linuxdv-static/articles/2017/03/24/distributed-storage/index.markdown

---
title: Распределённые блочные хранилища (ликбез)
tags: software, ceph, sheepdog, репост
---
В ходе возни с кластером на работе,
решил посмотреть существующие распределённые блочные хранилища.
Что вообще за хрень такая, в каком оно состоянии и возможные подводные камни.

---

> Лирическое отступление: хрень эта нужна исключительно для живой миграции и отказоустойчивости.
> Использование сабжа в масштабе менее трёх машин неоправдано, и часто менее надёжно,
> просто потому что к возможным проблемам с железом добавляются проблемы с сетью,
> та тоже становится критически важным звеном для функционирования системы в целом.

После изучении гугла, если откинуть откровенно наколеночные поделки,
окажется что вариантов не так уж и много: drbd, sheepdog, ceph.
Это именно блочные/объектные хранилища, fs здесь не рассматриваю.

DRBD или "сетевой RAID1"
------------------------

Сначала расскажу про первый, чтоб потом к нему не возвращаться.

Грубо говоря, это "RAID1 по сети". Работаем с блочным устройством как обычно,
чтение идёт локально, запись зеркалируется по сети на другой хост.
При отвале локального диска устройство переходит на "сетевой".
При отвале связи - локально продолжает работать, но удалённая реплика становится устаревшей.
При появлении сети - реплика или "догоняет" локальную копию,
или синхронизируется полностью (зависит от прошедшего времени с разрыва связи).

Штатный режим работы - master/slave, он описан выше.
Можно использовать для организации отказоустойчивости в виде "упал основной сервер - всё работает на резервном"
или для кросс-дублирования данных (работают оба сервера, даже при отказе дисковой на одном из них).

Есть ещё режим master/master, когда данные пишутся на одно и то же устройство на разных хостах.
Естественно, писать нужно в разные области, для этого идеально подходит LVM+CLVM поверх DRBD.

Допустим у нас 2 хоста, на каждом под drbd отдан терабайтный диск.
Можно сделать 2 x master/slave по 500 гигов, а можно один терабайтный, но master/master.
Начинаем создавать типовые виртуалки с диском по 200 гб.
В первом случае их можно сделать 4 (по 100 гигов неиспользуемого места на хост), во втором - 5.
Но самое важное - в режиме master/master виртуалки можно невозбранно таскать с хоста на хост поштучно.

Бич этого режима - split-brain. Это когда теряется связь между нодами и те начинают работать "сами по себе".
В результате реплики расходятся и на каждом хосте накапливаются свои уникальные изменения.
Чинится такое только руками.

Плюсами этого решения является простота архитектуры, возможность восстановления данных, минимум зависимостей.
corosync / zookeeper для работы не нужен, хотя если вы мастерите HA, он всё равно понадобится.

По результатам тестов (ветка 8.X) - работает стабильно. Из замечаний - часто меняют синтаксис конфигов.
Судя по документации, в ветке 9.X добавлен режим работы one-to-many, т.е. теперь реплик может быть больше одной.
Сам пока не смотрел, для этого надо обновлять кластер.

Ceph
----

Великий и ужасный. Представляет собой "фреймворк" для построения распределённых хранилищ.
Самый нижний уровень (rados) - менеджер объектов, уровнем выше - rbd, который собирает из этих объектов блочное устройство
и fs, который из этих же объектов собирает распределёную fs. Первые два стабильны, последний - экспериментален.

Архитектурно представляет собой комплекс из трёх видов демонов:

* osd -- непосредственно чтение/запись объектов,
* mon -- координатор объектов, который говорит osd что и куда писать
* mds -- хранилище метаданных для режима "fs"

По результатам раскопок в гугле, а потом и собственных тестов выявлены следующие проблемы:

* жор ресурсов (скажем спасибо c++/boost, ладно хоть не жаба)
* периодически подглюкивает (потому что запихано очень много всего)
* не совсем адекватное поведение при recovery -- может легко выжрать всю сеть
  и лимиты по i/o на дисковой
* в некоторых режимах использования есть проблемы со скоростью
  (например ОЧЕНЬ не любит большие iops'ы)

Несмотря на перечисленное - в отрасли используется очень широко и давно.
По функциям - абсолютный лидер в своей области.
Поэтому недостаток производительности подпирают ssd-диском под журнал,
сеть внутри ДЦ - infiniband'ом или 10/40GbE, и работают.

corosync / zookeeper для работы также не нужен.

Sheepdog
--------

Это тоже Ъ-распределённое хранилище.
Писалось по мотивам ceph'а, с прицелом на один конкретный use-case:
распределённое хранилище для кластера qemu. Чтоб без гемора, просто, дешёво и сердито.

