关于云计算:存储大师班-ZFS存储池块管理与事务模型

ZFS 的诞生：ZFS 由 Sun 存储部门的 CTO、研究员 Jeff Bonwick 率领团队开发。开发于 2001 年，作为 Sun Microsystems Solaris 操作系统的一部分。
- 率领开发 ZFS 的是 Jeff Bonwick。他首先有了对 ZFS 整体架构的构思，而后游说 Sun 高层，亲自组建起了 ZFS 开发团队。
- 招募了过后刚从大学毕业的 Matt Ahrens，又从 Solaris 的 Storage Team 抽调了 UFS 局部的负责人 Mark Shellenbaum 和 Mark Maybee 来开发 ZFS。
ZFS 的开源：在 2005 年，Sun 开源 Solaris 的大部分，包含 ZFS 开源；开源我的项目 OpenSolaris。
illumos 我的项目成立，OpenZFS：
- 在 2010 年，Sun 被 Oracle 收买，ZFS 成为 Oracle 的注册商标。Oracle 进行为 OpenSolaris 和 ZFS 我的项目提供更新的源代码，三分之二的 ZFS 外围开发者决定来到 Oracle 公司。
- illumos 我的项目的成立，保护曾经存在的开源的 Solaris 代码，并且在 2013 年成立 OpenZFS 以配合 ZFS 开源的倒退。
ZFS on Linux：2013 年，Linux 上 ZFS 的第一个稳固版本，持续倒退。

ZFS（Zettabyte File System）是一个跨时代的文件系统，被称为最初一个单机文件系统，曾经被证实能够移植到多种 OS 平台上。它领有如下个性：

齐全兼容 posix 语义（ZPL: ZFS POSIX Layer）。
提供逻辑卷性能（ZVOL: ZFS Volumes）。
提交欠缺的治理性能：通过 libzfs 的工具，通过 ioctl 发送治理命令到 zfs kernel module。
提供靠近有限的存储空间：将物理存储设备进行池化治理，文件系统建设在设施存储池上。当文件系统空间不够，能够将物理设施动静增加存储池中。存储池上的单个文件系统极限值：
- 反对 2^{48} 个快照。
- 反对 2^{48} 个文件。
- 单个文件最大 16EB。
事务模型 + COW：
事务模型和 COW 是强绑定的关系。

COW（Copy On Write）：对文件的数据不是原地间接批改，而是拷贝更新的形式，数据块的内容更新不存在中间状态。
事务：保障了对文件的一组操作都是原子性的，并且每个事务之间是互相独立的。所有文件的同一个事务 ID 的汇合打包成一个事务组，进行从 file 到 root 的全局的拓扑的更新。
事务 TX 和事务组 TXG 的关系（在事务模型章节具体介绍）：
- XG：在同一个事务 ID（TXG-num）下的 TX 形成一个事务组 TXG
- 当一个 TXG 中的被须要改的数据达到一个阈值（脏数据阈值），或者周期到了，产生一次事务组的轮转，在这个事务组的 sync 完结之后，生成一个全新的 root 的拓扑树（layout）。

端到端的数据安全性：

256 位的 Checksum，Checksum 的数据存储在父亲节点上。
造成一棵自验证的 Merkle Tree, 当 ZFS 在 load 数据时会进行校验。
它在负责读取数据的时候会主动和 256 位校验码进行校验，会被动发现这种 Silent Data Corruption：
- 通过相应的 Mirror 硬盘或者通过 RAID-Z 阵列中其余硬盘失去正确的数据返回给下层利用，并且同时主动修复原硬盘的 Corruption Data。
- 数据恢复也能够给通过读取无效正本的形式进行修复：比方像 ZFS 的 spacemap 数据会存储多份。

反对快照和克隆

因为 ZFS 采纳的 COW 机制，每次的更新 new 数据均不会毁坏磁盘上已有的 old 数据。
ZFS 能够依据须要保留 old 数据。
这是实现快照性能的根底，理论的快照性能实现是抉择一个 TXG-num 作为快照点，将 old root 下拓扑的保存起来，不去开释被更新的数据块地址。
当然理论的快照性能要简单的多，这里不做赘述。

