《大规模分布式存储系统》 第4章 分布式文件系统【4.3】

javazx

4.3　Facebook Haystack
Facebook目前存储了2600亿张照片，总大小为20PB，通过计算可以得出每张照
片的平均大小为20PB/260GB，约为80KB。用户每周新增照片数为10亿（总大小为
60TB），平均每秒新增的照片数为10 9 /7/40000（按每天40000s计），约为每秒3500
- B" h* Z" H: U1 W次写操作，读操作峰值可以达到每秒百万次。
+ F) F' b9 S: O* T7 e5 J) LFacebook相册后端早期采用基于NAS的存储，通过NFS挂载NAS中的照片文件来
" t' \. q2 H' O  C提供服务。后来出于性能和成本考虑，自主研发了Facebook Haystack存储相册数据。
4.3.1　系统架构
Facebook Haystack的思路与TFS类似，也是多个逻辑文件共享一个物理文件。
7 u% N: t7 ^3 P0 q2 f. N4 eHaystack架构及读请求处理流程如图4-6所示。
图　4-6　Haystack架构图
% c& r5 x1 @! A7 e7 e! HHaystack系统主要包括三个部分：目录（Directory）、存储（Store）以及缓存
; p" V; l3 E& C1 _（Cache）。Haystack存储是物理存储节点，以物理卷轴（physical volume）的形式组
9 m& r' `) ~. `% h% z" P9 n) y织存储空间，每个物理卷轴一般都很大，比如100GB，这样10TB的数据也只需100个
物理卷轴。每个物理卷轴对应一个物理文件，因此，每个存储节点上的物理文件元
数据都很小。多个物理存储节点上的物理卷轴组成一个逻辑卷轴（logical
volume），用于备份。Haystack目录存放逻辑卷轴和物理卷轴的对应关系，以及照片
id到逻辑卷轴之间的映射关系。Haystack缓存主要用于解决对CDN提供商过于依赖的
问题，提供最近增加的照片的缓存服务。
Haystack照片读取请求大致流程为：用户访问一个页面时，Web服务器请求
Haystack目录构造一个URL：http://＜CDN＞/＜Cache＞/＜Machine id＞/＜Logical
- }6 X/ U6 X9 Q0 @volume,Photo＞，后续根据各个部分的信息依次访问CDN、Haystack缓存和后端的
1 {3 _9 |/ P7 |3 YHaystack存储节点。Haystack目录构造URL时可以省略＜CDN＞部分从而使得用户直
) n3 d* Q, t; \4 {! m9 |# f0 e接请求Haystack缓存而不必经过CDN。Haystack缓存收到的请求包含两个部分：用户
9 C4 A8 Z; X5 w! j1 k: O浏览器的请求及CDN的请求，Haystack缓存只缓存用户浏览器发送的请求且要求请求
的Haystack存储节点是可写的。一般来说，Haystack后端的存储节点写一段时间以后
达到容量上限变为只读，因此，可写节点的照片为最近增加的照片，是热点数据。
本节暂不讨论CDN，只讨论Haystack后端存储系统，包括Haystack目录和Haystack缓
存两个部分。
1.写流程
, r8 q, n; w$ Y如图4-7所示，Haystack的写请求（照片上传）处理流程为：Web服务器首先请求
2 Y7 H' p9 e1 q+ i7 {6 FHaystack目录获取可写的逻辑卷轴，接着生成照片唯一id并将数据写入每一个对应的
7 V4 p# i3 O6 h' z物理卷轴（备份数一般为3）。写操作成功要求所有的物理卷轴都成功，如果中间出
现故障，需要重试。
图　4-7　Haystack写流程
! h! h/ _) k1 G" @; c* fHaystack的一致性模型保证只要写操作成功，逻辑卷轴对应的所有物理卷轴都存
在一个有效的照片文件，但有效照片文件在不同物理卷轴中的偏移（offset）可能不
; s5 o2 Q; r  l" K同。
Haystack存储节点只支持追加操作，如果需要更新一张照片，可以新增一张编号
6 i$ o! S; r) V5 {7 |7 K; H6 O相同的照片到系统中，如果新增照片和原有的照片在不同的逻辑卷轴，Haystack目录
2 m& \: l' L+ z* U; _) Q的元数据会更新为最新的逻辑卷轴；如果新增照片和原有的照片在相同的逻辑卷
轴，Haystack存储会以偏移更大的照片文件为准。
2.容错处理
（1）Haystack存储节点容错
检测到存储节点故障时，所有物理卷轴对应的逻辑卷轴都被标记为只读。存储
0 T6 L( \3 d* x. C/ C+ a* C节点上的未完成的写操作全部失败，写操作将重试；如果发生故障的存储节点不可
恢复，需要执行一个拷贝任务，从其他副本所在的存储节点拷贝丢失的物理卷轴的
- e+ n8 I/ B& j数据；由于物理卷轴一般很大，比如100GB，所以拷贝的过程会很长，一般为小时
级别。
( G; P3 }. V. E（2）Haystack目录容错
