HDFS 高可用和高扩展机制分析 | 青训营笔记

这是我参与「第四届青训营 」笔记创作活动的第9天

今天学习的主要内容如下：
1.元数据高可用
2.数据存储高可用
3.元数据高扩展性
4.数据存储高扩展性

元数据高可用

高可用：系统在困境（adversity，比如硬件故障、软件故障、人为错误）中仍可正常工作（正确完成功能，并能达到期望的性能水准）

容灾：在相隔较远的异地，建立两套或多套功能相同的系统，互相之间可以进行健康状态监视和功能切换，当一处系统因意外（如火灾、地震等）停止工作时，整个应用系统可以切换到另一处，使得该系统功能可以继续正常工作。

故障度量的指标

• MTTR（Mean Time To Repair）：平均修复时间，系统能多快恢复。

• MTTF（Mean Time To Failure）：平均失效时间，运行到故障间的时间，一般用于不可修复的系统（制造业）。

• MTBF（Mean Time Between Failures）：平均无故障时间，两次故障间的间隔，一般用于可修复的系统（软件）。

全年不可用时间：系统运行一整年的不可用时间的目标。

备份方式

• 冷备份：备份服务的数据，可以和数据归档相结合。在主服务故障时，利用备份的数据重启。

• 热备份：主服务和备服务同时运行，在主服务故障时，随时可以切换到备服务。

切换方式：

• 人工切换：在故障发生时，运维人员接收报警后，手动执行服务切主操作。一般较慢，难以满足全年不可用时间的目标。

• 自动切换：通过探活组件、分布式共识协议等手段，系统能自动发现主服务的故障，并切换到备份不符。

单点故障 SPOF：指系统中一旦失效，就会让整个系统无法运作的组件。

状态机复制模型：实现容错服务的一种常规方法，主要通过复制服务器，并协调客户端和这些服务器镜像间的交互来达到目标。这个方法也同时提供了理解和设计复制管理协议的一套基本框架。

• 状态机：一个状态机从“初始”状态开始，每一个输入都被传入转换函数和输出函数，以生成一个新的状态和输出。在新的输入被接收到前，状态保持不变，而输出同时被传输给恰当的接受者。

• 状态机复制：确定性的状态机具有「处理确定的输入后，状态唯一确定」的特性。状态机复制利用这个特性实现多个相同的状态机副本的同步更新。

• 变更日志：触发状态机更新的变更操作，具有全局确定的顺序。

• 共识协议：确保每个副本都能收到相同的日志的共识协议，常见的有 Paxos、Raft、ZAB。

HDFS高可用架构

• Active NameNode：提供服务的 NameNode 主节点，生产 editlog。

• Standby NameNode：不提供服务，起备份作用的 NameNode 备节点，消费 editlog

• editlog：用户变更操作的记录，具有全局顺序，是 HDFS 的变更日志。

• ZooKeeper：开源的分布式协调组件，主要功能有节点注册、主节点选举、元数据存储。

• BookKeeper：开源的日志存储组件，存储 editlog

• ZKFC：和 ZK、NN 通信，进行 NN 探活和自动主备切换。

• HA Client：处理 StandbyException，在主备节点间挑选到提供服务的主节点。

NameNode 状态持久化

• FSImage 文件：较大的状态记录文件，是某一时刻 NN 全部需要持久化的数据的记录。大小一般在 GB 级别。

• EditLog 文件：是某段时间发生的变更日志的存储文件。大小一般在 KB~MB 级别。

• checkpoint 机制：将旧的 FSImage 和 EditLog 合并生成新的 FSImage 的流程，在完成后旧的数据可以被清理以释放空间。

物理日志：存储了物理单元（一般是磁盘的 page）变更的日志形式。

逻辑日志：存储了逻辑变更（例如 rename /a to /b）的日志形式。

HDFS 主备切换

• DataNode 心跳与块汇报需要同时向 active NN 和 standby NN 上报，让两者可以同时维护块信息。但只有 active NN 会下发 DN 的副本操作命令。

• content stale 状态：在发生主备切换后，新 active NN 会标记所有 DN 为 content stale 状态，代表该 DN 上的副本是不确定的，某些操作不能执行。直到一个 DN 完成一次全量块上报，新 active NN 才标记它退出了 content stale 状态。

  • 例子，多余块的删除：NN 发现某个块的副本数过多，会挑选其中一个 DN 来删除数据。在主备切换后，新 active NN 不知道旧 active NN 挑选了哪个副本进行删除，就可能触发多个 DN 的副本删除，极端情况下导致数据丢失。content stale 状态的引入解决了这个问题。