反对数据去重性能
反对数据压缩性能

大多数单机文件系统是物理设施强绑定的，一旦在某个物理设施上格式化文件系统之后，该文件系统的可用空间和物理设施大小非亲非故。然而 ZFS 将理论的物理设施和文件系统进行隔离，文件系统是建设在存储池上，存储池上的文件系统共用存储池的物理空间，同时能够动静增加物理设施到存储池中，以减少存储池的可用空间。

存储池中的设施治理是一种树形构造进行治理的，如下图所示：

    应用如下命令创立一个存储池 tank
    zpool create -f tank sdc mirror sdd sde raidz1 sdf sdg sdh raidz2 sdi sdj sdk sdl

    逻辑虚构设施为 VDEV1、VDEV2、VDEV3、VDEV4
    VDEV1 对应的物理设施为：sdc
    VDEV2 对应的物理设施为：sdd、sde 组成的 RAID1
    VDEV1 对应的物理设施为：sdf、sdg、sdh 组成 RAIDZ1
    VDEV1 对应的物理设施为：sdi、sdj、sdk、sdl 组成的 RAIDZ2

Label 磁盘构造：

在 ZFS 中间接的调配空间的是虚构设施 VDEV 去实现的，每个 VDEV 下的 physical devices 都存在如下的 Label 信息，在物理设施的首尾两个，共四个。
更新形式是两阶段更新的：在一个 TXG 中 sync 的完结阶段先更新 L0，L2；如果胜利再更新 L1 和 L3。
这样更新和布局的益处是：无论何时掉电，总会有一个 Label 是可用的。
Name/Vaule 记录的就是以后的 VDEV 下的物理设施的拓扑关系

sdc 的 Label 信息

  [root@ks0 ~]# zdb -l /dev/sdc1
  ------------------------------------
  LABEL 0
  ------------------------------------
       version: 5000
       name: 'tank'
       state: 0
       txg: 4
       pool_guid: 2896170471310910827
       errata: 0
       hostname: 'ks0'
       top_guid: 2751819047198290687   //vdev guid
       guid: 2751819047198290687       //phyical dev guid
       vdev_children: 4              // 总共 4 个 vdevs
       vdev_tree:
               type: 'disk'
               id: 0                       //vdev id 编号          
               guid: 2751819047198290687   //vdev guid
               path: '/dev/sdc1'
               whole_disk: 1
               metaslab_array: 148         //vdev 的 metaslab 的个数
               metaslab_shift: 27          //vdev 的 metaslab 大小
               ashift: 9                   //metaslab 分最小调配单元 512B
               asize: 21459632128          //vdev 的大小
               is_log: 0
               create_txg: 4
       features_for_read:
               com.delphix:hole_birth
               com.delphix:embedded_data
       labels = 0 1 2 3

sdd 和 sdc 的 Label 信息

  [root@ks0 ~]# zdb -l /dev/sdd1         | [root@ks0 ~]# zdb -l /dev/sde1  
  ------------------------------------   | --------------------------------  
  LABEL 0                                | LABEL 0  
  ------------------------------------   | --------------------------------
       version: 5000                      | version: 5000  
       name: 'tank'                       | name: 'tank'  
       state: 0                           | state: 0  
       txg: 4                             | txg: 4  
       pool_guid: 2896170471310910827     | pool_guid: 2896170471310910827  
       errata: 0                          | errata: 0  
       hostname: 'ks0'                    | hostname: 'ks0'  
       top_guid: 14326320160136866584     | top_guid: 14326320160136866584  
       guid: 14834175139806304144         | guid: 4487740773939268111  
       vdev_children: 4                   | vdev_children: 4  
       vdev_tree:                         | vdev_tree:  
               type: 'mirror'                 | type: 'mirror'  
               id: 1                          | id: 1  
               guid: 14326320160136866584     | guid: 14326320160136866584  
               metaslab_array: 146            | metaslab_array: 146  
               metaslab_shift: 25             | metaslab_shift: 25  
               ashift: 9                      | ashift: 9  
               asize: 5353504768              | asize: 5353504768  
               is_log: 0                      | is_log: 0  
               create_txg: 4                  | create_txg: 4  
               children[0]:                   | children[0]:  
                       type: 'disk'               | type: 'disk'  
                       id: 0                      | id: 0  
                       guid: 14834175139806304144 | guid: 14834175139806304144  
                       path: '/dev/sdd1'          | path: '/dev/sdd1'  
                       whole_disk: 1              | whole_disk: 1  
                       create_txg: 4              | create_txg: 4  
               children[1]:                   | children[1]:  
                       type: 'disk'               | type: 'disk'  
                       id: 1                      | id: 1  
                       guid: 4487740773939268111  | guid: 4487740773939268111  
                       path: '/dev/sde1'          | path: '/dev/sde1'  
                       whole_disk: 1              | whole_disk: 1  
                       create_txg: 4              | create_txg: 4  
       features_for_read:                 | features_for_read:  
               com.delphix:hole_birth         | com.delphix:hole_birth  
               com.delphix:embedded_data      | com.delphix:embedded_data  
       labels = 0 1 2 3                   | labels = 0 1 2 3

