CEPH کا انتخاب۔ حصہ 1
ہمارے پاس پانچ ریک، دس آپٹیکل سوئچز، کنفیگرڈ BGP، دو درجن SSDs اور تمام رنگوں اور سائز کی SAS ڈسکوں کا ایک گروپ، نیز proxmox اور تمام جامد ڈیٹا کو اپنے S3 اسٹوریج میں ڈالنے کی خواہش تھی۔ ایسا نہیں ہے کہ ورچوئلائزیشن کے لیے یہ سب کچھ درکار ہے، لیکن ایک بار جب آپ اوپن سورس استعمال کرنا شروع کر دیں، تو اپنے شوق کو آخر تک فالو کریں۔ صرف ایک چیز جس نے مجھے پریشان کیا وہ تھا BGP۔ اندرونی BGP روٹنگ سے زیادہ بے بس، غیر ذمہ دار اور غیر اخلاقی دنیا میں کوئی نہیں ہے۔ اور میں جانتا تھا کہ بہت جلد ہم اس میں ڈوب جائیں گے۔
کام معمولی تھا - وہاں CEPH تھا، لیکن اس نے بہت اچھا کام نہیں کیا۔ ’’اچھا‘‘ کرنا ضروری تھا۔
مجھے جو کلسٹر موصول ہوا وہ متضاد تھا، عجلت میں بنایا گیا اور عملی طور پر ٹیون نہیں کیا گیا۔ یہ مختلف نوڈس کے دو گروپوں پر مشتمل تھا، جس میں ایک مشترکہ گرڈ کلسٹر اور عوامی نیٹ ورک دونوں کے طور پر کام کرتا ہے۔ نوڈس چار قسم کی ڈسکوں سے بھرے ہوئے تھے - دو قسم کے ایس ایس ڈی، جو دو الگ الگ جگہ کے قواعد میں جمع کیے گئے تھے، اور مختلف سائز کے دو قسم کے ایچ ڈی ڈی، تیسرے گروپ میں جمع کیے گئے تھے۔ مختلف سائز کے مسئلے کو مختلف OSD وزنوں سے حل کیا گیا۔
سیٹ اپ کو خود دو حصوں میں تقسیم کیا گیا ہے۔ آپریٹنگ سسٹم ٹیوننگ и خود CEPH کی ٹیوننگ اور اس کی ترتیبات۔
OS کو اپ گریڈ کرنا
نیٹ ورک
زیادہ تاخیر نے ریکارڈنگ اور توازن دونوں کو متاثر کیا۔ ریکارڈنگ کے وقت - کیونکہ کلائنٹ کو کامیاب ریکارڈنگ کے بارے میں جواب موصول نہیں ہوگا جب تک کہ دوسرے پلیسمنٹ گروپس میں ڈیٹا کی نقلیں کامیابی کی تصدیق نہیں کرتی ہیں۔ چونکہ CRUSH نقشہ میں نقلیں تقسیم کرنے کے قواعد فی میزبان ایک نقل تھے، اس لیے نیٹ ورک ہمیشہ استعمال کیا جاتا تھا۔
لہذا، سب سے پہلے میں نے موجودہ نیٹ ورک کو تھوڑا سا موافقت کرنے کا فیصلہ کیا، ساتھ ہی ساتھ مجھے الگ نیٹ ورکس پر جانے کے لیے قائل کرنے کی کوشش کی۔
شروع کرنے کے لیے، میں نے نیٹ ورک کارڈز کی سیٹنگز کو ٹوئیک کیا۔ میں نے قطاریں لگا کر شروعات کی:
کیا ہوا:
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: 1یہ دیکھا جا سکتا ہے کہ موجودہ پیرامیٹرز زیادہ سے زیادہ سے دور ہیں۔ اضافہ ہوا:
root@ceph01:~#ethtool -G ens1f0 rx 4096
root@ceph01:~#ethtool -G ens1f0 tx 4096
root@ceph01:~#ethtool -L ens1f0 combined 63ایک بہترین مضمون کے ذریعے رہنمائی
بھیجنے کی قطار کی لمبائی میں اضافہ ہوا txqueuelen 1000 سے 10 تک
root@ceph01:~#ip link set ens1f0 txqueuelen 10000ٹھیک ہے، خود سیف کی دستاویزات کے بعد
اضافہ ہوا MTU 9000 پر۔
