副本放置策略Copysets论文解读及工程实践

概述
CopySet论文解读
- 术语定义
- Random Replication
- Copyset Replication
- - Premutation
  - Replication
工程实践
参考链接

概述

分布式存储追求在系统成本允许的范围内（一般存储集群都是三副本，还想方设法的使用条带化、压缩等方式降低成本），降低数据丢失的概率，降低故障恢复的时间。好的副本放置策略可以优化整个集群的可用性和一致性。

斯坦福大学曾经出过一篇论文，Copysets: Reducing the Frequency of Data Loss in Cloud Storage，讲解了随机放置副本的问题，提出了copyset副本放置策略。这对很多分布式系统都有借鉴意义。

CopySet论文解读

本文出现以前，工业界的分布（包括HDFS、GFS、Azure Storage）经常使用随机副本放置（rack不同），但这种方式丢数据的概率也较大。作者提出使用CopySet放置副本，在5000个节点的RAMCloud集群中，将1%节点故障情况下集群丢数据的概率从之前的99.99%降低到0.15%。

术语定义

R：数据的副本数量
N：存储节点的数量
S：Scatter width，如果急群中某个存储节点故障，S个其他存储节点能参与到集群的修复中。显然，这个值越大，故障恢复时间就越短。（Ceph集群中S==N）
copyset：存储某个数据（GFS中的chunk）的所有存储节点
permutation：存储节点的某种排列方式，例如，N=7可以分解为形如{4, 1, 3, 6, 2, 7 ,5}的premutation

Random Replication

系统对于每一份数据（存储数据的最小单位，例如GFS中的chunk，WAS中的extent），随机选出R个不同的存储节点复制数据。当然，这其中选择也是有一定技巧的，这些副本不能在同一个故障域（failure domain，如，不同的机架rack、交换机）中。

这种副本架构的工程实践中，丢数据的概率还是挺大的，根据作者的计算，在上千存储节点的分布式系统中吗，当1%的存储节点同时发生故障，三副本的RamCloud有99.99%的概率丢数据，FaceBook HDFS有22.8%的概率丢数据。

Copyset Replication

Copyset Replication分为两个阶段，Premutation和Replication，相比之前的随机策略，这种方式可以在缩短故障恢复时间的基础上降低丢数据的概率（副本分布较均匀）。

Premutation

系统根据R、N，划分出不同的copyset。每轮划分出N／R个copyset。每次确保其中的copyset不与当前和之前所有轮次中已经产生的copyset相同，同时需要考虑failure domain的限制。由于每个存储节点都会分布在每轮的copyset中，因此每轮premutation都可以增大集群的Scatter Width。

Replication

集群根据Premutation选出的replica，寻找合适的copyset放置数据。某一个node可以选择多个relica

工程实践

根据上述的描述，一个简单的生成副本位置的算法如下：

根据系统的R、N，排列组合生成所有的copyset，共有CNRC_N^RCNR个copyset
根据系统failure domain，排除不符合规则的copyset。
系统使用可用的copyset，构成存储系统的副本架构。

假设在实际工程中故障域只有rack限制，那么算法可以简化为：

假设有三个rack：A、B、C，每个rack有四个存储节点A:{1, 2, 3, 4}, B:{5, 6, 7, 8}, C:{9, 10, 11, 12}，集群R=3

以每个rack的存储节点交错的形式，组成Premutation：{1, 5, 9, 2, 6, 10, 3, 7, 11, 4, 8, 12}
以R为滑动窗口，顺序遍历整个Premutation，生成copyset：{1, 5, 9}, {5, 9, 2}, {9, 2, 6}...
这种方式生成的copyset可以满足故障域要求，并且副本分布均匀。

参考链接

Copysets: Reducing the Frequency of Data Loss in Cloud Storage论文
Data Availability and Durability with the Hadoop Distributed File System
副本放置&Copyset Replication