ceph介绍、原理、架构、算法...个人学习记录

前言

之前公司安排出差支援非结构化项目，采用springcloud+(redis+mysql数据冷热处理)+s3+es+ceph+kafka还涉及一些区块链技术等等…，在与大佬的沟通交流下对ceph产生了兴趣，私下学习记录一下；后续工作之余会采用上面相关技术栈手动实现不带公司业务的项目，可能不会分享出来；
ceph集群部署、Amazon S3 API java uitl
这篇记录学习ceph的相关知识

ceph简介

• ceph是⼀种分布式存储系统，可以将多台服务器组成⼀个超⼤集群，把这些机器中的磁盘资源整合到⼀块⼉，形成⼀个⼤的资源池，⽀持PB级别，然后按需分配给客户端应⽤使⽤。
• ⽀持三种存储接口： 对象存储、块存储、⽂件存储。
• 采⽤CRUSH算法，数据分布均衡，并⾏度⾼，不需要维护固定的元数据结构（与结构化存储不同，理解为非结构化）。
• CRUSH需要集群的映射，使⽤CRUSH映射在OSDs中伪随机存储和检索数据，数据在集群中均匀分布，数据具有强⼀致性，确保所有副本写⼊完成后才返回确认，适合读多写少的场景。
• 去中⼼化，没有固定的中⼼节点，集群扩展灵活。
• 去中⼼化的分布式解决⽅案，需要提前做好组件和节点部署规划设计。
• ceph扩容时，由于其数据分布均衡的特性，会导致整个存储系统性能下降。

ceph核心组件

• Monitor（ceph-mon）：维护集群Cluster Map的状态，维护集群的Cluster MAP⼆进制表，保证集群数据的⼀致性。Cluster
  MAP描述了对象块存储的物理位置，以及⼀个将设备聚合到物理位置的桶列表，map中包含monitor组件信息，manger 组件信息，osd
  组件信息，mds 组件信息，crush 算法信息。还负责ceph集群的身份验证功能，client 在连接ceph集群时通过此组件进⾏验证。
• OSD（ceph-osd）：OSD全称Object Storage Device，⽤于集群中所有数据与对象的存储。ceph 管理物理硬盘时，引⼊了OSD概念，每⼀块盘都会针对的运⾏⼀个OSD进程。换句话说，ceph 集群通过管理 OSD
  来管理物理硬盘。负责处理集群数据的复制、恢复、回填、再均衡，并向其他osd守护进程发送⼼跳，然后向Mon提供⼀些监控信息。当Ceph存储集群设定数据有两个副本时（⼀共存两份），则⾄少需要三个OSD守护进程即三个OSD节点，集群才能达到active+clean状态，实现冗余和⾼可⽤。
• Manager（ceph-mgr）：⽤于 收集ceph集群状态、运⾏指标，⽐如存储利⽤率、当前性能指标和系统负载。对外提供 ceph dashboard（ceph ui）和 resetful api。Manager组件开启⾼可⽤时，⾄少2个实现⾼可⽤性。
• MDS（ceph-mds）：Metadata server，元数据服务。为ceph ⽂件系统提供元数据计算、缓存与同步服务（ceph 对象存储和块存储不需要MDS）。同样，元数据也是存储在osd节点中的，mds类似于元数据的 代理缓存服务器，为 posix
  ⽂件系统⽤户提供性能良好的基础命令（ls，find等）不过只是在需要使⽤CEPHFS时，才需要配置MDS节点。
• Object：Ceph最底层的存储单元是Object对象，每个Object包含元数据和原始数据。
• PG：PG全称Placement Grouops，是⼀个逻辑的概念，⼀个PG包含多个OSD。引⼊PG这⼀层其实是为了更好的分配数据和定位数据。
• RADOS：RADOS全称Reliable Autonomic Distributed Object Store（可靠、⾃治、分布式对象存储），是Ceph集群的精华，⽤户实现数据分配、Failover（故障转移）等集群操作。
• Libradio驱动库：Librados是Rados提供库，因为RADOS是协议很难直接访问，因此上层的RBD、RGW和CephFS都是通过librados访问的，⽬前提供PHP、Ruby、Java、Python、C和C++⽀持。
• CRUSH：Ceph使⽤的数据分布算法，类似⼀致性哈希，让数据分配到预期的地⽅。
• RBD：RBD全称RADOS block device，是Ceph对外提供的块设备服务。
• RGW：RGW全称RADOS gateway，是Ceph对外提供的对象存储服务，接⼝与S3和Swift兼容。
• CephFS：CephFS全称Ceph File System，是Ceph对外提供的⽂件系统服务。

