Вибір CEPH. Частина 1
У нас було п'ять стійок, десять оптичних свічок, налаштований BGP, кілька десятків SSD і купа SAS дисків усіх кольорів і розмірів, а також проксмокс і бажання засунути всю статику у власне S3 сховище. Не те щоб це все було потрібно для віртуалізації, але раз почав використовувати Opensource - то йди у своєму захопленні до кінця. Єдине, що мене турбувало, — це BGP. У світі немає нікого безпораднішого, безвідповідальнішого і аморальнішого, ніж внутрішня маршртутизація по BGP. І я знав, що незабаром ми в це поринемо.
Завдання стояло банальне — був CEPH, працював не дуже добре. Треба було зробити «добре».
Кластер, що мені дістався, був різнорідним, налаштованим на швидку руку і практично не тюнінгованим. Він складався з двох груп різних нод, з однією загальною сіткою, що виконує роль як cluster так і public network. Ноди були набиті чотирма типами дисків - два типи SSD, зібрані в два окремих placement rule і два типи HDD різного розміру, зібрані в третю групу. Проблему з різними розмірами було вирішено різними вагами OSD.
Налаштування розділили на дві частини. тюнінг операційної системи и тюнінг самого CEPH та його налаштувань.
Прокачування OS
мережу
Висока latency давалася взнаки як при записі, так і при балансуванні. При записі - тому, що клієнт не отримає відповідь про успішний запис, поки репліки даних в інших плейсмент групах не підтвердять успіху. Оскільки правила розподілу реплік у CRUSH map у нас були по одній репліці на хост, мережа використовувалася завжди.
Тому насамперед вирішив трохи налаштувати поточну мережу, паралельно намагаючись переконати переїхати на окремі мережі.
Для початку покрутив налаштування мережевих карток. Почав з налаштування черг:
що було:
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: 1Видно, що поточні параметри далекі від максимальних. Збільшив:
root@ceph01:~#ethtool -G ens1f0 rx 4096
root@ceph01:~#ethtool -G ens1f0 tx 4096
root@ceph01:~#ethtool -L ens1f0 combined 63Керуючись чудовою статтею
збільшив довжину черги відправки txqueuelen з 1000 до 10 000
root@ceph01:~#ip link set ens1f0 txqueuelen 10000Ну і слідуючи документації самого ceph
збільшив MTU до 9000.
root@ceph01:~#ip link set dev ens1f0 mtu 9000Додав /etc/network/interfaces, щоб усе вищеперелічене вантажилося при старті
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 9000Після чого, дотримуючись цієї статті, почав вдумливо накручувати ручки ядра 4.15. Враховуючи, що на нодах 128G RAM, вийшов файл конфігурації для 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)Сluster network була виділена на окремих 10Gbps мережевих інтерфейсах в окрему плоску мережу. На кожній машині було поставлено мережні двопортові карти. меланокс 10/25 Gbps, встромлені в два окремих 10Gbps свіча. Агрегація здійснювалася за допомогою OSPF, оскільки бондинг з lacp чомусь показав сумарну пропускну спроможність максимум 16 Gbps, у той час як ospf успішно утилізував повністю обидві десятки на кожній машині. В подальших планах було скористатися ROCE на цих меланоксах для зменшення летенсі. Як налаштовували цю частину мережі:
- Оскільки самі машини мають зовнішні IP-адреси на BGP, то необхідні нам софт. (а точніше на момент написання статті це був ) вже стояв.
- Усього на машинах було два мережеві по два інтерфейси — у сумі 4 порти. Одна мережна карта двома портами дивилася на фабрику і на ній був налаштований BGP, друга — двома портами дивилася в два різних світчі і на неї було нацьковано OSPF
Докладніше про налаштування OSPF: Основне завдання – агрегувати два лінки і мати fault tolerance.
два мережеві інтерфейси налаштовані в дві простих плоских мережі — 10.10.10.0/24 та 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 ens1f1за якими машини одна одну бачать.
