分布式块存储的引擎如何设计？

本文是这个系列的第二篇，着重讨论存储引擎的需求、思考和设计。上一篇是 《SDS之HCI系列：分布式块存储的研发如何设计元数据服务?》 。

先来看一下我们会对数据存储引擎模块有什么样的需求。

首先，肯定是还是可靠。因为我们客户的应用场景都大部分是核心的应用，数据可靠是要绝对保证的，没有任何妥协的空间。

其次是性能，目前在万兆网络和SSD，包括 NVMe SSD 都已经非常普及。随着硬件的速度越来越快，性能的瓶颈会从硬件转移到软件。尤其对于存储引擎来说，性能至关重要。

除了追求绝对的性能以外，我们还希望能够做到高效。我们希望每一个 CPU 指令都不被浪费。我们追求用最少的 CPU 指令完成一次 IO 操作。这背后的原因是，存储硬件设备越来越快，目前最快的存储已经可以做到单次访问只需要 10 纳秒。而如果程序中加一次锁，做一次上下文切换，可能几百个纳秒就过去了。如果不做到高效的话，目前的 CPU 可能完全无法发挥出 SSD 的性能。除了高效的使用 CPU 以外，我们也要高效的使用内存资源，网络带宽资源。同时，由于目前相同容量的 SSD 的价格还高于 HDD 的价格，所以我们也尽可能的节省磁盘空间的占用，通过利用压缩，去重等技术，提高 SSD 的空间使用效率。

最后，也是非常重要的一点，存储引擎需要易于 Debug，而且要易于升级。对于软件工程师来说，50% 以上的工作时间都是在做 Debug，而对存储软件工程师来说，这个比例可能更高。我们希望做一个非常易于 Debug 的软件产品，如果发现问题，可以快速的定位并修复。升级也是一样，现在软件的迭代速度越来越快，我们希望软件可以方便的易于升级，这样我们可以让用户更快的使用上新版本的软件，享受到新版本的功能，以及性能的优化。

接下来，我们来看一下具体的实现。很多传统的存储厂商在实现存储引擎的时候，往往会选择把整个 IO 路径的实现放在 Kernel Space 里面。例如在上图中，上层是一个核心的存储引擎，下层是文件系统，块设备，以及驱动。由于网络栈也是实现在内核中的，把存储引擎放在内核里面就可以最大化性能，减少上下文切换(Context Switch)。

但这种实现有很多非常严重的问题，首先就是难于 Debug。如果大家做过内核开发，就会知道在内核中 Debug 是一件非常麻烦的事情。而且开发语言也只能用 C，不能用其他语言。

同时，在内核里面开发，升级会非常困难。一次升级，不管是 Bugfix，还是增加新功能，都可能需要重启整个服务器，这对于存储系统来说代价是非常巨大的。还有一个很重要的因素就是故障域非常大。Kernel 里面的模块如果出问题，可能导致整个 Kernel 被污染，可能是死锁，可能是 Kernel Panic。通常也是需要重启服务器才能修复。

既然有这么多问题，那我们在设计的时候肯定不会选择用 Kernel Space 的方式。我们选择在 Userspace，也就是用户态实现我们的存储引擎。

在 User Space 实现，很多项目会选择把存储引擎构建在 LSM Tree 的数据结构上。LSM Tree 运行在文件系统之上。User Space 和 Kernel 比起来更灵活，可以用各种语言;升级也很方便，只需要重启一下进程就可以，不需要重启服务器;User Space 的故障只会影响到服务进程本身，并不会影响到 Kernel 的运行。但这种方式的问题就是性能不够好，由于 IO 还是需要经过 Kernel，所以会产生上下文切换，这个切换就会引入性能的开销。

