海量小文件存储与Ceph实践

海量小文件存储（简称LOSF，lots of small files）出现后，就一直是业界的难题，众多博文(如[1])对此问题进行了阐述与分析，许多互联网公司也针对自己的具体场景研发了自己的存储方案（如taobao开源的TFS，facebook自主研发的Haystack），还有一些公司在现有开源项目(如hbase，fastdfs，mfs等)基础上做针对性改造优化以满足业务存储需求；

一.　　通过对若干分布式存储系统的调研、测试与使用，与其它分布式系统相比，海量小文件存储更侧重于解决两个问题：

　　1. 海量小文件的元数据信息组织与管理: 对于百亿量级的数据，每个文件元信息按100B计算，元信息总数据量为1TB，远超过目前单机服务器内存大小；若使用本地持久化设备存储，须高效满足每次文件存取请求的元数据查询寻址(对于上层有cdn的业务场景，可能不存在明显的数据热点)，为了避免单点，还要有备用元数据节点；同时，单组元数据服务器也成为整个集群规模扩展的瓶颈；或者使用独立的存储集群存储管理元数据信息，当数据存储节点的状态发生变更时，应该及时通知相应元数据信息进行变更；

　　对此问题，tfs/fastdfs设计时，就在文件名中包含了部分元数据信息，减小了元数据规模，元数据节点只负责管理粒度更大的分片结构信息(如tfs的block)；商用分布式文件系统龙存，通过升级优化硬件，使用分布式元数据架构——多组(每组2台)IO性能更好的ssd服务器——存储集群的元数据信息，满足单次io元数据查询的同时，也实现了元数据存储的扩展性；Haystack Directory模块提供了图片逻辑卷到物理卷轴的映射存储与查询功能，使用Replicated Database存储，并通过cache集群来降低延时提高并发，其对外提供的读qps在百万量级；

　　2. 本地磁盘文件的存储与管理(本地存储引擎)：对于常见的linux文件系统，读取一个文件通常需要三次磁盘IO(读取目录元数据到内存，把文件的inode节点装载到内存，最后读取实际的文件内容)；按目前主流2TB~4TB的sata盘，可存储2kw~4kw个100KB大小的文件，由于文件数太多，无法将所有目录及文件的inode信息缓存到内存，很难实现每个图片读取只需要一次磁盘IO的理想状态，而长尾现象使得热点缓存无明显效果；当请求寻址到具体的一块磁盘，如何减少文件存取的io次数，高效地响应请求(尤其是读)已成为必须解决的另一问题；

　　对此问题，有些系统(如tfs，Haystack)采用了小文件合并存储+索引文件的优化方案，此方案有许多益处：a.合并后的合并大文件通常在64MB，甚至更大，单盘所存储的合并大文件数量远小于原小文件的数量，其inode等信息可以全部被cache到内存，减少了一次不必要的磁盘IO；b.索引文件通常数据量(通常只存储小文件所在的合并文件，及offset和size等关键信息)很小，可以全部加载到内存中，读取时先访问内存索引数据，再根据合并文件、offset和size访问实际文件数据，实现了一次磁盘IO的目的；c.单个小文件独立存储时，文件系统存储了其guid、属主、大小、创建日期、访问日期、访问权限及其它结构信息，有些信息可能不是业务所必需的，在合并存储时，可根据实际需要对文件元数据信息裁剪后在做合并，减少空间占用。除了合并方法外，还可以使用IO性能更好的SSD等设备，来实现高效响应本地io请求的目标。

　　当然，在合并存储优化方案中，删除或修改文件操作可能无法立即回收存储空间，对于存在大量删除修改的业务场景，需要再做相应的考量。

二.　　Ceph是近年越来越被广泛使用的分布式存储系统，其重要的创新之处是基于CRUSH算法的计算寻址，真正的分布式架构、无中心查询节点，理论上无扩展上限(更详细ceph介绍见网上相关文章)；Ceph的基础组件RADOS本身是对象存储系统，将其用于海量小文件存储时，CRUSH算法直接解决了上面提到的第一个问题；不过Ceph OSD目前的存储引擎(Filestore,KeyValuestore)对于上面描述的海量小文件第二个问题尚不能很好地解决；ceph社区曾对此问题做过描述并提出了基于rgw的一种方案(实际上，在实现本文所述方案过程中，发现了社区上的方案)，不过在最新代码中，一直未能找到方案的实现；

　　我们在Filestore存储引擎基础上对小文件存储设计了优化方案并进行实现，方案主要思路如下：将若干小文件合并存储在RADOS系统的一个对象(object)中，<小文件的名字、小文件在对象中的offset及小文件size>组成kv对，作为相应对象的扩展属性(或者omap，本文以扩展属性表述，ceph都使用kv数据库实现，如leveldb)进行存储，如下图所示，对象的扩展属性数据与对象数据存储在同一块盘上；