核心架构

基础存储系统RADOS

• RADOS(Reliable Autonomic Object Store，可靠、⾃动、分布式对象存储)是ceph存储集群的基础，这⼀层本身就是⼀个完整的对象存储系统。Ceph的⾼可靠、⾼可扩展、⾼性能、⾼⾃动化等等特性本质上也都是由这⼀层所提供的，在ceph中，所有数据都以对象的形式存储，并且⽆论什么数据类型，RADOS对象存储都将负责保存这些对象，确保了数据⼀致性和可靠性。
• RADOS系统主要由两部分组成，分别是OSD(对象存储设备)和Monitor（监控OSD）。
• 能够在动态变化和异质结构的存储设备机群之上提供⼀种稳定、可扩展、⾼性能的单⼀逻辑对象(Object)存储接⼝和能够实现节点的⾃适应和⾃管理的存储系统。
• 在传统分布式存储架构中，存储节点往往仅作为被动查询对象来使⽤，随着存储规模的增加，数据⼀致性的管理会出现很多问题。⽽新型的存储架构倾向于将基本的块分配决策和安全保证等操作交给存储节点来做，然后通过提倡客户端和存储节点直接交互来简化数据布局并减⼩io瓶颈。

基础库LIBRADOS

LIBRADOS基于RADOS之上，它允许应⽤程序通过访问该库来与RADOS系统进⾏交互，⽀持多种编程语⾔，⽐如C、C++、Python等。

上层接⼝RADOSGW、RBD和CEPHFS

• 基于LIBRADOS层开发的三个接⼝：RGW、RBD、CephFS，其作⽤是在librados库的基础上提供抽象层次更⾼、更便于应⽤或客户端使⽤的上层接⼝。
• RADOS GW（简称RGW）提供对象存储服务，是⼀套基于RESTFUL协议的⽹关，⽀持对象存储，兼容S3和Swift。
• RBD提供分布式的块存储设备接⼝，主要⾯向虚拟机提供虚拟磁盘，可以被映射、格式化，像磁盘⼀样挂载到服务器使⽤。
• CephFS是⼀个POSIX兼容的分布式⽂件系统，依赖MDS来跟踪⽂件层次结构，基于librados封装原⽣接⼝，它跟传统的⽂件系统如 Ext4 是⼀个类型的，但区别在于分布式存储提供了并⾏化的能⼒，像NFS等也是属于⽂件系统存储。
• 这⾥提到了两个对象，⼀个是RGW中的对象存储；⼀个是Ceph的后端存储的对象，这两个需要区分： 第⼀个对象⾯向⽤户，是⽤户接⼝能访问到的对象； 第⼆个对象是ceph 服务端操作的对象。

ceph存储接口

• ⽀持三种存储接⼝：对象存储，块存储，⽂件存储，三种⽅式可⼀同使⽤，在底层的数据存储是一致的。⽀持⾃定义接⼝，⽀持多种语⾔驱动。
• ceph是⼀套存储系统但它同时提供：对象存储、块设备存储、⽂件系统存储。
• 对象存储（Object）：有原生的API，而且也兼容OpenStack Swift API和Amazon S3 API。
• 块设备存储（Block）：支持精简配置、快照、克隆。
• ⽂件系统存储（File）：Posix接口，支持快照。

三种存储

块存储

• 主要是将裸磁盘空间映射给主机使用的；（磁盘阵列，硬盘）。
• 多块硬盘组合起来，提高容量；多块磁盘组合出来的逻辑盘，提升读写效率。但是，主机之间无法共享数据。
• 通过Raid与LVM等手段，对数据提供了保护，但是采用SAN架构组网时，光纤交换机，造价成本高。
• rbd：(rados block devices) 是由ceph集群提供出来的块设备。rbd是通过⽹络连接到了ceph集群中的⼀块存储区域，往rbd设备⽂件写⼊数据，最终会被存储到ceph集群的这块区域中。延升：sda和hda都是通过数据线连接到了真实的硬盘。
• 你可以理解为：往rbd设备⽂件写⼊数据，最终会被存储到ceph集群的这块区域中。

文件存储

• 克服了块存储文件无法共享的问题。
• 在服务器上架设FTP与NFS服务，就是文件存储。
• 造价低，随便一台机器就可以了，但是读写速率低。
• 方便文件共享，但是传输速率慢。

对象存储

• 多台服务器内置大容量硬盘，安装上对象存储管理软件，对外提供读写访问功能，有原生的API，而且也兼容OpenStack Swift API和Amazon S3 API。
• 具备块存储的读写高速和文件存储的共享等特性。
• 使⽤⽅式是通过http协议上传下载删除对象（⽂件即对象）。
• ⽂件系统存储具有复杂的数据组织结构，能够提供给⽤户更加丰富的数据操作接⼝，⽽对象存储精简了数据组织结构，提供给⽤户有限的数据操作接⼝，以换取更好的存储性能。对象接⼝提供了REST API，⾮常适⽤于作为web应⽤的存储。

