架構與算法創(chuàng)新，讓分布式存儲煥然一新！

分布式存儲在數(shù)據(jù)存儲產業(yè)中的占比越來越高，得益于分布式Scale-out的高擴展性，以及高速網(wǎng)絡技術的發(fā)展，分布式存儲逐漸成為主流，解決海量跨源、跨域、跨協(xié)議的非結構化數(shù)據(jù)“存得下”，“管得好”以及高效互通的問題。

企業(yè)用戶希望從分布式存儲獲取哪些能力呢，可以概括為五點：高性能、低成本、高可靠、易管理、易擴展。針對這些核心訴求，鯤鵬BoostKit分布式存使能套件打造了全局緩存特性，本質上是一個分布式存儲使能中間件，即中間的軟件層，這里簡單將全局緩存支持或者規(guī)劃的特性總結為資源管理、系統(tǒng)加速以及企業(yè)高級特性三類，用于解決伙伴和企業(yè)對于數(shù)據(jù)存儲的核心需求。

以高性能需求為例，我們通過結合讀寫緩存來縮短讀寫訪問路徑，提供低時延訪問，結合數(shù)據(jù)聚合實現(xiàn)隨機寫入轉為順序寫入，大幅削減磁盤尋道、旋轉延遲對硬盤能力發(fā)揮的阻礙，以及結合全新設計的元數(shù)據(jù)管理引擎實現(xiàn)變長數(shù)據(jù)自適應管理。

全局緩存實現(xiàn)高性能、低成本、高可靠、易管理、易擴展，得益于其架構，以及算法創(chuàng)新，接下來我們分別分享其背后的設計思路。

全局緩存的軟件架構設計：遵循清晰、合適、易演進原則

（圖：全局緩存技術堆棧）

全局緩存是一個華為自研的分布式存儲緩存加速套件，支持一體化、自管理、可擴展部署，提供掉電保護，并且不存在單點故障問題。

整體的架構設計遵循清晰簡潔、合適和易演進的原則，從而把系統(tǒng)設計的足夠簡單，原因在于我們知道分布式存儲可以看作是分布式系統(tǒng)的集大成者，其不僅包含各種正常功能場景，比如我們前面提到的資源管理、系統(tǒng)加速以及企業(yè)特性，還包括非常多的異常流程，這些正常流程與異常流程正交以后導致我們系統(tǒng)復雜度非常容易膨脹。

雖然任何分布式系統(tǒng)都有正常和異常流程，但其實是有差別的，因為分布式存儲承載了用戶核心數(shù)據(jù)，是不允許數(shù)據(jù)丟失或不一致的，業(yè)務恢復不僅要考慮RTO，還要考慮RPO，增加一個維度，帶來的復雜度不是翻倍，而是升維，本質上還是一個正交的過程。

基于此，整個架構設計過程都致力于降低系統(tǒng)復雜度，第一步就是充分解耦，從圖中可以看到，全局緩存從邏輯和部署都是與計算集群和存儲集群解耦的，相當于一層緩存加速中間件，從而可以實現(xiàn)自管理、獨立部署、獨立運行，不侵入Ceph等開源軟件，做到應用無感加速。

解耦之后，全局緩存借鑒微服務的思想，通過客戶端適配層、服務端適配層和存儲代理層等抽象外部接口依賴，相當于API網(wǎng)關，對外屏蔽系統(tǒng)內部的復雜性，最小化場景、協(xié)議以及軟件升級等帶來的適配開銷。

對于全局緩存的軟件架構，其整體可以看作一個微內核架構，除了管理工具和ZK等是獨立進程部署以外，為了避免數(shù)據(jù)面和控制面的耦合以及相互影響，我們還將數(shù)據(jù)面和控制面拆分成了獨立進程，這樣就可以避免故障場景等場景的相互耦合與影響。

