CEPH'nin seçilmesi. Bölüm 1

Beş rafımız, on optik anahtarımız, yapılandırılmış BGP'miz, birkaç düzine SSD'miz ve her renk ve boyutta bir grup SAS diskimizin yanı sıra proxmox'umuz ve tüm statik verileri kendi S3 depolamamıza koyma arzumuz vardı. Bütün bunlar sanallaştırma için gerekli değil, ancak açık kaynağı kullanmaya başladığınızda hobinizi sonuna kadar takip edin. Beni rahatsız eden tek şey BGP'ydi. Dünyada BGP'nin dahili yönlendirmesinden daha çaresiz, sorumsuz ve ahlaksız kimse yoktur. Ve çok yakında bu konuya dalacağımızı biliyordum.

Görev önemsizdi; CEPH vardı ama pek işe yaramadı. “İyi” yapmak gerekiyordu.
Aldığım küme heterojendi, aceleyle ayarlanmıştı ve neredeyse hiç ayarlanmamıştı. Hem küme hem de genel ağ görevi gören ortak bir ızgaraya sahip iki grup farklı düğümden oluşuyordu. Düğümler dört tür diskle doldurulmuştu: iki ayrı yerleştirme kuralında toplanan iki tür SSD ve üçüncü bir grupta toplanan farklı boyutlarda iki tür HDD. Farklı boyutlardaki sorun, farklı OSD ağırlıkları kullanılarak çözüldü.

Kurulumun kendisi iki bölüme ayrılmıştır - işletim sistemi ayarı и CEPH'in kendisinin ayarlanması ve ayarları.

İşletim Sistemini Yükseltme

ağ

Yüksek gecikme hem kaydı hem de dengelemeyi etkiledi. Kayıt sırasında - çünkü diğer yerleştirme gruplarındaki veri kopyaları başarıyı onaylayana kadar müşteri başarılı kayıt hakkında bir yanıt almayacak. CRUSH haritasındaki replikaların dağıtımına ilişkin kurallar, ana bilgisayar başına bir replika olduğundan, her zaman ağ kullanıldı.

Bu nedenle yapmaya karar verdiğim ilk şey, mevcut ağda biraz değişiklik yaparken aynı zamanda beni ayrı ağlara geçmeye ikna etmeye çalışmaktı.

Başlangıç olarak ağ kartlarının ayarlarını değiştirdim. Kuyrukları ayarlayarak başladım:

Ne oldu:

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:   1

Mevcut parametrelerin maksimumlardan uzak olduğu görülebilir. Artırılmış:

root@ceph01:~#ethtool -G ens1f0 rx 4096
root@ceph01:~#ethtool -G ens1f0 tx 4096
root@ceph01:~#ethtool -L ens1f0 combined 63

Mükemmel bir makalenin rehberliğinde

https://blog.packagecloud.io/eng/2017/02/06/monitoring-tuning-linux-networking-stack-sending-data/

gönderme kuyruğunun uzunluğunu arttırdı txqueuelen 1000'den 10'e

root@ceph01:~#ip link set ens1f0  txqueuelen 10000

Ceph'in kendisinin belgelerini takip ederek

https://ceph.com/geen-categorie/ceph-loves-jumbo-frames/

artmış MTU 9000 için.

root@ceph01:~#ip link set dev ens1f0  mtu 9000

Yukarıdakilerin hepsinin başlangıçta yüklenmesi için /etc/network/interfaces dosyasına eklendi

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 9000

Daha sonra aynı makaleyi takip ederek 4.15 çekirdeğinin tutamaçlarını düşünceli bir şekilde bükmeye başladım. Düğümlerin 128G RAM’e sahip olduğunu göz önünde bulundurarak bir yapılandırma dosyası oluşturduk. 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)

Сparlaklık ağı ayrı bir düz ağa ayrı 10 Gbps ağ arayüzlerine tahsis edildi. Her makine çift bağlantı noktalı ağ kartlarıyla donatılmıştı melanoks 10/25 Gbps, iki ayrı 10 Gbps anahtara takılı. Toplama, OSPF kullanılarak gerçekleştirildi, çünkü bir nedenden dolayı lacp ile bağlanma maksimum 16 Gbps'lik toplam verim gösterirken, ospf her makinede her iki onluğu da başarıyla kullandı. Gelecek planları, gecikmeyi azaltmak için bu melanokslarda ROCE'den yararlanmaktı. Ağın bu kısmı nasıl kurulur:

Makinelerin BGP'de harici IP adresleri olduğundan, yazılıma ihtiyacımız var - (daha doğrusu, bu makalenin yazıldığı sırada frr=6.0-1 ) zaten ayaktaydı.
Toplamda, makinelerin her biri iki arayüze sahip iki ağ arayüzü vardı - toplam 4 bağlantı noktası. Bir ağ kartı fabrikada iki bağlantı noktasına sahip ve üzerinde BGP yapılandırılmış olarak baktı, ikincisi iki bağlantı noktalı iki farklı anahtara baktı ve üzerinde OSPF ayarlandı

OSPF kurulumu hakkında daha fazla ayrıntı: Ana görev, iki bağlantıyı bir araya getirmek ve hata toleransına sahip olmaktır.
iki ağ arayüzü iki basit düz ağ halinde yapılandırılmıştır - 10.10.10.0/24 ve 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 ens1f1

arabaların birbirini görmesi.

DİSK

Bir sonraki adım diskleri optimize etmekti. SSD için zamanlayıcıyı şu şekilde değiştirdim: hayır, HDD için - son teslim tarihi. Açıkça söylemek gerekirse NOOP, İngilizce'de "FIFO (İlk Giren İlk Çıkar)" gibi görünen "ilk giren ilk çıkar" ilkesiyle çalışır. Talepler geldikçe sıraya alınır. DEADLINE daha okuma odaklıdır, ayrıca sıradaki süreç, işlem sırasında diske neredeyse özel erişim sağlar. Bu, sistemimiz için mükemmeldir - sonuçta her diskte yalnızca tek bir işlem çalışır - OSD arka plan programı.
(G/Ç zamanlayıcısına dalmak isteyenler bu konuyu buradan okuyabilir:
http://www.admin-magazine.com/HPC/Articles/Linux-I-O-Schedulers

Rusça okumayı tercih edenler: https://www.opennet.ru/base/sys/linux_shedulers.txt.html)

Linux'un ayarlanmasına yönelik önerilerde nr_request'in artırılması da önerilir

nr_requests
nr_requests'in değeri, I/O planlayıcısının blok aygıtına veri göndermesinden/almasından önce ara belleğe alınan G/Ç isteklerinin miktarını belirler; eğer I'in kullandığından daha büyük bir kuyruğu işleyebilen bir RAID kartı/Bloklama Aygıtı kullanıyorsanız. /O zamanlayıcısı olarak ayarlandığında, nr_requests değerinin yükseltilmesi, sunucuda büyük miktarlarda G/Ç meydana geldiğinde sunucu yükünün azaltılmasına ve genel iyileştirmeye yardımcı olabilir. Zamanlayıcı olarak Deadline veya CFQ kullanıyorsanız nr_request değerini kuyruk derinliği değerinin 2 katına ayarlamanız önerilir.

ANCAK! CEPH'yi geliştiren vatandaşlar, kendi öncelik sistemlerinin daha iyi çalıştığına bizi ikna ediyor

WBThrottle ve/veya nr_requests

WBThrottle ve/veya nr_requests
Dosya depolama, yazma işlemleri için tamponlanmış G/Ç işlemlerini kullanır; bu, dosya depolama günlüğü daha hızlı bir ortamda bulunuyorsa bir dizi avantaj sunar. İstemci istekleri, veriler günlüğe yazılır yazılmaz bilgilendirilir ve daha sonra standart işlevsellik kullanılarak veri diskine aktarılır. LinuxBu, OSD disk sürücülerinin küçük paketler halinde yazarken SSD'lere benzer yazma gecikmesi sağlamasına olanak tanır. Bu gecikmeli yazma, çekirdeğin diske yönelik G/Ç isteklerini yeniden yapılandırmasına, bunları birleştirmesine veya disk kafalarının plakalar üzerinde daha optimal bir yol seçmesine olanak tanır. Sonuç olarak, doğrudan veya senkronize G/Ç işlemlerine kıyasla her diskten biraz daha fazla G/Ç işlemi elde edebilirsiniz.

