存储大师班 | ZFS存储池块管理与事务模型

作者简介：肖文文，QingStor 文件存储开发工程师，主要负责文件存储的开发，有多年的存储开发经验，喜爱技术热爱技术。

ZFS History

1 ZFS 的诞生：ZFS 由 Sun 存储部门的 CTO 、研究员 Jeff Bonwick 带领团队开发。开发于 2001 年，作为 Sun Microsystems Solaris 操作系统的一部分。

带领开发 ZFS 的是 Jeff Bonwick。他首先有了对 ZFS 整体架构的构思，然后游说 Sun 高层，亲自组建起了 ZFS 开发团队。
招募了当时刚从大学毕业的 Matt Ahrens，又从 Solaris 的 Storage Team 抽调了 UFS 部分的负责人 Mark Shellenbaum 和 Mark Maybee 来开发 ZFS。

2 ZFS 的开源：在2005年，Sun 开源 Solaris 的大部分，包括 ZFS 开源；开源项目 OpenSolaris。

3 illumos 项目成立，OpenZFS：

在2010年，Sun 被 Oracle 收购，ZFS 成为 Oracle 的注册商标。Oracle 停止为 OpenSolaris 和 ZFS 项目提供更新的源代码，三分之二的 ZFS 核心开发者决定离开 Oracle 公司。
illumos 项目的成立，维护已经存在的开源的 Solaris 代码，并且在 2013 年成立 OpenZFS 以配合 ZFS 开源的发展。

4 ZFS on Linux：2013年，Linux 上 ZFS 的第一个稳定版本，继续发展。

ZFS Overview

ZFS（Zettabyte File System）是一个跨时代的文件系统，被称为最后一个单机文件系统，已经被证实可以移植到多种 OS 平台上。它拥有如下特性：

1 完全兼容 posix 语义（ZPL: ZFS POSIX Layer）。

2 提供逻辑卷功能（ZVOL: ZFS Volumes）。

3 提交完善的管理功能：通过 libzfs 的工具，经过 ioctl 发送管理命令到zfs kernel module。

4 提供接近无限的存储空间：将物理存储设备进行池化管理，文件系统建立在设备存储池上。当文件系统空间不够，可以将物理设备动态添加存储池中。存储池上的单个文件系统极限值：

支持 2^{48} 个快照。
支持 2^{48} 个文件。
单个文件最大 16EB。

5 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直接修改，而是拷贝更新的方式，数据块的内容更新不存在中间状态。
事务：保证了对文件的一组操作都是原子性的，并且每个事务之间是相互独立的。所有文件的同一个事务 ID 的集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（在事务模型章节详细介绍）：
- XG：在同一个事务 ID（TXG-num）下的 TX 构成一个事务组 TXG
- 当一个 TXG 中的被需要改的数据达到一个阈值（脏数据阈值），或者周期到了，发生一次事务组的轮转，在这个事务组的 sync 结束之后，生成一个全新的 root 的拓扑树（layout）。

6 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。
形成一棵自验证的 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自动和 256 位校验码进行校验，会主动发现这种 Silent Data Corruption：
- 通过相应的 Mirror 硬盘或者通过 RAID-Z 阵列中其他硬盘得到正确的数据返回给上层应用，并且同时自动修复原硬盘的 Corruption Data。
- 数据恢复也可以给通过读取有效副本的方式进行修复：比如像 ZFS 的 spacemap 数据会存储多份。

7 支持快照和克隆

由于 ZFS 采用的 COW 机制，每次的更新 new 数据均不会破坏磁盘上已有的 old 数据。
ZFS 可以根据需要保留old 数据。
这是实现快照功能的基础，实际的快照功能实现是选择一个 TXG-num 作为快照点，将 old root 下拓扑的保存起来，不去释放被更新的数据块地址。
当然实际的快照功能要复杂的多，这里不做赘述。

