选择CEPH。 第1部分
我们有五个机架、十个光交换机、已配置的 BGP、几十个 SSD 和一堆各种颜色和大小的 SAS 磁盘，以及 proxmox 以及将所有静态数据放入我们自己的 S3 存储中的愿望。 并不是说所有这些都是虚拟化所需要的，但是一旦您开始使用开源，就可以跟随您的爱好到底。 唯一让我烦恼的是 BGP。 世界上没有比内部 BGP 路由更无助、不负责任和不道德的了。 我知道我们很快就会深入研究它。
这个任务很简单——有 CEPH，但效果不是很好。 有必要做“好事”。
我收到的集群是异构的、仓促调整的并且实际上没有调整。 它由两组不同的节点组成，一个公共网格既充当集群又充当公共网络。 这些节点填充了四种类型的磁盘 - 两种类型的 SSD，收集在两个单独的放置规则中，以及两种类型的不同大小的 HDD，收集在第三组中。 通过不同的OSD权重解决了不同尺寸的问题。
设置本身分为两部分 - 操作系统调整 и CEPH 本身的调整 及其设置。
升级操作系统
商业网络
高延迟会影响录音和平衡。 记录时 - 因为在其他置放组中的数据副本确认成功之前，客户端不会收到有关成功记录的响应。 由于 CRUSH 映射中分配副本的规则是每个主机一个副本，因此始终使用网络。
因此，我决定做的第一件事就是稍微调整当前的网络，同时试图说服我转移到单独的网络。
首先，我调整了网卡的设置。 我首先设置队列：
发生了什么：
ethtool -l ens1f1
root@ceph01:~# ethtool -l ens1f1
Channel parameters for ens1f1:
Pre-set maximums:
RX: 0
TX: 0
Other: 1
Combined: 63
Current hardware settings:
RX: 0
TX: 0
Other: 1
Combined: 1
root@ceph01:~# ethtool -g ens1f1
Ring parameters for ens1f1:
Pre-set maximums:
RX: 4096
RX Mini: 0
RX Jumbo: 0
TX: 4096
Current hardware settings:
RX: 256
RX Mini: 0
RX Jumbo: 0
TX: 256
root@ceph01:~# ethtool -l ens1f1
Channel parameters for ens1f1:
Pre-set maximums:
RX: 0
TX: 0
Other: 1
Combined: 63
Current hardware settings:
RX: 0
TX: 0
Other: 1
Combined: 1可以看出，当前的参数距离最大值还很远。 增加：
root@ceph01:~#ethtool -G ens1f0 rx 4096
root@ceph01:~#ethtool -G ens1f0 tx 4096
root@ceph01:~#ethtool -L ens1f0 combined 63受一篇优秀文章的指导
增加发送队列的长度 txqueuelen 从 1000 到 10
root@ceph01:~#ip link set ens1f0 txqueuelen 10000好吧，遵循 ceph 本身的文档
增加了 MTU 到9000。
root@ceph01:~#ip link set dev ens1f0 mtu 9000添加到 /etc/network/interfaces 以便在启动时加载以上所有内容
cat / etc / network / interfaces
root@ceph01:~# cat /etc/network/interfaces
auto lo
iface lo inet loopback
auto ens1f0
iface ens1f0 inet manual
post-up /sbin/ethtool -G ens1f0 rx 4096
post-up /sbin/ethtool -G ens1f0 tx 4096
post-up /sbin/ethtool -L ens1f0 combined 63
post-up /sbin/ip link set ens1f0 txqueuelen 10000
mtu 9000
auto ens1f1
iface ens1f1 inet manual
post-up /sbin/ethtool -G ens1f1 rx 4096
post-up /sbin/ethtool -G ens1f1 tx 4096