ДИСК
Наступним кроком вирішив оптимізувати роботу дисків. Для SSD поміняв планувальник на петля, для HDD крайній термін. Якщо грубо - то NOOP працює за принципом "хто перший встав - того і тапки", що англійською звучить як "FIFO (First In, First Out)". Запити постають у чергу у міру їх надходження. DEADLINE більш заточений на читання, плюс процес із черги отримує практично монопольний доступ до диска на момент операції. Для нашої системи це чудово підходить - адже з кожним диском працює лише один процес - OSD daemon.
(Охочі порине в планувальник введення-виведення можуть почитати про нього тут:
Вважають за краще читати російською: )
У рекомендаціях з тюнінгу лінукса радять також збільшити nr_request
nr_requests
Значення nr_requests визначається за допомогою I/O потреб, які витрачаються до I/O седанів sends / receives data до блоку пристрою, якщо ви використовуєте RAID card / Block Device, які можуть натиснути на велику проблему, якщо /O scheduler is set to, відзначення значення nr_requests може бути введено через скасування і зменшення сервера навантаження при великих обсягах I/O occur on the server. Якщо ви використовуєте Deadline або CFQ як освітянин, він є зауважений, що ви повинні встановити nr_request value до 2 разів значення цитата.
АЛЕ! Самі громадяни розробники CEPH переконують нас, що їхня система пріоритетів працює краще
WBThrottle та/або nr_requests
WBThrottle та/або nr_requests
Файлове сховище використовує буферизовані операції введення/виведення для запису; це привносить цілий ряд переваг, якщо журнал файлового зберігання знаходиться на більш швидкому носії. Запити клієнтів отримують повідомлення як тільки дані записані в журнал, а потім скидаються на сам диск даних у пізніший час користуючись стандартною функціональністю Linux. Це робить можливим для OSD шпиндельних дисків надавати латентність запису аналогічну до SSD при записах малими пакетами. Такий затриманий відкладений запис дозволяє самому ядру перебудовувати запити операцій введення/виведення до диска з надією або злити їх воєдино, або дозволити наявним головкам диска вибрати якийсь більш оптимальний шлях поверх своїх пластин. Кінцевий ефект полягає в тому, що ви можете вичавити трохи більше операцій введення/виведення з кожного диска, ніж це було б можливо при прямих або синхронних операціях введення/виведення.
Однак, виникає певна проблема якщо обсяг записів, що приходять, в даний кластер Ceph випереджатимуть всі можливості лежачих в основі дисків. При такому сценарії загальна кількість операцій вводу/виводу, що знаходяться в розгляді, в очікуванні запису на диск можуть неконтрольовано зростати і мати результатом черги операцій вводу/виводу, що заповнює весь диск і черги Ceph. Запити на читання впливають особливо погано, оскільки вони застрягають між запитами запису, які можуть вимагати кілька секунд скидання на основний диск.
Для перемоги над цією проблемою Ceph має вбудований у файлове зберігання механізм дроселювання відкладеного запису (writeback) під назвою WBThrottle. Він розроблений для обмеження загального обсягу операцій введення/виведення відкладеного запису, які можуть вишиковуватися в чергу і починати свій процес скидання раніше ніж це сталося природним чином за рахунок включення самим ядром. На жаль, тестування демонструє, що встановлені за умовчанням значення все ще можуть не урізати існуючу поведінку до рівня, який може зменшувати таку дію на латентність читання. Регулювання може змінити цю поведінку і зменшити загальні довжини черг запису і унеможливити таку дію. Однак є певний компроміс: зменшуючи загальну максимальну кількість дозволених до постановки в чергу записів, ви можете знизити можливість самого ядра максимізувати свою ефективність упорядкування запитів, що надходять. Варто трохи замислитися, що вам більше необхідно для вашого конкретного випадку застосування, робочих навантажень та регулювати під відповідність їм.
