סעלעקטינג CEPH. טייל 1

מיר האָבן פינף ראַקס, צען אָפּטיש סוויטשיז, קאַנפיגיערד BGP, אַ פּאָר פון טוץ ססדס און אַ בינטל פון SAS דיסקס פון אַלע פארבן און סיזעס, ווי געזונט ווי פּראָקסמאָקס און די פאַרלאַנג צו שטעלן אַלע סטאַטיק דאַטן אין אונדזער אייגענע S3 סטאָרידזש. ניט אַז אַלע דעם איז דארף פֿאַר ווירטואַליזאַטיאָן, אָבער אַמאָל איר אָנהייבן ניצן אָפּענסאָורסע, נאָכגיין דיין פערדל ביז דעם סוף. דער בלויז זאַך וואָס באַדערד מיר איז BGP. עס איז קיין איינער אין דער וועלט מער אָפענטיק, יראַספּאַנסאַבאַל און וממאָראַליש ווי ינערלעך BGP רוטינג. און איך געוואוסט אַז שיין באַלד מיר וועלן ונטערטוקנ זיך אין עס.

די אַרבעט איז נישטיק - עס איז געווען CEPH, אָבער עס האט נישט אַרבעטן זייער גוט. עס איז נייטיק צו טאָן "גוט".
דער קנויל, וואָס איך האָב באַקומען, איז געווען העטעראַדזשיניאַס, געשווינד טונד און פּראַקטאַקלי נישט טונד. עס קאָנסיסטעד פון צוויי גרופּעס פון פאַרשידענע נאָודז, מיט איין פּראָסט גריד אַקטינג ווי אַ קנויל און אַ ציבור נעץ. די נאָודז זענען אָנגעפילט מיט פיר טייפּס פון דיסקס - צוויי טייפּס פון SSD, געזאמלט אין צוויי באַזונדער פּלייסמאַנט כּללים, און צוויי טייפּס פון הדד פון פאַרשידענע סיזעס, געזאמלט אין אַ דריט גרופּע. די פּראָבלעם מיט פאַרשידענע סיזעס איז סאַלווד דורך פאַרשידענע אָסד ווייץ.

די סעטאַפּ זיך איז צעטיילט אין צוויי טיילן - אַפּערייטינג סיסטעם טונינג и טונינג פון CEPH זיך און זייַן סעטטינגס.

אַפּגריידינג אַס

נעץ

הויך לייטאַנסי אַפעקטאַד ביידע רעקאָרדינג און באַלאַנסינג. ווען רעקאָרדינג - ווייַל דער קליענט וועט נישט באַקומען אַ ענטפער וועגן מצליח רעקאָרדינג ביז דאַטן רעפּלאַקאַז אין אנדערע פּלייסמאַנט גרופּעס באַשטעטיקן הצלחה. זינט די כּללים פֿאַר דיסטריביוטינג רעפּלאַקאַז אין די CRUSH מאַפּע זענען געווען איין רעפּליקע פּער באַלעבאָס, די נעץ איז שטענדיק געוויינט.

דעריבער, דער ערשטער זאַך איך באַשלאָסן צו טאָן איז אַ ביסל טוויק די קראַנט נעץ, און אין דער זעלביקער צייַט טריינג צו איבערצייגן מיר צו מאַך צו באַזונדער נעטוואָרקס.

צו אָנהייבן מיט, איך טוויקט די סעטטינגס פון די נעץ קאַרדס. איך סטאַרטעד מיט באַשטעטיקן קיוז:

וואס איז געשען:

ethool -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

עס קענען זיין געזען אַז די קראַנט פּאַראַמעטערס זענען ווייַט פון מאַקסימום. פארגרעסערט:

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

גיידיד דורך אַ ויסגעצייכנט אַרטיקל

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

געוואקסן די לענג פון די שיקט ריי txqueuelen פון 1000 צו 10

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

נו, נאָך די דאַקיומענטיישאַן פון סעף זיך

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

געוואקסן מטו צו קסנומקס.

