkid could not detect a PARTUUID for device: /dev/md1உண்மையில், blkid PARTUID ஆகத் தெரியவில்லை, எனவே நான் பகிர்வுகளை கைமுறையாக உருவாக்க வேண்டியிருந்தது:
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; doneஎல்லாம் தயாராக இருப்பதாகத் தெரிகிறது, நாங்கள் மீண்டும் OSD ஐ உருவாக்க முயற்சிக்கிறோம் மற்றும் பின்வரும் பிழையைப் பெறுகிறோம் (இது போரில் மீண்டும் உருவாக்கப்படவில்லை)
WALக்கான பாதையைக் குறிப்பிடாமல், ஆனால் db ஐக் குறிப்பிடாமல், புளூஸ்டோர் வகையின் OSD ஐ உருவாக்கும் போது
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 argumenமேலும், அதே கண்ணாடியில் (அல்லது வேறொரு இடத்தில், உங்கள் விருப்பப்படி) நீங்கள் WAL க்காக மற்றொரு பகிர்வை உருவாக்கி, OSD ஐ உருவாக்கும் போது அதைக் குறிப்பிட்டால், எல்லாம் சீராக நடக்கும் (தனி WAL தோற்றத்தைத் தவிர, நீங்கள் செய்யக்கூடாது. வேண்டும்) .
ஆனால், WAL ஐ NVMe க்கு நகர்த்துவதற்கான தொலைதூரத் திட்டங்களில் இன்னும் இருந்ததால், நடைமுறை மிதமிஞ்சியதாக மாறவில்லை.
root@ceph01-qa:~#ceph-volume lvm create --bluestore --data /dev/sdf --block.wal /dev/md0p2 --block.db /dev/md1p2மானிட்டர்கள், மேலாளர்கள் மற்றும் OSD உருவாக்கப்பட்டது. இப்போது நான் அவற்றை வித்தியாசமாக தொகுக்க விரும்புகிறேன், ஏனென்றால் நான் வெவ்வேறு வகையான வட்டுகளை வைத்திருக்க திட்டமிட்டுள்ளேன் - SSD இல் வேகமான குளங்கள் மற்றும் பெரிய, ஆனால் SAS பான்கேக்குகளில் மெதுவான குளங்கள்.
சேவையகங்களில் 20 வட்டுகள் உள்ளன, முதல் பத்து ஒரு வகை, இரண்டாவது மற்றொரு வகை என்று வைத்துக்கொள்வோம்.
ஆரம்ப, இயல்புநிலை, அட்டை இதுபோல் தெரிகிறது:
ceph osd மரம்
root@ceph01-q:~# ceph osd மரம்
ஐடி கிளாஸ் வெயிட் டைப் பெயர் நிலை ரீவெயிட் ப்ரை-ஆஃப்
-1 14.54799 ரூட் இயல்புநிலை
-3 9.09200 ஹோஸ்ட் ceph01-q
0 ssd 1.00000 osd.0 வரை 1.00000 1.00000
1 ssd 1.00000 osd.1 வரை 1.00000 1.00000
2 ssd 1.00000 osd.2 வரை 1.00000 1.00000
3 ssd 1.00000 osd.3 வரை 1.00000 1.00000
4 hdd 1.00000 osd.4 வரை 1.00000 1.00000
5 hdd 0.27299 osd.5 வரை 1.00000 1.00000
6 hdd 0.27299 osd.6 வரை 1.00000 1.00000
7 hdd 0.27299 osd.7 வரை 1.00000 1.00000
8 hdd 0.27299 osd.8 வரை 1.00000 1.00000
9 hdd 0.27299 osd.9 வரை 1.00000 1.00000
10 hdd 0.27299 osd.10 வரை 1.00000 1.00000
11 hdd 0.27299 osd.11 வரை 1.00000 1.00000
12 hdd 0.27299 osd.12 வரை 1.00000 1.00000
13 hdd 0.27299 osd.13 வரை 1.00000 1.00000
14 hdd 0.27299 osd.14 வரை 1.00000 1.00000
15 hdd 0.27299 osd.15 வரை 1.00000 1.00000
16 hdd 0.27299 osd.16 வரை 1.00000 1.00000
17 hdd 0.27299 osd.17 வரை 1.00000 1.00000
18 hdd 0.27299 osd.18 வரை 1.00000 1.00000
19 hdd 0.27299 osd.19 வரை 1.00000 1.00000
-5 5.45599 ஹோஸ்ட் ceph02-q
20 ssd 0.27299 osd.20 வரை 1.00000 1.00000
21 ssd 0.27299 osd.21 வரை 1.00000 1.00000
22 ssd 0.27299 osd.22 வரை 1.00000 1.00000
23 ssd 0.27299 osd.23 வரை 1.00000 1.00000
24 hdd 0.27299 osd.24 வரை 1.00000 1.00000
25 hdd 0.27299 osd.25 வரை 1.00000 1.00000
26 hdd 0.27299 osd.26 வரை 1.00000 1.00000