Щоб керувати глибиною такої черги відкладеного запису, ви можете або зменшувати загальну максимальну кількість невиконаних операцій введення/виведення, застосовуючи установки WBThrottle, або зменшуючи максимальне значення для невиконаних операцій на блочному рівні свого ядра. І те, й інше можуть ефективно керувати однією і тією ж поведінкою і саме ваші уподобання будуть в основі реалізації даної настройки.
Також слід зазначити, що наявна у Ceph система пріоритетів операцій є більш ефективною для більш коротких запитів на дисковому рівні. При скороченні загальної черги до цього диска основне місцезнаходження перебування у черзі переміщається в Ceph, де має більше управління над тим який пріоритет має операція вводу/ вывода. Розглянемо наступний приклад:
echo 8 > /sys/block/sda/queue/nr_requestsЗАГАЛЬНИЙ
І ще кілька налаштувань ядра, що дозволяють зробити вашу тачку м'якою та шовковистою вичавити ще трохи продуктивності із заліза
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. Занурення в CEPH
Налаштування, на яких хотілося б затриматися докладніше:
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: 4Частина параметрів, які тестувалися на QA на версії 12.2.12, відсутні у ceph 12.2.2, наприклад osd_recovery_threads. Тому до планів було включено оновлення на проді до 12.2.12. Практика показала сумісність в одному кластері версій 12.2.2 та 12.2.12, що дозволяє зробити rolling update.
Тестовий кластер
Звичайно, для тестування було необхідно мати ту ж версію що і на бою, але на момент початку моєї роботи з кластером в репозиторії була лише нова. Подивившись, що розрізніть у мінорній версії не дуже велике (1393 рядки в конфігах проти 1436 у новій версії), вирішили почати тестувати нову (все одно оновлюватися, чого їхати на старому мотлоху)
Єдине, що постаралися залишити стару версію — це пакет ceph-deploy, оскільки частина утиліт (і частина співробітників) була ув'язнена під її синтаксис. Нова версія досить сильно відрізнялася, але на роботу самого кластера ніяк не впливала і її залишили версії 1.5.39
Оскільки команда ceph-disk явно каже що вона deprecated і користуйтесь, шановні, командою ceph-volume — ми почали створювати OSD саме цією командою, не витрачаючи час на застаріле.
План був такий — створити дзеркало із двох SSD дисків, на яких розмістимо журнали OSD, які, у свою чергу, розміщуються на шпиндельних SASах. Так підстрахуємося від проблем із даними під час падіння диска з журналом.
Створювати кластер стали за документацією
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-qПерше, що спіткнувся в роботі цієї версії ceph-deploy з кластером версії 12.2.12 — це помилка при спробі створити OSD з db на софтверному рейді.
root@ceph01-qa:~#ceph-volume lvm create --bluestore --data /dev/sde --block.db /dev/md0
blkid could not detect a PARTUUID for device: /dev/md1Справді, blkid не каже PARTUUID, довелося створювати розділи ручками:
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; doneНачебто все готово, пробуємо ще раз створити OSD і отримуємо наступну помилку (яка, до речі, на бою не відтворювалася)
при створенні OSD типу bluestore без вказівки шляху до WAL, але із зазначенням 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 argumenПри цьому якщо на тому ж дзеркалі (або в іншому місці, на вибір) створити ще один розділ під WAL і вказати його при створенні OSD — все піде гладко (за винятком появи роздільного WAL, який ви, можливо, і не хотіли) .
Але оскільки все одно в далеких планах було виносити WAL на NVMe, то практика зайвою не виявилася.
root@ceph01-qa:~#ceph-volume lvm create --bluestore --data /dev/sdf --block.wal /dev/md0p2 --block.db /dev/md1p2Створили монітори, менеджери та OSD. Тепер хочеться їх згрупувати по-різному, бо в планах мати диски різних типів — швидкі пули на SSD і великі, але повільні на млинці SAS.
Вважатимемо що на серверах по 20 дисків, перша десятка це один тип, друга - інший.