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

צוגעגעבן צו /etc/network/interfaces אַזוי אַז אַלע די אויבן זענען לאָודיד ביי סטאַרטאַפּ

קאַץ / עטק / נעץ / ינטערפייסיז

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

נאָך דעם, נאָך דעם זעלבן אַרטיקל, איך אנגעהויבן צו פאַרטראַכטן די כאַנדאַלז פון די 4.15 קערן. קאַנסידערינג אַז די נאָודז האָבן 128G באַראַן, מיר ענדיקט זיך מיט אַ קאַנפיגיעריישאַן טעקע פֿאַר sysctl

קאַץ /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)

Сלאַסטער נעץ איז אַלאַקייטיד אויף באַזונדער 10Gbps נעץ ינטערפייסיז אין אַ באַזונדער פלאַך נעץ. יעדער מאַשין איז יקוויפּט מיט צוויי-פּאָרט נעץ קאַרדס mellanox 10/25 גבפּס, פּלאַגד אין צוויי באַזונדער 10 גבפּס סוויטשיז. אַגגרעגאַטיאָן איז דורכגעקאָכט מיט OSPF, זינט די באַנדינג מיט lacp פֿאַר עטלעכע סיבה געוויזן אַ גאַנץ טרופּוט פון מאַקסימום 16 גבפּס, בשעת Ospf הצלחה געניצט ביידע טענס אויף יעדער מאַשין. צוקונפֿט פּלאַנז זענען צו נוצן ROCE אויף די מעלאַנאָקסעס צו רעדוצירן לייטאַנסי. ווי צו שטעלן דעם טייל פון די נעץ:

1. זינט די מאשינען זיך האָבן פונדרויסנדיק IP אַדרעסעס אויף BGP, מיר דאַרפֿן ווייכווארג - (מער גענוי, אין דער צייט פון שרייבן דעם אַרטיקל עס איז געווען frr=6.0-1 ) איז שוין געשטאנען.
2. אין גאַנץ, די מאשינען האָבן צוויי נעץ ינטערפייסיז, יעדער מיט צוויי ינטערפייסיז - אַ גאַנץ פון 4 פּאָרץ. איין נעץ קאַרטל געקוקט אין דער פאַבריק מיט צוויי פּאָרץ און BGP איז קאַנפיגיערד אויף עס, די צווייטע געקוקט אויף צוויי פאַרשידענע סוויטשיז מיט צוויי פּאָרץ און OSPF איז באַשטימט אויף עס

מער דעטאַילס וועגן באַשטעטיקן OSPF: די הויפּט אַרבעט איז צו צונויפגיסן צוויי לינקס און האָבן שולד טאָלעראַנץ.
צוויי נעץ ינטערפייסיז זענען קאַנפיגיערד אין צוויי פּשוט פלאַך נעטוואָרקס - 10.10.10.0/24 און 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

דורך וואָס קאַרס זען יעדער אנדערער.

דיסק

דער ווייַטער שריט איז צו אַפּטאַמייז די דיסקס. פֿאַר SSD איך טשיינדזשד די סקעדזשולער צו נופ, פֿאַר הדד - טערמין. צו לייגן עס בלאַנטלי, NOOP אַרבעט אויף דעם פּרינציפּ פון "ערשטער אין, ערשטער אויס," וואָס אין ענגליש סאָונדס ווי "פיפאָ (ערשטער אין, ערשטער אויס)." ריקוועס זענען קיי ווי זיי אָנקומען. DEADLINE איז מער לייענען-אָריענטיד, פּלוס די ריי פּראָצעס געץ כּמעט ויסשליסיק אַקסעס צו די דיסק אין דער צייט פון דער אָפּעראַציע. דאָס איז גאנץ פֿאַר אונדזער סיסטעם - נאָך אַלע, בלויז איין פּראָצעס אַרבעט מיט יעדער דיסק - OSD daemon.
(די וואס ווילן צו ונטערטוקנ זיך אין די י / אָ סקעדזשולער קענען לייענען וועגן אים דאָ:
http://www.admin-magazine.com/HPC/Articles/Linux-I-O-Schedulers