post-up /sbin/ethtool -L ens1f1 combined 63
post-up /sbin/ip link set ens1f1 txqueuelen 10000
mtu 9000之后，按照同一篇文章，我开始深思熟虑地扭转 4.15 内核的手柄。 考虑到节点有 128G RAM，我们最终得到了一个配置文件 系统控制
猫 /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)С光彩网络 被分配到单独的扁平网络中的单独的 10Gbps 网络接口上。 每台机器均配备双口网卡 黑色素 10/25 Gbps，插入两个独立的 10Gbps 交换机。 聚合是使用 OSPF 进行的，因为由于某种原因与 lacp 的绑定显示总吞吐量最大为 16 Gbps，而 ospf 在每台机器上成功地利用了这两个吞吐量。 未来的计划是利用这些 melanoxes 上的 ROCE 来减少延迟。 如何设置这部分网络：
- 由于机器本身在 BGP 上有外部 IP 地址，因此我们需要软件 - （更准确地说，在撰写本文时 ) 已经站起来了。
- 总共，这些机器有两个网络接口，每个接口有两个接口——总共 4 个端口。 一张网卡查看带有两个端口的工厂，并在其上配置了 BGP，第二张网卡查看了带有两个端口的两台不同交换机，并在其上设置了 OSPF
有关设置 OSPF 的更多详细信息： 主要任务是聚合两个链路并具有容错能力。
两个网络接口配置为两个简单的平面网络 - 10.10.10.0/24 和 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汽车通过它可以看到彼此。
DISK
下一步是优化磁盘。 对于 SSD，我将调度程序更改为 打瞌睡, 对于硬盘 - 期限。 说白了，NOOP 的工作原理是“先进先出”，英文听起来像“FIFO（先进先出）”。 请求到达后就会排队。 DEADLINE 更面向读取，而且排队进程在操作时几乎获得对磁盘的独占访问权。 这对于我们的系统来说是完美的 - 毕竟，每个磁盘只有一个进程 - OSD 守护进程。
（那些想要深入了解 I/O 调度程序的人可以在这里阅读：
那些喜欢阅读俄语的人： )
在Linux调优建议中，还建议增加nr_request
请求数
nr_requests 的值决定了 I/O 调度程序向块设备发送/接收数据之前缓冲的 I/O 请求量（如果您使用的 RAID 卡/块设备可以处理比 I/O 调度程序更大的队列） /O 调度程序设置为，当服务器上发生大量 I/O 时，提高 nr_requests 的值可能有助于提高吞吐量并减少服务器负载。 如果您使用Deadline或CFQ作为调度程序，建议您将nr_request值设置为队列深度值的2倍。
但！ 公民本身，即 CEPH 的开发者，让我们相信他们的优先级系统运作得更好
WBThrottle 和/或 nr_requests
WBThrottle 和/或 nr_requests
文件存储使用缓冲I/O进行写入； 如果文件存储日志位于更快的介质上，这会带来许多好处。 一旦数据写入日志，客户端请求就会收到通知，然后使用标准 Linux 功能将其刷新到数据磁盘本身。 这使得主轴 OSD 在小突发写入时可以提供类似于 SSD 的写入延迟。 这种延迟写回还允许内核本身重新组织磁盘 I/O 请求，希望将它们合并在一起或允许现有磁盘头在其盘片上选择一些更优化的路径。 最终效果是，与直接或同步 I/O 相比，您可以从每个磁盘中挤出更多的 I/O。
然而，如果给定 Ceph 集群的传入记录量超过底层磁盘的所有容量，就会出现一定的问题。 在这种情况下，等待写入磁盘的挂起 I/O 操作总数可能会不受控制地增长，并导致 I/O 队列填满整个磁盘和 Ceph 队列。 读取请求尤其受到影响，因为它们在写入请求之间被卡住，这可能需要几秒钟才能刷新到主磁盘。
为了克服这个问题，Ceph 在文件存储中内置了一个写回限制机制，称为 WBThrottle。 它旨在限制延迟写入 I/O 的总量，这些延迟写入 I/O 可以排队并开始其刷新过程，早于由于内核本身启用而自然发生的情况。 不幸的是，测试表明默认值可能仍然无法将现有行为减少到可以减少对读取延迟的影响的水平。 调整可以改变这种行为并减少总体写入队列长度，并减轻这种影响。 然而，这是一个权衡：通过减少允许排队的总最大条目数，您可以降低内核本身最大化其对传入请求进行排序的效率的能力。 值得稍微考虑一下您对特定用例、工作负载的更多需求，并进行调整以适应它们。