7 I, b+ o. Z, O) zHaystack目录采用主备数据库（Replicated Database）做持久化存储，由主备数据
6 a; B" r1 O& l( G( }# |; u库提供容错机制。
3.Haystack目录
7 y2 _. e6 O: p) N' NHaystack目录的功能如下：
1）提供逻辑卷轴到物理卷轴的映射，维护照片id到逻辑卷轴的映射；
2）提供负载均衡，为写操作选择逻辑卷轴，读操作选择物理卷轴；
* `1 E% n4 d7 H( `. J+ C- r& F, S3）屏蔽CDN服务，可以选择某些图片请求直接走Haystack缓存；
; |) r7 i, A! ^2 d) u3 x4）标记某些逻辑卷轴为只读。
根据前面的计算结果可知，Facebook相册系统每秒的写操作大约为3500次，每
秒的读请求大约为100万次。每个写请求都需要通过Haystack缓存获取可写的卷轴，
# g$ J- g2 p. [4 G3 ?1 ?9 C  V; o每个读请求需要通过Haystack缓存构造读取URL。这里需要注意，照片id到逻辑卷轴
7 R! G7 U6 R, k: v4 Q: D4 k/ u的映射的数据量太大，单机内存无法存放，笔者猜测内部使用了MySQL Sharding集
群，另外，还增加了一个Memcache集群满足查询需求。
4.Haystack存储
8 ?4 t. T7 S& B* M1 |! b% _+ s- B  AHaystack存储保存物理卷轴，每个物理卷轴对应文件系统中的一个物理文件，每
4 [4 a/ F( ^9 O4 ?3 j. x- P' J个物理文件的格式如图4-8所示。
( m7 S6 M1 Z7 Z9 B* N  e图　4-8　Haystack数据块格式
多个照片文件存放在一个物理卷轴中，每个照片文件是一个Needle，包含实际
数据及逻辑照片文件的元数据。部分元数据需要装载到内存中用于照片查找，包括
: a5 ~( v: Q! ^! d. s! Y3 z) S. mKey（照片id，8字节），Alternate Key（照片规格，包括Thumbnail、Small、Medium
及Large，4字节），照片在物理卷轴的偏移Offset（4字节），照片的大小Size（4字
2 P  z4 K7 L4 s5 y4 R6 ~: I节），每张照片占用8+8+4=20字节的空间，假设每台机器的可用磁盘为8TB，照片
' S" \# ]' W; G9 I% J  e- b平均大小为80KB，单机存储的照片数为8TB/80KB=100MB，占用内存
) P# W' ~1 e8 z  L3 q# I100MB×20=2GB。
存储节点宕机时，需要恢复内存中的逻辑照片查找表，扫描整个物理卷轴耗时
* a3 K7 j; G2 v  Q  j. ], d太长，因此，对每个物理卷轴维护了一个索引文件（Index File），保存每个Needle
" [4 ^' {& n0 c: t/ e+ z查找相关的元数据。写操作首先更新物理卷轴文件，然后异步更新索引文件。由于
4 w* z! U0 L1 Z5 z* v5 k更新索引文件是异步的，所以可能出现索引文件和物理卷轴文件不一致的情况，不
过由于对物理卷轴文件和索引文件的操作都是追加操作，只需要扫描物理卷轴文件
最后写入的几个Needle，然后补全索引文件即可。这种技术在仅支持追加的文件系
统很常见。
Haystack Store存储节点采用延迟删除的回收策略，删除照片只是向卷轴中追加
一个带有删除标记的Needle，定时执行Compaction任务回收已删除空间。所谓
Compaction操作，即将所有老数据文件中的数据扫描一遍，以保留最新一个照片的原
则进行删除，并生成新的数据文件。
4.3.2　讨论
相比TFS,Haystack的一大特色就是磁盘空间回收。Blob文件在TFS中通过＜Block
id,Block offset＞标识，因此，不能对TFS中的数据块进行重整操作；而Haystack中的
元信息只能定位到Blob文件所在的逻辑卷轴，Haystack存储节点可以根据情况对物理
. u6 `9 k# }5 Q; v; g$ H1 p卷轴进行Compaction操作以回收磁盘空间。
Facebook Haystack中每个逻辑卷轴的大小为100GB，这样减少了元信息，但是增
加了迁移的时间。假设限制内部网络带宽为20MB/s，那么迁移100GB的数据需要的
2 i6 M- a8 V4 S7 U8 c# K! `+ [% c时间为100GB/20MB/s=5000s，大约是一个半小时。而TFS设计的数据规模相比
Haystack要小，因此，可以选择64MB的块大小，有利于负载均衡。
' a0 m3 F9 Y/ ?1 ~$ E另外，Haystack使用RAID 6，并且底层文件系统使用性能更好的XFS，淘宝TFS
不使用RAID机制，文件系统使用Ext3，由应用程序负责管理多个磁盘。Haystack使用
; M( K! @0 C7 J' e/ P了Akamai＆Limelight的CDN服务，而淘宝已经使用自建的CDN，当然，Facebook也在
考虑自建CDN。