Ancak belirli bir Ceph kümesine gelen kayıtların hacmi, temeldeki disklerin tüm yeteneklerini aşarsa belirli bir sorun ortaya çıkar. Bu senaryoda, diske yazılmayı bekleyen bekleyen G/Ç işlemlerinin toplam sayısı kontrolsüz bir şekilde artabilir ve G/Ç kuyruklarının tüm diski ve Ceph kuyruklarını doldurmasıyla sonuçlanabilir. Okuma istekleri özellikle etkilenir çünkü yazma istekleri arasında sıkışıp kalırlar ve bu isteklerin birincil diske aktarılması birkaç saniye sürebilir.

Bu sorunun üstesinden gelmek için Ceph, WBThrottle adı verilen dosya deposunda yerleşik bir geri yazma azaltma mekanizmasına sahiptir. Çekirdeğin kendisi tarafından etkinleştirildiği için doğal olarak meydana gelebilecek olandan daha önce sıraya girebilen ve temizleme işlemine başlayabilen genel tembel yazma G/Ç miktarını sınırlamak için tasarlanmıştır. Ne yazık ki testler, varsayılan değerlerin mevcut davranışı okuma gecikmesi üzerindeki bu etkiyi azaltabilecek bir düzeye indirmeye devam edemeyeceğini göstermektedir. Ayarlamalar bu davranışı değiştirebilir, genel yazma kuyruğu uzunluklarını azaltabilir ve bu etkinin şiddetini azaltabilir. Ancak bir ödünleşim vardır: sıraya alınmasına izin verilen genel maksimum giriş sayısını azaltarak, çekirdeğin, gelen istekleri sıralamadaki verimliliğini en üst düzeye çıkarma yeteneğini azaltabilirsiniz. Özel kullanım durumunuz, iş yükleriniz ve bunlara uyacak şekilde ayarlamalar için daha fazla neye ihtiyacınız olduğu hakkında biraz düşünmeye değer.

Böyle bir geri yazma kuyruğunun derinliğini kontrol etmek için, WBThrottle ayarlarını kullanarak genel maksimum bekleyen G/Ç işlemleri sayısını azaltabilirsiniz veya çekirdeğinizin blok düzeyinde bekleyen işlemler için maksimum değeri azaltabilirsiniz. Her ikisi de aynı davranışı etkili bir şekilde kontrol edebilir ve tercihleriniz bu ayarın uygulanmasının temelini oluşturacaktır.
Ayrıca Ceph'in işlem önceliği sisteminin disk seviyesindeki daha kısa sorgular için daha verimli olduğunu da belirtelim. Genel kuyruğun belirli bir diske daraltılmasıyla kuyruğun birincil konumu, G/Ç işleminin hangi önceliğe sahip olduğu konusunda daha fazla kontrole sahip olduğu Ceph'e taşınır. Aşağıdaki örneği düşünün:

echo 8 > /sys/block/sda/queue/nr_requests

http://onreader.mdl.ru/MasteringCeph/content/Ch09.html#030202

ORTAK

Ve arabanızı yumuşak ve ipeksi hale getirmek ve donanımdan biraz daha fazla performans elde etmek için birkaç çekirdek ayarı daha

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'e daldırma

Daha detaylı olarak üzerinde durmak istediğim ayarlar:

kedi /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: 4

12.2.12 sürümünde QA için test edilen parametrelerden bazıları ceph 12.2.2 sürümünde eksik, örneğin osd_recovery_threads. Bu nedenle planlar üretime ilişkin 12.2.12'ye bir güncelleme içeriyordu. Uygulama, tek bir kümede 12.2.2 ve 12.2.12 sürümleri arasındaki uyumluluğu göstermiştir, bu da sürekli güncellemelere izin verir.

Test kümesi

Doğal olarak test için savaştaki sürümle aynı sürüme sahip olmak gerekiyordu, ancak kümeyle çalışmaya başladığımda depoda yalnızca daha yenisi mevcuttu. Baktığınızda, küçük versiyonda fark edebileceğiniz şey çok büyük değil (1393 yapılandırmalardaki çizgiler 1436 yeni sürümde), yenisini test etmeye karar verdik (yine de güncelliyoruz, neden eski çöplerle gidelim)

Eski versiyonda bırakmaya çalıştığımız tek şey paket ceph konuşlandırması çünkü bazı yardımcı programlar (ve bazı çalışanlar) sözdizimine göre uyarlanmıştır. Yeni sürüm oldukça farklıydı ancak kümenin çalışmasını etkilemedi ve sürümde kaldı 1.5.39

Ceph-disk komutu açıkça kullanımdan kaldırıldığını söylediğinden ve ceph-volume komutunu kullandığınızdan dolayı sevgililer, eski olanlarla zaman kaybetmeden bu komutla OSD'ler oluşturmaya başladık.

