Pagpili ng CEPH. Bahagi 1
Mayroon kaming limang rack, sampung optical switch, naka-configure na BGP, isang pares ng dosenang SSD at isang grupo ng mga SAS disk ng lahat ng kulay at laki, pati na rin ang proxmox at ang pagnanais na ilagay ang lahat ng static na data sa aming sariling S3 storage. Hindi sa lahat ng ito ay kailangan para sa virtualization, ngunit kapag nagsimula ka nang gumamit ng opensource, pagkatapos ay sundin ang iyong libangan hanggang sa dulo. Ang nakakaabala lang sa akin ay ang BGP. Walang sinuman sa mundo ang higit na walang magawa, iresponsable at imoral kaysa sa panloob na pagruruta ng BGP. At alam ko na malapit na tayong sumisid dito.
Ang gawain ay walang halaga - mayroong CEPH, ngunit hindi ito gumana nang maayos. Kinailangan na gumawa ng "mabuti".
Ang cluster na natanggap ko ay magkakaiba, nagmamadaling nakatutok at halos hindi nakatutok. Binubuo ito ng dalawang grupo ng magkakaibang mga node, na may isang karaniwang grid na gumaganap bilang parehong kumpol at pampublikong network. Ang mga node ay napuno ng apat na uri ng mga disk - dalawang uri ng SSD, na nakolekta sa dalawang magkahiwalay na panuntunan sa paglalagay, at dalawang uri ng HDD na may iba't ibang laki, na nakolekta sa isang ikatlong grupo. Ang problema sa iba't ibang laki ay nalutas ng iba't ibang OSD weights.
Ang setup mismo ay nahahati sa dalawang bahagi - pag-tune ng operating system и tuning ng CEPH mismo at mga setting nito.
Pag-upgrade ng OS
network
Naapektuhan ng mataas na latency ang pagre-record at pagbabalanse. Kapag nagre-record - dahil hindi makakatanggap ang kliyente ng tugon tungkol sa matagumpay na pag-record hanggang sa makumpirma ng mga replika ng data sa ibang mga pangkat ng placement ang tagumpay. Dahil ang mga patakaran para sa pamamahagi ng mga replika sa mapa ng CRUSH ay isang replika sa bawat host, palaging ginagamit ang network.
Samakatuwid, ang unang bagay na napagpasyahan kong gawin ay bahagyang i-tweak ang kasalukuyang network, habang sinusubukang kumbinsihin ako na lumipat sa magkahiwalay na mga network.
Upang magsimula, binago ko ang mga setting ng mga network card. Nagsimula ako sa pamamagitan ng pag-set up ng mga pila:
anong nangyari:
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: 1Makikita na ang kasalukuyang mga parameter ay malayo sa maximum. Nadagdagan:
root@ceph01:~#ethtool -G ens1f0 rx 4096
root@ceph01:~#ethtool -G ens1f0 tx 4096
root@ceph01:~#ethtool -L ens1f0 combined 63Ginagabayan ng isang mahusay na artikulo
nadagdagan ang haba ng pagpapadala ng pila txqueuelen mula 1000 hanggang 10
root@ceph01:~#ip link set ens1f0 txqueuelen 10000Well, following the documentation of ceph itself
tumaas MTU sa 9000.
