Ceph 主战场

MON、OSD、MGR、MDS 各管什么，一次写入在集群里走过哪些环节。

• →画出 Ceph 的分层架构并说明每层职责
• →说清一次 RBD 写入从客户端到落盘的完整路径
• →解释为什么 MON 要奇数个、MGR 要两个

没有中心元数据服务，客户端却能算出数据在哪 —— CRUSH 是 Ceph 最漂亮的设计。

• →手工推演 object → PG → OSD 的映射过程
• →为集群估算合理的 PG 数量
• →读懂 CRUSH map 与 rule，按机架划分故障域

三节点起步，走完 bootstrap、加主机、加 OSD、看健康状态的全流程。

• →独立完成一套三节点 Ceph 集群部署
• →排查 OSD 起不来的常见原因
• →看懂 ceph -s 输出的每一段

存储与计算同集群的另一条路线，Operator 帮你做了什么、藏了什么。

• →用 Rook Operator 部署一套 CephCluster
• →用 kubectl rook-ceph 执行日常运维命令
• →判断什么场景该选 Rook、什么场景该选 cephadm

创建 pool、开 image、映射到主机，再把它接到 K8s 里。

• →创建 RBD pool 与 image 并挂载使用
• →配置 ceph-csi-rbd 让 K8s 动态供卷
• →理解 image 特性、快照与克隆

共享文件系统的甜与苦，元数据缓存是它的命门。

• →部署 CephFS 并用内核客户端挂载
• →解释 MDS 缓存、cap 与客户端阻塞的关系
• →配置多活 MDS 与目录分片

把 RADOS 包装成 S3，用户、bucket、配额与多站点。

• →部署 RGW 并创建用户、bucket
• →用 s3cmd / awscli 完成读写验证
• →为 RGW 配置监控指标

集群跑起来只是开始，接下来两年都是这些活。

• →安全地加盘、下线盘并控制数据迁移速度
• →滚动升级集群且不中断业务
• →处理 near full、slow ops 一类日常告警

在模拟终端里接手一套告警集群，一步步定位到根因。

• →形成"先看全局再看局部"的排查顺序
• →把 ceph health detail 的告警映射到具体动作
• →独立完成一次从告警到根因的闭环

ceph 命令直接卡住不返回。这一关练的是「管理面挂了怎么办」。

• →在 ceph 命令不可用时仍能定位问题
• →判断 MON 是进程问题、时间问题还是磁盘问题
• →按正确顺序恢复 quorum 而不损坏集群状态

带宽正常、OSD 全绿，但 ls 一个目录要等半分钟。问题在元数据层。

• →区分数据面故障与元数据面故障
• →读懂 MDS 的 slow request 与 cap 相关告警
• →定位到具体是哪个客户端在制造压力

监控报 RGW 错误率飙升，但 Ceph 集群显示 HEALTH_OK。

• →在集群健康的情况下定位网关层故障
• →把 RGW 的报错映射到 index 池与分片问题
• →给出既能救急又能治本的处置方案

先量再调。没有基线的调优都是玄学。

• →为集群建立性能基线
• →定位瓶颈在客户端、网络还是 OSD
• →掌握几个高收益的调优参数及其风险