传统形式：

谈到存储池，也免不了须要介绍块管理机制，ZFS 的块管理机制是不同于其余的单机文件系统的治理形式。首先须要介绍一下传统的几种块治理形式：

位图治理：最罕用的空间治理办法是位图。最小空间单元状态 (调配或者闲暇) 用一个 bit 位示意。

列如：4TB 磁盘，最小调配单元 4KB 须要 4KKKK}/4K/8=256MB；然而随着空间的增大比方 324T 的空间，这个位图的大小占用的内存空间就变得无奈漠视了，并且每次空间的申请和开释都是要长久化位图信息到物理设施上，导致大量的磁盘 IO 操作，存在写放大问题。
解决办法：分而治之，应用多级治理的形式，比方：将 4TB 的空间分为多组，以位图组的形式进行治理，以二级甚至多级的形式治理位图都是能够的。如果有位图信息须要写入磁盘，只须要更新有扭转的位图组信息到物理设施上，磁盘 IO 次数大大减少。
存在的问题：如果删除文件，该文件的空间散布在所有的位图组上，导致更新位图组的磁盘 IO 的并没有缩小；位图治理形式无奈防止随机开释的带来的大量的磁盘 IO 问题。
B* 树：另外一个罕用的治理闲暇空间的形式应用 B-tree 治理，叶子节点存储理论的闲暇的的偏移和大小。

长处：调配间断的空间效率很高。
存在的问题：删除大文件时开释空间同样会带来大量的随机写，须要更新大量的叶子节点信息，同样存在写放大的问题。

ZFS 的治理形式

一种全新的空间治理形式：将空间的调配和开释行为作为 log 存入到磁盘中，而不是将空间的状态写入到磁盘。内存中保护的是可用空间的 range-tree< AVL tree >，item 是 offset/size。周期性的将调配和开释的记录写入到磁盘中。
当零碎重新启动的时候，在内存中重做全副的 allocation 和 free 的记录，那么能够在内存中构建可用空间的 range-tree。

如果有很多调配开释被互相对消了，会对之前累计写入的 log 进行一次精简。应用可用空间的 range-tree 失去一个调配空间的 range-tree（condense tree），作为 allocation 的记录写入到磁盘中。最极其的状况是调配空间的 range-tree 没有 item（全副空间可用），这个时候须要记录的 log 大小就是 0（真实情况是即便没有任何业务调配空间，起码占用一个两个 data block，一个是 spacemap header，一个记录 header 的应用的 record）。
或者空间应用的很多之后，也会进行 log 的精简。最极其的状况是调配空间的 range-tree 可能只有一个 item（空间被全副应用完了），此时的 log 大小是一个 item 的大小。
ZFS 将每个 VDEV 的空间进行独自治理，每个 VDEV 依照依照肯定大小进行分段治理治理，每个段称之为 metaslab，在内存中应用 metaslab 的 mstree 治理可用空间，调配开释空间的 log 通过 spacemap 进行记录。
spacemap 应用的空间也会记录在 spacemap 的内容中。
因为 ZFS 中将 spacemap 也视作为一个文件的，所以更新的形式也是 COW 的，那就会存在每次 sync 中更新 spacemap 都会产生空间调配，那么 spacemap 的更新的怎么完结？ZFS 在更新 spacemap 的过程中取巧：spacemap 在一次 TXG-sync 逻辑中可能会更新屡次，第一次更新是 COW 的，当前的更新都是 rewrite（Not COW）的；这样更新的益处是：
COW 保障旧的 spacemap layout（拓扑）是无效的，如果更新的过程配新的地址，而是在第一次 sync 调配的地址上追加的空间 record。