root@ceph01:~#ip link set dev ens1f0 mtu 9000Idinagdag sa /etc/network/interfaces para ma-load ang lahat ng nasa itaas sa startup
cat / etc / network / interface
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 9000Pagkatapos nito, kasunod ng parehong artikulo, sinimulan kong maingat na i-twist ang mga hawakan ng 4.15 kernel. Isinasaalang-alang na ang mga node ay may 128G RAM, nagtapos kami ng isang configuration file para sa sysctl
pusa /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)Сkinang network ay inilaan sa magkahiwalay na 10Gbps network interface sa isang hiwalay na flat network. Ang bawat makina ay nilagyan ng dual-port network card mellanox 10/25 Gbps, nakasaksak sa dalawang magkahiwalay na 10Gbps switch. Ang pagsasama-sama ay isinagawa gamit ang OSPF, dahil ang pagbubuklod sa lacp sa ilang kadahilanan ay nagpakita ng kabuuang throughput na maximum na 16 Gbps, habang matagumpay na nagamit ng ospf ang parehong sampu sa bawat makina. Ang mga plano sa hinaharap ay upang samantalahin ang ROCE sa mga melanox na ito upang mabawasan ang latency. Paano i-set up ang bahaging ito ng network:
- Dahil ang mga makina mismo ay may mga panlabas na IP address sa BGP, kailangan namin ng software - (mas tiyak, sa oras ng pagsulat ng artikulong ito ito ay ) ay nakatayo na.
- Sa kabuuan, ang mga makina ay may dalawang network interface, bawat isa ay may dalawang interface - isang kabuuang 4 na port. Ang isang network card ay tumingin sa pabrika na may dalawang port at ang BGP ay na-configure dito, ang pangalawa ay tumingin sa dalawang magkaibang switch na may dalawang port at ang OSPF ay nakatakda dito
Higit pang mga detalye sa pag-set up ng OSPF: Ang pangunahing gawain ay ang pagsasama-sama ng dalawang link at magkaroon ng fault tolerance.
dalawang interface ng network ay na-configure sa dalawang simpleng flat network - 10.10.10.0/24 at 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 ens1f1kung saan nakikita ng mga kotse ang isa't isa.
DISK
Ang susunod na hakbang ay upang i-optimize ang mga disk. Para sa SSD pinalitan ko ang scheduler sa noop, para sa HDD - huling araw o oras. Sa madaling salita, gumagana ang NOOP sa prinsipyo ng "first in, first out," na sa English ay parang "FIFO (First In, First Out)." Nakapila ang mga kahilingan pagdating nila. Ang DEADLINE ay mas read-oriented, at ang nakapila na proseso ay nakakakuha ng halos eksklusibong access sa disk sa oras ng operasyon. Ito ay mahusay para sa aming system - pagkatapos ng lahat, isang proseso lamang ang gumagana sa bawat disk - OSD daemon.
(Maaaring basahin ng mga gustong sumabak sa scheduler ng I/O dito:
Ang mga mas gustong magbasa sa Russian: )
Sa mga rekomendasyon para sa pag-tune ng Linux, inirerekomenda rin na dagdagan ang nr_request
nr_requests
Tinutukoy ng halaga ng nr_requests ang dami ng mga kahilingan sa I/O na mabu-buffer bago magpadala/makatanggap ang I/O scheduler ng data sa block device, kung gumagamit ka ng RAID card / Block Device na kayang humawak ng mas malaking queue kaysa sa kung ano ang I. Ang /O scheduler ay nakatakda sa, ang pagtataas ng halaga ng nr_requests ay maaaring makatulong upang mapabuti ang kabuuan at mabawasan ang pag-load ng server kapag malaking halaga ng I/O ang nangyari sa server. Kung gumagamit ka ng Deadline o CFQ bilang scheduler, iminumungkahi na dapat mong itakda ang nr_request value sa 2 beses ang halaga ng lalim ng pila.
PERO! Ang mga mamamayan mismo, ang mga developer ng CEPH, ay kumukumbinsi sa atin na ang kanilang sistema ng mga priyoridad ay mas gumagana
WBThrottle at/o nr_requests
WBThrottle at/o nr_requests
Gumagamit ang pag-iimbak ng file ng buffered I/O operations para sa pagsusulat; nag-aalok ito ng ilang bentahe kung ang file storage journal ay matatagpuan sa mas mabilis na media. Ang mga kahilingan ng client ay inaabisuhan sa sandaling maisulat ang data sa journal, at pagkatapos ay inililipat sa data disk sa ibang pagkakataon gamit ang karaniwang functionality. LinuxDahil dito, posible para sa mga OSD spindle drive na magbigay ng write latency na katulad ng sa mga SSD kapag nagsusulat sa maliliit na packet. Ang delayed write na ito ay nagbibigay-daan din sa kernel mismo na muling buuin ang mga I/O request sa disk, umaasang pagsamahin ang mga ito o pahintulutan ang mga disk head na pumili ng mas pinakamainam na landas sa kanilang mga platter. Ang resulta ay maaari kang pumili ng mas maraming I/O operations mula sa bawat disk kaysa sa posible sa mga direkta o sabay-sabay na I/O operations.
