AdaM: An Adaptive Fine-Grained Scheme for Distributed Metadata Management——泛读论文

ICPP 2019 Paper 分布式元数据论文汇总

问题

为了同时解决元数据局部性和元数据服务器的负载均衡。

现有方法缺陷

• 基于哈希的方法：zFS [16]，CalvinFS [21]，DROP [24]，AngleCut [8]

• 静态子树划分：HDFS [6], NFS [14], PVFS2 [25], CXFS [10] and Coda [17]

• 动态子树划分：Ceph [22], Kosha [2] and GIGA+ [13]

• 其他：Dynamic Dir-Grain [23]

现有的方法采用基于历史的粗粒度方法，动态地将节点重新分配到不同的服务器，未能及时而有效地更新节点的分布。这种设计存在两个主要限制：第一，分布式更新基于定期的历史统计数据，因此会滞后于访问模式的变化；第二，粗粒度的迁移不可避免地会导致冗余的迁移成本，一些非热节点会频繁地与热节点一起移动，这也限制了性能的提高。

本文方法

根据我们对元数据访问跟踪的分析，如图2所示，元数据访问模式具有长尾性质：大多数查询指向一小部分元数据（热节点）。基于这种特性，我们提出了细粒度迁移，该迁移作用于单个热节点，而不是子树或具有连续哈希值的一系列节点，以减少由非热节点的移动产生的不必要成本。

我们提出了一种自适应的细粒度元数据管理方案AdaM，利用深度强化学习来解决与时间变化的访问模式相对立的权衡困境。在每个时间步骤中，AdaM收集环境状态，包括：元数据节点在上一时间段的访问频率、MDS上节点的分布、名称空间树的结构。然后，利用训练的actor-critic网络，根据观察到的状态，将热元数据节点重新分配到不同的服务器。使用在下一个时间段完成所有访问后获得的奖励来更新网络，从而鼓励代理提前进行预测和采取行动，以适应访问模式的变化。对于变化的访问模式，AdaM能够动态地在不同的MDS上迁移热节点，以保持负载平衡并保持元数据的局部性。

我们在真实数据迹象上对AdaM进行了测试。实验结果表明我们提出的方法优于基于哈希[16]，静态子树划分[25]，动态子树划分[13]，AngleCut[8]。

实验环境

LiveMap数据集 SNIA - Storage Networking Industry Association: IOTTA Repository Home，比较局部性、负载均衡度、访问分布、迁移开销、模型初始化影响

总结

为了同时解决元数据局部性和元数据服务器的负载均衡。作者认为之前的方法：基于历史数据，会滞后于访问模式的变化；迁移粒度太粗，导致冗余的迁移成本。提出基于深度强化学习（DRL）的细粒度迁移策略，根据DRL预测未来状态进行迁移，而且只迁移热节点，减少迁移开销。