深度解读分布式存储技术之分布式剪枝系统

　　　分布式存储简单的来说，就是将数据分散存储到多个数据存储存储服务器上。分布式存储目前多借鉴Google的经验，在众多的服务器搭建一个分布式文件系统，再在这个分布式文件系统上实现相关的数据存储业务，甚至是再实现二级存储业务如Bigtable。

         分布式文件系统存储目标以非结构化数据为主，但在实际应用中，存在大量的结构化和半结构化的数据存储需求。分布式键值系统是一种有别于我们所熟悉的分布式数据库系统的，用于存储关系简单的半结构化数据的存储应用。

　　在分布式键值系统中，半结构化数据被封装成由《key，value，timestamp》键值对组成的对象，其中key为唯一标示符;value为属性值，可以为任何类型，如文字、图片，也可以为空;timestamp为时间戳，可以提供数据的多版本支持。分布式键值系统以键值对存储，它的结构不固定，每一元组可以有不一样的字段，可根据需要增加键值对，从而不局限于固定的结构，适用面更大，可扩展性更好。

　　分布式键值系统支持针对单个《key，value，timestamp》键值对的增、删、查、改操作，可以运行在PC服务器集群上，并实现集群按需扩展，从而处理大规模数据，并通过数据备份保障容错性，避免了分割数据带来的复杂性和成本。

　　总体来说，分布式键值系统从存储数据结构的角度看，分布式键值系统与传统的哈希表比较类似，不同的是，分布式键值系统支持将数据分布到集群中的多个存储节点。分布式键值系统可以配置数据的备份数目，可以将一份数据的所有副本存储到不同的节点上，当有节点发生异常无法正常提供服务时，其余的节点会继续提供服务。

　　下面，我们来看看业界主流的分布式键值系统的架构模式。

　　Amazon Dynamo

　　Dynamo是AWS上最基础的分布式存储应用之一，也是AWS最早推出的云服务之一，它构建在AWS的S3基础之上，采用去中心节点化的P2P方式，采用这种模式的，还有Facebook推出的Cassandra。

　　1、数据分布

　　Dynamo使用了改进的一致性哈希算法：每个物理节点根据其性能的差异分配多个token，每个token对应一个“虚拟节点”。所有节点每隔固定时间（比如1s）通过Gossip协议的方式从其他节点中任意选择一个与之通信的节点。如果连接成功，双方交换各自保存的集群信息。

　　Gossip协议用于P2P系统中自治的节点协调对整个集群的认识，比如集群的节点状态、负载情况。由于种子节点的存在，新节点加入可以做得比较简单：新节点加入时首先与种子节点交换集群信息，从而了解整个集群。

　　2、一致性与复制

　　一般来说，从机器K+i宕机开始到被认定为永久失效的时间不会太长，积累的写操作也不会太多，可以利用Merkle树对机器的数据文件进行快速同步。Dynamo引入向量时钟（Vector lock）的技术手段来尝试解决冲突，这个策略依赖集群内节点之间的时钟同步算法，但不能完全保证准确性。Dynamo只保证最终一致性，如果多个节点之间的更新顺序不一致，客户端可能读取不到期望的结果。

　　3、容错

　　核心机制就是：数据回传+Merkle树同步+读取修复

　　Dynamo在数据读写中采用了一种称为弱quorum （Sloppy quorum）的机制，涉及三个参数W、R、N，见其中W代表一次成功的写操作至少需要写入的副本数，R代表一次成功读操作需由服务器返回给用户的最小副本数，N是每个数据存储的副本数。Dynamo要求R+W〉N，满足这个要求，保证用户读取数据时，始终可以获得一个最新的数据版本。

　　针对临时故障，一旦某个节点出现问题，则将这个节点值传送给“同组”中的下一个正常节点，并在这个数据副本的元数据中记录失效的节点位置，便于数据回传;然后，由这个节点上一个临时空间进行存储和处理数据，同时该节点还对失效的节点进行监测，一旦失效的节点重新可用，则将自己所保存的最新数据回传给它，然后删除自己开辟的临时空间数据。