但是我們知道，服務并非拆分的越細越好，為了實現(xiàn)高性能、低時延，全局緩存數(shù)據(jù)面服務整體部署成獨立進程，避免復雜的接口框架，消息通訊帶來的時延和調用棧的開銷；單純看數(shù)據(jù)面，內部采用模塊化解耦設計，包含多個子系統(tǒng)，如多級讀寫Cache、元數(shù)據(jù)索引、數(shù)據(jù)聚合、數(shù)據(jù)持久化等子系統(tǒng)，這些子系統(tǒng)之間通過內部接口調用進行交互，不需要走消息通訊，所以調用鏈路短，時延低，并且模塊化的設計可以使得協(xié)同開發(fā)與迭代變得高效和并行。

在模塊化設計之上，全局緩存也遵循solid等設計原則，例如讀寫緩存、元數(shù)據(jù)DB等依賴于持久化層提供的數(shù)據(jù)持久化服務，它們之間的交互遵循接口隔離和依賴倒置等原則，實現(xiàn)充分解耦，從而將N*M的復雜度量級降低到N+M。

緩存架構創(chuàng)新：讀寫分離、前后臺分離

針對緩存架構，首先，全局緩存采用了讀寫分離設計，從而實現(xiàn)流程、資源、介質、冗余策略的解耦，流程解耦例如避免寫緩存刷盤和讀緩存淘汰相互影響，資源解耦例如實現(xiàn)讀寫緩存獨立的配額控制，介質解耦例如支持RAM/SCM/SSD等不同介質加速，冗余策略解耦例如讀寫緩存支持不同的副本策略，這樣就可以提高緩存命中率和資源利用率。

其次，全局緩存采取前后臺分離的設計模式，將請求處理路徑分為前臺和后臺兩部分，前臺部分保證最快的響應應用的讀寫請求，應用只會感知到前臺部分的執(zhí)行時間，從而實現(xiàn)極低的應用訪問時延。在實現(xiàn)讀寫分離以及前后臺分離的緩存架構的基礎上，可以進行緩存的執(zhí)行流編排，全局緩存的架構及其執(zhí)行流可以做到從設計上屏蔽或緩解緩存原生的一致性問題和雪崩、擊穿、穿透等問題。例如，針對一致性問題，數(shù)據(jù)狀態(tài)是在分布式緩存池中維護，客戶端無狀態(tài)，不存在源端狀態(tài)同步開銷；全對稱分布式架構，結合去中心化路由算法，實現(xiàn)數(shù)據(jù)精準路由，數(shù)據(jù)精準定位到主節(jié)點；結合協(xié)商的執(zhí)行流編排，保障分段逐級命中最新數(shù)據(jù)，例如首先命中寫Cache臟數(shù)據(jù)，然后L1讀Cache，L2讀Cache，最后才是后端存儲，命中即返回，從設計上保證不會讀到老數(shù)據(jù)。

高性能、低成本核心算法設計

在全局緩存特性中，我們應用了規(guī)模化的降本增效算法，這些算法集結了華為公司海內外研究所，以及高校老師的全球智慧，也是全局緩存實現(xiàn)性能領先、成本領先的核心技術保障。

高性能算法主要包括讀路徑加速和寫路徑加速兩類，針對寫路徑加速，我們知道，HDD磁盤的尋道和旋轉延遲是訪問時延的大頭， HDD對IO數(shù)量和放大非常敏感，以8K數(shù)據(jù)為例，如果是隨機寫入，一般可以做到單盤100 IOPS量級，而順序寫入主流硬盤可以達到3W+ IOPS量級，所以上述的緩存前后臺分離架構的前提是要與高效的算法配合，不然由于后端刷盤來不及，很快就會導致緩存寫滿轉透寫。