יענע וואס בעסער וועלן צו לייענען אין רוסיש: https://www.opennet.ru/base/sys/linux_shedulers.txt.html)

אין רעקאַמאַנדיישאַנז פֿאַר טונינג לינוקס, עס איז אויך רעקאַמענדיד צו פאַרגרעסערן nr_request

nr_requests
די ווערט פון nr_requests דיטערמאַנז די סומע פון ​​I/O ריקוועס וואָס ווערן באַפערד איידער די I/O סקעדזשולער סענדז / באקומט דאַטן צו די בלאָק מיטל, אויב איר נוצן אַ RAID קאָרט / בלאַק מיטל וואָס קענען שעפּן אַ גרעסערע ריי ווי די איך. / אָ סקעדזשולער איז באַשטימט צו, רייזינג די ווערט פון nr_requests קען העלפֿן צו פֿאַרבעסערן און רעדוצירן סערווער מאַסע ווען גרויס אַמאַונץ פון י / אָ פאַלן אויף די סערווער. אויב איר נוצן Deadline אָדער CFQ ווי די סקעדזשולער, עס איז סאַגדזשעסטיד אַז איר זאָל שטעלן די nr_request ווערט צו 2 מאל די ווערט פון ריי טיפקייַט.

אָבער! די בירגערס זיך, די דעוועלאָפּערס פון CEPH, איבערצייגן אונדז אַז זייער סיסטעם פון פּרייאָראַטיז אַרבעט בעסער

WBTthrottle און / אָדער nr_requests

WBTthrottle און / אָדער nr_requests
טעקע סטאָרידזש ניצט באַפערד I/O אָפּעראַציעס פֿאַר שרייבן; דאָס אָפפערס אַ נומער פון אַדוואַנטאַגעס אויב די טעקע סטאָרידזש זשורנאַל איז ליגן אויף שנעלער מעדיע. קליענט ריקוועסץ זענען נאָוטאַפייד ווי באַלד ווי דאַטן איז געשריבן צו די זשורנאַל, און דאַן פלאַשט צו די דאַטן דיסק אין אַ שפּעטער צייט ניצן נאָרמאַל פאַנגקשאַנאַליטי. Linuxדאָס מאַכט עס מעגלעך פֿאַר OSD שפּינדל דרייווז צו צושטעלן שרייב-לעיטאַנס ענלעך צו SSDs ווען זיי שרייבן אין קליינע פּאַקעטן. די פֿאַרשפּעטיקטע שרייב-אַרבעט ערלויבט אויך דעם קערנעל אַליין צו ריסטראַקטשערירן I/O ריקוועסץ צום דיסק, האָפֿנדיק זיי צו פֿאַראייניקן צוזאַמען אָדער לאָזן די דיסק קעפּ אויסקלײַבן אַ מער אָפּטימאַלן וועג איבער זייערע פּלאַטערס. דער סוף-רעזולטאַט איז אַז מען קען אַרויסקוועטשן אַ ביסל מער I/O אָפּעראַציעס פֿון יעדן דיסק ווי עס וואָלט געווען מעגלעך מיט דירעקטע אָדער סינקראָנישע I/O אָפּעראַציעס.

אָבער, אַ זיכער פּראָבלעם ערייזאַז אויב די באַנד פון ינקאַמינג רעקאָרדס צו אַ געגעבן Ceph קנויל יקסידז אַלע די קייפּאַבילאַטיז פון די אַנדערלייינג דיסקס. אין דעם סצענאַר, די גאַנץ נומער פון פּענדינג י / אָ אַפּעריישאַנז ווארטן צו זיין געשריבן צו דיסק קען וואַקסן אַנקאַנטראָולאַבלי און רעזולטאַט אין י / אָ קיוז פילונג די גאנצע דיסק און סעף קיוז. לייענען ריקוועס זענען דער הויפּט ימפּאַקטיד ווייַל זיי באַקומען סטאַק צווישן שרייַבן ריקוועס, וואָס קענען נעמען עטלעכע סעקונדעס צו גלייַך צו די ערשטיק דיסק.

