ceph之crush算法示例

root@mon0:~# ceph osd tree

# id    weight  type name       up/down reweight

-1      0.05997 root default

-2      0.02998         host osd0

1       0.009995                        osd.1   up      1

2       0.009995                        osd.2   up      1

3       0.009995                        osd.3   up      1

-3      0.02998         host osd1

5       0.009995                        osd.5   up      1

6       0.009995                        osd.6   up      1

7       0.009995                        osd.7   up      1

存储节点

在进一步之前，先考虑这点：Ceph是分布式存储系统，不管其“分布式逻辑”的细节，数据最终是要存储到设备上。

此时有两种选择：直接操作设备，或者由本地文件系统代理。前者表示直接面对硬盘，怎么在硬盘上组织数据都是自己做。后者表示不直接面对硬盘，而是使用已有的文件系统。Ceph使用第二种方式，可选的本地文件系统有ext4、btrfs和xfs等，我们使用ext4.

 

crush算法

设想你是用户，你有一部动作片要存放到Ceph集群中。你拿着你的笔记本来到机房，你所看到的Ceph集群是数个机架的服务器。你在想，我的动作片最终是存储在哪里？

你考虑的实际是数据定位的问题。

常见有两种数据定位方法：

1. 记录。将“数据A：位置location(A)”这样的信息记录下来，访问数据时查询记录，获取位置，再进行读取。
2. 计算。存放和数据A时，其存储位置location(A)是即时计算得到的。能感觉到这种方式更为便利。

常见的计算方式是一致性哈希(consistent hashing)，GlusterFS使用的是这种方式，基本思路是，面对数据A，以数据A的文件名等类似信息为key，通过一致性哈希计算consist_hash(keyA) = location(A)得到存储位置。

ceph使用的是crush算法：Controlled, Scalable, Decentralized Placement of Replicated Data。crush是ceph核心之一，本文也将重点描述。

 

简单来说crush也利用哈希来计算位置，只不过它更多地利用了集群的结构信息。下面通过实例来尝试理解。

 

前文提到rbd、cephfs和rgw这三种使用场景，它们都基于RADOS层。RADOS层对外提供有librados接口，据此可以实现自己的工具。ceph默认提供一个程序rados，通过rados可以直接上传一个object到ceph集群。

mon0# rados put bigfile bigfile.data -p rbd // 将数据bigfile.data上传为object bigfile

mon0# rados ls -p rbd

bigfile

bigfile的存储位置是通过CRUSH计算得来，ceph提供命令可查询一个object的位置。

mon0# ceph osd map rbd bigfile

osdmap e67 pool 'rbd' (1) object 'bigfile' -> pg 1.a342bdeb (1.6b) -> up ([6,3], p6) acting ([6,3], p6)

[6,3]表示bigfile这个object存储在osd.6和osd.3上（ceph集群部署参考前文），并且放置在pg 1.6b下，也即放在目录1.6b下。

验证这一点：

osd0# ls /var/lib/ceph/osd/ceph-6/current/1.6b_head/ -lh

total 61M

-rw-r--r-- 1 root root 61M 10月 29 08:12 bigfile__head_A342BDEB__1 // 感受下object的命名方式

pg (placement group)

上例中提到pg，这是ceph crush数据映射的一个中间层。

 

讨论pg需要提及pool，pool是ceph的一个逻辑概念，用户可在ceph集群上创建数个pool，设置不同的属性，然后根据需求，将不同的数据放在不同的pool中。比如我有两种数据，一种只需要存储2个备份，另一种更重要，我需要存储3个备份，从而可以创建两个pool，设置size=2和size=3。

我的实验环境中只有一个pool，命名为rbd（这个命名是随意的，不要和rbd块设备使用场景混淆），其备份数目是2份：

mon0# ceph osd dump | grep pool

pool 1 'rbd' replicated size 2 min_size 2 crush_ruleset 0 object_hash rjenkins pg_num 128 pgp_num 128 last_change 48 flags hashpspool stripe_width 0