Gayunpaman, ang isang tiyak na problema ay lumitaw kung ang dami ng mga papasok na tala sa isang naibigay na Ceph cluster ay lumampas sa lahat ng mga kakayahan ng pinagbabatayan na mga disk. Sa sitwasyong ito, ang kabuuang bilang ng mga nakabinbing operasyon ng I/O na naghihintay na maisulat sa disk ay maaaring lumaki nang hindi mapigilan at magresulta sa mga I/O na pila na pumupuno sa buong disk at Ceph queues. Partikular na naaapektuhan ang mga kahilingan sa pagbabasa dahil naiipit ang mga ito sa pagitan ng mga kahilingan sa pagsulat, na maaaring tumagal ng ilang segundo bago mag-flush sa pangunahing disk.
Para malampasan ang problemang ito, may writeback throttling mechanism si Ceph na binuo sa file storage na tinatawag na WBThrottle. Ito ay idinisenyo upang limitahan ang kabuuang dami ng tamad na pagsulat ng I/O na maaaring pumila at simulan ang proseso ng pag-flush nito nang mas maaga kaysa sa natural na mangyayari dahil sa pagana ng kernel mismo. Sa kasamaang palad, ang pagsubok ay nagpapakita na ang mga default na halaga ay maaaring hindi pa rin bawasan ang umiiral na gawi sa isang antas na maaaring mabawasan ang epektong ito sa read latency. Maaaring baguhin ng mga pagsasaayos ang pag-uugaling ito at bawasan ang kabuuang haba ng pila ng pagsulat at gawing hindi gaanong matindi ang epektong ito. Mayroong isang trade-off, gayunpaman: sa pamamagitan ng pagbawas sa kabuuang maximum na bilang ng mga entry na pinapayagang ma-queued, maaari mong bawasan ang kakayahan ng kernel mismo na i-maximize ang kahusayan nito sa pag-order ng mga papasok na kahilingan. Ito ay nagkakahalaga ng pag-iisip nang kaunti tungkol sa kung ano ang mas kailangan mo para sa iyong partikular na kaso ng paggamit, mga workload at pagsasaayos upang umangkop sa kanila.
Upang kontrolin ang lalim ng naturang write-backlog queue, maaari mong bawasan ang kabuuang maximum na bilang ng mga natitirang I/O operations gamit ang mga setting ng WBThrottle, o maaari mong bawasan ang maximum na halaga para sa mga natitirang operasyon sa block level ng iyong kernel mismo. Parehong epektibong makokontrol ang parehong pag-uugali, at ang iyong mga kagustuhan ang magiging batayan para sa pagpapatupad ng setting na ito.
Dapat ding tandaan na ang sistema ng priyoridad ng operasyon ng Ceph ay mas mahusay para sa mas maiikling mga query sa antas ng disk. Sa pamamagitan ng pagpapaliit sa pangkalahatang pila sa isang partikular na disk, ang pangunahing lokasyon ng pila ay lumilipat sa Ceph, kung saan mas may kontrol ito sa kung anong priyoridad ang mayroon ang operasyon ng I/O. Isaalang-alang ang sumusunod na halimbawa:
echo 8 > /sys/block/sda/queue/nr_requestsKARANIWANG
At ilang higit pang mga kernel tweak upang gawing malambot at malasutla ang iyong sasakyan at mag-squeeze ng kaunti pang performance mula sa hardware
pusa /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. Paglulubog sa CEPH
Mga setting na gusto kong pag-isipan nang mas detalyado:
pusa /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: 4Ang ilan sa mga parameter na sinubukan para sa QA sa bersyon 12.2.12 ay nawawala sa ceph bersyon 12.2.2, halimbawa osd_recovery_threads. Samakatuwid, kasama sa mga plano ang isang update sa produksyon sa 12.2.12. Nagpakita ang pagsasanay ng pagiging tugma sa pagitan ng mga bersyon 12.2.2 at 12.2.12 sa isang cluster, na nagbibigay-daan sa mga rolling update.