צו באַקומען דעם פּראָבלעם, Ceph האט אַ שרייַבן-באַק גערגל מעקאַניזאַם געבויט אין טעקע סטאָרידזש גערופֿן WBTthrottle. עס איז דיזיינד צו באַגרענעצן די קוילעלדיק סומע פון ​​פויל שרייַבן י / אָ וואָס קענען זיין אין די ריי און אָנהייבן זיין גלייַך פּראָצעס פריער ווי געוויינטלעך, ווייַל די קערן זיך איז ענייבאַלד. צום באַדויערן, טעסטינג דעמאַנסטרייץ אַז די פעליקייַט וואַלועס קען נאָך נישט רעדוצירן די יגזיסטינג נאַטור צו אַ מדרגה וואָס קענען רעדוצירן די פּראַל אויף לייענען לייטאַנסי. אַדזשאַסטמאַנץ קענען טוישן דעם נאַטור און רעדוצירן די לענג פון די שרייבן ריי און מאַכן דעם פּראַל ווייניקער שטרענג. עס איז אַ האַנדל-אַוועק, אָבער: דורך רידוסינג די קוילעלדיק מאַקסימום נומער פון איינסן ערלויבט צו זיין קיי, איר קענען רעדוצירן די פיייקייט פון די קערן זיך צו מאַקסאַמייז זייַן עפעקטיווקייַט אין אָרדערינג ינקאַמינג ריקוועס. עס איז ווערט צו טראַכטן אַ ביסל וועגן וואָס איר דאַרפֿן מער פֿאַר דיין ספּעציפיש נוצן פאַל, ווערקלאָודז און אַדזשאַסטינג צו זיי.

צו קאָנטראָלירן די טיפקייַט פון אַזאַ אַ שרייבן-באַקלאָג ריי, איר קענען אָדער רעדוצירן די קוילעלדיק מאַקסימום נומער פון בוילעט I / O אַפּעריישאַנז ניצן WBTthrottle סעטטינגס, אָדער איר קענען רעדוצירן די מאַקסימום ווערט פֿאַר בוילעט אַפּעריישאַנז אויף די בלאָק מדרגה פון דיין קערן זיך. ביידע קענען יפעקטיוולי קאָנטראָלירן די זעלבע נאַטור, און דיין פּרעפֿערענצן וועט זיין די יקער פֿאַר ימפּלאַמענינג דעם באַשטעטיקן.
עס זאָל אויך זיין באמערקט אַז Ceph ס אָפּעראַציע בילכערקייַט סיסטעם איז מער עפעקטיוו פֿאַר קירצער פֿראגן אויף די דיסק מדרגה. דורך שרינגקינג די קוילעלדיק ריי צו אַ געגעבן דיסק, די ערשטיק אָרט פון דער ריי באוועגט צו Ceph, ווו עס האט מער קאָנטראָל איבער וואָס בילכערקייַט די I/O אָפּעראַציע האט. באַטראַכטן די פאלגענדע בייַשפּיל:

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

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

פּראָסט

און אַ ביסל מער קערן טוויקס צו מאַכן דיין מאַשין ווייך און סילקי און קוועטשן אַ ביסל מער פאָרשטעלונג פון די ייַזנוואַרג

קאַץ /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. 

טבילה אין CEPH

סעטטינגס וואָס איך וואָלט ווי צו וווינען אויף אין מער דעטאַל:

קאַץ /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

עטלעכע פון ​​די פּאַראַמעטערס וואָס זענען טעסטעד פֿאַר QA אויף ווערסיע 12.2.12 זענען פעלנדיק אין סעף ווערסיע 12.2.2, למשל osd_recovery_threads. דעריבער, די פּלאַנז אַרייַנגערעכנט אַ דערהייַנטיקן אויף פּראָדוקציע צו 12.2.12. פּראַקטיסיז האָבן געוויזן קאַמפּאַטאַבילאַטי צווישן ווערסיעס 12.2.2 און 12.2.12 אין איין קנויל, וואָס אַלאַוז ראָולינג דערהייַנטיקונגען.