　　使用本结构存储后，write小文件file_a操作分解为: 1)对某个object调用append小文件file_a；2)将小文件file_a在相应object的offset和size，及小文件名字file_a作为object的扩展属性存储kv数据库。read小文件file_a操作分解为：1)读取相应object的file_a对应的扩展属性值(及offset，size)；2）读取object的offset偏移开始的size长度的数据。对于删除操作，直接将相应object的file_a对应的扩展属性键值删除即可，file_a所占用的存储空间延迟回收，回收方案以后讨论。另外，Ceph本身是强一致存储系统，其内在机制可以保证object及其扩展属性数据的可靠一致；

　　由于对象的扩展属性数据与对象数据存储在同一块盘上，小文件的读写操作全部在本机本OSD进程内完成，避免了网络交互机制潜在的问题；另一方面，对于写操作，一次小文件写操作对应两次本地磁盘随机io(逻辑层面)，且不能更少，某些kv数据库(如leveldb)还存在write amplification问题，对于写压力大的业务场景，此方案不能很好地满足；不过对于读操作，我们可以通过配置参数，尽量将kv数据保留在内存中，实现读取操作一次磁盘io的预期目标；

　　如何选择若干小文件进行合并，及合并存储到哪个对象中呢？最简单地方案是通过计算小文件key的hash值，将具有相同hash值的小文件合并存储到id为对应hash值的object中，这样每次存取时，先根据key计算出hash值，再对id为hash值的object进行相应的操作；关于hash函数的选择，(1)可使用最简单的hash取模，这种方法需要事先确定模数，即当前业务合并操作使用的object个数，且确定后不能改变，在业务数据增长过程中，小文件被平均分散到各个object中，写压力被均匀分散到所有object（即所有物理磁盘，假设object均匀分布）上；object文件大小在一直增长，但不能无限增长，上限与单块磁盘容量及存储的object数量有关，所以在部署前，应规划好集群的容量和hash模数。(2)对于某些带目录树层次信息的数据，如/a/b/c/d/efghi.jpg，可以将文件的目录信息作为相应object的id，及/a/b/c/d，这样一个子目录下的所有文件存储在了一个object中，可以通过rados的listxattr命令查看一个目录下的所有文件，方便运维使用；另外，随着业务数据的增加，可以动态增加object数量，并将之前的object设为只读状态（方便以后的其它处理操作），来避免object的无限增长；此方法需要根据业务写操作量及集群磁盘数来合理规划当前可写的object数量，在满足写压力的前提下将object大小控制在一定范围内。

　　本方案是为小文件(1MB及以下)设计的，对于稍大的文件存储(几十MB甚至更大)，如何使用本方案存储呢？我们将大文件large_file_a做stripe切片分成若干大小一样(如2MB，可配置，最后一块大小可能不足2MB)的若干小块文件：large_file_a_0, large_file_a_1 ... large_file_a_N，并将每个小块文件作为一个独立的小文件使用上述方案存储，分片信息(如总片数，当前第几片，大文件大小，时间等)附加在每个分片数据开头一并进行存储，以便在读取时进行解析并根据操作类型做相应操作。

　　根据业务的需求，我们直接基于librados接口进行封装，提供如下操作接口供业务使用（c++描述）：

 int WriteFullObj(const std::string& oid, bufferlist& bl, int create_time = GetCurrentTime());
  int Write(const std::string& oid, bufferlist& bl, uint64_t off, int create_time = GetCurrentTime());
  int WriteFinish(const std::string& oid, uint64_t total_size, int create_time = GetCurrentTime());
  int Read(const std::string& oid, bufferlist& bl, size_t len, uint64_t off);
  int ReadFullObj(const std::string& oid, bufferlist& bl, int* create_time = NULL);
  int Stat(const std::string& oid, uint64_t *psize, time_t *pmtime, MetaInfo* meta = NULL);
  int Remove(const std::string& oid);
  int BatchWriteFullObj(const String2BufferlistHMap& oid2data, int create_time = GetCurrentTime());

　　对于写小文件可直接使用WriteFullObj；对于写大文件可使用带offset的Write，写完所有数据后，调用WriteFinish；对于读取整个文件可直接使用ReadFullObj；对于随机读取文件部分数据可使用带offset的Read；Stat用于查看文件状态信息；Remove用于删除文件；当使用第二种hash规则时，可使用BatchWriteFullObj提高写操作的吞吐量。