各類分佈式存儲系統簡介

分佈式文件系統原理

本地文件系統如ext3，reiserfs等（這裏不討論基於內存的文件系統），它們管理本地的磁盤存儲資源、提供文件到存儲位置的映射，並抽象出一套文件訪問接口供用戶使用。但隨着互聯網企業的高速發展，這些企業對數據存儲的要求越來越高，而且模式各異，如淘寶主站的大量商品圖片，其特點是文件較小，但數量巨大；而類似於youtube，優酷這樣的視頻服務網站，其後臺存儲着大量的視頻文件，尺寸大多在數十兆到數吉字節不等。這些應用場景都是傳統文件系統不能解決的。分佈式文件系統將數據存儲在物理上分散的多個存儲節點上，對這些節點的資源進行統一的管理與分配，並向用戶提供文件系統訪問接口，其主要解決了本地文件系統在文件大小、文件數量、打開文件數等的限制問題。

分佈式存儲系統典型架構

目前比較主流的一種分佈式文件系統架構，如下圖所示，通常包括主控服務器（或稱元數據服務器、名字服務器等，通常會配置備用主控服務器以便在故障時接管服務，也可以兩個都爲主的模式），多個數據服務器（或稱存儲服務器，存儲節點等），以及多個客戶端，客戶端可以是各種應用服務器，也可以是終端用戶。

分佈式文件系統的數據存儲解決方案，歸根結底是將將大問題劃分爲小問題。大量的文件，均勻分佈到多個數據服務器上後，每個數據服務器存儲的文件數量就少了，另外通過使用大文件存儲多個小文件的方式，總能把單個數據服務器上存儲的文件數降到單機能解決的規模；對於很大的文件，將大文件劃分成多個相對較小的片段，存儲在多個數據服務器上（目前，很多本地文件系統對超大文件的支持已經不存在問題了，如ext3文件系統使用4k塊時，文件最大能到4T，ext4則能支持更大的文件，只是受限於磁盤的存儲空間）。

 

理論上，分佈式文件系統可以只有客戶端和多個數據服務器組成，客戶端根據文件名決定將文件存儲到哪個數據服務器，但一旦有數據服務器失效時，問題就變得複雜，客戶端並不知道數據服務器宕機的消息，仍然連接它進行數據存取，導致整個系統的可靠性極大的降低，而且完全有客戶端決定數據分配時非常不靈活的，其不能根據文件特性制定不同的分佈策略。

 

於是，我們迫切的需要能知道各個數據服務器的服務狀態，數據服務器的狀態管理可分爲分散式和集中式兩種方式，前者是讓多個數據服務器相互管理，如每個服務器向其他所有的服務器發送心跳信息，但這種方式開銷較大，控制不好容易影響到正常的數據服務，而且工程實現較爲複雜；後者是指通過一個獨立的服務器（如上圖中的主控服務器）來管理數據服務器，每個服務器向其彙報服務狀態來達到集中管理的目的，這種方式簡單易實現，目前很多分佈式文件系統都採用這種方式如GFS、TFS(http://code.taobao.org/p/tfs/wiki/index/ )、MooseFS (http://www.moosefs.org/ )等。主控服務器在負載較大時會出現單點，較多的解決方案是配置備用服務器，以便在故障時接管服務，如果需要，主備之間需要進行數據的同步。

問題及解決方法

本文主要討論基於上圖架構的分佈式文件系統的相關原理，工程實現時需要解決的問題和解決問題的基本方法，分佈式文件系統涉及的主要問題及解決方法如下圖所示。爲方便描述以下主控服務器簡稱Master，數據服務器簡稱DS（DataServer）。

主控服務器

l 命名空間的維護

Master負責維護整個文件系統的命名空間，並暴露給用戶使用，命名空間的結構主要有典型目錄樹結構如MooseFS等，扁平化結構如淘寶TFS（目前已提供目錄樹結構支持），圖結構（主要面向終端用戶，方便用戶根據文件關聯性組織文件，只在論文中看到過）。