root@ceph01:~#ip link set dev ens1f0 mtu 9000/etc/network/interfaces میں شامل کیا گیا تاکہ مذکورہ بالا سبھی کو اسٹارٹ اپ پر لوڈ کیا جائے۔
بلی / وغیرہ / نیٹ ورک / انٹرفیس
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 9000جس کے بعد، اسی مضمون کے بعد، میں نے سوچ سمجھ کر 4.15 دانا کے ہینڈلز کو مروڑنا شروع کیا۔ اس بات پر غور کرتے ہوئے کہ نوڈس میں 128G RAM ہے، ہم نے کنفیگریشن فائل کے ساتھ ختم کیا 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)Сچمک نیٹ ورک علیحدہ فلیٹ نیٹ ورک میں علیحدہ 10Gbps نیٹ ورک انٹرفیس پر مختص کیا گیا تھا۔ ہر مشین ڈوئل پورٹ نیٹ ورک کارڈ سے لیس تھی۔ میلانکس 10/25 Gbps، دو الگ الگ 10Gbps سوئچز میں پلگ ان۔ OSPF کا استعمال کرتے ہوئے جمع کیا گیا تھا، کیونکہ کسی وجہ سے lacp کے ساتھ بندھن نے زیادہ سے زیادہ 16 Gbps کا کل تھرو پٹ دکھایا، جبکہ ospf نے ہر مشین پر دونوں دسیوں کو کامیابی کے ساتھ استعمال کیا۔ مستقبل کے منصوبوں میں تاخیر کو کم کرنے کے لیے ان میلانوکس پر ROCE کا فائدہ اٹھانا تھا۔ نیٹ ورک کے اس حصے کو کیسے ترتیب دیا جائے:
- چونکہ مشینیں خود BGP پر بیرونی IP ایڈریس رکھتی ہیں، ہمیں سافٹ ویئر کی ضرورت ہے۔ (مزید واضح طور پر، اس مضمون کو لکھنے کے وقت یہ تھا ) پہلے ہی کھڑا تھا.
- مجموعی طور پر، مشینوں کے دو نیٹ ورک انٹرفیس تھے، ہر ایک میں دو انٹرفیس تھے - کل 4 پورٹس۔ ایک نیٹ ورک کارڈ نے فیکٹری کو دو بندرگاہوں کے ساتھ دیکھا اور اس پر BGP ترتیب دیا گیا، دوسرے نے دو بندرگاہوں کے ساتھ دو مختلف سوئچز کو دیکھا اور اس پر OSPF لگا ہوا تھا۔
OSPF کے قیام کے بارے میں مزید تفصیلات: اہم کام دو لنکس کو جمع کرنا اور غلطی کو برداشت کرنا ہے۔
دو نیٹ ورک انٹرفیس کو دو سادہ فلیٹ نیٹ ورکس میں ترتیب دیا گیا ہے - 10.10.10.0/24 اور 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 ens1f1جس سے کاریں ایک دوسرے کو دیکھتی ہیں۔
ڈسک
اگلا مرحلہ ڈسکوں کو بہتر بنانا تھا۔ ایس ایس ڈی کے لیے میں نے شیڈیولر کو تبدیل کر دیا۔ نوپ, HDD کے لیے - ڈیڈ لائن. اسے دو ٹوک الفاظ میں کہنے کے لیے، NOOP "first in, first out" کے اصول پر کام کرتا ہے جو انگریزی میں "FIFO (First In, First Out)" کی طرح لگتا ہے۔ درخواستیں آتے ہی قطار میں لگ جاتی ہیں۔ ڈیڈ لائن زیادہ پڑھنے پر مبنی ہے، نیز قطار میں لگے عمل کو آپریشن کے وقت ڈسک تک تقریباً خصوصی رسائی حاصل ہوتی ہے۔ یہ ہمارے سسٹم کے لیے بہترین ہے - بہر حال، ہر ڈسک کے ساتھ صرف ایک عمل کام کرتا ہے - OSD ڈیمون۔
(جو لوگ I/O شیڈولر میں غوطہ لگانا چاہتے ہیں وہ اس کے بارے میں یہاں پڑھ سکتے ہیں:
وہ لوگ جو روسی میں پڑھنا پسند کرتے ہیں: )
لینکس کو ٹیون کرنے کی سفارشات میں، nr_request کو بڑھانے کی بھی سفارش کی جاتی ہے۔
nr_requests
nr_requests کی قدر I/O درخواستوں کی مقدار کا تعین کرتی ہے جو I/O شیڈیولر بلاک ڈیوائس کو ڈیٹا بھیجنے / وصول کرنے سے پہلے بفر ہوجاتی ہے، اگر آپ RAID کارڈ / بلاک ڈیوائس استعمال کر رہے ہیں جو I/O سے بڑی قطار کو سنبھال سکتا ہے۔ /O شیڈیولر کو سیٹ کیا گیا ہے، nr_requests کی قدر کو بڑھانے سے سرور پر بڑی مقدار میں I/O ہونے پر سرور کا بوجھ کم کرنے اور سرور کے بوجھ کو کم کرنے میں مدد مل سکتی ہے۔ اگر آپ ڈیڈ لائن یا CFQ کو شیڈیولر کے طور پر استعمال کر رہے ہیں، تو یہ تجویز کیا جاتا ہے کہ آپ کو nr_request ویلیو کو قطار کی گہرائی کی قدر سے 2 گنا پر سیٹ کرنا چاہیے۔
لیکن! شہری خود، CEPH کے ڈویلپرز، ہمیں قائل کرتے ہیں کہ ان کا ترجیحات کا نظام بہتر کام کرتا ہے۔
WBThrottle اور/یا nr_requests
WBThrottle اور/یا nr_requests
فائل اسٹوریج لکھنے کے لیے بفرڈ I/O استعمال کرتی ہے۔ اگر فائل سٹوریج لاگ تیز میڈیا پر ہے تو یہ بہت سے فوائد لاتا ہے۔ جیسے ہی لاگ میں ڈیٹا لکھا جاتا ہے کلائنٹ کی درخواستوں کو مطلع کیا جاتا ہے، اور پھر معیاری لینکس کی فعالیت کا استعمال کرتے ہوئے بعد میں خود ڈیٹا ڈسک میں فلش کیا جاتا ہے۔ اس سے سپنڈل OSDs کے لیے SSDs کی طرح لکھنے میں تاخیر فراہم کرنا ممکن ہو جاتا ہے جب چھوٹے برسٹ میں لکھتے ہیں۔ یہ تاخیری تحریر واپس کرنے سے دانا کو خود بھی ڈسک I/O کی درخواستوں کو دوبارہ ترتیب دینے کی اجازت دیتا ہے، اس امید کے ساتھ کہ یا تو ان کو ایک ساتھ ملایا جائے یا موجودہ ڈسک ہیڈز کو اپنے پلیٹرز پر کچھ اور بہترین راستہ منتخب کرنے کی اجازت دی جائے۔ خالص اثر یہ ہے کہ آپ ہر ڈسک سے تھوڑا سا زیادہ I/O نچوڑ سکتے ہیں جتنا براہ راست یا ہم وقت ساز I/O کے ساتھ ممکن ہوگا۔
تاہم، ایک خاص مسئلہ پیدا ہوتا ہے اگر کسی دیے گئے Ceph کلسٹر میں آنے والے ریکارڈز کا حجم بنیادی ڈسک کی تمام صلاحیتوں سے تجاوز کر جائے۔ اس منظر نامے میں، ڈسک پر لکھے جانے کے انتظار میں زیر التواء I/O آپریشنز کی کل تعداد بے قابو ہو سکتی ہے اور اس کے نتیجے میں I/O قطاریں پوری ڈسک اور Ceph قطاروں کو بھر سکتی ہیں۔ پڑھنے کی درخواستیں خاص طور پر متاثر ہوتی ہیں کیونکہ وہ لکھنے کی درخواستوں کے درمیان پھنس جاتی ہیں، جنہیں پرائمری ڈسک پر فلش ہونے میں کئی سیکنڈ لگ سکتے ہیں۔
