分布式开源存储架构Ceph概述

概述

k8s的后端存储中ceph应用较为广泛，当前的存储市场仍然是由一些行业巨头垄断，但在开源市场还是有一些不错的分布式存储，其中包括了Ceph、Swift、sheepdog、glusterfs等

什么是ceph？

Ceph需要具有可靠性（reliability）、可扩展性（scalability）、统一性（unified）和可分布式（distributed）存储特性。

可靠性主要分为两点，

• 第一，写入数据的强一致性，它并非是最终一致性，必须完成多副本的成功写入才能提交
• 第二，通过多副本保证数据不丢失，避免因为单个服务器或者单个机架的故障导致数据丢失。

可扩展性

• 主要指通过增加系统节点数，扩大系统规模的同时，系统的存储容量也相应提高，当然在理想情况下应该成线性关系，Ceph的OSD支持动态添加，
• 当集群容量不足时，通过增加OSD节点便可以扩展集群的容量，并且Ceph能够自动完成数据重新分配。

统一性

• Ceph能够同时支持文件存储、对象存储和块存储。这些特点最终都得利用Ceph分布式的架构设计和去中心化的设计思想

回想当时Sage博士的论文，在传统的通过HA保障高可用的大众方案里面，Ceph超前地使用了CRUSH和Hash环的方案，极具创意

这个视频讲得不错

ceph的架构

分布式存储可以搭建在普通x86服务器集群之上，主要依靠多副本完成数据高可靠性，它提供了Ceph FS（Ceph File System）文件存储系统和POSIX接口、RADOSGW（Reliable Antonomic Distributed Object Storage Gateway）的对象存储，以及最常用的块存储RDB（Rados Block Device）。

整个Ceph存储模块，最底层是RODOS对象存储系统，上面分别通过四种接口对外暴露不同的服务。
1）通过RADOSGW实现AWS的S3接口和OpenStack的Swift接口，提供对象存储服务；
2）通过LIBRADOS提供编程调用的API，支持C++、Python、Java等编程接口；
3）实现POSIX协议的文件存储；
4）通过Librbd块存储库提供块存储接口，可以为虚拟机或者物理机提供虚拟块存储服务。

Ceph OSD

Ceph OSD：Ceph的OSD（Object Storage Device）守护进程。主要功能包括：存储数据、副本数据处理、数据恢复、数据回补、平衡数据分布，并将数据相关的监控信息提供给Ceph Moniter，以便Ceph Moniter来检查其他OSD的心跳状态。一个Ceph存储集群，要求至少有两个Ceph OSD，才能有效地保存两份数据。注意，这里两个Ceph OSD是指运行在两台物理服务器上的，并不是在一台物理服务器上开两个Ceph OSD的守护进程。

Ceph的数据并非直接保存在OSD节点上，需要一定组织形式，这里引入三个概念，既然是对象存储，

第一个概念当然是对象（Object），Ceph最底层的存储单元是对象，默认4MB的存储大小，每个Object包含唯一标识ID、元数据和对象内容。但Ceph并不直接维护object，而是将它们分成逻辑组，这就引出了第二个概念PG（Placement Group，放置组），PG是一个逻辑概念，引入PG这一层其实是为了更好地分配和定位数据，它是数据迁移的最小单位，从图中可以看出一个文件会拆分出很多Object对象，每个对象都有一个ID，称为oid。通过Hash取模确定所属PG，每个对象只属于一个PG，然后将PG分配到一个OSD中，如果对象的副本数是3个，那么这个PG会通CRUSH算法分布到三个OSD中，其中一个OSD的PG是Primary PG（主副本），另外两个OSD上面的是Replicated PG（从副本），Primary PG负责PG中对象读写操作，而Replicated PG是只读的。每个OSD上面都会承载多个PG。整个分布流程图如图

