分布式存储系统的一些理解和实践

分布式存储系统的一些理解和实践

张建伟

一、分布式存储系统介绍

1.简介

互联网数据规模越来越大，并发请求越来越高，传统的关系数据库，在很多使用场景下并不能很好的满足需求。分布式存储系统应运而生。它有良好的扩展性，弱化关系数据模型，甚至弱化一致性要求，以得到高并发和高性能。按功能分类，主要有以下几种：

?分布式文件系统

hdfs ceph glusterfs tfs

?分布式对象存储

s3(dynamo) ceph bcs(mola)

?分布式表格存储

hbase cassandra oceanbase

?块存储

ceph ebs(amazon)

分布式存储系统，包括分布式系统和单机存储两部分；不同的系统，虽在功能支持、实现机制、实现语言等方面是有差异的，但其设计时，关注的关键问题是基本相同的。单机存储的主流实现方式，有hash引擎、B+树引擎和LSM树(Log Structured Merge Tree)三种，不展开介绍。本文第二章节，主要结合hbase、cassandra和ceph，讲下分布式系统设计部分，需要关注的关键问题。

2.适用场景

各分布式存储系统功能定位不尽相同，但其适用和不适用的场景，在一定程度上是相同的，如下。

1)适用

大数据量（大于100T，乃至几十PB）

key/value或者半结构化数据

高吞吐

高性能

高扩展

2)不适用

Sql查询

复杂查询，如联表查询

复杂事务

二、分布式存储系统设计要点

1.数据分布

分布式存储，可以由成千甚至上万台机器组成，以实现海量数据存储和高并发。那它最先要解决的就是数据分布问题，即哪些数据存储在哪些机器（节点）上。常用的有hash类算法和用meta表映射两种方式。一般完全分布式的设计（无master节点），会用hash类算法；而集中式的设计（有master节点）用meta表映射的方式。两者各有优缺点，后面讲到具体问题时再做比较。

1)一致性hash

将存储节点和操作的key（key唯一标识存储的object，有时也叫object name）都hash到0~2的32次方区间。映射到如下环中的某个位置。沿操作key的位置顺时针找到的第一个节点即为此key的primary存储节点。如下图所示：

图1 一致性hash

Cassandra借鉴了dynamo的实现，用了一致性hash的方式。节点的hash值（也叫token），可以手动分配或者自动生成。Key的hash值即md5(key)。每个表可以在建表时指定副本数，当副本数为3时，找primary存储节点后，顺时针方向的下2个存储节点即为replica存储节点。

Hash类算法，优点是无需master节点，一个缺点是，不支持key的顺序扫描。

2)Crush算法

也是一种类hash算法，随着ceph诞生，也是ceph的一大亮点。Crush算法比较复杂，这里简化介绍下。

Ceph的每个Object最终都会映射到一组OSD中，由这组OSD保存这个Object，映射流程如下：

Object → PG → OSD set

?OSD先理解为机器节点吧

?PG即Placement Groups，可以理解为存储在同一组OSD上的object的集合

Object先映射到PG(Placement Group)，再由PG映射到OSD set。每个表空间有固定数量的pg，在建表时指定。每个Object通过计算hash值并对pg数量取模得到它所对应的PG。PG 再映射到一组OSD（OSD的个数由表的副本数决定，也是建表时指定），第一个OSD是Primary，剩下的都是Replicas。

PG → OSD set 的映射由几个因素决定：

?CRUSH hash算法：一种伪随机算法。

?OSD MAP：包含当前所有OSD的状态、OSD的机器机架信息等。

?CRUSH Rules：数据映射的策略。这些策略可以灵活的设置object存放的区域。比如可以指定table1中所有objects放置在机架1上，所有objects的第1个副本放置在机架1上的服务器A上，第2个副本分布在机架1上的服务器B上。table2中所有的object分布在机架2、3、4上，所有Object的第1个副本分布在机架2的服务器上，第2个副本分布在机架3的服器上，第3个副本分布在机架4的服务器上。具