Test cluster
Naturally, para sa pagsubok ay kinakailangan na magkaroon ng parehong bersyon tulad ng sa labanan, ngunit sa oras na nagsimula akong magtrabaho kasama ang kumpol, tanging ang mas bago ang magagamit sa imbakan. Sa pagtingin, kung ano ang maaari mong makita sa menor de edad na bersyon ay hindi masyadong malaki (1393 mga linya sa mga config laban sa 1436 sa bagong bersyon), nagpasya kaming simulan ang pagsubok sa bago (nag-a-update pa rin, bakit pumunta sa lumang junk)
Ang tanging bagay na sinubukan naming iwanan ang lumang bersyon ay ang pakete ceph-deploy dahil ang ilan sa mga utility (at ilan sa mga empleyado) ay iniayon sa syntax nito. Ang bagong bersyon ay medyo naiiba, ngunit hindi nakakaapekto sa pagpapatakbo ng kumpol mismo, at ito ay naiwan sa bersyon 1.5.39
Dahil ang utos ng ceph-disk ay malinaw na nagsasabi na ito ay hindi na ginagamit at ginagamit ang ceph-volume na utos, mga mahal, sinimulan namin ang paglikha ng mga OSD gamit ang utos na ito, nang hindi nag-aaksaya ng oras sa mga hindi napapanahong.
Ang plano ay lumikha ng isang salamin ng dalawang SSD drive kung saan ilalagay namin ang mga log ng OSD, na, naman, ay matatagpuan sa spindle SASs. Sa ganitong paraan mapoprotektahan natin ang ating sarili mula sa mga problema sa data kung ang disk na may log ay bumagsak.
Nagsimula kaming lumikha ng isang kumpol ayon sa dokumentasyon
pusa /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-qAng unang bagay na natisod ko kapag nagtatrabaho sa bersyong ito ng ceph-deploy na may bersyon ng cluster 12.2.12 ay isang error kapag sinusubukang lumikha ng isang OSD na may db sa isang software raid -
root@ceph01-qa:~#ceph-volume lvm create --bluestore --data /dev/sde --block.db /dev/md0
blkid could not detect a PARTUUID for device: /dev/md1Sa katunayan, ang blkid ay hindi mukhang PARTUUID, kaya kinailangan kong lumikha ng mga partisyon nang manu-mano:
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; doneMukhang handa na ang lahat, sinubukan naming likhain muli ang OSD at makuha ang sumusunod na error (na, sa pamamagitan ng paraan, ay hindi muling ginawa sa labanan)
kapag lumilikha ng isang OSD ng uri ng bluestore nang hindi tinukoy ang landas sa WAL, ngunit tinukoy ang db
root@ceph01-qa:~#ceph-volume lvm create --bluestore --data /dev/sde --block.db /dev/md0
stderr: 2019-04-12 10:39:27.211242 7eff461b6e00 -1 bluestore(/var/lib/ceph/osd/ceph-0/) _read_fsid unparsable uuid
stderr: 2019-04-12 10:39:27.213185 7eff461b6e00 -1 bdev(0x55824c273680 /var/lib/ceph/osd/ceph-0//block.wal) open open got: (22) Invalid argument
stderr: 2019-04-12 10:39:27.213201 7eff461b6e00 -1 bluestore(/var/lib/ceph/osd/ceph-0/) _open_db add block device(/var/lib/ceph/osd/ceph-0//block.wal) returned: (22) Invalid argument
stderr: 2019-04-12 10:39:27.999039 7eff461b6e00 -1 bluestore(/var/lib/ceph/osd/ceph-0/) mkfs failed, (22) Invalid argument
stderr: 2019-04-12 10:39:27.999057 7eff461b6e00 -1 OSD::mkfs: ObjectStore::mkfs failed with error (22) Invalid argument
stderr: 2019-04-12 10:39:27.999141 7eff461b6e00 -1 ** ERROR: error creating empty object store in /var/lib/ceph/osd/ceph-0/: (22) Invalid argumenBukod dito, kung sa parehong salamin (o sa ibang lugar, na iyong pinili) lumikha ka ng isa pang partisyon para sa WAL at tukuyin ito kapag lumilikha ng OSD, kung gayon ang lahat ay magiging maayos (maliban sa hitsura ng isang hiwalay na WAL, na maaaring hindi mo may gusto).