要控制此类写积压队列的深度，您可以使用 WBThrottle 设置减少未完成 I/O 操作的总体最大数量，也可以减少内核本身块级别的未完成操作的最大值。 两者都可以有效地控制相同的行为，您的偏好将是实现此设置的基础。
还应该注意的是，Ceph 的操作优先级系统对于磁盘级别的较短查询更加高效。 通过将整个队列缩小到给定磁盘，队列的主要位置移动到 Ceph，在那里它可以更好地控制 I/O 操作的优先级。 考虑以下示例：
echo 8 > /sys/block/sda/queue/nr_requestsCOMMON
还有一些内核调整，使您的汽车变得柔软丝滑，并从硬件中挤出更多性能
猫 /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. 沉浸在 CEPH 中
我想更详细地讨论的设置：
猫 /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例如，在版本 12.2.12 上进行 QA 测试的一些参数在 ceph 版本 12.2.2 中缺失 osd_recovery_threads。 因此，计划包括将生产更新至 12.2.12。 实践证明，12.2.2版本和12.2.12版本在一个集群中兼容，可以滚动更新。
测试集群
当然，为了进行测试，必须拥有与战斗中相同的版本，但在我开始使用集群时，存储库中只有较新的版本可用。 看完之后，你可以看出小版本中的内容并不是很大（1393 配置中的行 1436 在新版本中），我们决定开始测试新版本（无论如何都要更新，为什么要使用旧的垃圾）
我们唯一试图留下旧版本的是软件包 ceph部署 因为一些实用程序（以及一些员工）是根据其语法定制的。 新版本差异较大，但不影响集群本身运行，保留在版本中 1.5.39
由于 ceph-disk 命令明确表示它已被弃用并使用 ceph-volume 命令，亲爱的，我们开始使用此命令创建 OSD，而不是在过时的命令上浪费时间。
该计划是创建两个 SSD 驱动器的镜像，我们将在其上放置 OSD 日志，而 OSD 日志又位于主轴 SAS 上。 这样，如果包含日志的磁盘发生故障，我们可以保护自己免受数据问题的影响。
我们根据文档开始创建集群
猫 /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当我在集群版本 12.2.12 上使用此版本的 ceph-deploy 时，我偶然发现的第一件事是尝试在软件 raid 上使用 db 创建 OSD 时出现错误 -
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确实，blkid似乎不是PARTUUID，所以我不得不手动创建分区：
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一切似乎都准备好了，我们尝试再次创建 OSD 并收到以下错误（顺便说一下，该错误在战斗中没有重现）
创建 bluestore 类型的 OSD 时未指定 WAL 路径，但指定 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此外，如果在同一个镜像上（或在您选择的其他位置）为 WAL 创建另一个分区并在创建 OSD 时指定它，那么一切都会顺利进行（除了出现单独的 WAL，您可能不会这样做）想要）。
但是，由于将 WAL 迁移到 NVMe 仍处于遥远的计划中，因此这种做法并不是多余的。
root@ceph01-qa:~#ceph-volume lvm create --bluestore --data /dev/sdf --block.wal /dev/md0p2 --block.db /dev/md1p2创建了监视器、管理器和 OSD。 现在我想对它们进行不同的分组，因为我计划使用不同类型的磁盘 - SSD 上的快速池和 SAS 煎饼上的大型但慢速池。
假设服务器有 20 个磁盘，前 XNUMX 个是一种类型，第二个是另一种类型。
初始的默认卡如下所示：
Ceph OSD 树
root@ceph01-q:~# ceph osd 树
ID 类别 重量类型 名称 状态 重新称重 PRI-AFF
-1 14.54799 根默认值
-3 9.09200 主机 ceph01-q
0 固态硬盘 1.00000 osd.0 向上 1.00000 1.00000
1 固态硬盘 1.00000 osd.1 向上 1.00000 1.00000
2 固态硬盘 1.00000 osd.2 向上 1.00000 1.00000
3 固态硬盘 1.00000 osd.3 向上 1.00000 1.00000