• 脑裂问题：因为网络隔离、进程夯住（例如 Java GC）等原因，旧的 active NN 没有完成下主，新的 active NN 就已经上主，此时会存在双主。client 的请求发给两者都可能成功，但不能保证一致性（两个 NN 状态不再同步）和持久化（只能保留一个 NN 状态）。

• fence 机制：在新 active NN 上主并正式处理请求之前，先要确保旧 active NN 已经退出主节点的状态。一般做法是先用 RPC 状态检测，发现超时或失败则调用系统命令杀死旧 active NN 的进程。

自动主备切换

• ZooKeeper 是广泛使用的选主组件，它通过 ZAB 协议保证了多个 ZK Server 的状态一致，提供了自身的强一致和高可用。

• ZooKeeper 的访问单位是 znode，并且可以确保 znode 创建的原子性和互斥性（CreateIfNotExist）。client 可以创建临时 znode，临时 znode 在 client 心跳过期后自动被删除。

• ZK 提供了 Watch 机制，允许多个 client 一起监听一个 znode 的状态变更，并在状态变化时收到一条消息回调（callback）。

• 基于临时 znode 和 Watch 机制，多个客户端可以完成自动的主选举。

• ZKFailoverController：一般和 NN 部署在一起的进程，负责定时查询 NN 存活和状态、进行 ZK 侧主备选举、执行调用 NN 接口执行集群的主备状态切换、执行 fence 等能力。