爲了維護名字空間，需要存儲一些輔助的元數據如文件（塊）到數據服務器的映射關係，文件之間的關係等，爲了提升效率，很多文件系統採取將元數據全部內存化（元數據通常較小）的方式如GFS, TFS；有些系統借則助數據庫來存儲元數據如DBFS，還有些系統則採用本地文件來存儲元數據如MooseFS。

 

一種簡單的實現目錄樹結構的方式是，在Master上存儲與客戶端完全一樣的命名空間，對應的文件內容爲該文件的元數據，並通過在Master上採用ReiserFS來進行小文件存儲優化，對於大文件的存儲（文件數量不會成爲Master的瓶頸），這種方式簡單易實現。曾經參與的DNFS系統的開發就是使用這種方式，DNFS主要用於存儲視頻文件，視頻數量在百萬級別，Master採用這種方式文件數量上不會成爲瓶頸。

l 數據服務器管理

除了維護文件系統的命名空間，Master還需要集中管理數據DS， 可通過輪詢DS或由DS報告心跳的方式實現。在接收到客戶端寫請求時，Master需要根據各個DS的負載等信息選擇一組（根據系統配置的副本數）DS爲其服務；當Master發現有DS宕機時，需要對一些副本數不足的文件（塊）執行復制計劃；當有新的DS加入集羣或是某個DS上負載過高，Master也可根據需要執行一些副本遷移計劃。

 

如果Master的元數據存儲是非持久化的，則在DS啓動時還需要把自己的文件（塊）信息彙報給Master。在分配DS時，基本的分配方法有隨機選取，RR輪轉、低負載優先等，還可以將服務器的部署作爲參考（如HDFS分配的策略），也可以根據客戶端的信息，將分配的DS按照與客戶端的遠近排序，使得客戶端優先選取離自己近的DS進行數據存取.

l 服務調度

Master最終的目的還是要服務好客戶端的請求，除了一些週期性線程任務外，Master需要服務來自客戶端和DS的請求，通常的服務模型包括單線程、每請求一線程、線程池（通常配合任務隊列）。單線程模型下，Master只能順序的服務請求，該方式效率低，不能充分利用好系統資源；每請求一線程的方式雖能併發的處理請求，但由於系統資源的限制，導致創建線程數存在限制，從而限制同時服務的請求數量，另外，線程太多，線程間的調度效率也是個大問題；線程池的方式目前使用較多，通常由單獨的線程接受請求，並將其加入到任務隊列中，而線程池中的線程則從任務隊列中不斷的取出任務進行處理。

l 主備（主）容災

Master在整個分佈式文件系統中的作用非常重要，其維護文件（塊）到DS的映射、管理所有的DS狀態並在某些條件觸發時執行負載均衡計劃等。爲了避免Master的單點問題，通常會爲其配置備用服務器，以保證在主控服務器節點失效時接管其工作。通常的實現方式是通過HA、UCARP等軟件爲主備服務器提供一個虛擬IP提供服務，當備用服務器檢測到主宕機時，會接管主的資源及服務。

 

如果Master需要持久化一些數據，則需要將數據同步到備用Master，對於元數據內存化的情況，爲了加速元數據的構建，有時也需將主上的操作同步到備Master。處理方式可分爲同步和異步兩種。同步方式將每次請求同步轉發至備Master，這樣理論上主備時刻保持一致的狀態，但這種方式會增加客戶端的響應延遲（在客戶端對響應延遲要求不高時可使用這種方式），當備Master宕機時，可採取不做任何處理，等備Master起來後再同步數據，或是暫時停止寫服務，管理員介入啓動備Master再正常服務（需業務能容忍）；異步方式則是先暫存客戶端的請求信息（如追加至操作日誌），後臺線程重放日誌到備Master，這種方式會使得主備的數據存在不一致的情況，具體策略需針對需求制定。

數據服務器

l 數據本地存儲

數據服務器負責文件數據在本地的持久化存儲，最簡單的方式是將客戶每個文件數據分配到一個單獨的DS上作爲一個本地文件存儲，但這種方式並不能很好的利用分佈式文件系統的特性，很多文件系統使用固定大小的塊來存儲數據如GFS, TFS, HDFS，典型的塊大小爲64M。