اس مسئلے پر قابو پانے کے لیے، Ceph کے پاس WBThrottle نامی فائل اسٹوریج میں رائٹ بیک تھروٹلنگ میکانزم ہے۔ یہ سستی لکھنے والے I/O کی مجموعی مقدار کو محدود کرنے کے لیے ڈیزائن کیا گیا ہے جو قطار میں لگ سکتا ہے اور اس کے فلش عمل کو اس سے پہلے شروع کر سکتا ہے جو قدرتی طور پر خود کرنل کے فعال ہونے کی وجہ سے ہوتا ہے۔ بدقسمتی سے، جانچ یہ ظاہر کرتی ہے کہ پہلے سے طے شدہ اقدار اب بھی موجودہ رویے کو اس سطح تک کم نہیں کر سکتی ہیں جو پڑھنے میں تاخیر پر اس اثر کو کم کر سکتی ہے۔ ایڈجسٹمنٹ اس رویے کو تبدیل کر سکتے ہیں اور تحریری قطار کی مجموعی لمبائی کو کم کر سکتے ہیں اور اس اثر کو کم شدید بنا سکتے ہیں۔ تاہم، ایک تجارت ہے: قطار میں لگانے کی اجازت دی گئی اندراجات کی مجموعی زیادہ سے زیادہ تعداد کو کم کر کے، آپ آنے والی درخواستوں کو ترتیب دینے میں اپنی کارکردگی کو زیادہ سے زیادہ کرنے کے لیے خود دانا کی صلاحیت کو کم کر سکتے ہیں۔ اپنے مخصوص استعمال کے معاملے، کام کے بوجھ اور ان کے مطابق ایڈجسٹ کرنے کے لیے آپ کو مزید کیا ضرورت ہے اس کے بارے میں تھوڑا سوچنے کے قابل ہے۔
اس طرح کی رائٹ بیک لاگ قطار کی گہرائی کو کنٹرول کرنے کے لیے، آپ یا تو WBThrottle سیٹنگز کا استعمال کرتے ہوئے بقایا I/O آپریشنز کی مجموعی زیادہ سے زیادہ تعداد کو کم کر سکتے ہیں، یا آپ اپنے کرنل کے بلاک لیول پر بقایا کارروائیوں کے لیے زیادہ سے زیادہ قدر کو کم کر سکتے ہیں۔ دونوں ایک ہی رویے کو مؤثر طریقے سے کنٹرول کر سکتے ہیں، اور آپ کی ترجیحات اس ترتیب کو نافذ کرنے کی بنیاد ہوں گی۔
یہ بھی واضح رہے کہ Ceph کا آپریشن ترجیحی نظام ڈسک کی سطح پر چھوٹے سوالات کے لیے زیادہ موثر ہے۔ دی گئی ڈسک پر مجموعی قطار کو سکڑ کر، قطار کا بنیادی مقام Ceph پر چلا جاتا ہے، جہاں I/O آپریشن کی ترجیحات پر اس کا زیادہ کنٹرول ہوتا ہے۔ مندرجہ ذیل مثال پر غور کریں:
echo 8 > /sys/block/sda/queue/nr_requestsCOMMON
اور آپ کی کار کو نرم اور ریشمی بنانے اور ہارڈ ویئر سے کچھ اور کارکردگی کو نچوڑنے کے لیے دانا کے چند مزید موافقت
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 میں وسرجن
وہ ترتیبات جن پر میں مزید تفصیل سے رہنا چاہتا ہوں:
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: 4ورژن 12.2.12 پر QA کے لیے ٹیسٹ کیے گئے کچھ پیرامیٹرز سیف ورژن 12.2.2 میں غائب ہیں، مثال کے طور پر osd_recovery_threads لہذا، منصوبوں میں 12.2.12 تک پیداوار کی تازہ کاری شامل ہے۔ پریکٹس نے ایک کلسٹر میں ورژن 12.2.2 اور 12.2.12 کے درمیان مطابقت ظاہر کی ہے، جو رولنگ اپ ڈیٹس کی اجازت دیتا ہے۔
ٹیسٹ کلسٹر
فطری طور پر، جانچ کے لیے جنگ کے جیسا ہی ورژن ہونا ضروری تھا، لیکن جس وقت میں نے کلسٹر کے ساتھ کام کرنا شروع کیا تھا، ذخیرہ میں صرف نیا دستیاب تھا۔ دیکھنے کے بعد، آپ جو معمولی ورژن میں سمجھ سکتے ہیں وہ بہت بڑا نہیں ہے (1393 کے خلاف ترتیب میں لائنیں 1436 نئے ورژن میں)، ہم نے نئے ورژن کی جانچ شروع کرنے کا فیصلہ کیا (بہرحال اپ ڈیٹ کرنا، پرانے ردی کے ساتھ کیوں جانا ہے)