27 hdd 0.27299 osd.27 வரை 1.00000 1.00000
28 hdd 0.27299 osd.28 வரை 1.00000 1.00000
29 hdd 0.27299 osd.29 வரை 1.00000 1.00000
30 hdd 0.27299 osd.30 வரை 1.00000 1.00000
31 hdd 0.27299 osd.31 வரை 1.00000 1.00000
32 hdd 0.27299 osd.32 வரை 1.00000 1.00000
33 hdd 0.27299 osd.33 வரை 1.00000 1.00000
34 hdd 0.27299 osd.34 வரை 1.00000 1.00000
35 hdd 0.27299 osd.35 வரை 1.00000 1.00000
36 hdd 0.27299 osd.36 வரை 1.00000 1.00000
37 hdd 0.27299 osd.37 வரை 1.00000 1.00000
38 hdd 0.27299 osd.38 வரை 1.00000 1.00000
39 hdd 0.27299 osd.39 வரை 1.00000 1.00000
-7 6.08690 ஹோஸ்ட் ceph03-q
40 ssd 0.27299 osd.40 வரை 1.00000 1.00000
41 ssd 0.27299 osd.41 வரை 1.00000 1.00000
42 ssd 0.27299 osd.42 வரை 1.00000 1.00000
43 ssd 0.27299 osd.43 வரை 1.00000 1.00000
44 hdd 0.27299 osd.44 வரை 1.00000 1.00000
45 hdd 0.27299 osd.45 வரை 1.00000 1.00000
46 hdd 0.27299 osd.46 வரை 1.00000 1.00000
47 hdd 0.27299 osd.47 வரை 1.00000 1.00000
48 hdd 0.27299 osd.48 வரை 1.00000 1.00000
49 hdd 0.27299 osd.49 வரை 1.00000 1.00000
50 hdd 0.27299 osd.50 வரை 1.00000 1.00000
51 hdd 0.27299 osd.51 வரை 1.00000 1.00000
52 hdd 0.27299 osd.52 வரை 1.00000 1.00000
53 hdd 0.27299 osd.53 வரை 1.00000 1.00000
54 hdd 0.27299 osd.54 வரை 1.00000 1.00000
55 hdd 0.27299 osd.55 வரை 1.00000 1.00000
56 hdd 0.27299 osd.56 வரை 1.00000 1.00000
57 hdd 0.27299 osd.57 வரை 1.00000 1.00000
58 hdd 0.27299 osd.58 வரை 1.00000 1.00000
59 hdd 0.89999 osd.59 வரை 1.00000 1.00000
பிளாக் ஜாக் மற்றும் பிற விஷயங்களைக் கொண்டு எங்களின் சொந்த மெய்நிகர் ரேக்குகள் மற்றும் சர்வர்களை உருவாக்குவோம்:
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 rack01நாம் சந்தித்த பிரச்சனைகள் போர் கிளஸ்டர், ஒரு புதிய ஹோஸ்டை உருவாக்க முயற்சிக்கும் போது மற்றும் ஏற்கனவே உள்ள ரேக் - கட்டளைக்கு அதை நகர்த்தவும் ceph osd crush move ceph01-host root=rack01 உறைந்து போனது, மானிட்டர்கள் ஒவ்வொன்றாக விழ ஆரம்பித்தன. ஒரு எளிய CTRL+C உடன் கட்டளையை நிறுத்துவது, வாழும் உலகிற்கு கிளஸ்டரைத் திருப்பி அனுப்பியது.
ஒரு தேடல் இந்த சிக்கலைக் காட்டியது:
க்ரஷ்மேப்பை டம்ப் செய்து அங்கிருந்து பிரிவை அகற்றுவதே தீர்வு விதி 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 кластерஅக்துங்: இந்தச் செயல்பாடு OSDகளுக்கு இடையே வேலை வாய்ப்புக் குழுவின் மறு சமநிலையை ஏற்படுத்தலாம். இது எங்களுக்கு இதை ஏற்படுத்தியது, ஆனால் மிகக் குறைவு.
சோதனைக் கிளஸ்டரில் நாங்கள் சந்தித்த விசித்திரமான விஷயம் என்னவென்றால், OSD சேவையகத்தை மறுதொடக்கம் செய்த பிறகு, அவை புதிய சேவையகங்கள் மற்றும் ரேக்குகளுக்கு மாற்றப்பட்டதை மறந்துவிட்டு, ரூட் இயல்புநிலைக்குத் திரும்பியது.
இதன் விளைவாக, ssd டிரைவ்களுக்கு ஒரு தனி ரூட் மற்றும் ஸ்பிண்டில் டிரைவ்களுக்கு ஒரு தனி ரூட் ஆகியவற்றை உருவாக்கிய இறுதி திட்டத்தை ஒருங்கிணைத்து, அனைத்து OSD களையும் ரேக்குகளில் எடுத்து, இயல்புநிலை ரூட்டை நீக்கிவிட்டோம். மறுதொடக்கம் செய்த பிறகு, OSD இடத்தில் இருக்கத் தொடங்கியது.