体实现不再展开。

图2 ceph crush算法

伪代码如下所示：

Crush相比一致性hash更加灵活。

3)按range查表

由master节点记录和管理每个表range的粒度，以及每个range的数据存储在哪些节点上。range是根据key的字节序确定。Client在执行key存取操作是，先到master，根据其所在range，

查询其存储在哪些节点；再直接跟存储节点交互，实现存取。

Hbase是用这种方式实现，支持key的顺序扫描。

如下图所示，region即一段range的数据（存储在mater server上），region sever即实际存储节点。

图3 hbase region映射

2.数据可靠性

数据可靠性，即数据不丢失，是存储系统的第一职责。

图4 数据中心

分布式一般采用普通服务器，要假设服务器和硬盘都是不可靠的。如何保证在有硬件损坏时数据不丢失，是任何分布式存储系统都必须考虑的。已有做法有以下几种。

1)多副本

即数据保存N+1份（一般是3份），每一份都存储在不同的节点上。在数据损坏N份时，仍能修复数据。缺点是，需N倍的冗余存储空间。

hbase、cassandra、ceph都很好的支持。

2)纠删码

即将一条数据切分成n等份，通过对这n份数据编码，得到m份相等大小的校验数据块儿。这n+m份数据，各自存储在不同的节点上，拿到n+m中的任意n份数据，均可计算得到原始的数据。一般n取10，m取3。优点是，只需m/n倍的冗余空间，缺点是读写效率较低，且耗费cpu。

图5 纠删码

?Hbase：hdfs层为hbase提供支持。

?Cassandra：社区版本不支持，社区还无添加此功能的路线图，之前社区有讨论过此功

能，后来不了了之。应该是主要考虑到纠删码方式对现有系统的存储结构、一致性语义都有较大影响，且性能较低。

?Ceph：支持。但在功能上有些缺失，比如不支持partial read，适合读远多于写的场景，

应用较少。

3)跨级群自动备份

一般为了更高的可靠性，数据会通过准实时备份机制，备份到另外一个IDC的存储集群。

?Hbase：社区版本已经支持。

?cassandra和ceph：都不支持，短期没有路线图，长远来讲，是需要添加的。

4)接入修复

客户端写数据到存储集群，一般先按一定规则找到一个接入节点，再由次接入节点做proxy 将数据写到实际存储的节点。假设需要写入3副本，如果接入节点发现，有的副本对应的存

储节点此时不可用，或者写超时，那么会将写失败的节点及未写成功的数据存储下来。之后，定时或者收到通知不可用节点变为可用时，尝试写入之前未写成功的数据。

?Hbase：hdfs层会保证写入足够的副本，因为hdfs的namenode记录了每个block的meta

数据（block存储在哪些datanode），一个datanode写失败，换一个写，直至写成功。可以看到，记录meta这种方式很灵活

?Cassandra：有hinthandoff机制，原理如上

?Ceph：有pglog机制，原理如上

5)全局扫描修复

用以修复磁盘损坏、误删文件等原因引起的数据丢失。由master节点发起全局数据，或者primary节点发起自己负责的range的数据，的多个副本间的数据扫描。如果发现某个副本缺失，则进行修复。Hbase、cassandra、ceph都有类似机制，原理类似，机制不同，这里不一一展开讲了。

?Hbase：hdfs层的data node在发现盘损坏后，会收集剩下的所有block信息，并通知name

node对比修复

?Cassandra：基于Merkle tree的anti-entropy机制

?Ceph：scrub和deep-scrub机制

3.可用性

分布式存储系统，相比传统关系数据库，有更好的可用性。在个别机器硬件或软件故障，甚至整个机房断电断网等极端情况下，仍不影响在线读写。

对于个别机器硬件或者软件故障，一般数据保存多份副本或者纠删码方式就能解决。对于整个机房断电，只能是多副本的跨idc存储，一般分布式存储系统都支持这种方式，只是目前实际应用的很少。

保证可用性，另外一个影响因素是，整个系统是否有单点故障。完全分布式的设计是没有单点的。集中式的设计，有meta信息，需要meta server的角色，一般也会将meta server做成集群式，以避免单点问题。下面结合例子讲下。

