轉載自：http://yizhaolingyan.net/?p=11
本文将對Ceph的工作原理和若幹關鍵工作流程進行扼要介紹。如前所述，由于Ceph的功能實作本質上依托于RADOS，因而，此處的介紹事實上也是針對RADOS進行。對于上層的部分，特别是RADOS GW和RBD，由于現有的文檔中（包括Sage的論文中）并未詳細介紹，因而本文或有語焉不詳之處，還請讀者多多包涵。
本文将首先介紹RADOS中最為核心的、基于計算的對象尋址機制，然後說明對象存取的工作流程，之後介紹RADOS叢集維護的工作過程，最後結合Ceph的結構和原理對其技術優勢加以回顧和剖析。
5.1 尋址流程
Ceph系統中的尋址流程如下圖所示[1]。
上圖左側的幾個概念說明如下：
File —— 此處的file就是使用者需要存儲或者通路的檔案。對于一個基于Ceph開發的對象存儲應用而言，這個file也就對應于應用中的“對象”，也就是使用者直接操作的“對象”。
Ojbect —— 此處的object是RADOS所看到的“對象”。Object與上面提到的file的差別是，object的最大size由RADOS限定（通常為2MB或4MB），以便實作底層存儲的組織管理。是以，當上層應用向RADOS存入size很大的file時，需要将file切分成統一大小的一系列object（最後一個的大小可以不同）進行存儲。為避免混淆，在本文中将盡量避免使用中文的“對象”這一名詞，而直接使用file或object進行說明。
PG（Placement Group）—— 顧名思義，PG的用途是對object的存儲進行組織和位置映射。具體而言，一個PG負責組織若幹個object（可以為數千個甚至更多），但一個object隻能被映射到一個PG中，即，PG和object之間是“一對多”映射關系。同時，一個PG會被映射到n個OSD上，而每個OSD上都會承載大量的PG，即，PG和OSD之間是“多對多”映射關系。在實踐當中，n至少為2，如果用于生産環境，則至少為3。一個OSD上的PG則可達到數百個。事實上，PG數量的設定牽扯到資料分布的均勻性問題。關于這一點，下文還将有所展開。
OSD —— 即object storage device，前文已經詳細介紹，此處不再展開。唯一需要說明的是，OSD的數量事實上也關系到系統的資料分布均勻性，是以其數量不應太少。在實踐當中，至少也應該是數十上百個的量級才有助于Ceph系統的設計發揮其應有的優勢。
Failure domain —— 這個概念在論文中并沒有進行定義，好在對分布式存儲系統有一定概念的讀者應該能夠了解其大意。
基于上述定義，便可以對尋址流程進行解釋了。具體而言， Ceph中的尋址至少要經曆以下三次映射：
（1）File -> object映射
這次映射的目的是，将使用者要操作的file，映射為RADOS能夠處理的object。其映射十分簡單，本質上就是按照object的最大size對file進行切分，相當于RAID中的條帶化過程。這種切分的好處有二：一是讓大小不限的file變成最大size一緻、可以被RADOS高效管理的object；二是讓對單一file實施的串行處理變為對多個object實施的并行化處理。
每一個切分後産生的object将獲得唯一的oid，即object id。其産生方式也是線性映射，極其簡單。圖中，ino是待操作file的中繼資料，可以簡單了解為該file的唯一id。ono則是由該file切分産生的某個object的序号。而oid就是将這個序号簡單連綴在該file id之後得到的。舉例而言，如果一個id為filename的file被切分成了三個object，則其object序号依次為0、1和2，而最終得到的oid就依次為filename0、filename1和filename2。
這裡隐含的問題是，ino的唯一性必須得到保證，否則後續映射無法正确進行。
（2）Object -> PG映射
在file被映射為一個或多個object之後，就需要将每個object獨立地映射到一個PG中去。這個映射過程也很簡單，如圖中所示，其計算公式是：