Plan, üzerine OSD günlüklerini yerleştireceğimiz ve bu kayıtların da iş mili SAS'lerinde yer alacağı iki SSD sürücüsünün bir aynasını oluşturmaktı. Bu şekilde, günlüğün bulunduğu diskin düşmesi durumunda kendimizi veri sorunlarından koruyabiliriz.

Dokümantasyona göre bir küme oluşturmaya başladık

kedi /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-q

Ceph-deploy'un 12.2.12 küme sürümüyle bu sürümüyle çalışırken karşılaştığım ilk şey, bir yazılım baskınında db ile OSD oluşturmaya çalışırken oluşan bir hataydı -

root@ceph01-qa:~#ceph-volume lvm create --bluestore --data /dev/sde --block.db /dev/md0
blkid could not detect a PARTUUID for device: /dev/md1

Aslında, blkid PARTUUID gibi görünmüyor, bu yüzden bölümleri manuel olarak oluşturmak zorunda kaldım:

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; done

Her şey hazır görünüyor, OSD'yi tekrar oluşturmaya çalışıyoruz ve aşağıdaki hatayı alıyoruz (bu arada, savaşta yeniden üretilmedi)

WAL yolunu belirtmeden, ancak db'yi belirtmeden bluestore türünde bir OSD oluştururken

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 argumen

Üstelik, aynı aynada (veya seçtiğiniz başka bir yerde) WAL için başka bir bölüm oluşturursanız ve OSD'yi oluştururken bunu belirtirseniz, her şey sorunsuz ilerleyecektir (ayrı bir WAL'in görünümü hariç, ki bunu yapamazsınız) istedim).

Ancak WAL'ın NVMe'ye taşınması hâlâ uzak planlar arasında olduğundan, uygulamanın gereksiz olmadığı ortaya çıktı.

root@ceph01-qa:~#ceph-volume lvm create --bluestore --data /dev/sdf --block.wal  /dev/md0p2 --block.db /dev/md1p2

Monitörler, yöneticiler ve OSD oluşturuldu. Şimdi bunları farklı şekilde gruplandırmak istiyorum çünkü farklı türde disklere sahip olmayı planlıyorum - SSD'de hızlı havuzlar ve SAS kreplerinde büyük ama yavaş havuzlar.

Sunucularda 20 disk bulunduğunu, ilk on tanesinin bir tür, ikincisinin başka bir tür olduğunu varsayalım.
İlk, varsayılan kart şuna benzer:

sef osd ağacı

root@ceph01-q:~# ceph osd ağacı
ID SINIF AĞIRLIK TÜR İSİM DURUM YENİDEN AĞIRLIK PRI-AFF
-1 14.54799 kök varsayılanı
-3 9.09200 ana bilgisayar seph01-q
0 ssd 1.00000 osd.0 yukarı 1.00000 1.00000
1 ssd 1.00000 osd.1 yukarı 1.00000 1.00000
2 ssd 1.00000 osd.2 yukarı 1.00000 1.00000
3 ssd 1.00000 osd.3 yukarı 1.00000 1.00000
4 hdd 1.00000 osd.4 yukarı 1.00000 1.00000
5 hdd 0.27299 osd.5 yukarı 1.00000 1.00000
6 hdd 0.27299 osd.6 yukarı 1.00000 1.00000
7 hdd 0.27299 osd.7 yukarı 1.00000 1.00000
8 hdd 0.27299 osd.8 yukarı 1.00000 1.00000
9 hdd 0.27299 osd.9 yukarı 1.00000 1.00000
10 hdd 0.27299 osd.10 yukarı 1.00000 1.00000
11 hdd 0.27299 osd.11 yukarı 1.00000 1.00000
12 hdd 0.27299 osd.12 yukarı 1.00000 1.00000
13 hdd 0.27299 osd.13 yukarı 1.00000 1.00000
14 hdd 0.27299 osd.14 yukarı 1.00000 1.00000
15 hdd 0.27299 osd.15 yukarı 1.00000 1.00000
16 hdd 0.27299 osd.16 yukarı 1.00000 1.00000
17 hdd 0.27299 osd.17 yukarı 1.00000 1.00000
18 hdd 0.27299 osd.18 yukarı 1.00000 1.00000
19 hdd 0.27299 osd.19 yukarı 1.00000 1.00000
-5 5.45599 ana bilgisayar seph02-q
20 ssd 0.27299 osd.20 yukarı 1.00000 1.00000
21 ssd 0.27299 osd.21 yukarı 1.00000 1.00000
22 ssd 0.27299 osd.22 yukarı 1.00000 1.00000
23 ssd 0.27299 osd.23 yukarı 1.00000 1.00000
24 hdd 0.27299 osd.24 yukarı 1.00000 1.00000
25 hdd 0.27299 osd.25 yukarı 1.00000 1.00000
26 hdd 0.27299 osd.26 yukarı 1.00000 1.00000
27 hdd 0.27299 osd.27 yukarı 1.00000 1.00000
28 hdd 0.27299 osd.28 yukarı 1.00000 1.00000
29 hdd 0.27299 osd.29 yukarı 1.00000 1.00000
30 hdd 0.27299 osd.30 yukarı 1.00000 1.00000
31 hdd 0.27299 osd.31 yukarı 1.00000 1.00000
32 hdd 0.27299 osd.32 yukarı 1.00000 1.00000
33 hdd 0.27299 osd.33 yukarı 1.00000 1.00000
34 hdd 0.27299 osd.34 yukarı 1.00000 1.00000
35 hdd 0.27299 osd.35 yukarı 1.00000 1.00000
36 hdd 0.27299 osd.36 yukarı 1.00000 1.00000
37 hdd 0.27299 osd.37 yukarı 1.00000 1.00000
38 hdd 0.27299 osd.38 yukarı 1.00000 1.00000
39 hdd 0.27299 osd.39 yukarı 1.00000 1.00000
-7 6.08690 ana bilgisayar seph03-q
40 ssd 0.27299 osd.40 yukarı 1.00000 1.00000
41 ssd 0.27299 osd.41 yukarı 1.00000 1.00000
42 ssd 0.27299 osd.42 yukarı 1.00000 1.00000
43 ssd 0.27299 osd.43 yukarı 1.00000 1.00000
44 hdd 0.27299 osd.44 yukarı 1.00000 1.00000
45 hdd 0.27299 osd.45 yukarı 1.00000 1.00000
46 hdd 0.27299 osd.46 yukarı 1.00000 1.00000
47 hdd 0.27299 osd.47 yukarı 1.00000 1.00000
48 hdd 0.27299 osd.48 yukarı 1.00000 1.00000
49 hdd 0.27299 osd.49 yukarı 1.00000 1.00000
50 hdd 0.27299 osd.50 yukarı 1.00000 1.00000
51 hdd 0.27299 osd.51 yukarı 1.00000 1.00000
52 hdd 0.27299 osd.52 yukarı 1.00000 1.00000
53 hdd 0.27299 osd.53 yukarı 1.00000 1.00000
54 hdd 0.27299 osd.54 yukarı 1.00000 1.00000
55 hdd 0.27299 osd.55 yukarı 1.00000 1.00000
56 hdd 0.27299 osd.56 yukarı 1.00000 1.00000
57 hdd 0.27299 osd.57 yukarı 1.00000 1.00000
58 hdd 0.27299 osd.58 yukarı 1.00000 1.00000
59 hdd 0.89999 osd.59 yukarı 1.00000 1.00000

Blackjack ve diğer şeylerle kendi sanal raflarımızı ve sunucularımızı oluşturalım:

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 rack01

Karşılaştığımız sorunlar savaş küme, yeni bir ana bilgisayar oluşturmaya ve onu mevcut bir rafa taşımaya çalışırken - komut ceph osd ezilme hareketi ceph01-ana bilgisayar kökü=rack01 dondu ve monitörler birer birer düşmeye başladı. Komutun basit bir CTRL+C ile iptal edilmesi, kümeyi yaşayanların dünyasına geri döndürdü.