1)分布式or集中式

?Hbase：meta server是集群方式，通过zk的选举算法选出一个主节点来提供服务，主节

点挂掉后，会重新选一个。所以hbase的meta server也不算是单点的。但其region server 是单点的，即一个region server挂掉，在master没有为其负责的region进行重分配前，

这个region所负责的range，是无法提供在线读写的。之所以存在此单点问题，猜测因为hbase设计之初，是为网页库这类离线存储设计的，而非在线服务。另外，region server 的这种设计能较方便是实现强一致性和简单事务，后面会提到。现在貌似已有region server的stand by机制，即一台region server挂掉，另一台准备就绪的能马上接替并提供服务。Hbase架构如下：

图6 hbase架构

?cassandra和ceph：是完全分布式的（ceph虽有monitor server，但仍可理解为完全分布

式的，这里不展开了），无单点问题。

4.可扩展性

存储系统的可扩展性，即扩容的难易程度。可扩展性是分布式系统相比传统关系数据库，最大的优势。各分布式存储系统都能很好的支持横向扩展。由于实现方式的不同，扩容的难易程度还是有差异的。一般集中式的系统扩容更加容易，完全分布式的系统会更加麻烦些。下面结合例子讲下。

1)扩容

?Hbase：比较容易，扩容的大致过程为：增加一些region server，由master server做一下

balance，即重新确定region server与region的对应关系（每个region负责一定范围的key，对应于hdfs上的一组文件），完全不需要拖数据。而hdfs本身扩容也较容易，因为有name node存在（相当于master server，对写入hdfs的每个块儿都记录其存储节点），可以将新写入的文件写入到新扩容的server，这样不需要拖数据；如果要考虑写压力均

衡（即不把写压力集中在新加入的机器上，仍然写所有机器），仍需要做数据迁移。

?Cassandra和ceph：因为key定位是通过hash类算法，所以拖数据不可避免。拖的数据

量即新加的node所负责的数据量。一致性hash和crush算法不同，导致拖数据的源节点不一样，但总的来说大同小异。

5.数据一致性

一致性分强一致性和最终一致性，解释如下：

强一致性：写完一条数据key1，马上读key1，能读到最新数据。

最终一致性：写完一条数据key1，马上读key1，可能读到老数据，但一段时间后，能够读到新数据。

最终一致性相比强一致性，有更高的性能。一致性跟primary和replica在读写时的地位相关，不同系统在实现上会有不同的取舍，下面具体说明。

1)单主、多主、主从

?Hbase：region server是单点，可以理解问题单主方式，天然的强一致性。

?Cassandra：最终一致性，通过客户端一致性级别的设置也可实现强一致性。Cassandra

多个副本节点的地位相同，可以理解为多主方式，并列提供读写，这种方式读写性能很高，除了牺牲了强一致性，还有造成写冲突问题，cassandra通过column级别的时间戳解决此问题，但不彻底，时间戳相同时就没有办法了。

?Ceph：的多个副本间有主从关系，一主多从，客户端写主节点，主节点负责写从节点。

客户端只能读主节点。以此实现强一致性。Ceph也支持配置为本地化（就近，不一定是主节点）读方式，这种方式也牺牲了强一致性。Ceph的块儿存储和分布式文件系统功能，要求它必须支持强一致性。

6.性能

前面已经提到，不同的一致性会对性能有影响。

另外，还有两点对对性能影响较大：

1)完全分布式or集中式

集中式架构需要有meta server。读操作先查meta server，再向data node查询真正的数据；

写操作除更新data node也可能要更新meta server。完全分布式读写则少了与meta server

交互的过程。所以延时更低。且集中式，在数据量巨大或者压力很大时，meta server有可能成为性能瓶颈，目前有meta server分层、静态子树等解决方案。

?Hbase：是集中式的，但客户端维护meta server的缓存，一般读写时无需网络查询meta

server，所以从hbase这层看，集中式并不影响其性能。但hdfs层读写必须要name node 参与，所以性能低些。Hbase+hdfs这种分层架构，有很多好处，但显然性能会逊一筹。