為此，通過IO聚合算法實現(xiàn)全周期Append-only模式的磁盤友好寫入，IO聚合過程可以轉化為一個帶約束的組合優(yōu)化問題，并結合啟發(fā)式方法實現(xiàn)最小空間浪費；數(shù)據(jù)聚合以后，需要結合自研的TeraDB KV數(shù)據(jù)庫實現(xiàn)小對象到聚合對象的映射管理，命名TeraDB的原因是每臺服務器管理的元數(shù)據(jù)量上限大概是700GB，接近1TB；針對元數(shù)據(jù)管理，全局緩存采用了LSM的結構，LSM對小塊的頻繁更新比較友好，但是由于其分層結構，對讀取不友好，針對此問題，全局緩存設計了自適應的布隆過濾器來實現(xiàn)批量檢測Key存在性，提高讀性能，另外由于非結構化數(shù)據(jù)本身數(shù)據(jù)大小多變，我們還設計了變長粒度樹，實現(xiàn)大小對象的自適應管理，既提高了查詢效率，又避免了資源浪費，大幅節(jié)省元數(shù)據(jù)開銷。

那么，實現(xiàn)了IO聚合與映射就可以了嗎？并非如此，因為數(shù)據(jù)更新和刪除還是以聚合之前的粒度進行，那么在數(shù)據(jù)更新或刪除以后，我們需要進行垃圾回收來釋放空間，垃圾回收會引入寫放大，這就是我們需要支付的開銷，控制寫放大就成了我們是否可以實現(xiàn)性能提升的關鍵因素。

針對讀路徑，我們結合豐富的模式識別與挖掘算法，例如結合時間序列預測挖掘流式模型，多模特征聚類挖掘熱點模型，頻繁模式挖掘得到關聯(lián)模型，以及粗放式冷熱識別得到工作集關聯(lián)模型，基于這些Pattern挖掘算法，輔以全局負反饋調整，可以實現(xiàn)精準的模式挖掘以及預取門限、預取長度等參數(shù)的自適應整定，在特征不明顯的多源混合場景實現(xiàn)70%以上緩存命中率，模式較為規(guī)整的負載下實現(xiàn)接近100%的緩存命中率。

算法創(chuàng)新思路之一：理論為基石，探究算法極限

舉兩個示例，第一個是剛才提到的如何實現(xiàn)理論最優(yōu)的寫放大，針對垃圾回收寫放大問題，工業(yè)界一般認為最優(yōu)回收算法，或者說寫放大最小的回收算法，是貪心算法，所以在優(yōu)化寫放大過程中不存在算法設計，只有數(shù)據(jù)結構設計，例如是通過分級鏈，還是通過優(yōu)先隊列去管理回收對象。

但其實并非如此，針對這個問題，全局緩存研發(fā)團隊結合學術論文的分析，實現(xiàn)了基于邏輯時鐘驅動的垃圾回收建模推導，并通過主動分區(qū)實現(xiàn)理論最優(yōu)寫放大算法和數(shù)據(jù)結構設計，推導發(fā)現(xiàn)在均勻Workload負載下，貪心算法確實是最優(yōu)的，原因在于均勻Workload下面其不具備后效性；但是在非均勻Workload下面，貪心算法并不是最優(yōu)的，而我們知道真實的業(yè)務負載基本都是非均勻Workload。

具體的推導過程是我們將每次數(shù)據(jù)更新寫入當成邏輯時鐘，來驅動系統(tǒng)的狀態(tài)進行變化，狀態(tài)主要就是每個聚合對象的垃圾量，然后套用Lambert方程進行時空特征建模，得到垃圾生成模型，轉換成最優(yōu)化問題并求取數(shù)值解，實現(xiàn)OP超供容量的主動分區(qū)；這樣，在非均勻Workload下，結合主動分區(qū)實現(xiàn)最優(yōu)OP配額控制，得到理論最優(yōu)解，從右側圖中可以看出寫放大收益可以達到30%以上，并且比CB等復雜算法的效果更好。

算法創(chuàng)新思路之二：算法與架構配合，最大化算法效果

針對讀路徑加速算法示例，我們不單獨講算法原理，來切換一個視角，主要介紹下如何通過預取算法與預取架構配合，最大化發(fā)揮前面提到的智能預取、數(shù)據(jù)淘汰等算法的效果。

在預取架構方面，全局緩存創(chuàng)新性的提出Client端推薦引擎與Server端執(zhí)行引擎分離的智能預取架構，相對于業(yè)界流行的分布式緩存預取模式，兼具單機推薦的高效&準確性，以及緩存池的高資源利用率。