Початкова, дефолтна карта виглядає так:
ceph osd tree
root@сeph01-q:~# ceph osd tree
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 up 1.00000 1.00000
1 ssd 1.00000 osd.1 up 1.00000 1.00000
2 ssd 1.00000 osd.2 up 1.00000 1.00000
3 ssd 1.00000 osd.3 up 1.00000 1.00000
4 hdd 1.00000 osd.4 up 1.00000 1.00000
5 hdd 0.27299 osd.5 up 1.00000 1.00000
6 hdd 0.27299 osd.6 up 1.00000 1.00000
7 hdd 0.27299 osd.7 up 1.00000 1.00000
8 hdd 0.27299 osd.8 up 1.00000 1.00000
9 hdd 0.27299 osd.9 up 1.00000 1.00000
10 hdd 0.27299 osd.10 up 1.00000 1.00000
11 hdd 0.27299 osd.11 up 1.00000 1.00000
12 hdd 0.27299 osd.12 up 1.00000 1.00000
13 hdd 0.27299 osd.13 up 1.00000 1.00000
14 hdd 0.27299 osd.14 up 1.00000 1.00000
15 hdd 0.27299 osd.15 up 1.00000 1.00000
16 hdd 0.27299 osd.16 up 1.00000 1.00000
17 hdd 0.27299 osd.17 up 1.00000 1.00000
18 hdd 0.27299 osd.18 up 1.00000 1.00000
19 hdd 0.27299 osd.19 up 1.00000 1.00000
-5 5.45599 host ceph02-q
20 ssd 0.27299 osd.20 up 1.00000 1.00000
21 ssd 0.27299 osd.21 up 1.00000 1.00000
22 ssd 0.27299 osd.22 up 1.00000 1.00000
23 ssd 0.27299 osd.23 up 1.00000 1.00000
24 hdd 0.27299 osd.24 up 1.00000 1.00000
25 hdd 0.27299 osd.25 up 1.00000 1.00000
26 hdd 0.27299 osd.26 up 1.00000 1.00000
27 hdd 0.27299 osd.27 up 1.00000 1.00000
28 hdd 0.27299 osd.28 up 1.00000 1.00000
29 hdd 0.27299 osd.29 up 1.00000 1.00000
30 hdd 0.27299 osd.30 up 1.00000 1.00000
31 hdd 0.27299 osd.31 up 1.00000 1.00000
32 hdd 0.27299 osd.32 up 1.00000 1.00000
33 hdd 0.27299 osd.33 up 1.00000 1.00000
34 hdd 0.27299 osd.34 up 1.00000 1.00000
35 hdd 0.27299 osd.35 up 1.00000 1.00000
36 hdd 0.27299 osd.36 up 1.00000 1.00000
37 hdd 0.27299 osd.37 up 1.00000 1.00000
38 hdd 0.27299 osd.38 up 1.00000 1.00000
39 hdd 0.27299 osd.39 up 1.00000 1.00000
-7 6.08690 host ceph03-q
40 ssd 0.27299 osd.40 up 1.00000 1.00000
41 ssd 0.27299 osd.41 up 1.00000 1.00000
42 ssd 0.27299 osd.42 up 1.00000 1.00000
43 ssd 0.27299 osd.43 up 1.00000 1.00000
44 hdd 0.27299 osd.44 up 1.00000 1.00000
45 hdd 0.27299 osd.45 up 1.00000 1.00000
46 hdd 0.27299 osd.46 up 1.00000 1.00000
47 hdd 0.27299 osd.47 up 1.00000 1.00000
48 hdd 0.27299 osd.48 up 1.00000 1.00000
49 hdd 0.27299 osd.49 up 1.00000 1.00000
50 hdd 0.27299 osd.50 up 1.00000 1.00000
51 hdd 0.27299 osd.51 up 1.00000 1.00000
52 hdd 0.27299 osd.52 up 1.00000 1.00000
53 hdd 0.27299 osd.53 up 1.00000 1.00000
54 hdd 0.27299 osd.54 up 1.00000 1.00000
55 hdd 0.27299 osd.55 up 1.00000 1.00000
56 hdd 0.27299 osd.56 up 1.00000 1.00000
57 hdd 0.27299 osd.57 up 1.00000 1.00000
58 hdd 0.27299 osd.58 up 1.00000 1.00000
59 hdd 0.89999 osd.59 up 1.00000 1.00000
Створимо свої віртуальні стійки та сервери з блекджеком та іншим:
root@ceph01-q:~#ceph osd crush add-bucket rack01 root #создали новый root
root@ceph01-q:~#ceph osd crush add-bucket ceph01-q host #создали новый хост
root@ceph01-q:~#ceph osd crush move ceph01-q root=rack01 #переставили сервер в другую стойку
root@ceph01-q:~#osd crush add 28 1.0 host=ceph02-q # Добавили ОСД в сервер
# Если криво создали то можно удалить
root@ceph01-q:~# ceph osd crush remove osd.4
root@ceph01-q:~# ceph osd crush remove rack01Проблеми, з якими ми зіштовхнулися у бойовому кластері, при спробі створити нових хостів і пересунути його в існуючу стійку — команда ceph osd crush move ceph01-host root = rack01 зависала, і монітори починали падати по одному. Переривання команди простим CTRL+C повертало кластер у світ живих.
