ceph存储 ceph Bluestore的架构

ceph 目前是开源社区比较流行的分布式块存储系统，其以良好的架构，稳定性和完善的数据服务功能，获得的了广泛的部署和应用。

目前ceph 最大的问题是其性能相对较差，特别是无法发挥SSD等高速设备的硬件的性能。 Ceph 开源社区一直在优化ceph的性能问题。 目前的结果就是引入了新的object store，这就是最进合并入ceph master的BlueStore.

Bluestore的架构

如上图所示 ：

BlueStore整体架构分为四个部分：

• BlockDevice为最底层的块设备，BlueStore直接操作块设备，抛弃了XFS等本地文件系统。BlockDevice在用户态直接以linux系统实现的AIO直接操作块设备文件。
• BlueFS是一个小的文件系统，其文件系统的文件和目录的元数据都保存在全部缓存在内存中，持久化保存在文件系统的日志文件中， 当文件系统重新mount时，重新replay该直接，就可以加载所有的元数据到内存中。其数据和日志文件都直接保存在依赖低层的BlockDevice中
• RocksDB 是Facebook在leveldb上开发并优化的KV存储系统。BlueFS的主要的目的，就是支持RocksDB
• BlueStore是最终基于RocksDB和BlockDevice实现的ceph的对象存储，其所有的元数据都保存在RocksDB这个KV存储系统中，包括collection，对象，omap，磁盘空间分配记录等都保存RocksDB里, 其对象的数据直接保存在BlockDevice

BlockDevice

BlockDevice 块设备，其对于一个物理块设备（目前也支持用XFS的一个大文件里实现），用来存储实际的数据。其实现在bluestore/BlockDevice.cc 和 bluestore/BlockDevice.h

其主要实现了异步写操作，写操作是通过 操作系统提供的异步io调用。 由于操作系统支持的aio操作只支持directIO，所以对BlockDevice的写操作直接写入磁盘，并且需要按照page对齐。其内部有一个aio_thread 线程，用来检查aio是否完成。其完成后，调用 aio_callback_t aio_callback; 回调函数通知调用方。 
目前BlocekDevice的读操作是同步读操作。 有待继续实现异步的读操作。

BlueFS

BlueFs 既然是一个文件系统，就要解决的是元数据的分配管理，其次解决文件空间的分配和管理，以及磁盘空间的分配和管理。

由于BlueFS用来支持RocksDB，所以就不是一个通用的文件系统，它的功能足以支持RocksDB 就可以了。所以它只支持以下功能：

• 文件只支持顺序写
• 只支持两层目录

BlueFS的元数据

BlueFS中，文件的元数据由 bluefs_fnode_t 保存

struct bluefs_fnode_t {
  uint64_t ino;  //文件的ino
  uint64_t size;  //文件大小
  utime_t mtime;  // 修改时间
  uint8_t prefer_bdev; //优先在该设备上分配空间
  vector<bluefs_extent_t> extents; //文件在磁盘上分配的空间
  ......
}

bluefs_extents_t 代表在磁盘上的分配的extents
struct bluefs_extent_t {
  uint64_t offset;  //块设备上的 extent偏移量
  uint32_t length;  // extent的长度
  uint16_t bdev;   //对于的块设备
  ......
}

目录对应的结构 Dir

struct Dir {
    map<string,FileRef> file_map;
  };

对于BlueFS

• 所有的元数据（文件和目录）都需要缓存在内存中
• 所有的元数据的修改都记录在BlueFS的日志中，也就是对于BlueFS，元数据的持久化保存在日志中，当重新mount文件系统时，只需要replay日志，就可以获取所有元数据

//BlueFS的元数据cache
map<string, Dir*> dir_map;                      ///< dirname -> Dir
ceph::unordered_map<uint64_t,FileRef> file_map;  ///< ino -> File

BlueFS的读写

uint64_t size = 1048476 * 128;
  string fn = get_temp_bdev(size);
  BlueFS fs;
  ASSERT_EQ(0, fs.add_block_device(0, fn));
  fs.add_block_extent(0, 1048576, size - 1048576);
  uuid_d fsid;
  ASSERT_EQ(0, fs.mkfs(fsid));
  ASSERT_EQ(0, fs.mount());
  {
    BlueFS::FileWriter *h;
    ASSERT_EQ(0, fs.mkdir("dir"));
    ASSERT_EQ(0, fs.open_for_write("dir", "file", &h, false));
    bufferlist bl;
    bl.append("foo");
    h->append(bl);
    bl.append("bar");
    h->append(bl);
    bl.append("baz");
    h->append(bl);
    fs.fsync(h);
    fs.close_writer(h);
  }
  {
    BlueFS::FileReader *h;
    ASSERT_EQ(0, fs.open_for_read("dir", "file", &h));
    bufferlist bl;
    BlueFS::FileReaderBuffer buf(4096);
    ASSERT_EQ(9, fs.read(h, &buf, 0, 1024, &bl, NULL));
    ASSERT_EQ(0, strncmp("foobarbaz", bl.c_str(), 9));
    delete h;
  }
  fs.umount();