• Hadoop 将集群主备选举的能力和 NN 的服务放在了不同的进程中，而更先进的系统一般会内置在服务进程中。

高可用日志系统 BookKeeper

• 高可靠：数据写入多个存储节点，数据写入就不会丢失。

• 高可用：日志存储本身是高可用的。因为日志流比文件系统本身的结构更为简单，日志系统高可用的实现也更为简单。

• 强一致：日志系统是追加写入的形式，Client 和日志系统的元数据可以明确目前已经成功的写入日志的序号（entry-id）。

• 可扩展：整个集群的读写能力可以随着添加存储节点 Bookie 而扩展。

Quorum 协议：基于鸽巢原理，在多个副本间确保高可用、高性能的多副本变更协议

• 多副本间一般通过 version-id 来描述状态的新旧。

• 高可用：多个副本确保了高可用（后文会再次介绍多副本高可用）。

• 高性能：不用等所有副本写入成功，降低了的长尾延迟（后文会再次介绍长尾延迟）。

BookKeeper Quorum 协议：基于 Quorum 的多数派思想来提供高可用、高性能写入的日志写入

• 日志写入是追加，不是状态变更，只需要确认目前的 entry-id，相对更简单。

• Write Quorum：一次写入需要写入到的存储节点数。

• Ack Quorum：一次写入需要收到的响应数，小于 write quorum。

• 高性能：不用等所有副本写入成功，降低了的长尾延迟（后文会再次介绍长尾延迟）。

• Ensemble：通过轮询（Round-Robin）来确认 write quorum 实际对应的存储节点实例，可以比较简单的完成副本放置和扩展。

数据高可用

RAID：将多个廉价、不可靠、低性能、容量小的磁盘组装在一起，提供高可靠、高性能、大容量逻辑磁盘服务的一组磁盘列阵方案。

• RAID 0 ：将数据分块后按条带化的形式分别存储在多个磁盘上，提供大容量、高性能。

• RAID 1：将数据副本存储在多个磁盘上，提供高可靠。

• RAID 3：在数据分块存储的基础上，将数据的校验码存储在独立的磁盘上，提供高可靠、高性能。

多副本方案：将数据块存储在多个 DN 上

Erasure Coding 方案：将数据分段，通过特殊的编码方式存储额外的校验块，并条带化的组成块，存储在 DN 上。

• 条带化：原本块对应文件内连续的一大段数据。条带化后，连续的数据按条带（远小于整个块的单位）间隔交错的分布在不同的块中。

• 成本更低：多副本方案需要冗余存储整个块，EC 方案需要冗余存储的数据一般更少。

数据中心架构

• 机架/机柜：将几个服务器统一供电、提供对外网络的固定的物理设备。

• TOR top of rack：机架顶部（或底部）的交换机，负责机架内服务器和数据中心的其他服务器的网络通信。

• 机房和数据中心都是指大量服务器集中放置的场所。

  • 机房：强调的基础设施建设，例如物理承重、空调、防水、消防。
  • 数据中心：强调机房的业务属性。

• 网络拓扑：按数据中心->机架->机器的顺序，描述进程在网络空间中所处的位置。

• 跨机房专线：由网络服务商提供，连接机房的专用网络。

  • 稳定性和安全性好于公网。
  • 相比于数据中心内网络，吞吐更为有限、延迟更高、成本更高。

故障域

• 故障域是基础设施中可能发生故障的区域或组件。每一个域都有自己的风险和挑战，由个别几个因素决定整个故障域的服务能力，需要进行架构。

• 机架感知：以 TOR 为关键点，机架是一个故障域。数据副本全部放置在一个机架中，当相应 TOR 故障时数据就无法访问。

• 机房感知：以机房的基础设施（空调、电力）和跨机房专线为关键点，它们发生故障时整个机房会发生故障，导致不可用。

多机房容灾：服务和数据需要存放在多个机房，并配合合理的架构。使得发生机房故障时依然可以提供服务。

元数据扩展性

扩展性方案

• scale up：通过单机的 CPU、内存、磁盘、网卡能力的提升来提升系统服务能力，受到机器成本和物理定律的限制。

• scale out：通过让多台机器组成集群，共同对外提供服务来提升系统服务能力。一般也称为高扩展、水平扩展。

partition 方法

• 水平分区和垂直分区：水平分区指按 key 来将数据划分到不同的存储上；垂直分区指将一份数据的不同部分拆开存储，用 key 关联起来。partition 一般都水平分区，又称 shard。

• 常用于 KV 模型，通过 hash 或者分段的手段，将不同类型 key 的访问、存储能力分配到不同的服务器上，实现了 scale out。

• 重点：不同单元之间不能有关联和依赖，不然访问就难以在一个节点内完成。例如 MySQL 的分库分表方案，难以应对复杂跨库 join。

federation 架构

• 使得多个集群像一个集群一样提供服务的架构方法，提供了统一的服务视图，提高了服务的扩展性。

• 文件系统的目录树比 kv 模型更复杂，划分更困难。

• 邦联架构的难点一般在于跨多个集群的请求，例如 HDFS 的 rename 操作就可能跨多个集群。

blockpool

• 将文件系统分为文件层和块存储层，对于块存储层，DN 集群对不同的 NN 提供不同的标识符，称为 block pool。

• 解决了多个 NN 可能生成同一个 block id，DN 无法区分的问题。

viewfs

• 邦联架构的一种实现，通过客户端配置决定某个路径的访问要发送给哪个 NN 集群。

• 缺点：客户端配置难以更新、本身配置方式存在设计（例如，只能在同一级目录区分；已经划分的子树不能再划分）。

NNProxy

• 主要提供了路由管理、RPC 转发，额外提供了鉴权、限流、查询缓存等能力。

• 开源社区有类似的方案 Router Based Federation，主要实现了路由管理和转发。

小文件问题

• HDFS 设计上是面向大文件的，小于一个 HDFS Block 的文件称为小文件。

• 元数据问题：多个小文件相对于一个大文件，使用了更多元数据服务的内存空间。

• 数据访问问题：多个小文件相对于一个大文件，I/O 更加的随机，无法顺序扫描磁盘。

• 计算任务启动慢：计算任务在启动时，一般会获得所有文件的地址来进行 MapReduce 的任务分配，小文件会使得这一流程变长。

• 典型的 MR 流程中，中间数据的文件数和数据量与 mapper*reducer 的数量成线性，而为了扩展性，一般 mapper 和 reducer 的数量和数据量成线性。于是，中间数据的文件数和数据量与原始的数据量成平方关系。

• 小文件合并任务：计算框架的数据访问模式确定，可以直接将小文件合并成大文件而任务读取不受影响。通过后台运行任务来合并小文件，可以有效缓解小文件问题。通过 MapReduce/Spark 框架，可以利用起大量的机器来进行小文件合并任务。

• Shuffle service：shuffle 流程的中间文件数是平方级的，shuffle service 将 shuffle 的中间数据存储在独立的服务上，通过聚合后再写成 HDFS 文件，可以有效地缓解中间数据的小文件问题。