4 个硬盘 1.00000 osd.4 向上 1.00000 1.00000
5 个硬盘 0.27299 osd.5 向上 1.00000 1.00000
6 个硬盘 0.27299 osd.6 向上 1.00000 1.00000
7 个硬盘 0.27299 osd.7 向上 1.00000 1.00000
8 个硬盘 0.27299 osd.8 向上 1.00000 1.00000
9 个硬盘 0.27299 osd.9 向上 1.00000 1.00000
10 个硬盘 0.27299 osd.10 向上 1.00000 1.00000
11 个硬盘 0.27299 osd.11 向上 1.00000 1.00000
12 个硬盘 0.27299 osd.12 向上 1.00000 1.00000
13 个硬盘 0.27299 osd.13 向上 1.00000 1.00000
14 个硬盘 0.27299 osd.14 向上 1.00000 1.00000
15 个硬盘 0.27299 osd.15 向上 1.00000 1.00000
16 个硬盘 0.27299 osd.16 向上 1.00000 1.00000
17 个硬盘 0.27299 osd.17 向上 1.00000 1.00000
18 个硬盘 0.27299 osd.18 向上 1.00000 1.00000
19 个硬盘 0.27299 osd.19 向上 1.00000 1.00000
-5 5.45599 主机 ceph02-q
20 固态硬盘 0.27299 osd.20 向上 1.00000 1.00000
21 固态硬盘 0.27299 osd.21 向上 1.00000 1.00000
22 固态硬盘 0.27299 osd.22 向上 1.00000 1.00000
23 固态硬盘 0.27299 osd.23 向上 1.00000 1.00000
24 个硬盘 0.27299 osd.24 向上 1.00000 1.00000
25 个硬盘 0.27299 osd.25 向上 1.00000 1.00000
26 个硬盘 0.27299 osd.26 向上 1.00000 1.00000
27 个硬盘 0.27299 osd.27 向上 1.00000 1.00000
28 个硬盘 0.27299 osd.28 向上 1.00000 1.00000
29 个硬盘 0.27299 osd.29 向上 1.00000 1.00000
30 个硬盘 0.27299 osd.30 向上 1.00000 1.00000
31 个硬盘 0.27299 osd.31 向上 1.00000 1.00000
32 个硬盘 0.27299 osd.32 向上 1.00000 1.00000
33 个硬盘 0.27299 osd.33 向上 1.00000 1.00000
34 个硬盘 0.27299 osd.34 向上 1.00000 1.00000
35 个硬盘 0.27299 osd.35 向上 1.00000 1.00000
36 个硬盘 0.27299 osd.36 向上 1.00000 1.00000
37 个硬盘 0.27299 osd.37 向上 1.00000 1.00000
38 个硬盘 0.27299 osd.38 向上 1.00000 1.00000
39 个硬盘 0.27299 osd.39 向上 1.00000 1.00000
-7 6.08690 主机 ceph03-q
40 固态硬盘 0.27299 osd.40 向上 1.00000 1.00000
41 固态硬盘 0.27299 osd.41 向上 1.00000 1.00000
42 固态硬盘 0.27299 osd.42 向上 1.00000 1.00000
43 固态硬盘 0.27299 osd.43 向上 1.00000 1.00000
44 个硬盘 0.27299 osd.44 向上 1.00000 1.00000
45 个硬盘 0.27299 osd.45 向上 1.00000 1.00000
46 个硬盘 0.27299 osd.46 向上 1.00000 1.00000
47 个硬盘 0.27299 osd.47 向上 1.00000 1.00000
48 个硬盘 0.27299 osd.48 向上 1.00000 1.00000
49 个硬盘 0.27299 osd.49 向上 1.00000 1.00000
50 个硬盘 0.27299 osd.50 向上 1.00000 1.00000