ஆவணங்களை பின்னர் தோண்டிய பிறகு, இந்த நடத்தைக்கு காரணமான ஒரு அளவுருவைக் கண்டறிந்தோம். இரண்டாம் பாகத்தில் அவரைப் பற்றி
வட்டு வகை மூலம் வெவ்வேறு குழுக்களை எவ்வாறு உருவாக்குகிறோம்.
தொடங்குவதற்கு, நாங்கள் இரண்டு வேர்களை உருவாக்கினோம் - ssd மற்றும் hdd க்கு
root@ceph01-q:~#ceph osd crush add-bucket ssd-root root
root@ceph01-q:~#ceph osd crush add-bucket hdd-root rootசர்வர்கள் வெவ்வேறு ரேக்குகளில் அமைந்துள்ளதால், வசதிக்காக அவற்றில் சர்வர்களைக் கொண்ட ரேக்குகளை உருவாக்கினோம்.
# 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 hostமற்றும் வட்டுகளை அவற்றின் வகைகளுக்கு ஏற்ப வெவ்வேறு சேவையகங்களில் விநியோகித்தது
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 மற்றும் hdd-root வழிகளில் வட்டுகளை சிதறடித்ததால், ரூட்-இயல்புநிலையை காலியாக விட்டுவிட்டோம், எனவே அதை நீக்கலாம்.
root-ceph01-q:~#ceph osd crush remove defaultஅடுத்து, உருவாக்கப்படும் குளங்களுடன் நாம் பிணைக்கப்படும் விநியோக விதிகளை உருவாக்க வேண்டும் - விதிகளில் எந்த வேர்கள் எங்கள் பூல் தரவை வைக்கலாம் மற்றும் பிரதியின் தனித்துவத்தின் அளவைக் குறிப்பிடுவோம் - எடுத்துக்காட்டாக, பிரதிகள் வெவ்வேறு சேவையகங்களில் இருக்க வேண்டும், அல்லது வெவ்வேறு அடுக்குகளில் (எங்களிடம் அத்தகைய விநியோகம் இருந்தால், நீங்கள் வெவ்வேறு வேர்களில் கூட செய்யலாம்)
ஒரு வகையைத் தேர்ந்தெடுப்பதற்கு முன், ஆவணங்களைப் படிப்பது நல்லது:
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 firstnசரி, எதிர்காலத்தில் எங்கள் மெய்நிகராக்கத்தின் வட்டு படங்களை சேமிக்க விரும்பும் குளங்களை நாங்கள் உருவாக்குகிறோம் - 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 1024இந்த குளங்களுக்கு என்ன வேலை வாய்ப்பு விதிகளைப் பயன்படுத்த வேண்டும் என்பதை நாங்கள் கூறுகிறோம்
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
வேலை வாய்ப்புக் குழுக்களின் எண்ணிக்கையைத் தேர்ந்தெடுப்பது, உங்கள் கிளஸ்டருக்கான முன்னரே இருக்கும் பார்வையுடன் அணுகப்பட வேண்டும் - தோராயமாக எத்தனை OSDகள் இருக்கும், எந்த அளவு தரவு (மொத்த அளவின் சதவீதமாக) குளத்தில் இருக்கும், என்ன தரவுகளின் மொத்த அளவு.
மொத்தத்தில், வட்டில் 300 க்கும் மேற்பட்ட வேலை வாய்ப்புக் குழுக்கள் இருக்காமல் இருப்பது நல்லது, மேலும் சிறிய வேலை வாய்ப்புக் குழுக்களுடன் சமநிலைப்படுத்துவது எளிதாக இருக்கும் - அதாவது, உங்கள் முழுக் குளமும் 10 Tb எடுத்து அதில் 10 PG இருந்தால் - சமநிலைப்படுத்துதல் டெராபைட் செங்கற்களை எறிவதன் மூலம் (pg) சிக்கலாக இருக்கும் - சிறிய அளவிலான மணலுடன் மணலை எளிதாகவும் சமமாகவும் வாளிகளில் ஊற்றவும்.
ஆனால் அதிக எண்ணிக்கையிலான பிஜிக்கள், அவற்றின் இருப்பிடத்தைக் கணக்கிடுவதற்கு அதிக ஆதாரங்கள் செலவிடப்படுகின்றன என்பதை நாம் நினைவில் கொள்ள வேண்டும் - நினைவகம் மற்றும் CPU ஆகியவை பயன்படுத்தத் தொடங்குகின்றன.
தோராயமான புரிதல் கூடும் , CEPH ஆவணங்களை உருவாக்குபவர்களால் வழங்கப்பட்டது.
பொருட்களின் பட்டியல்:
ஆதாரம்: www.habr.com