Ngunit, dahil nasa malayong plano pa ang paglipat ng WAL sa NVMe, hindi naging kalabisan ang pagsasanay.
root@ceph01-qa:~#ceph-volume lvm create --bluestore --data /dev/sdf --block.wal /dev/md0p2 --block.db /dev/md1p2Nilikha ang mga monitor, tagapamahala at OSD. Ngayon gusto kong ipangkat sila sa ibang paraan, dahil plano kong magkaroon ng iba't ibang uri ng mga disk - mabilis na pool sa SSD at malaki, ngunit mabagal na pool sa SAS pancake.
Ipagpalagay natin na ang mga server ay may 20 disk, ang unang sampu ay isang uri, ang pangalawa ay isa pa.
Ang inisyal, default, card ay ganito ang hitsura:
puno ng ceph osd
ugat@ceph01-q:~# puno ng ceph osd
ID CLASS WEIGHT TYPE NAME STATUS REWEIGHT PRI-AFF
-1 14.54799 root default
-3 9.09200 host ceph01-q
0 ssd 1.00000 osd.0 pataas 1.00000 1.00000
1 ssd 1.00000 osd.1 pataas 1.00000 1.00000
2 ssd 1.00000 osd.2 pataas 1.00000 1.00000
3 ssd 1.00000 osd.3 pataas 1.00000 1.00000
4 hdd 1.00000 osd.4 pataas 1.00000 1.00000
5 hdd 0.27299 osd.5 pataas 1.00000 1.00000
6 hdd 0.27299 osd.6 pataas 1.00000 1.00000
7 hdd 0.27299 osd.7 pataas 1.00000 1.00000
8 hdd 0.27299 osd.8 pataas 1.00000 1.00000
9 hdd 0.27299 osd.9 pataas 1.00000 1.00000
10 hdd 0.27299 osd.10 pataas 1.00000 1.00000
11 hdd 0.27299 osd.11 pataas 1.00000 1.00000
12 hdd 0.27299 osd.12 pataas 1.00000 1.00000
13 hdd 0.27299 osd.13 pataas 1.00000 1.00000
14 hdd 0.27299 osd.14 pataas 1.00000 1.00000
15 hdd 0.27299 osd.15 pataas 1.00000 1.00000
16 hdd 0.27299 osd.16 pataas 1.00000 1.00000
17 hdd 0.27299 osd.17 pataas 1.00000 1.00000
18 hdd 0.27299 osd.18 pataas 1.00000 1.00000
19 hdd 0.27299 osd.19 pataas 1.00000 1.00000
-5 5.45599 host ceph02-q
20 ssd 0.27299 osd.20 pataas 1.00000 1.00000
21 ssd 0.27299 osd.21 pataas 1.00000 1.00000
22 ssd 0.27299 osd.22 pataas 1.00000 1.00000
23 ssd 0.27299 osd.23 pataas 1.00000 1.00000
24 hdd 0.27299 osd.24 pataas 1.00000 1.00000
25 hdd 0.27299 osd.25 pataas 1.00000 1.00000
26 hdd 0.27299 osd.26 pataas 1.00000 1.00000
27 hdd 0.27299 osd.27 pataas 1.00000 1.00000
28 hdd 0.27299 osd.28 pataas 1.00000 1.00000
29 hdd 0.27299 osd.29 pataas 1.00000 1.00000
30 hdd 0.27299 osd.30 pataas 1.00000 1.00000
31 hdd 0.27299 osd.31 pataas 1.00000 1.00000
32 hdd 0.27299 osd.32 pataas 1.00000 1.00000
33 hdd 0.27299 osd.33 pataas 1.00000 1.00000
34 hdd 0.27299 osd.34 pataas 1.00000 1.00000
35 hdd 0.27299 osd.35 pataas 1.00000 1.00000
