選擇CEPH。 第1部分
我們有五個機架、十個光交換器、配置好的BGP、幾十個SSD 和一堆各種顏色和大小的SAS 磁碟，以及proxmox 以及將所有靜態資料放入我們自己的S3 儲存中的願望。 並不是說所有這些都是虛擬化所需要的，但是一旦您開始使用開源，就可以跟隨您的愛好到底。 唯一讓我煩惱的是 BGP。 世界上沒有比內部 BGP 路由更無助、不負責任和不道德的了。 我知道我們很快就會深入研究它。
這個任務很簡單——有 CEPH，但效果不是很好。 有必要做「好事」。
我收到的叢集是異質的、倉促調整的並且實際上沒有調整。 它由兩組不同的節點組成，一個公共網格既充當群集又充當公共網路。 這些節點填充了四種類型的磁碟 - 兩種類型的 SSD，收集在兩個單獨的放置規則中，以及兩種類型的不同大小的 HDD，收集在第三組中。 透過不同的OSD權重解決了不同尺寸的問題。
設定本身分為兩部分 - 作業系統調整 и CEPH 本身的調整 及其設定。
升級作業系統
網絡
高延遲會影響錄音和平衡。 記錄時 - 因為在其他置放群組中的資料副本確認成功之前，客戶端不會收到有關成功記錄的回應。 由於 CRUSH 映射中分配副本的規則是每個主機一個副本，因此始終使用網路。
因此，我決定做的第一件事就是稍微調整當前的網絡，同時試圖說服我轉移到單獨的網絡。
首先，我調整了網路卡的設定。 我首先設定隊列：
發生了什麼事：
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，目前的參數距離最大值還很遠。 增加：
root@ceph01:~#ethtool -G ens1f0 rx 4096
root@ceph01:~#ethtool -G ens1f0 tx 4096
root@ceph01:~#ethtool -L ens1f0 combined 63受一篇優秀文章的指導
增加發送隊列的長度 txqueuelen 從 1000 到 10
root@ceph01:~#ip link set ens1f0 txqueuelen 10000好吧，遵循 ceph 本身的文檔
增加 MTU 到9000。
root@ceph01:~#ip link set dev ens1f0 mtu 9000新增至 /etc/network/interfaces 以便在啟動時載入以上所有內容
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之後，按照同一篇文章，我開始深思熟慮地扭轉 4.15 核心的手把。 考慮到節點有 128G RAM，我們最終得到了一個配置文件 的sysctl
貓 /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光彩網絡 被分配到單獨的扁平網路中的單獨的 10Gbps 網路介面上。 每台機器均配備雙口網卡 美樂諾 10/25 Gbps，插入兩個獨立的 10Gbps 交換器。 聚合是使用 OSPF 進行的，因為由於某種原因與 lacp 的綁定顯示總吞吐量最大為 16 Gbps，而 ospf 在每台機器上成功地利用了這兩個吞吐量。 未來的計劃是利用這些 melanoxes 上的 ROCE 來減少延遲。 如何設定這部分網路：
- 由於機器本身在 BGP 上有外部 IP 位址，因此我們需要軟體 - （更準確地說，在撰寫本文時 ) 已經站起來了。
- 總共，這些機器有兩個網路接口，每個接口有兩個接口——總共 4 個端口。 一張網卡查看具有兩個連接埠的工廠，並在其上配置了 BGP，第二張網路卡查看了兩台連接埠的不同交換機，並在其上設定了 OSPF
有關設定 OSPF 的更多詳細資訊： 主要任務是聚合兩個連結並具有容錯能力。
兩個網路介面配置為兩個簡單的平面網路 - 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汽車透過它可以看到彼此。
DISK
下一步是優化磁碟。 對於 SSD，我將調度程序更改為 努普, 對於硬碟 - 期限。 說穿了，NOOP 的工作原理是“先進先出”，英文聽起來像“FIFO（先進先出）”。 請求到達後就會排隊。 DEADLINE 更面向讀取，而且排隊程序在操作時幾乎獲得對磁碟的獨佔存取權。 這對我們的系統來說是完美的 - 畢竟，每個磁碟只有一個進程 - OSD 守護程式。
（那些想要深入了解 I/O 調度程序的人可以在這裡閱讀：
喜歡閱讀俄語的人： )
在Linux調優建議中，也建議增加nr_request
請求數
nr_requests 的值決定了 I/O 調度程序向區塊裝置發送/接收資料之前緩衝的 I/O 請求量（如果您使用的 RAID 卡/區塊裝置可以處理比 I/O 調度程式更大的佇列） /O調度程序設定為，當伺服器上發生大量I/O時，提高nr_requests的值可能有助於提高吞吐量並減少伺服器負載。 如果您使用Deadline或CFQ作為調度程序，建議您將nr_request值設定為佇列深度值的2倍。
但！ 公民本身，也就是 CEPH 的開發者，讓我們相信他們的優先系統運作得更好