صرف ایک چیز جسے ہم نے پرانے ورژن کو پیچھے چھوڑنے کی کوشش کی وہ ہے پیکیج ceph-تعینات چونکہ کچھ یوٹیلیٹیز (اور کچھ ملازمین) اس کے نحو کے مطابق بنائے گئے تھے۔ نیا ورژن بالکل مختلف تھا، لیکن اس نے خود کلسٹر کے آپریشن کو متاثر نہیں کیا، اور اسے ورژن میں ہی چھوڑ دیا گیا۔ 1.5.39
چونکہ ceph-disk کمانڈ واضح طور پر کہتی ہے کہ یہ فرسودہ ہے اور ceph-volume کمانڈ کا استعمال کریں، عزیزوں، ہم نے اس کمانڈ کے ساتھ OSDs بنانا شروع کر دیا، پرانے پر وقت ضائع کیے بغیر۔
منصوبہ یہ تھا کہ دو SSD ڈرائیوز کا ایک آئینہ بنایا جائے جس پر ہم OSD لاگز رکھیں گے، جو بدلے میں، سپنڈل SASs پر واقع ہوں گے۔ اس طرح اگر لاگ والی ڈسک گر جاتی ہے تو ہم ڈیٹا کے مسائل سے خود کو بچا سکتے ہیں۔
ہم نے دستاویزات کے مطابق ایک کلسٹر بنانا شروع کیا۔
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-qکلسٹر ورژن 12.2.12 کے ساتھ ceph-deploy کے اس ورژن کے ساتھ کام کرتے وقت پہلی چیز جس سے میں نے ٹھوکر کھائی وہ ایک غلطی تھی جب سافٹ ویئر کے چھاپے پر db کے ساتھ OSD بنانے کی کوشش کی گئی۔
root@ceph01-qa:~#ceph-volume lvm create --bluestore --data /dev/sde --block.db /dev/md0
blkid could not detect a PARTUUID for device: /dev/md1درحقیقت، blkid PARTUUID نہیں لگتا ہے، لہذا مجھے دستی طور پر پارٹیشن بنانا پڑا:
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; doneایسا لگتا ہے کہ سب کچھ تیار ہے، ہم دوبارہ OSD بنانے کی کوشش کرتے ہیں اور مندرجہ ذیل خرابی حاصل کرتے ہیں (جو، ویسے، جنگ میں دوبارہ پیش نہیں کی گئی تھی)
WAL کے راستے کی وضاحت کیے بغیر، لیکن db کی وضاحت کیے بغیر بلیو اسٹور ٹائپ کا OSD بناتے وقت
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 argumenمزید برآں، اگر اسی آئینے پر (یا کسی دوسری جگہ، آپ کی پسند کے مطابق) آپ WAL کے لیے ایک اور پارٹیشن بناتے ہیں اور OSD بناتے وقت اس کی وضاحت کرتے ہیں، تو سب کچھ آسانی سے چلے گا (سوائے علیحدہ WAL کے، جو آپ نہیں کر سکتے۔ چاہتے تھے)۔
لیکن، چونکہ یہ ابھی بھی WAL کو NVMe میں منتقل کرنے کے دور دراز کے منصوبوں میں تھا، اس لیے یہ مشق ضرورت سے زیادہ نہیں ہوئی۔
root@ceph01-qa:~#ceph-volume lvm create --bluestore --data /dev/sdf --block.wal /dev/md0p2 --block.db /dev/md1p2مانیٹر، مینیجر اور او ایس ڈی بنائے۔ اب میں ان کو مختلف طریقے سے گروپ کرنا چاہوں گا، کیونکہ میں مختلف قسم کی ڈسکیں رکھنے کا ارادہ رکھتا ہوں - SSD پر فاسٹ پول اور SAS پینکیکس پر بڑے لیکن سست پول۔