当一个OSD设备发生故障时（主机宕机或者存储设备损坏），这个OSD所有的PG都会处于Degraded（降级）状态，此时数据是可以继续读写的。如果OSD长时间（默认5分钟）无法启动，该OSD会被“踢出”Ceph集群，这些PG会被Monitor根据Crush算法重新分配到其他OSD上。

第三个概念是Pool。Pool是Ceph存储数据时的逻辑分区，它定义了数据的冗余方式（差错码、副本）和副本的分布策略，如下图所示。不同的Pool可以定义不同的数据处理方式，如Replicated Size（副本数）、PG个数、Crush规则等。

Ceph Monitor

Ceph的Monitor是一个守护进程，主要功能是维护集群状态的表，主要是Monitor Map、OSD Map、PG Map等。这些表记录了整个集群的信息。

OSD Map

OSD Map负责记录Ceph集群中所有OSD的信息。OSD节点的变化如节点的加入和退出、OSD运行状态，以及节点权重的变化都会被定时上报到Monitor，并记录到OSD Map里。当新的OSD启动时，此时OSD Map并没有该OSD的情况，OSD会向Monitor申请加入，Monitor在验证其信息后会将其加入到OSD Map中，这里还涉及多个Monitor之间通过Paxos一致性协议保持OSD Map数据在多个Monitor之间数据的一致性。

PG Map

PG Map是由Monitor维护所有PG的状态，每个OSD都会掌握自己所拥有的PG状态。PG迁移需要Monitor通过CRUSH算法做出决定后修改PG Map，相关OSD会得到通知去改变其PG状态。在一个新的OSD启动并加入OSD Map后，Monitor会通知这个OSD需要创建和维护PG。当存在多个副本时，PG的Primary OSD会主动与Replicated角色的PG通信，并且沟通PG的状态。

CRUSH算法

CRUSH可译为可控的、可扩展的、分布式的副本数据放置算法。

通过CRUSH算法计算数据存储位置来确定如何存储和检索，从而Ceph客户端可以直接连接OSD读写数据，而非通过一个中央服务器或代理。数据存储、检索算法的使用，使Ceph避免了单点故障、性能瓶颈和伸缩的物理限制。

CRUSH算法决策需要两个因素

• 第一个因素是需要集群的完整拓扑结构Cluster Map，如图，定义整个OSD层次结构和静态拓扑。一方面CRUSH算法把数据伪随机、尽量平均地分布到整个集群的OSD上；另一方面，OSD层级使CRUSH算法在选择OSD时实现了机架感知能力，也就是通过规则定义，使得副本可以分布在不同的机架、不同的机房中，提供数据的可靠性。
• 第二个因素是放置规则列表，放置规则（CRUSH Rule）定义了从哪个节点开始查找，以及定义查找的方式。

Ceph的文件存储

Ceph的文件存储是建立在底层RADOS存储之上的，它是通过Ceph的Metadata Server （MDS）管理的。

Ceph的MDS

MDS：Ceph的MDS（Metadata Server）守护进程，主要保存的是Ceph FileSystem的元数据。注意，对于Ceph的块设备和Ceph对象存储都不需要Ceph MDS守护进程。只有使用Ceph FS的时候才需要安装。Ceph MDS基于POSIX文件系统的用户提供了一些基础命令的执行，比如ls、find等。Ceph FS读写数据示意图如图所示。

当客户端打开一个文件时，客户端向MDS发送请求，这里需要注意MDS只是负责接受用户的元数据请求，不是文件内容，然后MDS从OSD中把元数据取出来映射进自己的内存中供客户访问。