8 支持数据去重功能

9 支持数据压缩功能

存储池

存储池 + 块管理

大多数单机文件系统是物理设备强绑定的，一旦在某个物理设备上格式化文件系统之后，该文件系统的可用空间和物理设备大小息息相关。但是 ZFS 将实际的物理设备和文件系统进行隔离，文件系统是建立在存储池上，存储池上的文件系统共用存储池的物理空间，同时可以动态添加物理设备到存储池中，以增加存储池的可用空间。

存储池中的设备管理是一种树形结构进行管理的，如下图所示：

使用如下命令创建一个存储池tank
zpool create -f tank sdc mirror sdd sde raidz1 sdf sdg sdh raidz2 sdi sdj sdk sdl逻辑虚拟设备为VDEV1、VDEV2、VDEV3、VDEV4
VDEV1对应的物理设备为：sdc
VDEV2对应的物理设备为：sdd、sde组成的RAID1
VDEV1对应的物理设备为：sdf、sdg、sdh组成RAIDZ1
VDEV1对应的物理设备为：sdi、sdj、sdk、sdl组成的RAIDZ22.

Label 磁盘结构：

在 ZFS 中直接的分配空间的是虚拟设备 VDEV 去完成的，每个 VDEV 下的 physical devices 都存在如下的 Label 信息，在物理设备的首尾两个，共四个。
更新方式是两阶段更新的：在一个 TXG 中 sync 的结束阶段先更新 L0，L2；如果成功再更新 L1 和 L3。
这样更新和布局的好处是：无论何时掉电，总会有一个 Label 是可用的。
Name/Vaule 记录的就是当前的 VDEV 下的物理设备的拓扑关系
sdc 的 Label 信息：

[root@ks0 ~]# zdb -l /dev/sdc1LABEL 0version: 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分最小分配单元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

   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

块管理

传统方式：

谈到存储池，也免不了需要介绍块管理机制，ZFS 的块管理机制是不同于其他的单机文件系统的管理方式。首先需要介绍一下传统的几种块管理方式：

位图管理：最常用的空间管理方法是位图。最小空间单元状态(分配或者空闲)用一个 bit 位表示。
- 列如：4TB 磁盘，最小分配单元 4KB 需要 4KKKK}/4K/8=256MB；但是随着空间的增大比如 324T 的空间，这个位图的大小占用的内存空间就变得无法忽视了，并且每次空间的申请和释放都是要持久化位图信息到物理设备上，导致大量的磁盘 IO 操作，存在写放大问题。
- 解决方法：分而治之，使用多级管理的方式，比如：将 4TB 的空间分为多组，以位图组的方式进行管理，以二级甚至多级的方式管理位图都是可以的。如果有位图信息需要写入磁盘，只需要更新有改变的位图组信息到物理设备上，磁盘 IO 次数大大减少。
- 存在的问题：如果删除文件，该文件的空间分布在所有的位图组上，导致更新位图组的磁盘 IO 的并没有减少；位图管理方式无法避免随机释放的带来的大量的磁盘 IO 问题。
B*树：另外一个常用的管理空闲空间的方式使用 B-tree 管理，叶子节点存储实际的空闲的的偏移和大小。
- 优点：分配连续的空间效率很高。
- 存在的问题：删除大文件时释放空间同样会带来大量的随机写，需要更新大量的叶子节点信息，同样存在写放大的问题。

ZFS 的管理方式

一种全新的空间管理方式：将空间的分配和释放行为作为 log 存入到磁盘中，而不是将空间的状态写入到磁盘。内存中维护的是可用空间的 range-tree，item 是 offset/size 。周期性的将分配和释放的记录写入到磁盘中。