（1）作為對比，相對于標號1 Server端本地推薦這種模式，由于我們的數(shù)據(jù)未經(jīng)源端打散，推薦引擎天然具備全局Trace視圖，從而可以進行全局精準推薦，同時由于推薦引擎部署在客戶端，在共享卷等場景，也不會發(fā)生多源擾鄰，可以精準匹配用戶Workload。

（2）相對于標號2的Server端中心化推薦這種模式，可以做到不存在單點故障，還可以減少數(shù)據(jù)推送和執(zhí)行策略拉取兩跳網(wǎng)絡開銷，如圖中黃色箭頭所示，從而避免緩存?zhèn)蚊?，所謂的偽命中指的是已經(jīng)下發(fā)預取請求，由于推薦、執(zhí)行鏈路過長導致請求到達時，預取數(shù)據(jù)還未加載到緩存。

針對成本目標，BoostKit全局緩存通過EC Turbo、數(shù)據(jù)壓縮、數(shù)據(jù)壓緊等創(chuàng)新算法，提升分布式存儲有效容量，幫助用戶降低成本。EC Turbo支持4+2~22+2大比例EC，用戶可用容量提升2~2.75倍；自研的GLZ數(shù)據(jù)壓縮算法結合原理級、結構級、指令級三級優(yōu)化，實現(xiàn)對比LZ4、gZip等業(yè)界流行算法壓縮率高30%，并且系統(tǒng)性能也可以提高30%，從而實現(xiàn)成本、性能雙收益；數(shù)據(jù)壓緊算法配合壓縮算法一起使用，通過減少壓縮后數(shù)據(jù)因數(shù)據(jù)對齊產生的補零空間浪費，實現(xiàn)更緊湊的數(shù)據(jù)落盤，壓縮率能夠繼續(xù)提升30%。

總結來說，鯤鵬BoostKit全局緩存結合EC Turbo、數(shù)據(jù)壓縮、數(shù)據(jù)壓緊等算法突破，相對于開源方案可以實現(xiàn)3倍以上用戶可用容量提升，大幅節(jié)省TCO；后續(xù)還將推出全局數(shù)據(jù)重刪特性，進一步提升數(shù)據(jù)縮減率，并覆蓋備份存儲等場景。

目前，鯤鵬BoostKit全局緩存與某大型運營商開展了聯(lián)合創(chuàng)新，分別采用3臺X86服務器和3臺鯤鵬服務器組成2個服務集群，其他硬件保持相同，然后進行緩存命中極限性能測試。測試數(shù)據(jù)顯示，全局緩存端到端性能達到14W IOPS/節(jié)點，以及1ms穩(wěn)定時延；相對來說，X86硬件+開源BCache+開源Ceph，則為1.2W IOPS/節(jié)點，同時時延只能做到26ms，全局緩存實現(xiàn)了10倍的性能優(yōu)勢。

如果要了解更多的全局緩存相關的部署使用方法和學習資源，登錄hikunpeng.com——鯤鵬社區(qū)BoostKit專區(qū)獲取詳細信息。

生成海報

免責聲明：本網(wǎng)站內容主要來自原創(chuàng)、合作伙伴供稿和第三方自媒體作者投稿，凡在本網(wǎng)站出現(xiàn)的信息，均僅供參考。本網(wǎng)站將盡力確保所提供信息的準確性及可靠性，但不保證有關資料的準確性及可靠性，讀者在使用前請進一步核實，并對任何自主決定的行為負責。本網(wǎng)站對有關資料所引致的錯誤、不確或遺漏，概不負任何法律責任。任何單位或個人認為本網(wǎng)站中的網(wǎng)頁或鏈接內容可能涉嫌侵犯其知識產權或存在不實內容時，應及時向本網(wǎng)站提出書面權利通知或不實情況說明，并提供身份證明、權屬證明及詳細侵權或不實情況證明。本網(wǎng)站在收到上述法律文件后，將會依法盡快聯(lián)系相關文章源頭核實，溝通刪除相關內容或斷開相關鏈接。