WBThrottle 和/或 nr_requests
WBThrottle 和/或 nr_requests
文件儲存使用緩衝I/O進行寫入； 如果檔案儲存日誌位於更快的媒體上，這會帶來許多好處。 一旦資料寫入日誌，客戶端請求就會收到通知，然後使用標準 Linux 功能將其刷新到資料磁碟本身。 這使得主軸 OSD 在小突發寫入時可以提供類似 SSD 的寫入延遲。 這種延遲寫回還允許核心本身重新組織磁碟 I/O 請求，希望將它們合併在一起或允許現有磁碟頭在其磁碟片上選擇一些更優化的路徑。 最終效果是，與直接或同步 I/O 相比，您可以從每個磁碟中擠出更多的 I/O。
然而，如果給定 Ceph 叢集的傳入記錄量超過底層磁碟的所有容量，就會出現一定的問題。 在這種情況下，等待寫入磁碟的掛起 I/O 操作總數可能會不受控制地增長，並導致 I/O 佇列填滿整個磁碟和 Ceph 佇列。 讀取請求尤其受到影響，因為它們在寫入請求之間被卡住，這可能需要幾秒鐘才能刷新到主磁碟。
為了克服這個問題，Ceph 在檔案儲存中內建了一個寫回限制機制，稱為 WBThrottle。 它旨在限制延遲寫入 I/O 的總量，這些延遲寫入 I/O 可以排隊並開始其刷新過程，早於由於核心本身啟用而自然發生的情況。 不幸的是，測試表明預設值可能仍然無法將現有行為減少到可以減少對讀取延遲的影響的水平。 調整可以改變這種行為並減少總體寫入佇列長度，並減輕這種影響。 然而，這是一個權衡：透過減少允許排隊的總最大條目數，您可以降低核心本身最大化其對傳入請求進行排序的效率的能力。 值得稍微考慮一下您對特定用例、工作負載的更多需求，並進行調整以適應它們。
若要控制此類寫入積壓佇列的深度，您可以使用 WBThrottle 設定減少未完成 I/O 操作的總體最大數量，也可以減少核心本身區塊層級的未完成操作的最大值。 兩者都可以有效地控制相同的行為，您的偏好將是實現此設定的基礎。
還應該注意的是，Ceph 的操作優先級系統對於磁碟層級的較短查詢更加有效率。 透過將整個佇列縮小到給定磁碟，佇列的主要位置移至 Ceph，在那裡它可以更好地控制 I/O 操作的優先權。 考慮以下範例：
echo 8 > /sys/block/sda/queue/nr_requests共同
還有一些內核調整，使您的汽車變得柔軟絲滑，並從硬體中擠出更多性能
貓 /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
我想更詳細討論的設定：
貓 /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 上進行 QA 測試的一些參數在 ceph 版本 12.2.2 中缺失 osd_recovery_threads。 因此，計劃包括將生產更新至 12.2.12。 實踐證明，12.2.2版本和12.2.12版本在一個叢集中相容，可以滾動更新。
測試集群
當然，為了進行測試，必須擁有與戰鬥中相同的版本，但在我開始使用叢集時，儲存庫中只有較新的版本可用。 看完之後，你可以看出小版本的內容並不是很大（1393 配置中的行 1436 在新版本中），我們決定開始測試新版本（無論如何都要更新，為什麼要使用舊的垃圾）
我們唯一試圖留下舊版的是軟體包 ceph部署 因為一些實用程式（以及一些員工）是根據其語法定制的。 新版本差異較大，但不影響叢集本身運行，保留在版本中 1.5.39
由於 ceph-disk 命令明確表示它已被棄用並使用 ceph-volume 命令，親愛的，我們開始使用此命令創建 OSD，而不是在過時的命令上浪費時間。
該計劃是建立兩個 SSD 驅動器的鏡像，我們將在其上放置 OSD 日誌，而 OSD 日誌又位於主軸 SAS 上。 這樣，如果包含日誌的磁碟發生故障，我們可以保護自己免受資料問題的影響。
我們根據文件開始建立集群
貓 /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當我在叢集版本 12.2.12 上使用此版本的 ceph-deploy 時，我偶然發現的第一件事是嘗試在軟體 raid 上使用 db 建立 OSD 時出現錯誤 -
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確實，blkid似乎不是PARTUUID，所以我必須手動建立分割區：
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一切似乎都準備好了，我們嘗試再次創建 OSD 並收到以下錯誤（順便說一下，該錯誤在戰鬥中沒有重現）
建立 bluestore 類型的 OSD 時未指定 WAL 路徑，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，如果在同一個映像上（或在您選擇的其他位置）為 WAL 建立另一個分割區並在建立 OSD 時指定它，那麼一切都會順利進行（除了出現單獨的 WAL，您可能不會這樣做）想要）。
但是，由於將 WAL 遷移到 NVMe 仍處於遙遠的計劃中，因此這種做法並不是多餘的。