hash(oid) & mask -> pgid
由此可見，其計算由兩步組成。首先是使用Ceph系統指定的一個靜态哈希函數計算oid的哈希值，将oid映射成為一個近似均勻分布的僞随機值。然後，将這個僞随機值和mask按位相與，得到最終的PG序号（pgid）。根據RADOS的設計，給定PG的總數為m（m應該為2的整數幂），則mask的值為m-1。是以，哈希值計算和按位與操作的整體結果事實上是從所有m個PG中近似均勻地随機選擇一個。基于這一機制，當有大量object和大量PG時，RADOS能夠保證object和PG之間的近似均勻映射。又因為object是由file切分而來，大部分object的size相同，因而，這一映射最終保證了，各個PG中存儲的object的總資料量近似均勻。
從介紹不難看出，這裡反複強調了“大量”。隻有當object和PG的數量較多時，這種僞随機關系的近似均勻性才能成立，Ceph的資料存儲均勻性才有保證。為保證“大量”的成立，一方面，object的最大size應該被合理配置，以使得同樣數量的file能夠被切分成更多的object；另一方面，Ceph也推薦PG總數應該為OSD總數的數百倍，以保證有足夠數量的PG可供映射。
（3）PG -> OSD映射
第三次映射就是将作為object的邏輯組織單元的PG映射到資料的實際存儲單元OSD。如圖所示，RADOS采用一個名為CRUSH的算法，将pgid代入其中，然後得到一組共n個OSD。這n個OSD即共同負責存儲和維護一個PG中的所有object。前已述及，n的數值可以根據實際應用中對于可靠性的需求而配置，在生産環境下通常為3。具體到每個OSD，則由其上運作的OSD deamon負責執行映射到本地的object在本地檔案系統中的存儲、通路、中繼資料維護等操作。
和“object -> PG”映射中采用的雜湊演算法不同，這個CRUSH算法的結果不是絕對不變的，而是受到其他因素的影響。其影響因素主要有二：
一是目前系統狀态，也就是在《“Ceph淺析”系列之四——邏輯結構》中曾經提及的cluster map。當系統中的OSD狀态、數量發生變化時，cluster map可能發生變化，而這種變化将會影響到PG與OSD之間的映射。
二是存儲政策配置。這裡的政策主要與安全相關。利用政策配置，系統管理者可以指定承載同一個PG的3個OSD分别位于資料中心的不同伺服器乃至機架上，進而進一步改善存儲的可靠性。
是以，隻有在系統狀态（cluster map）和存儲政策都不發生變化的時候，PG和OSD之間的映射關系才是固定不變的。在實際使用當中，政策一經配置通常不會改變。而系統狀态的改變或者是由于裝置損壞，或者是因為存儲叢集規模擴大。好在Ceph本身提供了對于這種變化的自動化支援，因而，即便PG與OSD之間的映射關系發生了變化，也并不會對應用造成困擾。事實上，Ceph正是需要有目的的利用這種動态映射關系。正是利用了CRUSH的動态特性，Ceph可以将一個PG根據需要動态遷移到不同的OSD組合上，進而自動化地實作高可靠性、資料分布re-blancing等特性。
之是以在此次映射中使用CRUSH算法，而不是其他雜湊演算法，原因之一正是CRUSH具有上述可配置特性，可以根據管理者的配置參數決定OSD的實體位置映射政策；另一方面是因為CRUSH具有特殊的“穩定性”，也即，當系統中加入新的OSD，導緻系統規模增大時，大部分PG與OSD之間的映射關系不會發生改變，隻有少部分PG的映射關系會發生變化并引發資料遷移。這種可配置性和穩定性都不是普通雜湊演算法所能提供的。是以，CRUSH算法的設計也是Ceph的核心内容之一，具體介紹可以參考[2]。
至此為止，Ceph通過三次映射，完成了從file到object、PG和OSD整個映射過程。通觀整個過程，可以看到，這裡沒有任何的全局性查表操作需求。至于唯一的全局性資料結構cluster map，在後文中将加以介紹。可以在這裡指明的是，cluster map的維護和操作都是輕量級的，不會對系統的可擴充性、性能等因素造成不良影響。