36 hdd 0.27299 osd.36 pataas 1.00000 1.00000
37 hdd 0.27299 osd.37 pataas 1.00000 1.00000
38 hdd 0.27299 osd.38 pataas 1.00000 1.00000
39 hdd 0.27299 osd.39 pataas 1.00000 1.00000
-7 6.08690 host ceph03-q
40 ssd 0.27299 osd.40 pataas 1.00000 1.00000
41 ssd 0.27299 osd.41 pataas 1.00000 1.00000
42 ssd 0.27299 osd.42 pataas 1.00000 1.00000
43 ssd 0.27299 osd.43 pataas 1.00000 1.00000
44 hdd 0.27299 osd.44 pataas 1.00000 1.00000
45 hdd 0.27299 osd.45 pataas 1.00000 1.00000
46 hdd 0.27299 osd.46 pataas 1.00000 1.00000
47 hdd 0.27299 osd.47 pataas 1.00000 1.00000
48 hdd 0.27299 osd.48 pataas 1.00000 1.00000
49 hdd 0.27299 osd.49 pataas 1.00000 1.00000
50 hdd 0.27299 osd.50 pataas 1.00000 1.00000
51 hdd 0.27299 osd.51 pataas 1.00000 1.00000
52 hdd 0.27299 osd.52 pataas 1.00000 1.00000
53 hdd 0.27299 osd.53 pataas 1.00000 1.00000
54 hdd 0.27299 osd.54 pataas 1.00000 1.00000
55 hdd 0.27299 osd.55 pataas 1.00000 1.00000
56 hdd 0.27299 osd.56 pataas 1.00000 1.00000
57 hdd 0.27299 osd.57 pataas 1.00000 1.00000
58 hdd 0.27299 osd.58 pataas 1.00000 1.00000
59 hdd 0.89999 osd.59 pataas 1.00000 1.00000
Gumawa tayo ng sarili nating virtual racks at server gamit ang blackjack at iba pang bagay:
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 rack01Ang mga problemang naranasan namin labanan cluster, kapag sinusubukang lumikha ng isang bagong host at ilipat ito sa isang umiiral na rack - command ceph osd crush move ceph01-host root=rack01 nagyelo, at ang mga monitor ay nagsimulang mahulog nang paisa-isa. Ang pag-abort ng command gamit ang isang simpleng CTRL+C ay nagbalik ng cluster sa mundo ng mga buhay.
Ang isang paghahanap ay nagpakita ng problemang ito:
Ang solusyon pala ay ang pagtatapon ng crushmap at alisin ang seksyon mula doon rule replicated_ruleset
root@ceph01-prod:~#ceph osd getcrushmap -o crushmap.row #Дампим карту в сыром виде
root@ceph01-prod:~#crushtool -d crushmap.row -o crushmap.txt #переводим в читаемый
root@ceph01-prod:~#vim crushmap.txt #редактируем, удаляя rule replicated_ruleset
root@ceph01-prod:~#crushtool -c crushmap.txt -o new_crushmap.row #компилируем обратно
root@ceph01-prod:~#ceph osd setcrushmap -i new_crushmap.row #загружаем в кластерAkhtung: Ang operasyong ito ay maaaring magdulot ng muling pagbabalanse ng pangkat ng pagkakalagay sa pagitan ng mga OSD. Nagdulot ito sa amin, ngunit napakaliit.