آئیے فرض کریں کہ سرورز میں 20 ڈسکیں ہیں، پہلی دس ایک قسم کی ہیں، دوسری دوسری قسم کی ہیں۔
ابتدائی، ڈیفالٹ، کارڈ اس طرح لگتا ہے:
سیف او ایس ڈی درخت
root@ceph01-q:~# ceph osd درخت
ID کلاس وزن کی قسم کا نام اسٹیٹس ری ویٹ PRI-AFF
-1 14.54799 روٹ ڈیفالٹ
-3 9.09200 میزبان 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 ایچ ڈی ڈی 1.00000 او ایس ڈی۔ 4 اپ 1.00000 1.00000
5 ایچ ڈی ڈی 0.27299 او ایس ڈی۔ 5 اپ 1.00000 1.00000
6 ایچ ڈی ڈی 0.27299 او ایس ڈی۔ 6 اپ 1.00000 1.00000
7 ایچ ڈی ڈی 0.27299 او ایس ڈی۔ 7 اپ 1.00000 1.00000
8 ایچ ڈی ڈی 0.27299 او ایس ڈی۔ 8 اپ 1.00000 1.00000
9 ایچ ڈی ڈی 0.27299 او ایس ڈی۔ 9 اپ 1.00000 1.00000
10 ایچ ڈی ڈی 0.27299 او ایس ڈی۔ 10 اپ 1.00000 1.00000
11 ایچ ڈی ڈی 0.27299 او ایس ڈی۔ 11 اپ 1.00000 1.00000
12 ایچ ڈی ڈی 0.27299 او ایس ڈی۔ 12 اپ 1.00000 1.00000
13 ایچ ڈی ڈی 0.27299 او ایس ڈی۔ 13 اپ 1.00000 1.00000
14 ایچ ڈی ڈی 0.27299 او ایس ڈی۔ 14 اپ 1.00000 1.00000
15 ایچ ڈی ڈی 0.27299 او ایس ڈی۔ 15 اپ 1.00000 1.00000
16 ایچ ڈی ڈی 0.27299 او ایس ڈی۔ 16 اپ 1.00000 1.00000
17 ایچ ڈی ڈی 0.27299 او ایس ڈی۔ 17 اپ 1.00000 1.00000
18 ایچ ڈی ڈی 0.27299 او ایس ڈی۔ 18 اپ 1.00000 1.00000
19 ایچ ڈی ڈی 0.27299 او ایس ڈی۔ 19 اپ 1.00000 1.00000
-5 5.45599 میزبان 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 ایچ ڈی ڈی 0.27299 او ایس ڈی۔ 24 اپ 1.00000 1.00000
25 ایچ ڈی ڈی 0.27299 او ایس ڈی۔ 25 اپ 1.00000 1.00000
26 ایچ ڈی ڈی 0.27299 او ایس ڈی۔ 26 اپ 1.00000 1.00000
27 ایچ ڈی ڈی 0.27299 او ایس ڈی۔ 27 اپ 1.00000 1.00000
28 ایچ ڈی ڈی 0.27299 او ایس ڈی۔ 28 اپ 1.00000 1.00000
29 ایچ ڈی ڈی 0.27299 او ایس ڈی۔ 29 اپ 1.00000 1.00000
30 ایچ ڈی ڈی 0.27299 او ایس ڈی۔ 30 اپ 1.00000 1.00000
31 ایچ ڈی ڈی 0.27299 او ایس ڈی۔ 31 اپ 1.00000 1.00000
32 ایچ ڈی ڈی 0.27299 او ایس ڈی۔ 32 اپ 1.00000 1.00000
33 ایچ ڈی ڈی 0.27299 او ایس ڈی۔ 33 اپ 1.00000 1.00000
34 ایچ ڈی ڈی 0.27299 او ایس ڈی۔ 34 اپ 1.00000 1.00000
35 ایچ ڈی ڈی 0.27299 او ایس ڈی۔ 35 اپ 1.00000 1.00000
36 ایچ ڈی ڈی 0.27299 او ایس ڈی۔ 36 اپ 1.00000 1.00000
37 ایچ ڈی ڈی 0.27299 او ایس ڈی۔ 37 اپ 1.00000 1.00000
38 ایچ ڈی ڈی 0.27299 او ایس ڈی۔ 38 اپ 1.00000 1.00000
39 ایچ ڈی ڈی 0.27299 او ایس ڈی۔ 39 اپ 1.00000 1.00000