上述代码来自test_bluefs.cc的BlueFS的测试代码，展示了 BlueFS文件系统的使用。

1. 文件系统调用函数fs.add_block_device 来添加设备到BlueFS中。 
   
   • 创建了以新的BlockDevice
   • 把该设备添加到bdev列表中，并添加相应的IOContext 到ioc中
2. 调用 fs.add_block_extent把设备的空间添加到bluefs中
3. 调用函数fs.mkdir创建目录
4. 调用函数 fs.open_for_write 打开一个文件，如果不存在，就创建
5. 调用h->append 写数据，目前数据都只是Cache在内存zhong
6. 最后调用 fs.fsync，本函数真正的把bluefs的 数据和元数据写入磁盘

RocksDB on BlueFS

如何在BlueFS上实现RocksDB？ 对RocksDB， 只要实现 rocksdb::EnvWrapper接口即可。BlueRocksEnv.cc 和 BlueRocksEnv.h 实现了class BlueRocksEnv 来完成此工作。

Bluestore 实现

BlueStore的元数据

Bluestore的 所有的元数据都以KV对的形式写入RocksDB中，主要有以下的元数据：

1. 保存BlueStore的超级块信息,在KV中， 以PREFIX_SUPER为Key的前缀 
   const string PREFIX_SUPER = “S”; // field -> value
2. 保存Collection的元数据信息bluestore_cnode_t 
   const string PREFIX_COLL = “C”; // collection name -> cnode_t

3. 保存对象的元数据信息 
   const string PREFIX_OBJ = “O”; // object name -> onode_t

   需要主要的是，onode 和 enode的信息 都 以PREFIX_OBJ 为前缀，只是同一个对象的onode和 enode的信息的key不同来区分。

4. 保存 overly 信息 
   const string PREFIX_OVERLAY = “V”; // u64 + offset -> data

5. 保存对象的omap 信息 
   const string PREFIX_OMAP = “M”; // u64 + keyname -> value

6. 保存 write ahead log 信息 
   const string PREFIX_WAL = “L”; // id -> wal_transaction_t

7. 保存块设备的空闲extent信息 
   const string PREFIX_ALLOC = “B”; // u64 offset -> u64 length (freelist)

onode 
数据结构onode 保存了BlueStore中一个对象的数据结构，字段和Filestore差不多，这里就不详细介绍。 
Enode 
数据结构Enode定义了一个共享的extent，也就是这段数据被多个对象共享，一个对象的onode里保存一个enode数据结构，记录该对象被共享的extent.这个shared extent 用来对象基于extent的Copy-on-write 机制

struct Enode : public boost::intrusive::unordered_set_base_hook<> {
    atomic_t nref;    //< reference count
    uint32_t hash;
    string key;      //< key under PREFIX_OBJ where we are stored
    EnodeSet *enode_set;  //< reference to the containing set

    bluestore_extent_ref_map_t ref_map;
    boost::intrusive::unordered_set_member_hook<> map_item;

数据结构bluestore_extent_ref_map_t 定义了shared extent 被哪些对象引用

struct bluestore_extent_ref_map_t {
  struct record_t {
    uint32_t length;
    uint32_t refs;
    ...... 
  };
  ......
  map<uint64_t,record_t> ref_map;
}

BlueStore的数据读写

Bluestore的数据写入分为两类：

1. 数据是整块覆盖写，也就是min_alloc_size对齐的写入。对于这一类写入： 
   
   • 重新分配新的存储空间
   • 把数据写入新分配存储空间
   • 删除旧的存储空间
2. partial write，在这种情况下，部分块的写入，在这种情况下： 
   
   • overly write
   • wal write 
     这种两种方式都是先把数据写入 KV 存储中，后续再apply到实际的存储空间中，不同之处在于触发条件不同。

总结

BlueStore 其实是实现了用户态的一个文件系统。为了实现简单，又使用了RocksDB来实现了BlueStore的 所有的元数据的管理，简化了实现。

优点在于：

• 对于整块数据的写入，数据直接aio的方式写入磁盘，避免了filestore的先写日志，后apply到实际磁盘的两次写盘。
• 对于随机IO，直接WAL的形式，直接写入RocksDB 高性能的KV存储中
  
  http://www.cnblogs.com/lucas-sre/p/7096856.html
  
  ceph后端支持多种存储引擎，以插件式的方式来进行管理使用，目前支持filestore，kvstore，memstore以及最新的bluestore，目前默认使用的filestore
  

  Ceph OSD从filestore 转换到 bluestore的方法