טעסט קנויל

געוויינטלעך, פֿאַר טעסטינג עס איז געווען נייטיק צו האָבן די זעלבע ווערסיע ווי אין די שלאַכט, אָבער אין דער צייט איך סטאַרטעד ארבעטן מיט דעם קנויל, בלויז די נייַער איינער איז בנימצא אין די ריפּאַזאַטאָרי. נאָך געקוקט, וואָס איר קענען דערקענען אין די מינערווערטיק ווערסיע איז נישט זייער גרויס (1393 שורות אין קאָנפיגס קעגן 1436 אין די נייַע ווערסיע), מיר באַשלאָסן צו אָנהייבן טעסטינג די נייַע (אַפּדייטינג סייַ ווי סייַ, וואָס גיין מיט אַלט אָפּפאַל)

דער בלויז זאַך וואָס מיר געפרוווט צו לאָזן הינטער די אַלט ווערסיע איז די פּעקל ceph-deploy זינט עטלעכע פון ​​די יוטילאַטיז (און עטלעכע פון ​​די עמפּלוייז) זענען טיילערד צו זיין סינטאַקס. די נייע ווערסיע איז געווען גאַנץ אַנדערש, אָבער האט נישט ווירקן די אָפּעראַציע פון ​​די קנויל זיך, און עס איז לינקס אין די ווערסיע 1.5.39

זינט די סעף-דיסק באַפֿעל קלאר זאגט אַז עס איז דיפּרישיייטיד און נוצן די סעף-באַנד באַפֿעל, ליב אָנעס, מיר אנגעהויבן צו שאַפֿן OSDs מיט דעם באַפֿעל, אָן וויסט צייט אויף אַוטדייטיד אָנעס.

דער פּלאַן איז געווען צו שאַפֿן אַ שפּיגל פון צוויי SSD דרייווז אויף וואָס מיר שטעלן OSD לאָגס, וואָס, אין קער, זענען ליגן אויף שפּינדל סאַס. דעם וועג מיר קענען באַשיצן זיך פון פּראָבלעמס מיט דאַטן אויב די דיסק מיט די קלאָץ פאַלן.

מיר אנגעהויבן צו שאַפֿן אַ קנויל לויט די דאַקיומענטיישאַן

קאַץ /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

דער ערשטער זאַך איך סטאַמבאַלד ווען איך ארבעטן מיט דעם ווערסיע פון ​​ceph-deploy מיט אַ קנויל ווערסיע 12.2.12 איז געווען אַ טעות ווען טריינג צו שאַפֿן אַ OSD מיט db אויף אַ ווייכווארג אָנפאַל -

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

טאַקע, blkid טוט נישט ויסקומען צו זיין PARTUUID, אַזוי איך האָבן צו מאַכן פּאַרטישאַנז מאַניואַלי:

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

אַלץ סימז צו זיין גרייט, מיר פּרובירן צו שאַפֿן די OSD ווידער און באַקומען די פאלגענדע טעות (וואָס, דורך דעם וועג, איז נישט ריפּראַדוסט אין שלאַכט)

ווען קריייטינג אַן אָסד פון טיפּ בלוסטאָרע אָן ספּעציפיצירן די וועג צו WAL, אָבער ספּעציפיצירן 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 argumen

דערצו, אויב איר מאַכן אן אנדער צעטיילונג פֿאַר WAL אויף דער זעלביקער שפּיגל (אָדער אין אן אנדער אָרט פון דיין ברירה) און ספּעציפיצירן עס ווען איר שאַפֿן די OSD, אַלץ וועט גיין סמודלי (אַחוץ פֿאַר די אויסזען פון אַ באַזונדער WAL, וואָס איר קען נישט. האָבן געוואלט).

אָבער, זינט עס איז געווען נאָך אין די ווייַט פּלאַנז צו אַריבערפירן WAL צו NVMe, די פיר איז נישט יבעריק.

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

באשאפן מאָניטאָרס, מאַנאַדזשערז און אָסד. איצט איך וואָלט ווי צו גרופּע זיי אַנדערש, ווייַל איך פּלאַן צו האָבן פאַרשידענע טייפּס פון דיסקס - שנעל פּאָאָלס אויף ססד און גרויס, אָבער פּאַמעלעך פּאָאָלס אויף סאַס פּאַנקייקס.