-7 6.08690 میزبان 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 ایچ ڈی ڈی 0.27299 او ایس ڈی۔ 44 اپ 1.00000 1.00000
45 ایچ ڈی ڈی 0.27299 او ایس ڈی۔ 45 اپ 1.00000 1.00000
46 ایچ ڈی ڈی 0.27299 او ایس ڈی۔ 46 اپ 1.00000 1.00000
47 ایچ ڈی ڈی 0.27299 او ایس ڈی۔ 47 اپ 1.00000 1.00000
48 ایچ ڈی ڈی 0.27299 او ایس ڈی۔ 48 اپ 1.00000 1.00000
49 ایچ ڈی ڈی 0.27299 او ایس ڈی۔ 49 اپ 1.00000 1.00000
50 ایچ ڈی ڈی 0.27299 او ایس ڈی۔ 50 اپ 1.00000 1.00000
51 ایچ ڈی ڈی 0.27299 او ایس ڈی۔ 51 اپ 1.00000 1.00000
52 ایچ ڈی ڈی 0.27299 او ایس ڈی۔ 52 اپ 1.00000 1.00000
53 ایچ ڈی ڈی 0.27299 او ایس ڈی۔ 53 اپ 1.00000 1.00000
54 ایچ ڈی ڈی 0.27299 او ایس ڈی۔ 54 اپ 1.00000 1.00000
55 ایچ ڈی ڈی 0.27299 او ایس ڈی۔ 55 اپ 1.00000 1.00000
56 ایچ ڈی ڈی 0.27299 او ایس ڈی۔ 56 اپ 1.00000 1.00000
57 ایچ ڈی ڈی 0.27299 او ایس ڈی۔ 57 اپ 1.00000 1.00000
58 ایچ ڈی ڈی 0.27299 او ایس ڈی۔ 58 اپ 1.00000 1.00000
59 ایچ ڈی ڈی 0.89999 او ایس ڈی۔ 59 اپ 1.00000 1.00000
آئیے بلیک جیک اور دیگر چیزوں کے ساتھ اپنے ورچوئل ریک اور سرور بنائیں:
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 rack01جن مسائل کا ہم نے سامنا کیا۔ لڑائی کلسٹر، جب ایک نیا میزبان بنانے اور اسے موجودہ ریک - کمانڈ میں منتقل کرنے کی کوشش کرتے ہیں۔ ceph osd crush move ceph01-host root=rack01 منجمد ہوگیا، اور مانیٹر ایک ایک کرکے گرنے لگے۔ ایک سادہ CTRL+C کے ساتھ کمانڈ کو ختم کرنے سے کلسٹر زندہ دنیا میں واپس آ گیا۔
ایک تلاش نے یہ مسئلہ دکھایا:
حل یہ نکلا کہ کرش میپ کو ڈمپ کریں اور سیکشن کو وہاں سے ہٹا دیں۔ اصول 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 кластерاختون: یہ آپریشن OSDs کے درمیان پلیسمنٹ گروپ کے توازن کا سبب بن سکتا ہے۔ اس نے ہمارے لیے ایسا کیا، لیکن بہت کم۔
اور ٹیسٹ کلسٹر میں ہمیں جس عجیب چیز کا سامنا کرنا پڑا وہ یہ تھا کہ OSD سرور کو ریبوٹ کرنے کے بعد، وہ بھول گئے کہ انہیں نئے سرورز اور ریک پر منتقل کر دیا گیا ہے، اور روٹ ڈیفالٹ پر واپس آ گئے۔
نتیجے کے طور پر، حتمی اسکیم کو جمع کرنے کے بعد جس میں ہم نے ایس ایس ڈی ڈرائیوز کے لیے ایک الگ روٹ اور اسپنڈل ڈرائیوز کے لیے ایک الگ روٹ بنایا، ہم نے تمام او ایس ڈی کو ریک میں لے لیا اور صرف ڈیفالٹ روٹ کو حذف کردیا۔ ریبوٹ کے بعد، OSD اپنی جگہ پر رہنے لگا۔
بعد میں دستاویزات کو کھودنے کے بعد، ہمیں ایک پیرامیٹر ملا جو اس رویے کے لیے ذمہ دار ہے۔ دوسرے حصے میں اس کے بارے میں
ہم نے ڈسک کی قسم کے لحاظ سے مختلف گروپس کیسے بنائے۔
