Ceph集群缩容及相关故障处理

引言

因为目前机器比较紧张，须要将我集群中的一批机器提供给其余业务使用，这时问题来了，集群机器的退出意味着数据要从新分布，数据迁移的过程当中比较容易出故障。

处理过程

处理测试POOL对应的机器

集群中有不少POOL， 有些POOL是客户数据，这很是重要；有些POOL是我测试用，这些POOL对应的OSD能够直接删除，即时集群报pg异常，也无需关心，在删除对应OSD后将对应POOL删除便可，相应的pg异常也消失。

注：为了不关闭OSD的过程当中发生数据迁移，请设置norecover标记。

ceph osd set norecover

删除对应主机上的全部OSD信息的命令以下：

killall -9 ceph-osd

for i in {108..119} 
do 
ceph osd out  osd.$i; 
ceph osd crush remove osd.$i; 
ceph auth del osd.$i;
ceph osd rm $i; 
ceph auth del osd.$i;
done


ceph osd crush remove hostname
removed item id -10 name 'hostname' from crush map

处理业务须要的POOL对应的机器

对于业务用到的POOL分布在了10台机器上，如今要从这10台机器中释放出五台,这须要涉及到数据迁移了。有三种办法进行处理。

方法一之设置out

将要退出的机器依次设置为out状态。一台机器作完后作另一台，由系统负责将数据迁走；

方法二之设置权重

将要推出的机器权重调整为0，由系统负责将数据迁走；

方法三 构建新规则

1. 构建新group,将要保留的机器放到新group下；
2. 构建新crushrule, take from newgroup;
3. 将业务pool的规则设置为new crush rule下；

这是最快的办法，只涉及到一次迁移，等待数据迁移完毕后，就能够将不须要的OSD关闭并移除了。

处理后碰到的问题

症状表现，在集群状态中显示少许PG状态异常。 active + remapped + backfilling active + remapped

[root@gnop029-ct-zhejiang_wenzhou-16-11 ~]# ceph -s
    cluster c6e7e7d9-2b91-4550-80b0-6fa46d0644f6
     health HEALTH_WARN
            2 pgs backfilling
            3 pgs stuck unclean
            recovery 24/2148593 objects misplaced (0.001%)
            norecover,noscrub,nodeep-scrub flag(s) set
     monmap e3: 3 mons at {a=101.71.4.11:6789/0,b=101.71.4.12:6789/0,c=101.71.4.13:6789/0}
            election epoch 446, quorum 0,1,2 a,b,c
     osdmap e69909: 120 osds: 120 up, 120 in; 3 remapped pgs
            flags norecover,noscrub,nodeep-scrub
      pgmap v8678900: 10256 pgs, 16 pools, 2763 GB data, 1047 kobjects
            7029 GB used, 197 TB / 214 TB avail
            24/2148593 objects misplaced (0.001%)
               10253 active+clean
                   2 active+remapped+backfilling
                   1 active+remapped

[root@ceph]# ceph pg dump_stuck unclean
ok
pg_stat	state	up	up_primary	acting	acting_primary
23.1c1	active+remapped+backfilling	[59,37]	59	[76,84]	76
23.23b	active+remapped	[35,7]	35	[82,119]	82
23.221	active+remapped+backfilling	[15,18]	15	[70,82]	70

后来我开启了scrub和deepscrub， 将全部pg扫描后就恢复为active + clean。

在发生数据迁移时，有时候某些osd会由于负载太高，致使osd进程退出，这是须要作两方面工做：

1. 调低osd backfill的线程数量，下降osd工做负载；
2. down掉的osd即时恢复，要不会有不少Pg状态异常，osd回复后这些异常的pg也会很快恢复正常；