1 背景

Curve（https://github.com/opencurve/curve ）是网易数帆自主设计研发的高性能、易运维、全场景支持的云原生软件定义存储系统，旨满足Ceph本身架构难以支撑的一些场景的需求，于2020年7月正式开源。当前由CurveBS和CurveFS两个子项目构成，分别提供分布式块存储和分布式文件存储两种能力。其中CurveBS已经成为开源云原生数据库PolarDB for PostgreSQL的分布式共享存储底座，支撑其存算分离架构。

在CurveBS的设计中，数据服务器ChunkServer数据一致性采用基于raft的分布式一致性协议去实现的。

典型的基于raft一致性的写Op实现如下图所示：

以常见的三副本为例，其大致流程如下：

1. 首先client 发送写op（步骤1），写op到达Leader后（如果没有Leader，先会进行Leader选举，写Op总是先发送给Leader），Leader首先会接收写Op，生成WAL（write ahead log），将WAL持久化到本地存储引擎（步骤2）， 并同时并行将WAL通过日志发送rpc发送给两个Follower（步骤3）。
2. 两个Follower在收到Leader的日志请求后，将收到的日志持久化到本地存储引擎（步骤4）后，向Leader返回日志写入成功（步骤5）。
3. 一般来说，Leader日志总是会先完成落盘，此时再收到其他一个Follower的日志成功的回复后，即达成了大多数条件，就开始将写Op提交到状态机，并将写Op写入本地存储引擎（步骤6）。
4. 完成上述步骤后，即表示写Op已经完成，可以向client返回写成功（步骤7）。在稍晚一些时间，两个Follower也将收到Leader日志提交的消息，将写Op应用到本地存储引擎（步骤9）。

在目前CurveBS的实现中，写Op是在raft apply 到本地存储引擎（datastore）时，使用了基于O_DSYNC打开的sync写的方式。实际上，在基于raft已经写了日志的情况下，写Op不需要sync就可以安全的向client端返回，从而降低写Op的时延，这就是本文所述的写时延的优化的原理。

其中的代码如下，在chunkfile的Open函数中使用了O_DSYNC的标志。

CSErrorCode CSChunkFile::Open(bool createFile) {
    WriteLockGuard writeGuard(rwLock_);
    string chunkFilePath = path();
    // Create a new file, if the chunk file already exists, no need to create
    // The existence of chunk files may be caused by two situations:
    // 1. getchunk succeeded, but failed in stat or load metapage last time;
    // 2. Two write requests concurrently create new chunk files
    if (createFile
        && !lfs_->FileExists(chunkFilePath)
        && metaPage_.sn > 0) {
        std::unique_ptr<char[]> buf(new char[pageSize_]);
        memset(buf.get(), 0, pageSize_);
        metaPage_.version = FORMAT_VERSION_V2;
        metaPage_.encode(buf.get());

        int rc = chunkFilePool_->GetFile(chunkFilePath, buf.get(), true);
        // When creating files concurrently, the previous thread may have been
        // created successfully, then -EEXIST will be returned here. At this
        // point, you can continue to open the generated file
        // But the current operation of the same chunk is serial, this problem
        // will not occur
        if (rc != 0  && rc != -EEXIST) {
            LOG(ERROR) << "Error occured when create file."
                       << " filepath = " << chunkFilePath;
            return CSErrorCode::InternalError;
        }
    }
    int rc = lfs_->Open(chunkFilePath, O_RDWR|O_NOATIME|O_DSYNC);
    if (rc < 0) {
        LOG(ERROR) << "Error occured when opening file."
                   << " filepath = " << chunkFilePath;
        return CSErrorCode::InternalError;
    }
...
}

2 问题分析

先前之所以使用O_DSYNC，是考虑到raft的快照场景下，数据如果没有落盘，一旦开始打快照，日志也被Truncate掉的场景下，可能会丢数据，目前修改Apply写不sync首先需要解决这个问题。
首先需要分析清楚Curve ChunkServer端打快照的过程，如下图所示：