一個可能出現的困惑是：為什麼需要同時設計第二次和第三次映射？難道不重複麼？關于這一點，Sage在其論文中解說不多，而筆者個人的分析如下：
我們可以反過來想像一下，如果沒有PG這一層映射，又會怎麼樣呢？在這種情況下，一定需要采用某種算法，将object直接映射到一組OSD上。如果這種算法是某種固定映射的雜湊演算法，則意味着一個object将被固定映射在一組OSD上，當其中一個或多個OSD損壞時，object無法被自動遷移至其他OSD上（因為映射函數不允許），當系統為了擴容新增了OSD時，object也無法被re-balance到新的OSD上（同樣因為映射函數不允許）。這些限制都違背了Ceph系統高可靠性、高自動化的設計初衷。
如果采用一個動态算法（例如仍然采用CRUSH算法）來完成這一映射，似乎是可以避免靜态映射導緻的問題。但是，其結果将是各個OSD所處理的本地中繼資料量爆增，由此帶來的計算複雜度和維護工作量也是難以承受的。
例如，在Ceph的現有機制中，一個OSD平時需要和與其共同承載同一個PG的其他OSD交換資訊，以确定各自是否工作正常，是否需要進行維護操作。由于一個OSD上大約承載數百個PG，每個PG内通常有3個OSD，是以，一段時間内，一個OSD大約需要進行數百至數千次OSD資訊交換。
然而，如果沒有PG的存在，則一個OSD需要和與其共同承載同一個object的其他OSD交換資訊。由于每個OSD上承載的object很可能高達數百萬個，是以，同樣長度的一段時間内，一個OSD大約需要進行的OSD間資訊交換将暴漲至數百萬乃至數千萬次。而這種狀态維護成本顯然過高。
綜上所述，筆者認為，引入PG的好處至少有二：一方面實作了object和OSD之間的動态映射，進而為Ceph的可靠性、自動化等特性的實作留下了空間；另一方面也有效簡化了資料的存儲組織，大大降低了系統的維護管理開銷。了解這一點，對于徹底了解Ceph的對象尋址機制，是十分重要的。
5.2 資料操作流程
此處将首先以file寫入過程為例，對資料操作流程進行說明。
為簡化說明，便于了解，此處進行若幹假定。首先，假定待寫入的file較小，無需切分，僅被映射為一個object。其次，假定系統中一個PG被映射到3個OSD上。
基于上述假定，則file寫入流程可以被下圖表示[3]：
如圖所示，當某個client需要向Ceph叢集寫入一個file時，首先需要在本地完成5.1節中所叙述的尋址流程，将file變為一個object，然後找出存儲該object的一組三個OSD。這三個OSD具有各自不同的序号，序号最靠前的那個OSD就是這一組中的Primary OSD，而後兩個則依次是Secondary OSD和Tertiary OSD。
找出三個OSD後，client将直接和Primary OSD通信，發起寫入操作（步驟1）。Primary OSD收到請求後，分别向Secondary OSD和Tertiary OSD發起寫入操作（步驟2、3）。當Secondary OSD和Tertiary OSD各自完成寫入操作後，将分别向Primary OSD發送确認資訊（步驟4、5）。當Primary OSD确信其他兩個OSD的寫入完成後，則自己也完成資料寫入，并向client确認object寫入操作完成（步驟6）。
之是以采用這樣的寫入流程，本質上是為了保證寫入過程中的可靠性，盡可能避免造成資料丢失。同時，由于client隻需要向Primary OSD發送資料，是以，在Internet使用場景下的外網帶寬和整體通路延遲又得到了一定程度的優化。
當然，這種可靠性機制必然導緻較長的延遲，特别是，如果等到所有的OSD都将資料寫入磁盤後再向client發送确認信号，則整體延遲可能難以忍受。是以，Ceph可以分兩次向client進行确認。當各個OSD都将資料寫入記憶體緩沖區後，就先向client發送一次确認，此時client即可以向下執行。待各個OSD都将資料寫入磁盤後，會向client發送一個最終确認信号，此時client可以根據需要删除本地資料。