 

 

ceph在pool的概念下提供placement group的概念，并通过参数pg_num指定placement group的数目。从上面的输出可知我的rbd pool下有128个pg。

pg实际对应目录，rbd pool下有128个pg，意即rbd pool设置为有128个目录来存放数据。之所以增加pg层来管理数据，是为了数据管理的便利，也减少了元数据信息量。 

 

rbd pool128个pg，每个pg放置在哪些osd上，这也是计算确定的，计算过程是crush算法的一部分。128个pg整体分散存储在所有osd上，因此在某个osd上，我们不会看到所有128个目录。

1.11_head  1.1f_head  1.27_head  1.33_head  1.39_head  1.42_head  1.4c_head  1.54_head  1.60_head  1.66_head  1.74_head  1.79_head  1.7e_head  1.8_head  1.b_head  1.f_head       nosnap

1.15_head  1.21_head  1.2e_head  1.36_head  1.3_head   1.44_head  1.4f_head  1.56_head  1.61_head  1.6a_head  1.75_head  1.7b_head  1.7f_head  1.9_head  1.d_head  commit_op_seq  omap

1.1b_head  1.26_head  1.2f_head  1.37_head  1.41_head  1.45_head  1.50_head  1.5a_head  1.63_head  1.73_head  1.78_head  1.7c_head  1.7_head   1.a_head  1.e_head  meta

说明：pg的命名方式是${pool_id}.${pg.id}_${snap}，pgid是16进制值，如1.a_head表示128个pg中的第10个pg。

因此crush数据定位算法的大致逻辑是：

• step 1: 输入object id，计算得到它应该被放置在哪个pg下，得到pgid。
• step 2: 输入pgid，计算pg位于哪些osd上。
• step 3: 访问object.

crush计算示例

我们想在这个理解基础上，来了解更多代码细节，考虑到ceph貌似没有提供访问crush算法的接口，我们在ceph0.86的代码上做些修改，让librados提供ceph集群的layout信息，同时将crush代码拎出来做成libcrush，然后利用修改过的librados和libcrush写程序验证crush算法的步骤。

• libcrush代码以及对ceph0.86的改动见：https://github.com/xanpeng/libcrush
• crush算法步骤验证代码见crush-tester.cc：https://gist.github.com/xanpeng/a41a25b5810cb2c8852c#file-crush-tester-cc

 crush-tester.cc main()展示了数据定位的步骤，其逻辑等同于"ceph osd map"的逻辑。需注意：代码是强依赖于我们前文部署的ceph环境的。

int main(int argc, char **argv) { assert(argc == 2); string objname = argv[argc-1]; // 假设objname=bigfile，这一步是通过objname计算得到一个数值，和pg其实没有关系，但官方代码就是这么命名的，我们这里也做类似命名 // bigfile->some_value，这里利用的算法是ceph_str_hash_rjenkins，算法这里不细究，其实也无必要细究。 // 其作用是将不同的objname映射层不同的数值，相信其特点是得到的数值冲突率很低。 pg_t pg = object_to_pg(object_t(objname), object_locator_t(g_pool_id)); printf("objectr_to_pg: %s -> %x\n", objname.c_str(), pg.seed); // bigfile得到的值是a342bdeb，作为这一步的输入。 // 这一步的作用是将这个数值，也即将object bigfile映射到具体的pg。 // 用到的方法其实是取模，根据pg_num做取模计算，对应函数是crush_stable_mod(a342bdeb, 128, 127)=6b。 pg_t mpg = raw_pg_to_pg(pg); printf("raw_pg_to_pg: %x\n", mpg.seed); // 这一步是crush算法的核心步骤， // 输入是pgid=6b，以及ceph集群的layout，也就是crushmap， // 输出是6b的存储位置是哪两个osd（因为备份数设置size=2）， // crush算法的过程在libcrush中，注意这样链接本程序"-lcrush -lrados"，从而使用libcrush而不是librados中的crush代码，这样我们通过介入libcrush去理解crush算法。 // crush算法计算6b的位置的过程见下文。 printf("pg_to_osds:\n"); vector<int> up; pg_to_up_acting_osds(mpg, &up); } 