块设备接口与文件系统接口区别

Ceph的块设备具有优异的读写性能，但不能多处挂载同时读写，⽬前主要⽤在OpenStack上作为虚拟磁盘；⽽Ceph的⽂件系统接⼝读写性能较块设备接⼝差，但具有优异的共享性。

为什么Ceph的块设备接⼝不具有共享性，⽽Ceph的⽂件系统接⼝具有呢？

• 对于Ceph的块设备接⼝，⽂件系统的结构状态是维护在各⽤户机内存中的。假设Ceph块设备同时挂载到了⽤户机1和⽤户机2，当在⽤户机1上的⽂件系统中写⼊数据后，更新了⽤户机1的内存中⽂件系统状态，最终数据存储到了Ceph集群中，但是此时⽤户机2内存中的⽂件系统并不能得知底层Ceph集群数据已经变化⽽维持数据结构不变，因此⽤户⽆法从⽤户机2上读取⽤户机1上新写⼊的数据。
• 对于Ceph的⽂件系统接⼝，⽂件系统的结构状态是维护在远端Ceph集群中的。Ceph⽂件系统同时挂载到了⽤户机1和⽤户机2，当往⽤户机1的挂载点写⼊数据后，远端Ceph集群中的⽂件系统状态结构随之更新，当从⽤户机2的挂载点访问数据时会去远端Ceph集群取数据，由于远端Ceph集群已更新，所有⽤户机2能够获取最新的数据。

ceph底层存储过程

ceph IO算法

1. File用户需要读写的文件。File->Object映射：ino (File的元数据，File的唯一id)。
2. Object是RADOS需要的对象。Ceph指定一个静态hash函数计算oid的值，将oid映射成一个近似均匀分布的伪随机值，然后和mask按位相与，得到pgid。Object->PG映射：
   hash(oid) & mask-> pgid 。
3. PG(Placement Group),用途是对object的存储进行组织和位置映射, (类似于redis cluster里面的slot的概念)
   一个PG里面会有很多object。采用CRUSH算法，将pgid代入其中，然后得到一组OSD。PG->OSD映射：CRUSH(pgid)->(osd1,osd2,osd3)。

IO流程

1. client 创建cluster handler。
2. client 读取配置文件。
3. client 连接上monitor，获取集群map信息。
4. client 读写io 根据crshmap 算法请求对应的主osd数据节点。
5. 主osd数据节点同时写入另外两个副本节点数据。
6. 等待主节点以及另外两个副本节点写完数据状态。
7. 主节点及副本节点写入状态都成功后，返回给client，io写入完成。

新加入的OSD1取代了原有的 OSD4成为 Primary OSD

这时新加入的OSD1取代了原有的 OSD4成为 Primary OSD, 由于 OSD1 上未创建 PG , 不存在数据，那么 PG 上的 I/O 无法进行，怎样工作的呢？

1. client连接monitor获取集群map信息。
2. 同时新主osd1由于没有pg数据会主动上报monitor告知让osd2临时接替为主。
3. 临时主osd2会把数据全量同步给新主osd1。
4. client IO读写直接连接临时主osd2进行读写。
5. osd2收到读写io，同时写入另外两副本节点。
6. 等待osd2以及另外两副本写入成功。
7. osd2三份数据都写入成功返回给client, 此时client io读写完毕。
8. 如果osd1数据同步完毕，临时主osd2会交出主角色。
9. osd1成为主节点，osd2变成副本。

ceph RBD IO

1. 采用的是librbd的形式，使用librbd创建一个块设备，向这个块设备中写入数据。
2. 在客户端本地同过调用librados接口，然后经过pool，rbd，object、pg进行层层映射,在PG这一层中，可以知道数据保存在哪3个OSD上，这3个OSD分为主从的关系。
3. 客户端与primay OSD建立SOCKET 通信，将要写入的数据传给primary OSD，由primary OSD再将数据发送给其他replica OSD数据节点。

1. 客户端创建一个pool，需要为这个pool指定pg的数量。
2. 创建pool/image rbd设备进行挂载。
3. 用户写入的数据进行切块，每个块的大小默认为4M，并且每个块都有一个名字，名字就是object+序号。
4. 将每个object通过pg进行副本位置的分配。
5. pg根据cursh算法会寻找3个osd，把这个object分别保存在这三个osd上。
6. osd上实际是把底层的disk进行了格式化操作，一般部署工具会将它格式化为xfs文件系统。
7. object的存储就变成了存储一个文rbd0.object1.file。

Pool和PG分布

1. pool是ceph存储数据时的逻辑分区，它起到namespace的作用。
2. 每个pool包含一定数量(可配置)的PG。
3. PG里的对象被映射到不同的Object上。
4. pool是分布到整个集群的。
5. pool可以做故障隔离域，根据不同的用户场景不一进行隔离。