TX 步骤：
- 更新文件的数据之前，须要将文件的 layout load 到 memory 中，
- 将更新操作和 TX-ID 绑定起来 < TX-ID 是 TXG-num，顺次递增 >，更新 memory 中数据块的内容。
- 在 zio pipeline 流程中，调配空间，并写入物理设施。
- 将 dnode 标记为 dirty，绑定相干的 TXG 上，让 TXG-sync 线程逻辑去 COW 更新 dnode 的 indirect block 和 header block。
- 告诉绑定的 TXG（雷同 TXG 值）将 pending 事务计数减去 1。
TXG 步骤：
- TXG 期待所有的 pending TX 实现，此时文件的 data block 内容都曾经落盘。
- 在 sync 线程中，开始更新文件的 indirect block，将最新的 data block 地址和 checksum 写入到 indirect 中，为 indirect 和 header 调配空间，一次更新内存中 indirect 和 header，而后写入到磁盘。
- 将在这个 TXG 中调配和开释操作，作为 record 写入到 spacemap 中 < 长久化 metaslab 的调配开释记录的构造 >；持续向上更新 metaclass 的信息到磁盘中，直到更新到 uber。
- 而后两阶段提交 Label 中 uber 的信息，uber 中记录是最新的文件的零碎 root 地址。

root 中记录 zfs 最新的名字空间的 root 的地址。
root 中记录了最新的空间治理的 root 的地址。
root 中记录最新的 intend log 的 root 的地址。
存在的问题：
- 是只有 TX 完结的时候，给自 ZPL 下层的业务返回后果。
- 然而此时 TXG 的 sync 是异步执行，有可能 TXG 的 uber 还没更新。
- TXG 中的 TX 业务操作所产生的最新的空间 layout 状态还未长久化的磁盘。
- 如果此时的产生了 crash，业务曾经返回给下层利用。
- 然而重启之后的空间状态是 TX 未操作的状态，从而导致数据不统一的问题。
- 为了防止这种不统一，这就须要介绍 Intend log 机制了。

受篇幅限度，本文仅介绍了 ZFS 中的存储池、块治理与事务模型，后续咱们会持续分享 Intend log、ZIO、DMU、ARC、Snap、Clone 等机制。

来自 Linus 的一盆冷水：《Don’t Use ZFS on Linux: Linus Torvalds》（https://itsfoss.com/linus-tor…）。咱们并不需把 Linus 的每句话奉为圭臬，辩证的对待他的观点，并且 Linus 次要表白的还是对 Oracle 的不信赖，以及可维护性方面担心，并没有对 ZFS 优良的设计喷垃圾话。直到明天再看二十年前设计的 ZFS，它的 COW，TXG，ZIO，LOG，块治理的设计理念仍然让我惊叹不已，ZFS 针对数据存储的痛点，从最底层设计进行革命性的优化和翻新。

ZFS 分层架构设计：https://farseerfc.me/zhs/zfs-…
ZFS 那点事：https://tim-tang.github.io/bl…
初学者指南：ZFS 是什么，为什么要应用 ZFS：https://zhuanlan.zhihu.com/p/…
ZFS 文件系统简介及个性：http://www.freeoa.net/osuport…
WIKI ZFS：https://en.wikipedia.org/wiki…
ZFS the internals：https://www.bsdcan.org/2008/s…
ZFS On-Disk Specification：http://www.giis.co.in/Zfs_ond…
ZFS On-Disk Data Walk：https://www.yumpu.com/en/docu…
Space Maps：https://blogs.oracle.com/bonw…
Don’t Use ZFS on Linux: Linus Torvalds：https://itsfoss.com/linus-tor…
ZFS Features & Concepts TOI：https://wiki.lustre.org/image…
ZFS 磁盘空间治理（调配、开释原理）：https://blog.51cto.com/zhangy…

肖文文 QingStor 文件存储开发工程师

本文由博客一文多发平台 OpenWrite 公布！

关于云计算:存储大师班-ZFS存储池块管理与事务模型

ZFS History

ZFS Overview

存储池

存储池 + 块治理

块治理

事务模型

未完待续

Summary

Quote

作者