В отличие от ceph'а здесь нет:

* ...мониторов. Сеть одноранговая, каждый узел равноправен.
* ...CRUSH-map как такового. Где лежат блоки - определяется по хешу от его id.
  меняется структура кластера - какие-то блоки переезжают на другие ноды.
  Одним failure-domain'ом считается один хост.
* ...placement groups. Разруливает само.
* ...node-discovery. Оно отдано стороннему софту: corosync/zookeeper/...
* ...авторизации в любом виде. То же самое.
* ...tier. Связано с отсутствием CRUSH-map, эмулируется или через bcache или запуском 2х кластеров.
* ...pool'ов. Есть дефолт на уровне всего кластера, его можно переопределить на уровне отдельной vdi.
* ...чексумм для передаваемых данных. Отдано TCP.
* ...многоуровневой архитектуры. В терминах ceph: rados слит с rbd, fs нет вообще.
* ...допиленного блочного устройства. Код ядерного модуля есть в исходниках, но компилять будете сами.

Теперь плюсы по сравнению с ceph:

* написано на няшной сишечке (потребление ресурсов - 30МБ(!) RSS и около гига VSZ на терабайт места)
* за счёт отказа от мониторов достигается [НАМНОГО](https://forum.proxmox.com/threads/ceph-and-kvm-terrible-disk-io.30128/#post-151238)
  более высокая производительность при работе со множеством мелких блоков
  (плюс к тому же нет единой точки отказа, кластер работает, пока есть хоть одна копия нужного блока)
* за счёт отказа от отдельного журнала повышается общая производительность записи
  (при записи на vdi в три реплики она всего на 7-10% ниже, чем при записи просто на локальный диск;
   хотя теоретически должно быть наоборот: писать в журнал всё подряд линейно - быстрее)
* к существующему кластеру докручивается реально с полпинка (поставил пакет, показал куда класть данные, запустил демон, и всё, оно работает)
* "osd" здесь понимает несколько независимых дисков. С hotplug'ом и автовышибанием сбойного.

Из замеченных багов (для 0.9.X):

* В самом начале тестов поймал ситуацию, когда ни одного vdi нет, но место на нодах чем-то занято. До этого активно создавались-удалялись vdi и параллельно запускался check/reweight. После киляния такой ноды и удаления метаданных всё пришло в норму, т.е. это был просто мусор. Вывод: во время recover'а лучше ничего не делать.
* alter-copy на используемом vdi заставляет использующую его виртуалку срать кирпичами. Лечится выключением виртуалки и запуском заново.
* Связано с предыдущим пунктом - alter-copy в сторону увеличения на используемой vdi вообще нестабилен, есть риск появления неконсистентных копий объекта. Причём vdi check будет периодически фиксить реплики поочерёдно. Выход - остановить, прочекать, запустить обратно.
* При «copies = 2» в процессе recovery есть риск возникновения split-brain. Симптомы: «no majority of XXXXXXXXXXX» при vdi/cluster check. Лечится руками удалением нужного объекта на одной из нод при неиспользуемом vdi с последующем check'ом.
* Поддержка erasure coded vdi всё ещё сырая. При непустом кластере выставить alter-copy в любую комбинацию erasure-code (а она влияет только на новые создаваемые объекты) просто не даст - unimplemented. Также, такие объекты на чтение явно медленнее, экспериментально выяснено - от 2х до 4х раз. Измерялось с предварительным выделением места.
* При включенных блокировках (dog cluster format -l <…>) не будет работать «живая» миграция в proxmox'е.
* Документация неконсистентна. В вики упоминается [jornaling](https://github.com/sheepdog/sheepdog/wiki/Journaling) и object cache, поддержка которых недавно [удалена](https://github.com/sheepdog/sheepdog/issues/221).
* Производительность по дефолту не очень, потому что включен `O_SYNC` для записи. Если его выключить (sheep -n <...>), скорость записи вырастет кратно,
  но ценой возможной потери части данных, если для **всего** кластера внезапно выключить свет.

См [ссылку](https://github.com/sheepdog/sheepdog/wiki/Why-The-Performance-Of-My-Cluster-Is-Bad) из официальной документации. 

Уверен про ceph такой список косяков тоже можно написать, просто я его так подробно не копал.

Выводы
------

Если у вас больше двух нод не планируется - берите drbd с lvm. При учёте момента с split-brain оно будет жить долго и счастливо.
Если ровно три - смотрите drbd9, не подойдёт - тогда уже ceph/sheepdog.

Если больше трёх, есть бюджет и хранимые данные очень критичны - однозначно ceph, как наиболее стабильный в работе.
То же самое, если у вас географически разнесённый кластер, который должен работать как одно целое - тоже ceph, т.к. понадобится CRUSH-map'ы.

Если нужна максимальная производительность для qemu, а кластер располагается в одном ДЦ - sheepdog.
Во всех остальных случаях - ceph.

Про производительность последних двух (в цифрах) напишу в следующий раз.