接下来，我们来说一下 LSM Tree。LSM Tree 的数据结构以及实现我们在这里就做不详细介绍了。总的来说，LSM Tree 是很多存储引擎的核心。

LSM Tree 的好处就是实现起来是相对简单的，有很多开源的实现可以参考，而且它对小块数据写入优化做的非常好，会将小块数据合并，并批量写入。

然而 LSM Tree 并不是银弹，它最大的问题由于他的数据结构而导致的『读放大』和『写放大』。这个问题会有多严重呢。我们可以来看一下这个图(编者按：参见上图)，这是一个对『读写放大』的测试结果。从图中可以看到，如果写入 1GB 的数据，最终会产生 3 倍的数据写入量，也就是 3 倍的『写放大』。如果写入 100G 的话，则会被放大到 14 倍，也就是说如果写 100G 的数据，实际上在磁盘上会产生 1.4TB 的写流量。而『读放大』会更加严重，在这个场景下会放大到 300 多倍。这就违背了我们最开始提到了我们希望提高硬件效率的诉求。

LSM Tree 虽然有各种各样的好处，但是由于存在严重的『读写放大』问题，所以我们并不会采用LSM Tree 来做数据存储引擎。我们可以借鉴 LSM Tree 中优秀的思想，结合我们自己的需求，实现一套存储引擎。这个包含了数据分配，空间管理，IO 等逻辑。

接下来，我们看到这个这个图中还有一个文件系统。这个文件系统是实现在内核中的，在块设备之上。大家比较常见的文件系统包括 ext4，xfs，btrfs 等，很多存储引擎也是实现在文件系统之上的。然而我们需要思考一下我们是否真的需要一个文件系统。

首先，文件系统所提供的功能远远多于存储引擎的需求。例如文件系统提供的 ACL 功能，Attribute 功能，多级目录树功能，这些功能对于一个专用的存储引擎来说，都是不需要的。这些额外的功能经常会产生一些 Performance Overhead，尤其是一些全局锁，对性能影响非常严重。

其次，大部分文件系统在设计的时候，都是面向单一磁盘的设计方式，而不是面向多块磁盘的。而一般存储服务器上都会部署 10 块，甚至更多的磁盘，而且有可能是 SSD，有可能是 HDD，也可能是混合部署。

第三，很多文件系统在异步 IO 上支持的并不好，尽管支持异步 IO 的接口，但实际使用过程中，偶尔还是会有阻塞的情况发生，这也是文件系统里一个非常不好的地方。

最后一个问题，文件系统为了保证数据和元数据的一致性，也会有 Journaling 的设计。但这些 Journaling 也会引入写放大的问题。如果服务器上挂载了多个文件系统，单个文件系统的 Journaling 也无法做到跨文件系统的原子性。

最终我们在设计存储引擎的时候，我们选择了抛弃文件系统，抛弃 LSM Tree，自己在做一个理想中的存储引擎，去掉不必要的功能，尽可能的避免写放大。把我们想要的功能直接实现在块设备上。

我们并没有想要自己实现 Block Layer 这一层，这是因为 Linux Kernel 中，Block Layer 是非常薄的一层，里面实现的算法也非常简单，这些算法也都有参数可调，也都有办法关闭掉，所以不会有太多额外的性能开销。

左边这个图就是 ZBS 目前的实现方式。但这种方式最大的问题还是性能，Block Layer 和 Driver 都运行在 Kernel Space，User Space 的存储引擎的 IO 都会经过 Kernel Space，会产生 Context Switch。未来我们会转向右边这个图的方式，通过 SSD 厂家提供的 User Space 驱动，结合 PMD(Poll Mode Driver)引擎，以提供更好的性能。

接下来，我们看一下 ZBS 的 User Space 存储引擎具体的实现。

IO Scheduler 负责接收上层发下来的 IO 请求，构建成一个 Transaction，并提交给指定的 IO Worker。IO Worker 负责执行这个 Transaction。Journal 模块负责将 Transaction 持久化到磁盘上，并负责 Journal 的回收。Performance Tier 和 Capacity Tire 分别负责管理磁盘上的空闲空间，以及把数据持久化到对应的磁盘上。