Пошук показав таку проблему:
Рішенням виявилося здампити crushmap і видалити звідти секцію 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 кластерАхтунг: Ця операція може викликати ребаланс placement group між OSD. В нас це викликало, але дуже невеликий.
А дивина, з якою ми зіткнулися в тестовому кластері — це те, що після перезавантаження сервера OSD забували, що їх пересунули на нові сервери та стійки і поверталися в root default.
У результаті, зібравши кінцеву схему, в якій ми створили окремо root для ssd дисків і окремо для шпиндельних, ми розтягли всі ОСД по стійках, а просто видалили default root. Після перезавантаження OSD стали залишатися на своїх місцях.
Покопавшись пізніше в документації, знайшли параметр, який відповідає за цю поведінку. Про нього у другій частині
Як ми робили різні групи за типами дисків.
Для початку створили два root-и - для ssd і для hdd
root@ceph01-q:~#ceph osd crush add-bucket ssd-root root
root@ceph01-q:~#ceph osd crush add-bucket hdd-root rootОскільки фізично сервери стоять у різних стійках — для зручності створили стійки і в них сервери
# 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 hostі розкидали диски за їх типами в різні сервери
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 серверамиРозкидавши диски по рутах ssd-root і hdd-root, ми залишили root-default порожнім, тому можемо його видалити
root-ceph01-q:~#ceph osd crush remove defaultДалі треба створити правила розподілу, які ми будемо прив'язувати до створюваних пулів - у правилах вкажемо в які root можна класти дані нашого пулу і рівень унікальності репліки - наприклад, репліки повинні бути обов'язково на різних серверах, або в різних стійках (можна навіть у різних root, якщо маємо такий розподіл)
Перед тим як вибрати тип краще почитати документацію:
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 firstnНу і створюємо пули, в яких ми хочемо в майбутньому зберігати образи дисків нашої віртуалізації 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 1024І говоримо цим пулам, якими правилами розміщення користуватися
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
До вибору кількості плейсмент груп треба підходити з наявним баченням на свій кластер — скільки приблизно ОСД там буде, яка кількість даних (у відсотках від загального обсягу) буде в пулі, яка кількість даних всього.
Сумарно бажано не мати більше 300 плейсмент груп на диск, і простіше буде балансувати маленькими плейсмент групами - тобто якщо весь ваш пул займає 10 Tb і в ньому 10 PG - балансувати перекиданням терабайтної цегли (pg) буде проблематично - пересипати пісок з маленьким розміром піщинок по цебрах простіше і рівніше).
Але треба пам'ятати що чим більше PG — тим більше ресурсів витрачається на обчислення їхнього розташування — починає утилізуватися пам'ять і ЦПУ.
Зразкове розуміння може , наданий розробниками документації CEPH.
Список матеріалів:
Джерело: habr.com