Bir arama bu sorunu gösterdi: https://tracker.ceph.com/issues/23386

Çözümün, ezilme haritasını boşaltmak ve bölümü oradan kaldırmak olduğu ortaya çıktı kural çoğaltılmış_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 кластер

Achtung: Bu işlem OSD'ler arasındaki yerleştirme grubunun yeniden dengelenmesine neden olabilir. Bizim için buna sebep oldu ama çok az.

Ve test kümesinde karşılaştığımız garip şey, OSD sunucusunu yeniden başlattıktan sonra yeni sunuculara ve raflara taşındıklarını unutup kök varsayılana geri dönmeleriydi.
Sonuç olarak, ssd sürücüleri için ayrı bir kök ve iş mili sürücüleri için ayrı bir kök oluşturduğumuz son şemayı bir araya getirerek, tüm OSD'leri raflara aldık ve varsayılan kökü sildik. Yeniden başlatmanın ardından OSD yerinde kalmaya başladı.
Daha sonra belgeleri inceledikten sonra bu davranıştan sorumlu olan bir parametre bulduk. İkinci bölümde onun hakkında

Disk türüne göre farklı grupları nasıl oluşturduk.

Başlangıç olarak ssd ve hdd için iki kök oluşturduk

root@ceph01-q:~#ceph osd crush add-bucket ssd-root root
root@ceph01-q:~#ceph osd crush add-bucket hdd-root root

Sunucular fiziksel olarak farklı raflarda bulunduğundan kolaylık sağlamak amacıyla içlerinde sunucuların bulunduğu raflar oluşturduk

# 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 host

ve diskleri türlerine göre farklı sunuculara dağıttık

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 серверами

Diskleri ssd-root ve hdd-root rotaları arasına dağıttıktan sonra root-varsayılanını boş bıraktık, böylece silebiliriz

root-ceph01-q:~#ceph osd crush remove default

Daha sonra, oluşturulan havuzlara bağlayacağımız dağıtım kuralları oluşturmamız gerekiyor - kurallarda hangi köklerin havuz verilerimizi koyabileceğini ve kopyanın benzersizlik düzeyini belirteceğiz - örneğin kopyaların farklı sunucularda olması gerekir, veya farklı raflarda (eğer böyle bir dağıtımımız varsa, farklı köklerde bile yapabilirsiniz)

Bir tür seçmeden önce belgeleri okumak daha iyidir:
http://docs.ceph.com/docs/jewel/rados/operations/crush-map/#crushmaprules

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 firstn

Gelecekte sanallaştırmamızın disk görüntülerini depolamak istediğimiz havuzlar oluşturuyoruz - 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 1024

Ve bu havuzlara hangi yerleştirme kurallarını kullanacaklarını söylüyoruz

 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

Yerleştirme grubu sayısının seçimine, kümeniz için önceden var olan bir vizyonla yaklaşılmalıdır - orada yaklaşık olarak kaç OSD olacak, havuzda ne kadar veri (toplam hacmin yüzdesi olarak) olacak, ne kadar veri olacak? toplam veri miktarı.

Toplamda, diskte 300'den fazla yerleştirme grubunun bulunmaması tavsiye edilir ve küçük yerleştirme gruplarıyla dengelemek daha kolay olacaktır - yani havuzunuzun tamamı 10 Tb kaplıyorsa ve içinde 10 PG varsa - o zaman dengeleme terabayt tuğla (pg) atmak sorunlu olacaktır - küçük boyutlu kum taneleri içeren kumu kovalara daha kolay ve daha eşit bir şekilde dökün).

Ancak şunu unutmamalıyız ki, PG sayısı ne kadar fazla olursa, konumlarını hesaplamak için o kadar fazla kaynak harcanır; bellek ve CPU kullanılmaya başlar.

Kaba bir anlayış olabilir bana bir hesap makinesi verCEPH belgelerinin geliştiricileri tarafından sağlanmıştır.

Malzeme listesi:

https://blog.packagecloud.io/eng/2017/02/06/monitoring-tuning-linux-networking-stack-sending-data
http://www.admin-magazine.com/HPC/Articles/Linux-I-O-Schedulers
http://onreader.mdl.ru/MasteringCeph/content/Ch09.html#030202
https://tracker.ceph.com/issues/23386
https://ceph.com/pgcalc/

Kaynak: habr.com