root@ceph01-qa:~#ceph-volume lvm create --bluestore --data /dev/sdf --block.wal /dev/md0p2 --block.db /dev/md1p2創建了監視器、管理器和 OSD。 現在我想對它們進行不同的分組，因為我計劃使用不同類型的磁碟 - SSD 上的快速池和 SAS 煎餅上的大型但慢速池。
假設伺服器有 20 個磁碟，前 XNUMX 個是一種類型，第二個是另一種類型。
初始的預設卡如下所示：
Ceph OSD 樹
root@ceph01-q:~# ceph osd 樹
ID 類別 重量類型 姓名 狀態 重新稱重 PRI-AFF
-1 14.54799 根預設值
-3 9.09200 主機 ceph01-q
0 固態硬碟 1.00000 osd.0 向上 1.00000 1.00000
1 固態硬碟 1.00000 osd.1 向上 1.00000 1.00000
2 固態硬碟 1.00000 osd.2 向上 1.00000 1.00000
3 固態硬碟 1.00000 osd.3 向上 1.00000 1.00000
4 個硬碟 1.00000 osd.4 向上 1.00000 1.00000
5 個硬碟 0.27299 osd.5 向上 1.00000 1.00000
6 個硬碟 0.27299 osd.6 向上 1.00000 1.00000
7 個硬碟 0.27299 osd.7 向上 1.00000 1.00000
8 個硬碟 0.27299 osd.8 向上 1.00000 1.00000
9 個硬碟 0.27299 osd.9 向上 1.00000 1.00000
10 個硬碟 0.27299 osd.10 向上 1.00000 1.00000
11 個硬碟 0.27299 osd.11 向上 1.00000 1.00000
12 個硬碟 0.27299 osd.12 向上 1.00000 1.00000
13 個硬碟 0.27299 osd.13 向上 1.00000 1.00000
14 個硬碟 0.27299 osd.14 向上 1.00000 1.00000
15 個硬碟 0.27299 osd.15 向上 1.00000 1.00000
16 個硬碟 0.27299 osd.16 向上 1.00000 1.00000
17 個硬碟 0.27299 osd.17 向上 1.00000 1.00000
18 個硬碟 0.27299 osd.18 向上 1.00000 1.00000
19 個硬碟 0.27299 osd.19 向上 1.00000 1.00000
-5 5.45599 主機 ceph02-q
20 固態硬碟 0.27299 osd.20 向上 1.00000 1.00000
21 固態硬碟 0.27299 osd.21 向上 1.00000 1.00000
22 固態硬碟 0.27299 osd.22 向上 1.00000 1.00000
23 固態硬碟 0.27299 osd.23 向上 1.00000 1.00000
24 個硬碟 0.27299 osd.24 向上 1.00000 1.00000
25 個硬碟 0.27299 osd.25 向上 1.00000 1.00000
26 個硬碟 0.27299 osd.26 向上 1.00000 1.00000
27 個硬碟 0.27299 osd.27 向上 1.00000 1.00000
28 個硬碟 0.27299 osd.28 向上 1.00000 1.00000
29 個硬碟 0.27299 osd.29 向上 1.00000 1.00000
30 個硬碟 0.27299 osd.30 向上 1.00000 1.00000
31 個硬碟 0.27299 osd.31 向上 1.00000 1.00000
32 個硬碟 0.27299 osd.32 向上 1.00000 1.00000
33 個硬碟 0.27299 osd.33 向上 1.00000 1.00000
34 個硬碟 0.27299 osd.34 向上 1.00000 1.00000
35 個硬碟 0.27299 osd.35 向上 1.00000 1.00000
36 個硬碟 0.27299 osd.36 向上 1.00000 1.00000
37 個硬碟 0.27299 osd.37 向上 1.00000 1.00000
38 個硬碟 0.27299 osd.38 向上 1.00000 1.00000
39 個硬碟 0.27299 osd.39 向上 1.00000 1.00000
-7 6.08690 主機 ceph03-q
40 固態硬碟 0.27299 osd.40 向上 1.00000 1.00000
41 固態硬碟 0.27299 osd.41 向上 1.00000 1.00000
42 固態硬碟 0.27299 osd.42 向上 1.00000 1.00000
43 固態硬碟 0.27299 osd.43 向上 1.00000 1.00000