当系统重新启动的时候，在内存中重做全部的 allocation 和 free 的记录，那么可以在内存中构建可用空间的 range-tree。

如果有很多分配释放被相互抵消了，会对之前累计写入的 log 进行一次精简。使用可用空间的 range-tree 得到一个分配空间的 range-tree（condense tree），作为 allocation 的记录写入到磁盘中。最极端的情况是分配空间的 range-tree 没有 item（全部空间可用），这个时候需要记录的 log 大小就是 0（真实情况是即使没有任何业务分配空间，最少占用一个两个 data block，一个是 spacemap header，一个记录 header 的使用的 record）。
或者空间使用的很多之后，也会进行 log 的精简。最极端的情况是分配空间的 range-tree 可能只有一个 item（空间被全部使用完了），此时的 log 大小是一个 item 的大小。
ZFS 将每个 VDEV 的空间进行单独管理，每个 VDEV 按照按照一定大小进行分段管理管理，每个段称之为 metaslab ，在内存中使用 metaslab 的 mstree 管理可用空间，分配释放空间的 log 通过 spacemap 进行记录。
- spacemap 使用的空间也会记录在 spacemap 的内容中。
- 由于 ZFS 中将 spacemap 也视作为一个文件的，所以更新的方式也是 COW 的，那就会存在每次 sync 中更新 spacemap 都会产生空间分配，那么 spacemap 的更新的怎么结束？ZFS 在更新 spacemap 的过程中取巧：spacemap 在一次 TXG-sync 逻辑中可能会更新多次，第一次更新是 COW 的，以后的更新都是 rewrite（Not COW）的；这样更新的好处是：
  - COW 保证旧的 spacemap layout（拓扑）是有效的，如果更新的过程中意外宕机，依旧能从旧的 spacemap 中构建全部的块信息。
  - rewrite 保证的 sync 的可以收敛结束，在第一次以后的 sync 逻辑中不再分配新的地址，而是在第一次 sync 分配的地址上追加的空间 record。

事务模型

TX步骤：

更新文件的数据之前，需要将文件的 layout load 到 memory 中，
将更新操作和 TX-ID 绑定起来< TX-ID 是 TXG-num，依次递增>，更新 memory 中数据块的内容。
在 zio pipeline 流程中，分配空间，并写入物理设备。
将 dnode 标记为 dirty，绑定相关的 TXG 上，让 TXG-sync 线程逻辑去 COW 更新 dnode 的 indirect block 和 header block。
通知绑定的 TXG（相同TXG值）将 pending 事务计数减去1。

TXG 步骤：

TXG 等待所有的 pending TX 完成，此时文件的 data block 内容都已经落盘。
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 分配空间，一次更新内存中 indirect 和 header，然后写入到磁盘。
将在这个 TXG 中分配和释放操作，作为 record 写入到 spacemap 中<持久化 metaslab 的分配释放记录的结构>；继续向上更新 metaclass 的信息到磁盘中，直到更新到 uber。
然后两阶段提交 Label中 uber 的信息，uber 中记录是最新的文件的系统 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管理的 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 结束的时候，给自 ZPL 上层的业务返回结果。
但是此时 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 状态还未持久化的磁盘。
如果此时的发生了 crash ，业务已经返回给上层应用。
但是重启之后的空间状态是 TX 未操作的状态，从而导致数据不一致的问题。
为了避免这种不一致，这就需要介绍 Intend log 机制了。

未完待续

受篇幅限制，本文仅介绍了 ZFS 中的存储池、块管理与事务模型，后续我们会继续分享 Intend log、ZIO、DMU、ARC、Snap、Clone等机制。

Summary

来自Linus的一盆冷水：《Don’t Use ZFS on Linux: Linus Torvalds》。我们并不需把 Linus 的每句话奉为圭臬，辩证的看待他的观点，并且 Linus 主要表达的还是对 Oracle 的不信任，以及可维护性方面担忧，并没有对 ZFS 优秀的设计喷垃圾话。直到今天再看二十年前设计的 ZFS，它的 COW，TXG，ZIO，LOG，块管理的设计理念依然让我惊叹不已，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创新。

Quote

ZFS 分层架构设计

ZFS 那点事

初学者指南：ZFS 是什么，为什么要使用 ZFS

ZFS 文件系统简介及特性

WIKI ZFS

ZFS the internals

ZFS On-Disk Specification

ZFS On-Disk Data Walk

Space Maps

Don’t Use ZFS on Linux: Linus Torvalds

ZFS Features & Concepts TOI

ZFS 磁盘空间管理（分配、释放原理）