?Cassandra：是完全分布式的，客户端可以连接任一台node读写，这台接入node通过一

致性hash定位真正负责此次读写的node，再进行读写。效率要比hbase高些。

?Ceph：是完全分布式的，客户端通过monitor server得到节点信息，缓存在本地，再通

过crush算法，直接定位到主节点实现读写。这个角度看，ceph的效果比cassandra更高些。

2)单机存储引擎

分布式存储一般采用LSMT引擎，将随机写转化为顺序写log和memtable（内存）方式，能极大提高写性能。读操作，还是通过索引来提高性能。分布式存储的数据模型一般是schema-less的，即不需要预先定义每行包括哪些列以及每个列的类型，多行之间允许包括不同的列；一般只有主key索引；不需考虑数据完整性约束（比如外键约束）、列类型约束、NOT NULL约束等；所以较适合用LSMT引擎实现，关系数据库则不太适合。

Schema-less是分布式存储一般性能较高的原因之一。

图7 LSMT

?Hbase、cassandra、ceph都是wal的方式。顺序写完journal log后，写实际数据。写数

据时，hbase和cassandra是写memtable（源自bigtable吧），更多的减少随机写硬盘。

Ceph不是memtable的方式，直接写文件系统，并定时sync。Memtable的方式对小value 更加友好，但需要引入的compaction，compaction带来了更多的运维工作。Ceph由于

其块儿存储功能，经常会修改一个对象的某一小段，如果用memtable的方式，即使修改一小段，也要重写整个对象，效率比较低。

7.易运维性

主要是扩容、顶替（一台机器损坏，用另外一台机器代替之，可能涉及到迁移数据）、升级、盘故障（数据修复）等操作的快速性和简单性。

存储机器一般是12*2T盘，现在极端一些有24*4T盘。单机存储数据量是很大的。扩容或者顶替一台机器，一般也要几个小时甚至1天的时间。在这段时间内存储系统是处于副本缺失状态的，万一这段时间好的副本又出问题，后果可能很严重；所以，要尽量避免数据迁移或者缩短迁移时间。

1)扩容、顶替、升级

?Hbase：不考虑hdfs的话，其扩容、顶替更容易，因为不涉及迁移数据。Hbase因单点

问题，升级必然影响在线服务，这一点是一直在努力优化的，例如之前提到的region server standby机制，hdfs的name node的热备机制。

?Cassandra：由于其gossip广播的限制，较难做的很大，所以360有多达几十个cassandra

集群，给运维带来不少工作量。扩容和顶替因涉及到迁移数据，比较麻烦，一般会绕过它，刚开始集群建设一步到位，后续不扩容，如果有机器损坏，直接修，而不是顶替。

Cassandra的升级比较有优势，3副本的情况下，可以最多一次升级1/3的机器，而不影响在线读写。

?Ceph：还没搞过大集群，crush机制理论上可以将集群建的比较大（也许几千台），但扩

容、顶替拖数据不可避免。因为不能确定数据的几个副本在那几个节点上，或者说不能确定几台机器上是否有同一批数据的副本，所以，升级为了不影响在线服务，最好一台台升级。

2)磁盘故障

?盘故障引起的数据修复，衡量其好坏的标准，就是是否够快、是否足够自动化。磁盘写

性能是修复速度的瓶颈。全局修复机制都能够做到自动化。所以，三种系统在这一点上差异不大。

8.复杂查询与事务

分布式存储系统相对于关系数据库之所以能做到高性能、高扩展，主要的原因之一就是选择不支持复杂的联表查询与事务操作。

联表查询，分布式存储系统一般都不支持，而是通过冗余存储的方式实现类似的功能需求。

复杂的事务，也不支持。但简单的事务，如单行事务、CAS（compare–and-set）还是可以支持的。

1)事务

?Hbase：支持单行事务（可以是多个操作），由于region sever单点，可以在单机上较容

易的实现。这是region server单点的一个优势。

?Cassandra：支持单次操作行级锁；单个column的cas操作（依赖paxos多机协商，较

为复杂，效率低）。

?Ceph则没有此类需求，自然不支持。

以上有些是实践总结，有些则加了自己的理解，有不对之处，还请指出，多谢。