数据扩展性

长尾

• 二八定律：在任何一组东西中，最重要的只占其中一小部分，约 20%，其余 80% 尽管是多数，却是次要的。

• 长尾：占绝大多数的，重要性低的东西就被称为长尾。

百分位延迟

• 将所有请求的响应速度从快到慢排序，取其中某百分位的请求的延迟时间。

• 例如 pct99 代表排在 99% 的请求的延迟。相对于平均值，能更好的衡量长尾的情况。

尾部延迟放大

• 木桶原理：并行执行的任务的耗时取决于最慢的一个子任务。

• 尾部延迟放大：一个请求或任务需要访问多个数据节点，只要其中有一个慢，则整个请求或任务的响应就会变慢。

• 固定延迟阈值，访问的集群越大， 高于该延迟的请求占比越高。

• 固定延迟百分位，访问的集群越大，延迟越差。

长尾问题

• 尾部延迟放大+集群规模变大，使得大集群中，尾部延迟对于整个服务的质量极为重要。

• 慢节点问题：网络不会直接断联，而是不能在预期的时间内返回。会导致最终请求不符合预期，而多副本机制无法直接应对这种问题。

• 高负载：单个节点处理的请求超过了其服务能力，会引发请求排队，导致响应速度慢。是常见的一个慢节点原因。

数据可靠性

• 超大集群下，一定有部分机器是损坏的，来不及修理的。

• 随机的副本放置策略，所有的放置组合都会出现。而 DN 容量够大，足够

• 三副本，单个 DN 视角：容量一百万，机器数量一万。那么另外两个副本的排列组合有一亿种，容量比放置方案大约百分之一。

• 三副本，全局视角：一万台机器，每台一百万副本，损坏 1%（100 台）。根据排列组合原理，大约有 1009998/(1000099999998) (100000010000)=9704 个坏块

• callback 一下，叠加长尾问题。每个任务都要访问大量的块，只要一个块丢失就整个任务收到影响。导致任务层面的丢块频发，服务质量变差。

copyset

• 降低副本放置的组合数，降低副本丢失的发生概率。

• 修复速度：DN 机器故障时，只能从少量的一些其他 DN 上拷贝数据修复副本。

负载均衡的意义

• 避免热点

  • 机器热点会叠加长尾问题，少数的不均衡的热点会影响大量的任务。

• 成本：

  • 数据越均衡，CPU、磁盘、网络的利用率越高，成本更低。
  • 集群需要为数据腾挪预留的空间、带宽更少，降低了成本。

• 可靠性

  • 全速运行的机器和空置的机器，以及一会全速运行一会空置的机器，可靠性表现都有不同。负载均衡可以降低机器故障的发生。
  • 同一批机器容易一起故障，数据腾挪快，机器下线快，可以提升可靠性。

1. 负载均衡性影响因素：多个复杂因素共同影响负载均衡性

• 不同节点上的业务量的平衡

• 数据放置策略

• 数据搬迁工具的能力

• 系统环境

集群的不均衡情况

• 节点容量不均：机器上的数据量不均衡。

  • 原因可能是各种复杂情况导致，归根结底是混沌现象。

• 数据新旧不均：机器上的数据新旧不均匀。

  • 例如：新上线的机器，不做任何数据均衡的情况下，只会有新写入的数据。而一般新数据更容易被读取，更为「热」。

• 访问类型不均：机器上的数据访问类型不均。

  • 例如：机器学习训练需要反复读取数据，小 I/O 更多。而大数据场景一般只扫描一次，大 I/O 为主。这两种模式的读写比不同，I/O pattern 不同，就来带访问冷热的不同。

• 异构机器：有的机器配置高、有的机器配置低，不考虑异构情况的话配置高的机器会闲置，配置低的机器会过热。

• 资源不均：机器上的访问请求吞吐、IOPS 不均衡，导致最终机器冷热不均、负载不均。一般由于容量不均、新旧不均、模式不均导致

需要数据迁移的典型场景

• DN 上线：新上线的机器没有任何数据，而且只会有新数据写入。需要迁移其他 DN 的旧数据到新 DN 上，使得负载和数据冷热均衡。

• DN 下线：需要下线的机器，需要提前将数据迁移走再停止服务，避免数据丢失的风险。

• 机房间均衡：因为资源供应、新机房上线等外部条件，机房规划、业务分布等内部条件，不同机房的资源量和资源利用率都是不均衡的。需要结合供应和业务，全局性的进行资源均衡。

• 日常打散：作为日常任务运行，不断地从高负载、高容量的机器上搬迁数据到低负载、低容量的机器上，使得整个集群的负载均衡起来。

数据迁移工具

• 目的：将数据从一部分节点搬迁到另一部分节点。

• 要求：高吞吐、不能影响前台的服务。

带元数据迁移的迁移工具

• 痛点：涉及到元数据操作，需要停止用户的写入。

• DistCopy 工具

  • 通过 MapReduce 任务来并行迁移数据，需要拷贝数据和元数据。
  • 网络流量较大，速度较慢。

• FastCopy 工具

  • 基于 hardlink 和 blockpool 的原理
  • 元数据直接在 NN 集群间拷贝，而数据则在 DN 上的不同 blockpool（对应到 NN 集群）进行 hardlink，不用数据复制。
  • 迁移速度要大大优于 DistCopy。

数据迁移工具

• Balancer 工具

  • 代替 NN 向 DN 发起副本迁移的命令，批量执行副本迁移。
  • 场景：大规模数据平衡、机器上下线。