זאל ס יבערנעמען אַז די סערווערס האָבן 20 דיסקס, די ערשטער צען זענען איין טיפּ, די רגע איז אנדערן.
דער ערשט, פעליקייַט, קאָרט קוקט ווי דאָס:

סעף אָסד בוים

root@ceph01-q:~# סעף אָסד בוים
שייַן קלאַס וואָג טיפּ נאָמען סטאַטוס רעוועיגהט פּרי-אַפף
-1 14.54799 וואָרצל פעליקייַט
-3 9.09200 באַלעבאָס ceph01-q
0 ssd 1.00000 osd.0 אַרויף 1.00000 1.00000
1 ssd 1.00000 osd.1 אַרויף 1.00000 1.00000
2 ssd 1.00000 osd.2 אַרויף 1.00000 1.00000
3 ssd 1.00000 osd.3 אַרויף 1.00000 1.00000
4 הדד 1.00000 אָסד.4 אַרויף 1.00000 1.00000
5 הדד 0.27299 אָסד.5 אַרויף 1.00000 1.00000
6 הדד 0.27299 אָסד.6 אַרויף 1.00000 1.00000
7 הדד 0.27299 אָסד.7 אַרויף 1.00000 1.00000
8 הדד 0.27299 אָסד.8 אַרויף 1.00000 1.00000
9 הדד 0.27299 אָסד.9 אַרויף 1.00000 1.00000
10 הדד 0.27299 אָסד.10 אַרויף 1.00000 1.00000
11 הדד 0.27299 אָסד.11 אַרויף 1.00000 1.00000
12 הדד 0.27299 אָסד.12 אַרויף 1.00000 1.00000
13 הדד 0.27299 אָסד.13 אַרויף 1.00000 1.00000
14 הדד 0.27299 אָסד.14 אַרויף 1.00000 1.00000
15 הדד 0.27299 אָסד.15 אַרויף 1.00000 1.00000
16 הדד 0.27299 אָסד.16 אַרויף 1.00000 1.00000
17 הדד 0.27299 אָסד.17 אַרויף 1.00000 1.00000
18 הדד 0.27299 אָסד.18 אַרויף 1.00000 1.00000
19 הדד 0.27299 אָסד.19 אַרויף 1.00000 1.00000
-5 5.45599 באַלעבאָס ceph02-q
20 ssd 0.27299 osd.20 אַרויף 1.00000 1.00000
21 ssd 0.27299 osd.21 אַרויף 1.00000 1.00000
22 ssd 0.27299 osd.22 אַרויף 1.00000 1.00000
23 ssd 0.27299 osd.23 אַרויף 1.00000 1.00000
24 הדד 0.27299 אָסד.24 אַרויף 1.00000 1.00000
25 הדד 0.27299 אָסד.25 אַרויף 1.00000 1.00000
26 הדד 0.27299 אָסד.26 אַרויף 1.00000 1.00000
27 הדד 0.27299 אָסד.27 אַרויף 1.00000 1.00000
28 הדד 0.27299 אָסד.28 אַרויף 1.00000 1.00000
29 הדד 0.27299 אָסד.29 אַרויף 1.00000 1.00000
30 הדד 0.27299 אָסד.30 אַרויף 1.00000 1.00000
31 הדד 0.27299 אָסד.31 אַרויף 1.00000 1.00000
32 הדד 0.27299 אָסד.32 אַרויף 1.00000 1.00000
33 הדד 0.27299 אָסד.33 אַרויף 1.00000 1.00000
34 הדד 0.27299 אָסד.34 אַרויף 1.00000 1.00000
35 הדד 0.27299 אָסד.35 אַרויף 1.00000 1.00000
36 הדד 0.27299 אָסד.36 אַרויף 1.00000 1.00000
37 הדד 0.27299 אָסד.37 אַרויף 1.00000 1.00000
38 הדד 0.27299 אָסד.38 אַרויף 1.00000 1.00000
39 הדד 0.27299 אָסד.39 אַרויף 1.00000 1.00000
-7 6.08690 באַלעבאָס ceph03-q
40 ssd 0.27299 osd.40 אַרויף 1.00000 1.00000
41 ssd 0.27299 osd.41 אַרויף 1.00000 1.00000
42 ssd 0.27299 osd.42 אַרויף 1.00000 1.00000
43 ssd 0.27299 osd.43 אַרויף 1.00000 1.00000
44 הדד 0.27299 אָסד.44 אַרויף 1.00000 1.00000
45 הדד 0.27299 אָסד.45 אַרויף 1.00000 1.00000
46 הדד 0.27299 אָסד.46 אַרויף 1.00000 1.00000
47 הדד 0.27299 אָסד.47 אַרויף 1.00000 1.00000
48 הדד 0.27299 אָסד.48 אַרויף 1.00000 1.00000
49 הדד 0.27299 אָסד.49 אַרויף 1.00000 1.00000
50 הדד 0.27299 אָסד.50 אַרויף 1.00000 1.00000
51 הדד 0.27299 אָסד.51 אַרויף 1.00000 1.00000
52 הדד 0.27299 אָסד.52 אַרויף 1.00000 1.00000
53 הדד 0.27299 אָסד.53 אַרויף 1.00000 1.00000
54 הדד 0.27299 אָסד.54 אַרויף 1.00000 1.00000
55 הדד 0.27299 אָסד.55 אַרויף 1.00000 1.00000
56 הדד 0.27299 אָסד.56 אַרויף 1.00000 1.00000
57 הדד 0.27299 אָסד.57 אַרויף 1.00000 1.00000
58 הדד 0.27299 אָסד.58 אַרויף 1.00000 1.00000
59 הדד 0.89999 אָסד.59 אַרויף 1.00000 1.00000