شروع کرنے کے لیے، ہم نے دو جڑیں بنائیں - ایس ایس ڈی اور ایچ ڈی ڈی کے لیے
root@ceph01-q:~#ceph osd crush add-bucket ssd-root root
root@ceph01-q:~#ceph osd crush add-bucket hdd-root rootچونکہ سرور جسمانی طور پر مختلف ریکوں میں واقع ہیں، اس لیے سہولت کے لیے ہم نے ان میں سرور کے ساتھ ریک بنائے ہیں۔
# 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 hostاور ڈسکوں کو ان کی اقسام کے مطابق مختلف سرورز میں تقسیم کیا۔
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 серверамиایس ایس ڈی روٹ اور ایچ ڈی ڈی روٹ روٹس کے درمیان ڈسکوں کو بکھرنے کے بعد، ہم نے روٹ ڈیفالٹ کو خالی چھوڑ دیا، تاکہ ہم اسے حذف کر سکیں۔
root-ceph01-q:~#ceph osd crush remove defaultاس کے بعد، ہمیں تقسیم کے قواعد بنانے کی ضرورت ہے جو کہ ہم بنائے جانے والے پولز سے منسلک ہوں گے - قواعد میں ہم اس بات کی نشاندہی کریں گے کہ کون سی جڑیں ہمارے پول ڈیٹا اور ریپلیکا کی انفرادیت کی سطح کو رکھ سکتی ہیں - مثال کے طور پر، نقلیں مختلف سرورز پر ہونی چاہئیں، یا مختلف ریک میں (آپ مختلف جڑوں میں بھی کر سکتے ہیں، اگر ہمارے پاس ایسی تقسیم ہے)
ایک قسم کا انتخاب کرنے سے پہلے، دستاویزات کو پڑھنا بہتر ہے:
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 firstnٹھیک ہے، ہم پول بناتے ہیں جس میں ہم مستقبل میں اپنی ورچوئلائزیشن کی ڈسک امیجز کو اسٹور کرنا چاہتے ہیں - 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 1024اور ہم ان پولز کو بتاتے ہیں کہ پلیسمنٹ کے کون سے اصول استعمال کیے جائیں۔
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
پلیسمنٹ گروپس کی تعداد کے انتخاب کے لیے آپ کے کلسٹر کے لیے پہلے سے موجود وژن کے ساتھ رابطہ کیا جانا چاہیے - تقریباً کتنے OSDs ہوں گے، ڈیٹا کی کتنی مقدار (کل حجم کے فیصد کے طور پر) پول میں ہوگی، کیا ہے؟ ڈیٹا کی کل رقم
مجموعی طور پر، یہ مشورہ دیا جاتا ہے کہ ڈسک پر 300 سے زیادہ پلیسمنٹ گروپس نہ ہوں، اور چھوٹے پلیسمنٹ گروپس کے ساتھ توازن قائم کرنا آسان ہوگا - یعنی، اگر آپ کا پورا پول 10 Tb لیتا ہے اور اس میں 10 PG ہے - تو بیلنس کرنا ٹیرا بائٹ اینٹوں (پی جی) کو پھینکنے سے مسئلہ ہو جائے گا - ریت کے چھوٹے سائز کے دانے کے ساتھ ریت کو بالٹیوں میں آسانی سے اور زیادہ یکساں طور پر ڈالیں)۔
لیکن ہمیں یاد رکھنا چاہیے کہ PGs کی تعداد جتنی زیادہ ہوگی، ان کے محل وقوع کا حساب لگانے کے لیے اتنے ہی زیادہ وسائل خرچ کیے جائیں گے - میموری اور CPU استعمال ہونے لگتے ہیں۔
ایک کچا سمجھنا ہو سکتا ہے CEPH دستاویزات کے ڈویلپرز کے ذریعہ فراہم کردہ۔
مواد کی فہرست:
ماخذ: www.habr.com