 

對於小文件的存儲，可以將多個文件的數據存儲在一個塊中，併爲塊內的文件建立索引，這樣可以極大的提高存儲空間利用率。Facebook用於存儲照片的HayStack系統的本地存儲方式爲，將多個圖片對象存儲在一個大文件中，併爲每個文件的存儲位置建立索引，其支持文件的創建和刪除，不支持更新（通過刪除和創建完成），新創建的圖片追加到大文件的末尾並更新索引，文件刪除時，簡單的設置文件頭的刪除標記，系統在空閒時會對大文件進行compact把設置刪除標記且超過一定時限的文件存儲空間回收（延遲刪除策略）。淘寶的TFS系統採用了類似的方式，對小文件的存儲進行了優化，TFS使用擴展塊的方式支持文件的更新。對小文件的存儲也可直接藉助一些開源的KV存儲解決方案，如Tokyo Cabinet（HDB, FDB, BDB, TDB）、Redis等。

 

對於大文件的存儲，則可將文件存儲到多個塊上，多個塊所在的DS可以並行服務，這種需求通常不需要對本地存儲做太多優化。

l 狀態維護

DS除了簡單的存儲數據外，還需要維護一些狀態，首先它需要將自己的狀態以心跳包的方式週期性的報告給Master，使得Master知道自己是否正常工作，通常心跳包中還會包含DS當前的負載狀況（CPU、內存、磁盤IO、磁盤存儲空間、網絡IO等、進程資源，視具體需求而定），這些信息可以幫助Master更好的制定負載均衡策略。

 

很多分佈式文件系統如HDFS在外圍提供一套監控系統，可以實時的獲取DS或Master的負載狀況，管理員可根據監控信息進行故障預防。

l 副本管理

爲了保證數據的安全性，分佈式文件系統中的文件會存儲多個副本到DS上，寫多個副本的方式，主要分爲3種。最簡單的方式是客戶端分別向多個DS寫同一份數據，如DNFS採用這種方式；第2種方式是客戶端向主DS寫數據，主DS向其他DS轉發數據，如TFS採用這種方式；第三種方式採用流水複製的方式，client向某個DS寫數據，該DS向副本鏈中下一個DS轉發數據，依次類推，如HDFS、GFS採取這種方式。

 

當有節點宕機或節點間負載極不均勻的情況下，Master會制定一些副本複製或遷移計劃，而DS實際執行這些計劃，將副本轉發或遷移至其他的DS。DS也可提供管理工具，在需要的情況下由管理員手動的執行一些複製或遷移計劃。

l 服務模型

參考主控服務器::服務模型一節

客戶端

l 接口

用戶最終通過文件系統提供的接口來存取數據，linux環境下，最好莫過於能提供POSIX接口的支持，這樣很多應用（各種語言皆可，最終都是系統調用）能不加修改的將本地文件存儲替換爲分佈式文件存儲。

 

要想文件系統支持POSIX接口，一種方式時按照VFS接口規範實現文件系統，這種方式需要文件系統開發者對內核有一定的瞭解；另一種方式是藉助FUSE(http://fuse.sourceforge.net)軟件，在用戶態實現文件系統並能支持POSIX接口，但是用該軟件包開發的文件系統會有額外的用戶態內核態的切換、數據拷貝過程，從而導致其效率不高。很多文件系統的開發藉助了fuse，參考http://sourceforge.net/apps/mediawiki/fuse/index.php?title=FileSystems。

 

如果不能支持POSIX接口，則爲了支持不同語言的開發者，需要提供多種語言的客戶端支持，如常用的C/C++、java、php、python客戶端。使用客戶端的方式較難處理的一種情況時，當客戶端升級時，使用客戶端接口的應用要使用新的功能，也需要進行升級，當應用較多時，升級過程非常麻煩。目前一種趨勢是提供Restful接口的支持，使用http協議的方式給應用（用戶）訪問文件資源，這樣就避免功能升級帶來的問題。

 

