Alex 'AdUser' Z
8 years ago
1 changed files with 147 additions and 0 deletions
@ -0,0 +1,147 @@
|
||||
--- |
||||
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. |
Loading…
Reference in new issue