51 个硬盘 0.27299 osd.51 向上 1.00000 1.00000
52 个硬盘 0.27299 osd.52 向上 1.00000 1.00000
53 个硬盘 0.27299 osd.53 向上 1.00000 1.00000
54 个硬盘 0.27299 osd.54 向上 1.00000 1.00000
55 个硬盘 0.27299 osd.55 向上 1.00000 1.00000
56 个硬盘 0.27299 osd.56 向上 1.00000 1.00000
57 个硬盘 0.27299 osd.57 向上 1.00000 1.00000
58 个硬盘 0.27299 osd.58 向上 1.00000 1.00000
59 个硬盘 0.89999 osd.59 向上 1.00000 1.00000
让我们用二十一点和其他东西创建我们自己的虚拟机架和服务器：
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我们遇到的问题 战斗 集群，当尝试创建新主机并将其移动到现有机架时 - 命令 ceph osd 粉碎移动 ceph01-主机 root=rack01 僵住了，监视器开始一根一根地掉下来。 使用简单的 CTRL+C 中止命令即可使集群返回到活人的世界。
经过搜索发现这个问题：
解决方案是转储crushmap并从那里删除该部分 规则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 кластерACHTUNG： 此操作可能会导致 OSD 之间的归置组重新平衡。 它确实为我们造成了这种情况，但影响很小。
而我们在测试集群中遇到的奇怪的事情是，重新启动OSD服务器后，他们忘记了自己已被移动到新的服务器和机架，并返回到根默认值。
因此，在组装了最终方案后，我们为 SSD 驱动器创建了一个单独的根，为主轴驱动器创建了一个单独的根，我们将所有 OSD 放入机架中，并简单地删除了默认根。 重新启动后，OSD 开始保持原状。
稍后深入研究文档后，我们发现了一个导致此行为的参数。 第二部分关于他
我们如何按磁盘类型创建不同的组。
首先，我们创建了两个根 - 用于 SSD 和 HDD
root@ceph01-q:~#ceph osd crush add-bucket ssd-root root
root@ceph01-q:~#ceph osd crush add-bucket hdd-root root由于服务器物理上位于不同的机架中，为了方便起见，我们创建了装有服务器的机架
# 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并将磁盘按照类型分布到不同的服务器上
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将磁盘分散到 ssd-root 和 hdd-root 路由中后，我们将 root-default 留空，这样我们就可以将其删除
root-ceph01-q:~#ceph osd crush remove default接下来，我们需要创建将绑定到正在创建的池的分配规则 - 在规则中，我们将指示哪些根可以放置我们的池数据以及副本的唯一性级别 - 例如，副本必须位于不同的服务器上，或者在不同的机架中（你甚至可以在不同的根目录中，如果我们有这样的发行版）
在选择类型之前，最好阅读文档：
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好吧，我们创建了一些池，以便将来存储虚拟化的磁盘映像 - 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我们告诉这些矿池要使用什么放置规则
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
归置组数量的选择必须考虑到集群的预先存在的愿景 - 大约有多少个 OSD、池中将有多少数据量（占总卷的百分比）、什么是数据总量。
总的来说，建议磁盘上的归置组不要超过 300 个，并且较小的归置组会更容易平衡 - 也就是说，如果你的整个池占用 10 Tb 并且其中有 10 个 PG - 那么平衡扔太字节砖（pg）会出现问题 - 将小尺寸沙粒的沙子更容易、更均匀地倒入桶中）。
但我们必须记住，PG 的数量越多，用于计算其位置的资源就越多——内存和 CPU 开始被利用。
粗略的理解可能 ，由 CEPH 文档的开发人员提供。
材料清单：
来源： habr.com