另外，在客戶端接口的支持上，也需根據系統需求權衡，比如write接口，在分佈式實現上較麻煩，很難解決數據一致性的問題，應該考慮能否只支持create（update通過delete和create組合實現），或折中支持append，以降低系統的複雜性。

l 緩存

分佈式文件系統的文件存取，要求客戶端先連接Master獲取一些用於文件訪問的元信息，這一過程一方面加重了Master的負擔，一方面增加了客戶端的請求的響應延遲。爲了加速該過程，同時減小Master的負擔，可將元信息進行緩存，數據可根據業務特性緩存在本地內存或磁盤，也可緩存在遠端的cache系統上如淘寶的TFS可利用tair作爲緩存（減小Master負擔、降低客戶端資源佔用）。

 

維護緩存需考慮如何解決一致性問題及緩存替換算法，一致性的維護可由客戶端也可由服務器完成，一種方式是客戶端週期性的使cache失效或檢查cache有效性（需業務上能容忍），或由服務器在元數據更新後通知客戶端使cache失效（需維護客戶端狀態）。使用得較多的替換算法如LRU、隨機替換等。

l 其他

客戶端還可以根據需要支持一些擴展特性，如將數據進行加密保證數據的安全性、將數據進行壓縮後存儲降低存儲空間使用，或是在接口中封裝一些訪問統計行爲，以支持系統對應用的行爲進行監控和統計。

總結

本文主要從典型分佈式文件系統架構出發，討論了分佈式文件系統的基本原理，工程實現時需要解決的問題、以及解決問題的基本方法，真正在系統工程實現時，要考慮的問題會更多。如有問題，歡迎拍磚。

HDFS 架構解析

文以 Hadoop 提供的分佈式文件系統（HDFS）爲例來進一步展開解析分佈式存儲服務架構設計的要點。

架構目標

任何一種軟件框架或服務都是爲了解決特定問題而產生的。還記得我們在 《分佈式存儲 - 概述》一文中描述的幾個關注方面麼？分佈式文件系統屬於分佈式存儲中的一種面向文件的數據模型，它需要解決單機文件系統面臨的容量擴展和容錯問題。

所以 HDFS 的架構設計目標就呼之欲出了：

1. 面向超大文件或大量的文件數據集
2. 自動檢測局部的硬件錯誤並快速恢復

基於此目標，考慮應用場景出於簡化設計和實現的目的，HDFS 假設了一種 write-once-read-many 的文件訪問模型。這種一次寫入並被大量讀出的模型在現實中確實適應很多業務場景，架構設計的此類假設是合理的。正因爲此類假設的存在，也限定了它的應用場景。

架構總攬

下面是一張來自官方文檔的架構圖： 

從圖中可見 HDFS 的架構包括三個部分，每個部分有各自清晰的職責劃分。

1. NameNode
2. DataNode
3. Client

從圖中可見，HDFS 採用的是中心總控式架構，NameNode 就是集羣的中心節點。

NameNode

NameNode 的主要職責是管理整個文件系統的元信息（Metadata），元信息主要包括：

• File system namesapce 
  HDFS 類似單機文件系統以目錄樹的形式組織文件，稱爲 file system namespace
• Replication factor 
  文件副本數，針對每個文件設置
• Mapping of blocks to DataNodes 
  文件塊到數據節點的映射關係

在上面架構圖中，指向 NameNode 的 Metadata ops 主要就是針對文件的創建、刪除、讀取和設置文件的副本數等操作，所以所有的文件操作都繞不過 NameNode。除此之外 NameNode 還負責管理 DataNode，如新的 DataNode 加入集羣，舊的 DataNode 退出集羣，在 DataNode 之間負載均衡文件數據塊的分佈等等。更多關於 NameNode 的設計實現分析，後面會單獨成文詳解。

DataNode

DataNode 的職責如下：

• 存儲文件塊（block）
• 服務響應 Client 的文件讀寫請求
• 執行文件塊的創建、刪除和複製

從架構圖上看到有個 Block ops 的操作箭頭從 NameNode 指向 DataNode，會讓人誤以爲 NameNode 會主動向 DataNode 發出指令調用。實際上 NameNode 從不調用 DataNode，僅僅是通過 DataNode 定期向 NameNode 發送心跳來攜帶回傳的指令信息。

