HDFS 高可用与高扩展性机制分析 - 复习笔记

这是我参与「第四届青训营」笔记创作活动的的第10天！

1. 元数据高可用

1.1 高可用的需求

1.1.1 服务高可用的需求

故障类型：
- 硬件故障
- 软件故障
- 人为故障
灾难：数据中心级别不可用
- 机房断电
- 机房空调停机
- 机房间网络故障、拥塞

故障不可避免，灾难时有发生。

而如果HDFS系统不可用。

无法核算广告账单，直接引发收入损失
无法生产数据报表，数据区动无从谈起
无法进行模型训练，用户体验越来越差

业务停止的损失极大，所以HDFS系统的高可用性就至关重要。

1.1.2 高可用的衡量

服务可用性指标
- MTTR
- MTTF
- MTBF

1.1.3 可用性的年化

可用性计算公式：

全年不可用时间

可用性99.9%，全年8.76小时不可用
可用性99.99%，全年52.6分钟不可用
可用性99.999%，全年5.26分钟不可用

1.1.4 高可用的形式

服务高可用
- 热备份
- 冷备份
故障恢复操作
- 人工切换
- 自动切换

人工的反应、决策时间都更长，高可用需要让系统自动决策。
HDFS的设计中，采用了中心化的元数据管理节点NameNode。
NameNode 容易成为故障中的单点（single point of failure）。

1.2 HDFS 主备同步实现

1.2.1 HDFS NameNode 高可用架构

组件介绍
- ActiveNamenode：主节点，提供服务，生产日志
- StandbyNamenode：备节点，消费日志
- ZooKeeper：为自动选主提供统一协调服务
- BookKeeper：提供日志存储服务
- ZKFC:NameNode 探活、触发主备切换
- HA Client：提供了自动切换的客户端
- edit log：操作的日志
围绕三个问题来看高可用
- 节点状态如何保存
- 操作日志如何同步
- 如何做到自动切换

1.2.2 理论基础-状态机复制和日志

状态机复制是实现容错的常规方法。

组件
- 状态机以及其副本
- 变更日志
- 共识协议

1.2.3 NameNode 状态持久化

Checkpoint 机制

FSImage 和 EditLog

1.2.4 NameNode操作日志的生产消费

Active 生产，Standby（可能有多个）消费

物理日志与逻辑日志

日志系统
- 高可用
- 高扩展性
- 高性能
- 强致（有序）

1.2.5 NameNode 块状态维护

回顾：
- DataNode Heartbeat
- DataNode Block Report
区别
- Active 即接收，也发起变更
- Standby只接收，不发起变更
Content Stale状态
- 主备切换后，避免DN的不确定状态

1.3 HDFS 自动主备切换

1.3.1 分布式协调组件-ZooKeeper
一般用于提供选主、协调、元数据存储。
使用它的组件：
HDFS、YARN、HBase
Kafka、ClickHouse
等等
HA核心机制：Watch

1.3.2 自动主备切换流程-Server侧
ZKFailoverController
作为外部组件，驱动HDFS NameNode的主备切换

轮询探活

脑裂问题

Fence 机制

1.3.3 自动主备切换流程-Client侧
核心机制：StandbyException

Client自动处理

1.4 日志系统 BookKeeper 简介

1.4.1 BookKeeper架构

BookKeeper存储日志
- 低延时
- 持久性
- 强一致性
- 读写高可用
对比：日志系统和文件系统的复杂度

1.4.2 Quorum机制
Quorum 机制：多副本一致性读写

场景：
多副本对象存储，用版本号标识数据新旧

规则 1.Qr+Qw>Q 2.Qw>Q/2

思考：日志场景比对象保存更简单

1.4.3 BookKeeper Quorum

Sloppy Quorum 机制

日志场景：顺序追加、只写

Write Quorum：写入副本数
Ack Quorum：响应副本数

思考：Client 挂掉导致不确认写入了多少数据，如何恢复？

1.4.4 BookKeeper Ensemble

Ensemble机制

Round-Robin Load Balancer

第一轮：1，2，3
第二轮：2，3，4
第三轮：3，4，1
第四轮：4，1，2

优势：数据均衡

2. 数据存储高可用

2.1 单机存储的数据高可用机制

2.1.1回到单机存储-RAID
Redundant Array of Independent Disks

特点

廉价
高性能
大容量
高可用

2.1.2 RAID 方案讲解

RAID 0：条带化
RAID 1：冗余
RAID 3：容错校验

2.2 HDFS的数据高可用机制

2.2.1 HDFS多副本

HDFS 版本的RAID1 图：Hadoop的多副本放置优点 ·读写路径简单 ·副本修复简单 ·高可用

2.2.2 Erasure Coding 原理
HDFS 版本的 RAID2/3
业界常用 Reed Solomon 算法
图：Reed Solomon 算法原理

2.2.3 HDFS Erasure Coding
HDFS版本的RAID2

和多副本比较

读写速度
成本
修复速度
读写路径的实现

图：直接保存的EC和Stripe（条带化）后保存的EC

2.3 考虑网络架构的数据高可用

2.3.1 网络架构 机架（Rack）：放服务器的架子。
图：机架的样子

TOR（Top of Rack）：机架顶部的交换机。
数据中心（Data Center）：集中部署服务器的场所
图：网络拓扑

2.3.2 副本放置策略-机架感知
一个TOR故障导致整个机架不可用 VS 降低跨rack流量

trade-off：一个本地、一个远端

图：HDFS的多机架放置

2.4 案例：字节跳动的HDFS多机房容灾方案简介

2.4.1 案例：字节跳动的HDFS 多机房实践

字节跳动的HDFS集群，从单机房演进到双机房，再从双机房演进到更多的机房。

多机房解决的问题

容量问题
容灾问题

HDFS 双机房放置的设计

写入时，每个数据块在两个机房至少各有一个副本，数据实时写入到两个机房。
读取时，优先读本地的副本，避免了大量的跨机房读取。

2.4.2 多机房容灾实践

多机房部署的组件
- ZooKeeper
- BookKeeper
- NameNode
- DataNode
容灾期间的策略
- 容灾期间，限制跨机房写入
- 容灾期间，限制跨机房副本复制

