打造高性能、高可靠的块存储系统

1、打造高性能、高可靠的块存储系统块存储系统分布式存储有出色的性能，可以扛很多故障，能够轻松扩展，所以我们使用Ceph构建了高性能、高可靠的块存储系统，并使用它支撑公有云和托管云的云主机、云硬盘服务。由于使用分布式块存储系统，避免了复制镜像的过程，所以云主机的创建时间可以缩短到10秒以内，而且云主机还能快速热迁移，方便了运维人员对物理服务器上硬件和软件的维护。用户对于块存储系统最直观的感受来源于云硬盘服务，现在我们的云硬盘的特点是：· 每个云硬盘最大支持 6000 IOPS和170 MB/s的吞吐率，95%的4K随机写操作的延迟小于2ms 。· 所有数据都是三副本，强一致性，持

2、久性高达10个9。· 创建、删除、挂载、卸载都是秒级操作。· 实时快照。· 提供两种云硬盘类型，性能型和容量型。软硬件配置经过多轮的选型和测试，并踩过无数的坑之后，我们选择了合适我们的软件和硬件。软件硬件· 从SATA磁盘到SSD，为了提高IOPS和降低Latency。· 从消费级SSD到企业级SSD，为了提高可靠性。· 从RAID卡到HBA卡，为了提高IOPS和降低Latency。最小部署架构随着软硬件的升级，需求的调整， 我们的部署架构也不断在演进，力求在成本、性能、可靠性上达到最佳平衡点。最小规模部署中有12个节点，每个节点上有

3、3块SSD。节点上有2个万兆口和1个千兆口，虚拟机网络和存储网络使用万兆口，管理网络使用千兆口。每个集群中都有3个Ceph Monitor节点。轻松扩展云计算的好处是极强的扩展性，作为云计算的底层架构，也需要有快速的Scale-out能力。在块存储系统的部署架构中，可以以12台节点为单位进行扩展。改造OpenStack原生的OpenStack并不支持统一存储，云主机服务Nova、镜像服务Glance、云硬盘服务Cinder的后端存储各不相同，造成了严重的内耗。我们把这三大服务的后端统一起来，进行高效管理，解决了虚拟机创建时间长和镜像风暴等问题，还能让虚拟机随便漂移。原生的OpenStack改造

4、后的OpenStack使用原生的OpenStack创建虚拟机需要13分钟，而使用改造后的OpenStack仅需要不到10秒钟时间。这是因为nova-compute不再需要通过HTTP下载整个镜像，虚拟机可以通过直接读取Ceph中的镜像数据进行启动。我们还增加两个OpenStack没有的功能: QoS 和 共享云硬盘。云计算的另外一个好处是租户资源隔离，所以必备QoS。共享云硬盘可以挂载给多台云主机，适用于数据处理的场景。我们还使用了OpenStack的multi-backend功能，支持多种云硬盘类型，现在我们的云硬盘类型有性能型、容量型，可以满足数据库和大文件应用。高性能存储系统主要的性能指

5、标是IOPS和Latency。我们对于IOPS的优化已经达到了硬件的瓶颈，除非更换更快的固态硬盘或者闪存卡，或者是改变整个架构。我们对于Latency的优化也快接近完成，可以达到企业级存储的水平。复杂的I/O栈整个块存储系统有着长长的I/O栈，每个I/O请求要穿过很多线程和队列。优化操作系统优化操作系统的参数可以充分利用硬件的性能。CPU· 关闭CPU节能模式· 使用Cgroup绑定Ceph OSD进程到固定的CPU Cores上Memory· 关闭NUMA· 设置vm.swappiness=0Block· 设置SSD的调度算法为deadlin

6、eFileSystem· 设置挂载参数”noatime nobarrier”优化QemuQemu作为块存储系统的直接消费者，也有很多值得优化的地方。· Throttle: 平滑的I/O QoS算法· RBD: 支持discard和flush· Burst: 支持突发请求· Virt-scsi: 支持多队列优化Ceph我们对于Ceph的优化是重头戏，有很多问题也是时间长、规模上去之后才暴露出来的。高可靠性存储需要高可靠性，保证数据可用并且数据不丢失。因为我们的架构中没有使用UPS和NVRAM，所以写请求的数据都是落到三块硬盘之后才返回，这样最大限