44 個硬碟 0.27299 osd.44 向上 1.00000 1.00000
45 個硬碟 0.27299 osd.45 向上 1.00000 1.00000
46 個硬碟 0.27299 osd.46 向上 1.00000 1.00000
47 個硬碟 0.27299 osd.47 向上 1.00000 1.00000
48 個硬碟 0.27299 osd.48 向上 1.00000 1.00000
49 個硬碟 0.27299 osd.49 向上 1.00000 1.00000
50 個硬碟 0.27299 osd.50 向上 1.00000 1.00000
51 個硬碟 0.27299 osd.51 向上 1.00000 1.00000
52 個硬碟 0.27299 osd.52 向上 1.00000 1.00000
53 個硬碟 0.27299 osd.53 向上 1.00000 1.00000
54 個硬碟 0.27299 osd.54 向上 1.00000 1.00000
55 個硬碟 0.27299 osd.55 向上 1.00000 1.00000
56 個硬碟 0.27299 osd.56 向上 1.00000 1.00000
57 個硬碟 0.27299 osd.57 向上 1.00000 1.00000
58 個硬碟 0.27299 osd.58 向上 1.00000 1.00000
59 個硬碟 0.89999 osd.59 向上 1.00000 1.00000
讓我們用二十一點和其他東西來創建我們自己的虛擬機架和伺服器：
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我們遇到的問題 戰鬥 集群，當嘗試建立新主機並將其移動到現有機架時 - 命令 ceph osd 粉碎移動 ceph01-主機 root=rack01 僵住了，監視器開始一根一根地掉下來。 使用簡單的 CTRL+C 中止命令即可使集群返回活人的世界。
經過搜尋發現這個問題：
解決方案是轉儲crushmap並從那裡刪除該部分 規則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阿赫東： 此操作可能會導致 OSD 之間的歸置組重新平衡。 它確實為我們造成了這種情況，但影響很小。
而我們在測試叢集中遇到的奇怪的事情是，重新啟動OSD伺服器後，他們忘記了自己已被移動到新的伺服器和機架，並返回根預設值。
因此，在組裝了最終方案後，我們為 SSD 驅動器創建了一個單獨的根，為主軸驅動器創建了一個單獨的根，我們將所有 OSD 放入機架中，並簡單地刪除了預設根。 重新啟動後，OSD 開始保持原狀。
稍後深入研究文件後，我們發現了一個導致此行為的參數。 第二部分關於他
我們如何按磁碟類型建立不同的群組。
首先，我們建立了兩個根 - 用於 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由於伺服器物理上位於不同的機架中，為了方便起見，我們創建了裝有伺服器的機架
# 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並將磁碟依照類型分佈到不同的伺服器上
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將磁碟分散到 ssd-root 和 hdd-root 路由中後，我們將 root-default 留空，這樣我們就可以將其刪除
root-ceph01-q:~#ceph osd crush remove default接下來，我們需要建立將綁定到正在建立的池的分配規則 - 在規則中，我們將指示哪些根可以放置我們的池資料以及副本的唯一性等級 - 例如，副本必須位於不同的伺服器上，或在不同的機架中（你甚至可以在不同的根目錄中，如果我們有這樣的發行版）
在選擇類型之前，最好先閱讀文件：
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，我們創建池，以便將來存儲虛擬化的磁碟映像 - 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我們告訴這些礦池要使用什麼放置規則
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
歸置組數量的選擇必須考慮到群集的預先存在的願景 - 大約有多少個 OSD、池中將有多少資料量（佔總卷的百分比）、什麼是資料總量。
總的來說，建議磁碟上的歸置組不要超過 300 個，並且較小的歸置組會更容易平衡 - 也就是說，如果你的整個池佔用 10 Tb 並且其中有 10 個 PG - 那麼平衡丟太字節磚（pg）會出現問題- 將小尺寸沙粒的沙子更容易、更均勻地倒入桶中）。
但我們必須記住，PG 的數量越多，用於計算其位置的資源就越多——記憶體和 CPU 開始被利用。
粗略的理解可能 ，由 CEPH 文件的開發人員提供。
材料清單：
來源： www.habr.com