לאָמיר מאַכן אונדזער אייגענע ווירטואַל ראַקס און סערווערס מיט בלאַקדזשאַק און אנדערע טינגז:

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

די פראבלעמען וואָס מיר האָבן געפּלאָנטערט אין קאַמבאַט קנויל, ווען איר פּרובירן צו שאַפֿן אַ נייַע באַלעבאָס און מאַך עס צו אַ יגזיסטינג געשטעל - באַפֿעל ceph osd ענגשאַפט מאַך ceph01-host root = rack01 פראָזע, און די מאָניטאָרס אנגעהויבן צו פאַלן איינער דורך איינער. אַבאָרטינג די באַפֿעל מיט אַ פּשוט CTRL+C האָט דער קנויל אומגעקערט צו דער וועלט פון די לעבעדיק.

א זוכן האט געוויזן דעם פּראָבלעם: https://tracker.ceph.com/issues/23386

די לייזונג איז געווען צו דאַמפּ קראַשמאַפּ און באַזייַטיקן די אָפּטיילונג פון דאָרט הערשן 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 кластер

אכטונג: די אָפּעראַציע קען פאַרשאַפן אַ ריבאַלאַנס פון די פּלייסמאַנט גרופּע צווישן OSDs. דאָס האָט אונדז געפֿירט, אָבער זייער קליין.

און די מאָדנע זאַך וואָס מיר געפּלאָנטערט אין די פּראָבע קנויל איז אַז נאָך רעבאָאָטינג די OSD סערווער, זיי פארגעסן אַז זיי זענען אריבערגעפארן צו נייַע סערווערס און ראַקס, און אומגעקערט צו די וואָרצל פעליקייַט.
ווי אַ רעזולטאַט, מיר האָבן פארזאמלט די לעצט סכעמע אין וואָס מיר באשאפן אַ באַזונדער וואָרצל פֿאַר ssd דרייווז און אַ באַזונדער וואָרצל פֿאַר שפּינדל דרייווז, מיר גענומען אַלע די OSDs אין ראַקס און פשוט אויסגעמעקט די פעליקייַט וואָרצל. נאָך די רעבאָאָט, די OSD אנגעהויבן צו בלייַבן אין פּלאַץ.
נאָך דיגינג דורך די דאַקיומענטיישאַן שפּעטער, מיר געפֿונען אַ פּאַראַמעטער וואָס איז פאַראַנטוואָרטלעך פֿאַר דעם נאַטור. וועגן אים אין דער צווייטער טייל

ווי מיר געמאכט פאַרשידענע גרופּעס דורך דיסק טיפּ.