7、度地保证了用户的数据安全。如何计算持久性持久性是数据丢失的概率，可以用于度量一个存储系统的可靠性，俗称 “多少个9”。数据的放置(DataPlacement)决定了数据持久性，而Ceph的CRUSH MAP又决定了数据的放置，因此CRUSH MAP的设置决定了数据持久性。但是，即时我们知道需要修改CRUSH MAP的设置，但是我们应该怎么修改CRUSH MAP的设置呢，我们该如何计算数据持久性呢?我们需要一个计算模型和计算公式，通过以下资料，我们可以构建一个计算模型和计算公式。· Reliability model· CRUSH: Controlled, Scalable,

8、 Decentralized Placement of Replicated Data· Copysets: Reducing the Frequency of Data Loss in Cloud Storage· Ceph的CRUSH数据分布算法介绍最终的计算公式是： P = func(N, R, S, AFR)· P: 丢失所有副本的概率· N: 整个Ceph Pool中OSD的数量· R: 副本数· S: 在一个Bucket中OSD的个数· AFR: 磁盘的年平均故障率这个计算模型是怎么样得到计算公式的呢?下面是4个

9、步骤。1. 先计算硬盘发生故障的概率。2. 定义哪种情况下丢失数据不能恢复。3. 计算任意R个OSD发生故障的概率。4. 计算Ceph丢失PG的概率。硬盘发生故障的概率是符合泊松分布的：· fit = failures in time = 1/MTTF = 1/MTBF = AFR/(24*365)· 事件概率 Pn(,t) = (t)n e-t / n!Ceph的每个PG是有R份副本的，存放在R个OSD上，当存有这个PG的R个OSD都发生故障时，数据是不可访问的，当这R个OSD都损坏时，数据是不可恢复的。计算一年内任意R个OSD发生相关故障概率的方法是：1. 计算一年内有

10、OSD发生故障的概率。2. 在Recovery时间内，(R-1)个OSD发生故障的概率。3. 以上概率相乘，就是一年内任意R个OSD发生相关故障概率，假设是 Pr。4. N个OSD中，任意R个OSD的组合数是C(R, N)。因为这任意R个OSD不一定存有同一个PG的副本，所以这任意R个OSD发生故障并不会导致数据不可恢复，也就是不一定会导致数据丢失。假设每个PG对应一组OSD(有R个OSD， 称之为Copy Set)，有可能多个PG对应同一组OSD。假设有M个不同的Copy Set， M是一个非常重要的数字。我们再来对Copy Set进行精确的定义：Copy Set上至少有一个PG的所有副本，

11、当这个Copy Set损坏时，这个PG的所有副本也会丢失，这个PG上的所有数据就不可恢复。所以Ceph丢失数据的事件就是Ceph丢失PG， Ceph丢失PG就是有一个Copy Set发生损坏，一个Copy Set丢失的概率就是 P = Pr * M / C(R, N) 。持久性公式就是个量化工具，它可以指明努力的方向。我们先小试牛刀，算一下默认情况下的持久性是多少?假设我们有3个机架，每个机架上有8台节点，每个几点上有3块硬盘，每个硬盘做一个OSD，则一共有72个OSD。默认的crush map设置如下所示通过持久性公式，我们得到下面的数据。默认情况下，持久性有8个9，已经比一般的RAID5、

12、RAID10要高，和RAID6差不多，但是还不能满足公有云的要求，因为公有云的规模很大，故障事件的数学期望也会很大，这就逼着我们尽量提高持久性。提高持久性的方法有很多，比如增加副本数，使用Erase Code等。不过这些方法都有弊端，增加副本数势必会扩大成本;使用Erase Code会导致Latency提高，不适合于块存储服务。在成本和Latency的制约下，还有什么办法可以提高持久性呢?前面我们已经得到一个量化公式 P = Pr * M / C(R, N)， 我们从量化公式入手，去提高持久性(也就是降低P)。要想降低P， 就得降低Pr、M，或者是提高C(R, N)。因为C(R, N)已经确定