# g++ crush_tester.cc -o test_crush -lcrush -lrados --std=c++11 -g -O0

# ./test_crush bigfile

objectr_to_pg: bigfile -> a342bdeb

raw_pg_to_pg: 6b

pg_to_osds:

 osd_weight: 0,65536,65536,65536,0,65536,65536,65536,  // 这一输出我觉得奇怪，感觉是错误的，但偏偏最后crush映射的结果是正确的

 ruleno: 0

 placement_ps: 1739805228

 

// 这是crush算法计算6b位置的输出，注意计算依据之一是我们实验环境的crushmap，

// 有数种方法可以从一个live ceph cluster中得到当前的crushmap，我们环境的crushmap见：https://gist.github.com/xanpeng/a41a25b5810cb2c8852c#file-ceph-env-txt

// 通过crushmap可以知道，从crush算法的视角，我们的环境是这样分层的：

// 第一层：root

// id=-1，alg=straw，hash=rjenkins1，包含两个item [osd0, osd1]

// 第二层：host

// host osd0: id=-2, alg=straw, hash=rjenkins1，包含三个item [osd.1, osd.2, osd.3]

// host osd1: id=-3, alg=straw, hash=rjenkins1，包含三个item [osd.5, osd.6, osd.7]，之所以不是4,5,6，表示我操作过程中出过点点纰漏，但无碍。

// 第三层：osd

// 共6个osd，id是[1,2,3,5,6,7]，每个osd有个权重，通过设置osd的权重，影响数据是否存放在当前osd的偏好。

 

---start crush_do_rule---

CHOOSE_LEAF bucket -1 x 1739805228 outpos 0 numrep 2 tries 51 recurse_tries 1 local_retries 0 local_fallback_retries 0 parent_r 0

 

// 算法第一步，从第一层开始，获取第一个数据备份的存放位置，判断我该进入第二层的哪个host。

// 由于第一层设置的alg=straw，表示用straw算法去选取第二层的host，straw算法又利用到rjenkins1哈希算法

// 得到第一个备份存放位置是item -3上，即osd1上

crush_bucket_choose -1 x=1739805228 r=0

 item -3 type 1

 

// 算法第二步，在osd1下的第三层中选一个osd，

// 使用的算法是osd1这个bucket设置的straw+rjenkins1，

// 这是crush算法过程中的第二次哈希。我们的实验环境简单，layout只有三层，在层次更多的环境中，crush需要做更多次数的哈希。

// 得到第一个备份存放位置是osd1上的osd.6

CHOOSE bucket -3 x 1739805228 outpos 0 numrep 1 tries 1 recurse_tries 0 local_retries 0 local_fallback_retries 0 parent_r 0

crush_bucket_choose -3 x=1739805228 r=0

 item 6 type 0

CHOOSE got 6

CHOOSE returns 1

CHOOSE got -3

 

// 算法第三步，计算第二个数据备份的位置，求得位于osd0

crush_bucket_choose -1 x=1739805228 r=1

 item -2 type 1

 

// 算法第四步，同理进而求得第二个备份的位置：osd0上的osd.3

CHOOSE bucket -2 x 1739805228 outpos 1 numrep 2 tries 1 recurse_tries 0 local_retries 0 local_fallback_retries 0 parent_r 0

crush_bucket_choose -2 x=1739805228 r=1

 item 3 type 0

CHOOSE got 3

CHOOSE returns 2

CHOOSE got -2

CHOOSE returns 2

---finish crush_do_rule---

 numrep: 2, raw_osds: [6,3,]

对比执行多次crush-tester和"ceph osd map"，证实上述理解应为正确