3. 元数据高扩展性

3.1 元数据扩展性挑战

3.1.1 元数据节点扩展性的挑战
HDFS NameNode 是个集中式服务，部署在单个机器上，内存和磁盘的容量、CPU的计算力都不能无限扩展。

scale up vs.scale out
- 扩容单个服务器的能力
- 部署多个服务器来服务
挑战
- 名字空间分裂
- DataNode 汇报
- 目录树结构本身复杂

3.1.2 常见的Scale Out 方案

KV模型的系统可以使用partition
- Redis
- Kafka
- MySQL（分库分表）

下图：三种数据路由方式

服务端侧
路由层
客户端侧

3.2 社区的解决方案

3.2.1 社区解决方案-BlockPool

解决DN同时服务多组NN的问题

文件服务分层

Namespace
Block Storage

用blockpool来区分DN的服务

数据块存储
心跳和块上报

3.2.2 社区解决方案-viewfs

Federation 架构：将多个不同集群组合起来，对外表现像一个集群样。

局限性：运维复杂

下图：viewfs 通过在client-side的配置，指定不同的目录访问不同的NameNode。

3.3 字节跳动的NNProxy方案

3.3.1 字节跳动的NNProxy

NNProxy 是ByteDance自研的 HDFS 代理层，提供了路由服务。

于2016年开源，项目地址：github.com/bytedance/n…
开源社区的Router Based Federation在2017年上线。

NNProxy主要实现了路由管理和RPC转发

以及鉴权、限流、查询缓存等额外能力

下图：NNProxy 所在系统上下游

3.3.2 NNProxy 路由规则保存

回顾：三种数据路由方式

服务端侧
路由层
客户端侧

考虑点：扩展性、运维性

图：路由规则的保存

3.3.3 NNProxy 路由转发实现
图：目录树视图

路径最长匹配规则

/
/home
/user/bob
/user/tiger/warehouse
/user/tiger/dump

进一步思考：

单个NN 不会遇到瓶颈了么？
跨集群rename

3.4 案例：小文件问题

小文件问题（LSOF，lots of small files）：大小不到一个HDFS Block 大小的文件过多

NameNode瓶颈
I/O变小，数据访问变慢
计算任务启动慢

下图：MapReduce的 worker 数量过多容易引起小文件问题

解决方案：

后台任务合并小文件
Shuffle Service

4. 数据存储高扩展性

4.1 超大集群的长尾问题

4.1.1 延迟的分布和长尾延迟
延迟的分布：

用百分数来表示访问的延识的统计特征
例如p95延迟为1ms，代表95%的请求延迟要低于1ms，但后5%的请求延迟会大于1ms

长尾延迟：尾部（p99/p999/p999）的延迟，衡量系统最差的请求的情况。会显著的要差于平均值

4.1.2 尾部延迟放大
木桶原理
尾部延迟放大：访问的服务变多，尾部的请求就会越发的慢。

如何变慢

固定延迟阈值
固定延迟百分位

4.1.3 长尾问题的表现-慢节点
慢节点：读取速度过慢，导致客户端阻密。

慢节点的发生难以避免和预测

共享资源、后台维护活动、请求多级排队、功率限制
固定的损耗：机器损坏率
混沌现象

离线任务也会遇到长尾问题

全部任务完成时间取决于最慢的任务什么时候完成。
集群规模变大，任务的数据量变大。
只要任何数据块的读取受到长尾影响，整个任务就会因此停滞。

集群扩大10倍，问题扩大N（>10）倍

4.2 超大集群的可靠性问题

4.2.1 超大集群下的数据可靠性

条件一：超大集群下，有一部分机器是损坏来不及修理的。
条件二：副本放置策略完全随机。
条件三：DN的容量足够大

推论：必然有部分数据全部副本在损环的机器上，发生数据系失。

估算：三副本，10000台机器，每台一百万副本。

有多少种放置的组合数？
损坏100台机器，会有多少副本丢失？

叠加长尾问题，容易导致整个任务无法执行下去。

4.2.2 Copyset
将DataNode分为若干个Copyset选块在copyset 内部选择

原理：减少了副本放置的组合数，从而降低副本丢失的概率。

4.3 超大集群的不均匀问题

4.3.1 超大集群的负载均衡和数据迁移

负载均衡

避免热点
可靠性问题
降低成本

4.3.2 数据写入不均
数据的不均匀

节点容量不均匀
数据新旧不均匀
访问类型不均匀

资源负载不均匀

图：DN的写入量不均匀

4.3.3 DN冷热不均
数据的不均匀

节点容量不均匀
数据新旧不均匀
访问类型不均匀