生产|欧洲气象云：一个OpenStack与Ceph集成用在生产中的案例案例|欧洲|生产|openstack|气象

欧洲中期天气预报中心（ECMWF）是一个政府组织，成立于1975年。ECMWF总部位于英国雷丁（数据中心不久将迁往意大利博洛尼亚），业务遍及欧洲34个国家和地区。它运营着欧洲最大的超级计算机群之一，也是世界上最大的数值天气预报数据档案馆。就其IT基础设施而言，ECMWF的HPC（高性能计算）设施是全球最大的气象站点之一。利用哥白尼气候变化服务（C3S）、哥白尼大气监测服务（CAMS）和WEkEO（数据和信息访问服务（DIAS）平台）的云基础设施和欧洲气象云，ECMWF的团队维护着一个250 PB大小、每天增长250TB的气候数据存档。

文章插图
欧洲气象云：
三年前，ECMWF和欧洲气象卫星利用组织（EUMETSAT）合作建立了欧洲气象云，旨在使基于云的基础设施更容易处理天气和气候大数据。为了使计算资源（云）更接近其大数据（气象档案和卫星数据），ECMWF的试点基础设施是使用开源软件Ceph和使用TripleO的OpenStack。
下图显示了欧洲气象云整体基础设施的当前状态，包括两个OpenStack集群：一个使用OpenStack Rocky构建，另一个使用OpenStack Ussuri构建。当前配置的总硬件包括大约3000个vCPU、两个21 TB RAM的集群、1PB的存储空间和2×5个NVIDIA Tesla V100 GPU。

文章插图
与Ceph集成：
下图显示了欧洲气象云的云基础设施。如你所见，Ceph是与OpenStack分开构建和维护的，这为欧洲气象云团队在同一Ceph存储上构建不同集群提供了很大的灵活性。它的两个OpenStack集群使用相同的Ceph基础设施和相同的rbd池。除了一些常见的硬盘故障之外，Ceph的表现也非常出色，欧洲气象云的团队正在计划逐步迁移到CentOS8，并在对开发环境进行大量测试之后，在一个实时集群上升级到Octopus和cephadm。

文章插图
Rocky版本的OpenStack：
欧洲气象云中的首个OpenStack集群建于2019年9月，基于带TripleO安装程序的Rocky。与此同时，欧洲气象云的工程师们还创建了另一个开发环境，其中OpenStack和Ceph集群的配置类似于测试实验。
经验和问题：
他们的部署大约有2600个vCPU，内存为11TB，没有任何重大问题。通过简单地配置Ceph，外部Ceph集群集成以最小的工作量工作——只对ceph-config.yaml配置稍加修改。这两个外部网络（一个面向公众，另一个用于快速访问其300PB数据存档）非常简单。
他们的大多数虚拟机都连接到两个没有浮动IP的外部网络，这是一个具有挑战性的虚拟机路由问题，没有在交换机上动态路由。为了解决这个问题，他们使用了dhcp钩子，并在向用户提供映镜像之前配置了VM路由。
他们在使用NIC bond接口配置以及在开始时配置交换机时遇到了一些问题。因此，工程师们决定不使用链路聚合控制协议（LACP）配置，现在他们为OpenStack部署了一个网卡（NIC）。他们还遇到了负载均衡即服务（LBaas）的一些问题，这是由于Octavia在每个部署上覆盖证书。
一旦找到了解决这些挑战的解决方案，工程师们就更新了实时系统，并将整个集群从一个NIC迁移到多个NIC部署中，这对用户来说是透明的，没有停机时间。第一个集群被重新部署，网络被重新配置为分布式虚拟路由（DVR）配置，以获得更好的网络性能。
Stein到Ussuri的升级工作：
2020年3月，欧洲气象云的工程师为OpenStack和Ceph集群增加了更多的硬件，他们决定升级到OpenStack的最新版本。
经验和问题：
首先，为了更好地管理和作为备份和恢复的安全网，他们将其Rocky云端转换为虚拟机。从2020年3月到5月，他们调查并测试了升级到Stein的过程（首先是云下升级，然后是云端过度升级到测试环境）。由于Ussuri是基于CentOS8的，他们直接从Rocky跳到了Ussuri，并决定直接在OpenStack Ussuri上部署新系统。
OpenStack Ussuri集群：
第二个基于Ussuri的OpenStack集群首次构建于2020年5月，也就是5月13日Ussuri发布后的17天。这个集群是一个普通的配置，这意味着尽管网络配置了OVN和25个节点的提供商网络，但它们没有与Ceph存储进行任何集成。
经验和问题：
基于Ansible而不是Mistral的新构建方法有一些问题，比如从堆栈切换到heat admin，这不是用户用来部署的。此外，他们还试图快速理解和掌握主机系统和服务容器的CentOS8基本操作系统。欧洲气象云的工程师们也继续使用OVS而不是OVN，因为分配浮动IP地址的含义。在OpenStack社区的帮助下，问题得到了解决，并于2020年6月中旬重新构建了集群。