--- 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](/articles/2017/03/29/sheepdog-and-ceph/).