13、，我们只能降低Pr和M。降低恢复时间从Pr的定义可以知道Pr与恢复时间有关，恢复时间越短，Pr的值越低。那么恢复时间跟什么有关系呢？我们需要增加更多的OSD用于数据恢复，以便减少恢复时间。目前host bucket不能增加更多的OSD，这是因为主机的网络带宽限制和硬盘插槽限制。解决办法是从CRUSH MAP入手，增加一种虚拟的Bucket: osd-domain， 不再使用host bucket。通过使用osd-domain bucket，我们把持久性提高了10倍，现在持久性有9个9。减少Coepy Set个数如何减少Copy Set的个数呢?Copy Sets是和PG的映射有关的，我们从CR

14、USH MAP的规则和条件入手，减少Copy Set的个数。解决办法增加虚拟的Bucket: replica-domain， 不再使用rack bucket。每个PG必须在一个replica-domain上，PG不能跨replica-domain，这样可以显著减少Copy Set的个数。通过使用replica-domain，现在的持久性有10个9，持久性比默认的crush map设置提高了100倍。自动化运维Ceph的运维比较费心，稍有差池，整个云平台都会受到影响，因此我们觉得运维的目标是可用性：减少不必要的数据迁移，进而减少slow requests，保证SLA。部署我们整个云平台都是使用P

15、uppet部署的，因此我们使用了Puppet去部署Ceph。一般Ceph的安装是分阶段的：1. 安装好Ceph Monitor集群。2. 格式化Disk，使用文件系统的UUID去注册OSD， 得到OSD ID。3. 根据OSD ID去创建数据目录，挂载Disk到数据目录上。4. 初始化CRUSH MAP。Puppet只需要完成前三步，第四步一般根据具体情况用脚本去执行。因为OSD ID是在执行过程中得到的，而Puppet是编译后执行，这是一个悲伤的故事，所以puppet-ceph模块必须设计成retry的。相比eNovance和Stackforge的puppet-ceph模块，我们的puppe

16、t-ceph模块的优点是：· 更短的部署时间· 支持Ceph所有的参数· 支持多种硬盘类型· 使用WWN-ID替代盘符。维护升级Ceph的过程很简单，三条命令就可以搞定：1. ceph osd set noout #避免在异常情况下不可控2. ceph osd down x #提前mark down， 减少slow request3. service ceph restart osd.x更换硬件或者升级内核时需要对机器进行重启，步骤也很简单:1. 把这台机器上的虚拟机迁移到其他机器上2. ceph osd set noout3. ceph osd dow

17、n x #把这个机器上的OSD都设置为down状态4. service ceph stop osd.x5. 重启机器扩展集群的时候需要非常小心，因为它会触发数据迁移：1. 设置crush map2. 设置recovery options3. 在凌晨12点触发数据迁移4. 观察数据迁移的速度，观察每个机器上网口的带宽，避免跑满5. 观察slow requests的数量你总会碰到硬盘损坏的时候，替换硬盘时需要非常小心，你要小心的设置crush map，你要保证要替换硬盘过程中replica-domain的weight的值是不变的，这样才能保证不必须要的数据迁移。监控Ceph自家的Calamari长

18、得不错，但是不够实用，而且它的部署、打包还不完善，在CentOS上还有一些BUG，我们只能继续使用原有的工具。· 收集：使用diamond，增加新的colloctor，用于收集更详细的数据。· 保存：使用graphite，设置好采集精度和保存精度。· 展示：使用grafana，挑了十几个工具，发现还是grafana好看好用。· 报警：zabbix agent && ceph health我们根据Ceph软件架构对每个OSD分成了很多个throttle层，下面是throttle模型：有了throttle model，我们可以对每个throttle进行监控，我们在diamond上增加了新的collector用于对这些throttle进行监控，并重新定义了metric name。最后，我们可以得到每个OSD每层throttle的监控数据。但平时只会关注IOPS、吞吐率、OSD Journal延迟、读请求延迟、容量使用率等。事故在云平台上线已经快一年了，我们遇到的大小事故有：· SSD GC问题，会导致读写请求的Latency非常大，飙到几百毫秒。· 网络故障，会导致Monitor把OSD设置为down状态。· Ce