架構圖上專門標記了 Rack1 和 Rack2，表明了 HDFS 在考慮文件數據塊的多副本分佈時針對機架感知作了專門設計，細節我們這裏先不展開，更多關於 DataNode 的設計實現分析，後面會單獨成文詳解。

Client

考慮到 HDFS 交互過程的複雜性，所以特地提供了針特定編程語言的 Client 以簡化使用。Client 的職責如下：

• 提供面向應用編程語言的一致 API，簡化應用編程
• 改善訪問性能

Client 之所以能夠改善性能是因爲針對讀可以提供緩存（cache），針對寫可以通過緩衝（buffer）批量方式，細節我們這裏也先不展開，更多關於 Client 的設計實現分析，後面會單獨成文詳解。

總結

本來想在一篇文章裏寫完 HDFS 架構解析的，寫着寫着發現不太可能。作爲分佈式系統中最複雜的分佈式存儲類系統，每一個架構設計權衡的實現細節點，都值得好好推敲，一旦展開此文感覺就會長的沒完沒了，所以這裏先總體過一下，針對每個部分的設計實現細節再以主題文章來詳細解析。

參考

［1］Hadoop Documentation. HDFS Architecture. 
［2］Robert Chansler, Hairong Kuang, Sanjay Radia, Konstantin Shvachko, and Suresh Srinivas. The Hadoop Distributed File System

分佈式存儲系統sheepdog

Sheepdog，是由NTT的3名日本研究員開發的開源項目，主要用來爲虛擬機提供塊設備。

其架構如下：

 

 

 

下面，我們將從架構、模塊等幾個方面來介紹下：

 

一、架構圖

如上圖：

採用無中心節點的全對稱架構，無單點故障，存儲容量和性能可線性擴展；

新增節點通過簡單配置可自動加入（IP:PORT），數據自動實現負載均衡；

節點故障時，數據可自動恢復；

直接支持QEMU/KVM應用；

 

二、模塊

 

如上圖：

由corosync，完成集羣成員管理和消息傳遞；

由Qemu作爲Sheepdog的客戶端，提供NBD/iSCSI協議支持；

由gateway實現數據的DHT路由，由storage server數據數據本地存儲；

 

三、數據具體存儲方式

 

如上圖：

以VDI Object存儲VM數據，向用戶暴露的是一個塊設備；

包含4種數據對象：VDI、Data Object、屬性對象和用於快照的VM實時狀態數據對象；

以4M的小文件方式實現OBS，但很容易基於此擴展，如使用使用庫替代4M的小文件；

 

四、集羣管理

1. 採用corosync，tot是em協議的一個開源實現。totem協議主要用來實現集羣成員管理和可靠順序傳輸。

2. corosync通過提供一個CPG API來提供服務。

首先，綁定一個fd到cpg_handle，並註冊回調函數cpg_dispatch；

然後將fd註冊到epoll；

corosync上消息會觸發fd改變，通用epoll觸發回調函數cpg_dispatch；

 

這裏主要有兩個函數，cpg_deliver_fn和cpg_confchg_fn，分別對應sd_deliver和sd_confchg.

 其中，sd_deliver負責集羣從corosync給本地發消息，主要是針對VDI進行操作；而sd_confchg主要是對node進行操作，用來監控集羣成員變化。

 

五、存儲對象管理

集羣對象版本epoch；

obj目錄下，每個新的epoch要對應創建一個新的目錄；

可從epoch恢復數據；

 

六、一致性模型

通過epoll機制保證；

通過數據操作實現強一致性（多副本的寫同時成功時，才向client返回）； 

 

七、DHT路由

代理路由方式；

由ip:port生成節點編號，做一致性哈希；

 

八、副本放置

一致性哈希；

虛擬節點；

 

如需瞭解更詳細信息，可參考其官網：http://www.osrg.net/sheepdog/

文章轉自：

http://blog.csdn.net/it_yuan/article/details/8980849

http://blog.csdn.net/kidd_3/article/details/8154964

http://blog.csdn.net/mindfloating/article/details/47842495