צו אָנהייבן מיט, מיר באשאפן צוויי רוץ - פֿאַר ssd און פֿאַר hdd

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

זינט די סערווערס זענען פיזיקלי ליגן אין פאַרשידענע ראַקס, פֿאַר קאַנוויניאַנס מיר באשאפן ראַקס מיט סערווערס אין זיי

# 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

און פונאנדערגעטיילט די דיסקס לויט זייער טייפּס אין פאַרשידענע סערווערס

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

ווייל צעוואָרפן די דיסקס צווישן די ssd-root און hdd-root רוץ, מיר לינקס דער וואָרצל-פעליקייַט ליידיק, אַזוי מיר קענען ויסמעקן עס

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

דערנאָך, מיר דאַרפֿן צו שאַפֿן פאַרשפּרייטונג כּללים וואָס מיר וועלן בינדן צו די פּאָאָלס וואָס זענען באשאפן - אין די כּללים מיר וועלן אָנווייַזן וואָס רוץ קענען שטעלן אונדזער בעקן דאַטן און די מדרגה פון אייגנארטיקייט פון די רעפּליקע - פֿאַר בייַשפּיל, רעפּלאַקאַז מוזן זיין אויף פאַרשידענע סערווערס, אָדער אין פאַרשידענע ראַקס (איר קענען אפילו אין פאַרשידענע רוץ, אויב מיר האָבן אַזאַ אַ פאַרשפּרייטונג)

איידער טשוזינג אַ טיפּ, עס איז בעסער צו לייענען די דאַקיומענטיישאַן:
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

נו, מיר מאַכן פּאָאָלס אין וואָס מיר ווילן צו קראָם דיסק בילדער פון אונדזער ווירטואַליזאַטיאָן אין דער צוקונפֿט - 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

און מיר זאָגן די פּאָאָלס וואָס פּלייסמאַנט כּללים צו נוצן

 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

די ברירה פון די נומער פון פּלייסמאַנט גרופּעס מוזן זיין אַפּראָוטשט מיט אַ פאַר-יגזיסטינג זעאונג פֿאַר דיין קנויל - בעערעך ווי פילע OSDs וועט זיין דאָרט, וואָס סומע פון ​​דאַטן (ווי אַ פּראָצענט פון די גאַנץ באַנד) וועט זיין אין די בעקן, וואָס איז די גאַנץ סומע פון ​​דאַטן.

אין גאַנץ, עס איז קעדייַיק נישט צו האָבן מער ווי 300 פּלייסמאַנט גרופּעס אויף די דיסק, און עס וועט זיין גרינגער צו באַלאַנסירן מיט קליין פּלייסמאַנט גרופּעס - דאָס איז, אויב דיין גאנצע בעקן נעמט 10 טב און עס זענען 10 פּג אין עס - דעמאָלט באַלאַנסינג דורך פארווארפן טעראַביטע בריקס (פּג) וועט זיין פּראָבלעמאַטיק - גיסן זאַמד מיט אַ קליין גרייס גריינז פון זאַמד אין באַקאַץ גרינגער און מער יוואַנלי).

אָבער מיר מוזן געדענקען אַז די מער די נומער פון פּגס, די מער רעסורסן זענען פארבראכט אויף קאַלקיאַלייטינג זייער אָרט - זיקאָרן און קפּו אָנהייבן צו זיין יוטאַלייזד.

א פּראָסט שכל קען געבן מיר אַ קאַלקולאַטאָר, צוגעשטעלט דורך די דעוועלאָפּערס פון די CEPH דאַקיומענטיישאַן.

רשימה פון מאַטעריאַלס:

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/

מקור: www.habr.com