At ang kakaibang bagay na nakatagpo namin sa test cluster ay na pagkatapos i-reboot ang OSD server, nakalimutan nila na sila ay inilipat sa mga bagong server at rack, at bumalik sa root default.
Bilang isang resulta, na binuo ang pangwakas na pamamaraan kung saan lumikha kami ng isang hiwalay na ugat para sa mga ssd drive at isang hiwalay na isa para sa mga spindle drive, kinuha namin ang lahat ng mga OSD sa mga rack at tinanggal lamang ang default na ugat. Pagkatapos ng pag-reboot, ang OSD ay nagsimulang manatili sa lugar.
Pagkatapos maghukay sa dokumentasyon sa ibang pagkakataon, nakakita kami ng parameter na responsable para sa gawi na ito. Tungkol sa kanya sa ikalawang bahagi
Paano kami gumawa ng iba't ibang grupo ayon sa uri ng disk.
Upang magsimula, lumikha kami ng dalawang ugat - para sa ssd at para sa hdd
root@ceph01-q:~#ceph osd crush add-bucket ssd-root root
root@ceph01-q:~#ceph osd crush add-bucket hdd-root rootDahil ang mga server ay pisikal na matatagpuan sa iba't ibang mga rack, para sa kaginhawahan gumawa kami ng mga rack na may mga server sa mga ito
# 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 hostat ipinamahagi ang mga disk ayon sa kanilang mga uri sa iba't ibang mga server
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 серверамиAng pagkakaroon ng pagkalat ng mga disk sa mga ruta ng ssd-root at hdd-root, iniwan namin na walang laman ang root-default, upang matanggal namin ito
root-ceph01-q:~#ceph osd crush remove defaultSusunod, kailangan naming lumikha ng mga panuntunan sa pamamahagi na aming ibibigkis sa mga pool na nilikha - sa mga panuntunan ay ipahiwatig namin kung aling mga ugat ang maaaring maglagay ng aming data ng pool at ang antas ng pagiging natatangi ng replica - halimbawa, ang mga replika ay dapat na nasa iba't ibang mga server, o sa iba't ibang mga rack (maaari mo kahit na sa iba't ibang mga ugat, kung mayroon kaming ganoong pamamahagi)
Bago pumili ng isang uri, mas mahusay na basahin ang dokumentasyon:
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 firstnBuweno, gumagawa kami ng mga pool kung saan gusto naming mag-imbak ng mga imahe ng disk ng aming virtualization sa hinaharap - 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 1024At sinasabi namin sa mga pool na ito kung anong mga panuntunan sa placement ang gagamitin
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
Ang pagpili ng bilang ng mga pangkat ng placement ay dapat lapitan nang may dati nang pangitain para sa iyong cluster - humigit-kumulang kung gaano karaming mga OSD ang naroroon, anong dami ng data (bilang isang porsyento ng kabuuang volume) ang nasa pool, ano ang ang kabuuang dami ng data.
Sa kabuuan, ipinapayong huwag magkaroon ng higit sa 300 placement group sa disk, at magiging mas madaling balansehin ang mga maliliit na placement group - iyon ay, kung ang iyong buong pool ay tumatagal ng 10 Tb at may 10 PG sa loob nito - pagkatapos ay balansehin sa pamamagitan ng paghahagis ng mga terabyte brick (pg) ay magiging problema - ibuhos ang buhangin na may maliit na laki ng mga butil ng buhangin sa mga balde nang mas madali at mas pantay-pantay).
Ngunit dapat nating tandaan na kung mas malaki ang bilang ng mga PG, mas maraming mapagkukunan ang ginugugol sa pagkalkula ng kanilang lokasyon - nagsisimulang magamit ang memorya at CPU.
Ang isang magaspang na pag-unawa ay maaaring , na ibinigay ng mga developer ng dokumentasyon ng CEPH.
Listahan ng mga materyales:
Pinagmulan: www.habr.com