OSD数据扩容

每个OSD上分布很多PG, 并且每个PG会自动散落在不同的OSD上。如果扩容那么相应的PG会进行迁移到新的OSD上，保证PG数量的均衡。

心跳机制

ceph 心跳检测

• OSD节点会监听public、cluster、front和back四个端口。
• public端口：监听来自Monitor和Client的连接。
• cluster端口：监听来自OSD Peer的连接。
• front端口：供客户端连接集群使用的网卡, 这里临时给集群内部之间进行心跳。
• back端口：供客集群内部使用的网卡。集群内部之间进行心跳。
• hbclient：发送ping心跳的messenger。

OSD之间相互心跳检测

• 同一个PG内OSD互相心跳，他们互相发送PING/PONG信息。
• 每隔6s检测一次(实际会在这个基础上加一个随机时间来避免峰值)。
• 20s没有检测到心跳回复，加入failure队列。

OSD与Mon心跳检测

OSD报告给Monitor：

1. OSD有事件发生时（比如故障、PG变更）。
2. 自身启动5秒内。
3. OSD周期性的上报给Monito：
   3.1 OSD检查failure_queue中的OSD失败信息。
   3.2 向Monitor发送失效报告，并将失败信息加入failure_pending队列，然后将其从failure_queue移除。
   3.3 收到来自failure_queue或者failure_pending中的OSD的心跳时，将其从两个队列中移除，并告知Monitor取消之前的失效报告。
   3.4 当发生与Monitor网络重连时，会将failure_pending中的错误报告加回到failure_queue中，并再次发送给Monitor。
4. Monitor统计下线OSD：
   4.1 Monitor收集来自OSD的失效报告。
   4.2 当错误报告指向的OSD失效超过一定阈值，且有足够多的OSD报告其失效时，将该OSD下线。

Ceph通过OSD汇报失效节点和Monitor统计来自OSD的心跳两种方式判定OSD节点失效。

ceph通信框架

• Accepter监听peer的请求, 调用 SimpleMessenger::add_accept_pipe() 创建新的 Pipe 到 SimpleMessenger::pipes 来处理该请求。
• Pipe用于消息的读取和发送。该类主要有两个组件，Pipe::Reader，Pipe::Writer用来处理消息读取和发送。
• Messenger作为消息的发布者, 各个 Dispatcher 子类作为消息的订阅者, Messenger 收到消息之后， 通过 Pipe 读取消息，然后转给 Dispatcher 处理。
• Dispatcher是订阅者的基类，具体的订阅后端继承该类,初始化的时候通过 Messenger::add_dispatcher_tail/head 注册到 Messenger::dispatchers.
  收到消息后，通知该类处理。
• DispatchQueue该类用来缓存收到的消息, 然后唤醒 DispatchQueue::dispatch_thread 线程找到后端的 Dispatch 处理消息。

CRUSH算法

• CRUSH算法：（Controlled Scalable Decentralized Placement of Replicated Data），可控的、可扩展的、分布式的副本数据放置算法。
• pg到OSD的映射的过程算法叫做CRUSH 算法。(一个Object需要保存三个副本，也就是需要保存在三个osd上)。
• CRUSH算法是一个伪随机的过程，他可以从所有的OSD中，随机性选择一个OSD集合，但是同一个PG每次随机选择的结果是不变的，也就是映射的OSD集合是固定的。

CRUSH算法原理

CRUSH算法因子：层级化的Cluster Map、Placement Rules。

层级化的Cluster Map

1. 树形结构，OSDMap更多记录的是OSDMap的属性(epoch/fsid/pool信息以及osd的ip等等)。
2. 叶子节点是device（也就是osd），其他的节点称为bucket节点，这些bucket都是虚构的节点，可以根据物理结构进行抽象，当然树形结构只有一个最终的根节点称之为root节点，中间虚拟的bucket节点可以是数据中心抽象、机房抽象、机架抽象、主机抽象等。

Placement Rules（数据分布策略）

Bucket随机算法

• 一般的buckets：适合所有子节点权重相同，而且很少添加删除item。
• list buckets：适用于集群扩展类型。增加item，产生最优的数据移动，查找item，时间复杂度O(n)。 tree buckets：查找负责度是O (log n), 添加删除叶子节点时，其他节点node_id不变。
• straw buckets：允许所有项通过类似抽签的方式来与其他项公平“竞争”。定位副本时，bucket中的每一项都对应一个随机长度的straw，且拥有最长长度的straw会获得胜利（被选中），添加或者重新计算，子树之间的数据移动提供最优的解决方案。

ceph 官方QOS原理

（目前官方QOS模块属于半成品）

补充

• mClock是一种基于时间标签的I/O调度算法，最先被Vmware提出来的用于集中式管理的存储系统。(目前官方QOS模块属于半成品)。