　　针对永久性故障，Dynamo必须检査和保持数据的同步 ，Dynamo采用一种称为反熵协议的手段来保证数据的同步。为了减少数据同步检测中需要传输的数据量，加快检测速度，Dynamo使用了Merkle哈希树技术，每个虚拟节点保存三颗Merkle树，即每个键值区间建立一个Merkle树。Dynamo中Merkle哈希树的叶子节点是存储每个数据分区内所有数据对应的哈希值，父节点是其所有子节点的哈希值。

　　4、负载均衡

　　采用改进的一致性Hash+虚拟节点模式。

　　在传统的一致性哈希算法上，服务节点跟哈希环上的点是一一对应的。这里会存在一个问题，就是每一个节点的负载最后是不均匀的，而我们也无法进行调整。Dynamo通过一个服务节点可以有多个哈希环上的虚拟节点的方法，使得每一个服务节点的负载都是均匀的。并且假如发现了某一个节点的负载过高，少分配虚拟节点给它便可以降低该服务节点的负载，从而实现了自动地负载均衡。

　　5、读写流程

　　由于采用了去中心化的模式，因此，需要采用较复杂的模式来控制并发，Dynamo使用Paxos协议结合Gossip来进行并发处理。具体处理模式如图1所示。

　　

　　图1 Dynamo 写入和读取流程

　　Dynamo采用去中心节点的P2P设计，增加了系统可扩展性，但同时带来了一致性问题，影响上层应用。一致性问题使得异常情况下的测试变得更加困难，由于Dynamo只保证最基本的最终一致性，多客户端并发操作的时候很难预测操作结果，也很难预测不一致的时间窗口，影响测试用例设计。

　　由于去中心化模式所导致的复杂性和不确定性。目前主流的分布式系统一般都带有中心节点，这样能够简化设计，而且中心节点只维护少量元数据，一般不会成为性能瓶颈。

　　淘宝Tair

　　Tair是阿里巴巴推出的一个高性能，分布式，可扩展，高可靠的key/value结构存储系统，它专门针对小文件的存储做了优化，并提供简单易用的接口（类似Map）。

　　1、整体架构

　　Tair作为一个分布式系统，是由一个中心控制节点和若干个服务节点组成。Config Server是控制点，而且是单点，目前采用一主一备的形式来保证可靠性，所有的Data Server地位都是等价的。

　　

　　图2 Tair系统架构

　　2、数据分布

　　Tair根据数据的主键计算哈希值后，分布到Q个桶中，根据Dynamo论文中的实验结论，Q取值需要远大于集群的物理机器数，例如Q取值102400。

　　3、容错

　　如果是备副本，则直接迁移;如果是主副本，则先切换再迁移。

　　4、数据迁移

　　机器加入或者负载不均衡可能导致桶迁移，迁移的过程中需要保证对外服务。当迁移发生时，假设Data Server A要把桶1、2、3迁移到Data Server B。迁移完成前，客户端的路由表没有变化，客户端对1、2、3的访问请求都会路由到A。现在假设1还没开始迁移，2正在迁移中，3已经迁移完成。那么如果对1访问，A直接服务;如果对3访问，A会把请求转发给B，并且将B的返回结果返回给用户;如果对2访问，由A处理，同时如果是对2的修改操作，会记录修改日志，等到桶2迁移完成时，还要把修改日志发送到B，在B上应用这些修改操作，直到A和B之间数据完全一致迁移才真正完成。

　　5、配置服务器（Config Server）

　　客户端缓存路由表，大多数情况下，客户端不需要访问配置服务器（Config Server），Config Server宕机也不影响客户端正常访问。如果Data Server发现客户端的版本号过旧，则会通知客户端去Config Server获取一份新的路由表。如果客户端访问某台Data Server发生了不可达的情况（该Data Server可能宕机了），客户端会主动去Config Server获取新的路由表。

　　6、数据服务器（Data Server）

　　Tair存储引擎有一个抽象层，只要满足存储引擎需要的接口，就可以很方便地替换Tair底层的存储引擎。

　　Tair最主要的用途在于分布式缓存，持久化存储起步比较晚，在实现细节上也有一些不尽如人意的地方。例如，Tair持久化存储通过复制技术来提高可靠性，然而，这种复制是异步的。因此，当有Data Server发生故障时，客户有可能在一定时间内读不到最新的数据，甚至发生最新修改的数据丢失的情况。