+ /articles/2017/03/24/distributed-storage

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

@@ -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.