分析上述流程可以看出，在正常情況下，client可以獨立完成OSD尋址操作，而不必依賴于其他系統子產品。是以，大量的client可以同時和大量的OSD進行并行操作。同時，如果一個file被切分成多個object，這多個object也可被并行發送至多個OSD。
從OSD的角度來看，由于同一個OSD在不同的PG中的角色不同，是以，其工作壓力也可以被盡可能均勻地分擔，進而避免單個OSD變成性能瓶頸。
如果需要讀取資料，client隻需完成同樣的尋址過程，并直接和Primary OSD聯系。目前的Ceph設計中，被讀取的資料僅由Primary OSD提供。但目前也有分散讀取壓力以提高性能的讨論。
5.3 叢集維護
前面的介紹中已經提到，由若幹個monitor共同負責整個Ceph叢集中所有OSD狀态的發現與記錄，并且共同形成cluster map的master版本，然後擴散至全體OSD以及client。OSD使用cluster map進行資料的維護，而client使用cluster map進行資料的尋址。
在叢集中，各個monitor的功能總體上是一樣的，其互相間的關系可以被簡單了解為主從備份關系。是以，在下面的讨論中不對各個monitor加以區分。
略顯出乎意料的是，monitor并不主動輪詢各個OSD的目前狀态。正相反，OSD需要向monitor上報狀态資訊。常見的上報有兩種情況：一是新的OSD被加入叢集，二是某個OSD發現自身或者其他OSD發生異常。在收到這些上報資訊後，monitor将更新cluster map資訊并加以擴散。其細節将在下文中加以介紹。
Cluster map的實際内容包括：
（1） Epoch，即版本号。Cluster map的epoch是一個單調遞增序列。Epoch越大，則cluster map版本越新。是以，持有不同版本cluster map的OSD或client可以簡單地通過比較epoch決定應該遵從誰手中的版本。而monitor手中必定有epoch最大、版本最新的cluster map。當任意兩方在通信時發現彼此epoch值不同時，将預設先将cluster map同步至高版本一方的狀态，再進行後續操作。
（2）各個OSD的網絡位址。
（3）各個OSD的狀态。OSD狀态的描述分為兩個次元：up或者down（表明OSD是否正常工作），in或者out（表明OSD是否在至少一個PG中）。是以，對于任意一個OSD，共有四種可能的狀态：
—— Up且in：說明該OSD正常運作，且已經承載至少一個PG的資料。這是一個OSD的标準工作狀态；
—— Up且out：說明該OSD正常運作，但并未承載任何PG，其中也沒有資料。一個新的OSD剛剛被加入Ceph叢集後，便會處于這一狀态。而一個出現故障的OSD被修複後，重新加入Ceph叢集時，也是處于這一狀态；
—— Down且in：說明該OSD發生異常，但仍然承載着至少一個PG，其中仍然存儲着資料。這種狀态下的OSD剛剛被發現存在異常，可能仍能恢複正常，也可能會徹底無法工作；
—— Down且out：說明該OSD已經徹底發生故障，且已經不再承載任何PG。
（4）CRUSH算法配置參數。表明了Ceph叢集的實體層級關系（cluster hierarchy），位置映射規則（placement rules）。
根據cluster map的定義可以看出，其版本變化通常隻會由（3）和（4）兩項資訊的變化觸發。而這兩者相比，（3）發生變化的機率更高一些。這可以通過下面對OSD工作狀态變化過程的介紹加以反映。
一個新的OSD上線後，首先根據配置資訊與monitor通信。Monitor将其加入cluster map，并設定為up且out狀态，再将最新版本的cluster map發給這個新OSD。