所以，MDS其实类似一个代理缓存服务器，在这个缓存服务器里面构建了一个目录树，并且可以获取目录下面文件的inode信息。当客户端获取MDS返回的文件后就可以直接与OSD交换了，真正完成数据的读写操作，这样就可以分担用户对OSD的访问压力。

ceph的不足

Ceph本身也存在自身缺陷，开源版本的Ceph部署和维护成本比较高，

Ceph的底层是对象存储，而对象又通过文件系统保存，这样过长地读写I/O路径对性能造成很大影响，并且一致Hash算法并不能保证数据完全均衡和负载。

所以，Ceph更建议在私有云的环境中，部署规模不要超过百台的场景中使用。

Ceph命令和使用

ceph部署

官方建议的机种部署方式

Ceph集群网络拓扑图

ceph 命令

Ceph 块存储的挂载

Ceph最常用的场景是它的RBD块存储。RBD块存储的使用有两种挂载方式，一种是通过nbd，再经过用户态的librbd挂载；另一种是通过内核模块的krdb，这种方式对内核版本有一定要求。Ceph RDB示意图如图

分布式存储架构

基本的原理

基本的原理的都是将文件拆分很多小块，成为条带化，然后将这些数据块通过多副本的方式保存到不同机器上，并记录这些块和文件的对应关系，以及块和机器的对应关系。

Master如何高可用？

为了保持数据的一致性，通常只有一个活动的Master，但单点的Master可靠性会大大降低，所以通常的做法是借助Zookeeper或者etcd，在Master宕机后，备用的Master成为活动的Master并接管之前Master的任务。例如，在HDFS存储中，Master叫作NameNode，分为Active NameNode和Standby NameNode，之间形成互备。其中有一个NameNode处于Active状态，为主NameNode，另外的处于Standby状态，为备NameNode，只有主NameNode才能对外提供读写服务，通过Zookeeper完成主备切换。

数据如何保持高可靠？

在分布式存储中，数据的高可靠通常不依赖底层的RAID，通过多副本或者erasure code的方式保证数据的可靠性。如果一个副本丢失，会拷贝一份其他节点的副本，通常是3副本的方式保存，一个主副本可读可写，而从副本只读。所有分布式系统都不能违背CAP定理，C（Consistency）的一致性，在这里指多副本数据的一致性；A（Availability）即可用性，这里指能够随时读写数据；P（Partition tolerance）即分区容错性，这里指能够容忍网络中断出现分区的情况。

在分布式系统中，P通常是必须要保证的，所以基本是在C和A中权衡。如果选择C则放弃可用性，当集群数据出现一致性问题后则停止对外提供数据写服务；如果是选择A，则可能会出现多副本数据不一致情况。但CAP现在已经有点过时了，因为A并不是绝对的可用或者不可用，而C也并不是一直保持强一致性。通常在一些要求不高的场景下，保证基本可用和弱一致即可，对应的是eBay工程师提出的BASE理论。BASE指基本可用（Basically Available）、软状态（Soft State）和最终一致性（Eventual Consistency），放弃了强一致，保证高可用。

数据如何分布？

这里通常有两种方式，一种是通过元数据的方式标识数据的分布的，例如，在HDFS中，NameNode里面保存所有块的元数据，元数据记录了块的名称，副本数，副本分布DataNode存储路径。另一种是通过DHT等算法计算并得到数据的分布，例如Swift采用的一致性Hash环算法，还有Ceph采用的rados算法。他们各有利弊，通过元数据的方式，避免在添加节点时数据迁移，但需要额外维护一套元数据，而通过算法的方式可以避免使用元数据，但在增减节点的时候，整个算法需要重新计算，导致大量数据重新分布，不仅影响集群性能，还有可能造成集群暂时不可用。

故障如何恢复？

首先是故障检测，master的故障检测上面已经介绍了，如果采用Metadata服务，需要将Metadata保存在高可用的数据存储中，如MySQL或者etcd中，从而避免切换master导致数据的丢失情况。如果是存储节点的检测则分为两种情况，第一种是整个计算节点宕机，这种情况一般是通过心跳解决，存储节点定时上报自己的状态和节点上面副本的情况，如果超时上报则认为节点故障，需要恢复整个节点的数据副本；第二种情况是磁盘故障，如果读写I/O报错、磁盘检查工具检查磁盘故障等，这种情况通常需要将磁盘隔离，并复制故障盘的数据。