收到monitor發來的cluster map之後，這個新OSD計算出自己所承載的PG（為簡化讨論，此處我們假定這個新的OSD開始隻承載一個PG），以及和自己承載同一個PG的其他OSD。然後，新OSD将與這些OSD取得聯系。如果這個PG目前處于降級狀态（即承載該PG的OSD個數少于正常值，如正常應該是3個，此時隻有2個或1個。這種情況通常是OSD故障所緻），則其他OSD将把這個PG内的所有對象和中繼資料複制給新OSD。資料複制完成後，新OSD被置為up且in狀态。而cluster map内容也将據此更新。這事實上是一個自動化的failure recovery過程。當然，即便沒有新的OSD加入，降級的PG也将計算出其他OSD實作failure recovery。
如果該PG目前一切正常，則這個新OSD将替換掉現有OSD中的一個（PG内将重新選出Primary OSD），并承擔其資料。在資料複制完成後，新OSD被置為up且in狀态，而被替換的OSD将退出該PG（但狀态通常仍然為up且in，因為還要承載其他PG）。而cluster map内容也将據此更新。這事實上是一個自動化的資料re-balancing過程。
如果一個OSD發現和自己共同承載一個PG的另一個OSD無法聯通，則會将這一情況上報monitor。此外，如果一個OSD deamon發現自身工作狀态異常，也将把異常情況主動上報給monitor。在上述情況下，monitor将把出現問題的OSD的狀态設為down且in。如果超過某一預訂時間期限，該OSD仍然無法恢複正常，則其狀态将被設定為down且out。反之，如果該OSD能夠恢複正常，則其狀态會恢複為up且in。在上述這些狀态變化發生之後，monitor都将更新cluster map并進行擴散。這事實上是自動化的failure detection過程。
由之前介紹可以看出，對于一個Ceph叢集而言，即便由數千個甚至更多OSD組成，cluster map的資料結構大小也并不驚人。同時，cluster map的狀态更新并不會頻繁發生。即便如此，Ceph依然對cluster map資訊的擴散機制進行了優化，以便減輕相關計算和通信壓力。
首先，cluster map資訊是以增量形式擴散的。如果任意一次通信的雙方發現其epoch不一緻，則版本更新的一方将把二者所擁有的cluster map的差異發送給另外一方。
其次，cluster map資訊是以異步且lazy的形式擴散的。也即，monitor并不會在每一次cluster map版本更新後都将新版本廣播至全體OSD，而是在有OSD向自己上報資訊時，将更新回複給對方。類似的，各個OSD也是在和其他OSD通信時，将更新發送給版本低于自己的對方。
基于上述機制，Ceph避免了由于cluster map版本更新而引起的廣播風暴。這雖然是一種異步且lazy的機制，但根據Sage論文中的結論，對于一個由n個OSD組成的Ceph叢集，任何一次版本更新能夠在O(log(n))時間複雜度内擴散到叢集中的任何一個OSD上。
一個可能被問到的問題是：既然這是一種異步和lazy的擴散機制，則在版本擴散過程中，系統必定出現各個OSD看到的cluster map不一緻的情況，這是否會導緻問題？答案是：不會。事實上，如果一個client和它要通路的PG内部的各個OSD看到的cluster map狀态一緻，則通路操作就可以正确進行。而如果這個client或者PG中的某個OSD和其他幾方的cluster map不一緻，則根據Ceph的機制設計，這幾方将首先同步cluster map至最新狀态，并進行必要的資料re-balancing操作，然後即可繼續正常通路。
通過上述介紹，我們可以簡要了解Ceph究竟是如果基于cluster map機制，并由monitor、OSD和client共同配合完成叢集狀态的維護與資料通路的。特别的，基于這個機制，事實上可以自然而然的完成自動化的資料備份、資料re-balancing、故障探測和故障恢複，并不需要複雜的特殊設計。這一點确實讓人印象深刻。
至此為止，本系列文章已經較為系統地介紹了Ceph的設計思想、邏輯架構、工作原理和主要操作流程。最為技術的部分已經結束。之後應該還有兩篇，分别會介紹Ceph與OpenStack的故事，以及筆者個人對于Ceph的一些思考。