打快照过程的几个关键点：

1. 打快照这一过程是进StateMachine与读写Op的Apply在StateMachine排队执行的；
2. 快照所包含的last_applied_index在调用StateMachine执行保存快照之前，就已经保存了，也就是说执行快照的时候一定可以保证保存的last_applied_index已经被StateMachine执行过Apply了；
3. 而如果修改StatusMachine的写Op Apply去掉O_DSYNC，即不sync，那么就会存在可能快照在truncate到last_applied_index，写Op的Apply还没真正sync到磁盘，这是我们需要解决的问题；

3 解决方案

解决方案有两个：

3.1 方案一

1. 既然打快照需要保证last_applied_index为止apply的写Op必须Sync过，那么最简单的方式，就是在执行打快照时，执行一次Sync。这里有3种方式，第一是对全盘进行一次FsSync。第二种方式，既然我们的打快照过程需要保存当前copyset中的所有chunk文件到快照元数据中，那么我们天然就有当前快照的所有文件名列表，那么我们可以在打快照时，对所有文件进行一次逐一Sync。第三种方式，鉴于一个复制组的chunk数量可能很多，而写过的chunk数量可能不会很多，那么可以在datastore执行写op时，保存需要sync的chunkid列表，那么在打快照时，只要sync上述列表中的chunk就可以了。
2. 鉴于上述3种sync方式可能比较耗时，而且我们的打快照过程目前在状态机中是“同步”的执行的，即打快照过程会阻塞IO，那么可以考虑将打快照过程改为异步执行，同时这一修改也可减少打快照时对IO抖动的影响。

3.2 方案二

方案二则更为复杂，既然去掉O_DSYNC写之后，我们目前不能保证last_applied_index为止的写Op都被Sync了，那么考虑将ApplyIndex拆分称为两个，即last_applied_index和last_synced_index。具体做法如下：

1. 将last_applied_index拆分成两个last_applied_index和last_synced_index，其中last_applied_index意义不变，增加last_synced_index，在执行一次全盘FsSync之后，将last_applied_index赋值给last_synced_index;
2. 在前述打快照步骤中，将打快照前保存last_applied_index到快照元数据变更为last_synced_index，这样即可保证在打快照时，快照包含的数据一定被sync过了；
3. 我们需要一个后台线程定期去执行FsSync，通过定时器，定期执行Sync Task。执行过程可能是这样的： 首先后台sync线程遍历所有的状态机，拿到当前的所有last_applied_index，执行FsSync，然后将上述last_applied_index赋值给对于状态机的last_synced_index；

3.3 两种方案的优缺点：

1. 方案一改动较为简单，只需要改动Curve代码，不需要动braft的代码，对braft框架是非侵入式的；方案二则较为复杂，需要改动braft代码；
2. 从快照执行性能来看，方案一会使得原有快照变慢，由于原有快照时同步的，因此最好在这次修改中改成异步执行快照；当然方案二也可以优化原有快照为异步，从而减少对IO的影响；

3.4 采取的方案：

1. 采用方案一实现方式，原因是对braft的非侵入式修改，对于代码的稳定性和对后续的兼容性都有好处。
2. 至于对chunk的sync方式，采用方案一的第3种方式，即在datastore执行写op时，保存需要sync的chunkid列表，同时在打快照时，sync上述列表中的chunkid，从而保证chunk全部落盘。这一做法避免频繁的FsSync对全部所有chunkserver的造成IO的影响。此外，在执行上述sync时，采用批量sync的方式，并对sync的chunkid进行去重，进而减少实际sync的次数，从而减少对前台IO造成的影响。

4 POC

以下进行poc测试，测试在直接去掉O_DSYNC情况下，针对各种场景对IOPS，时延等是否有优化，每组测试至少测试两次，取其中一组。

测试所用fio测试参数如下：

• 4K随机写测试单卷IOPS：

[global]
rw=randwrite
direct=1
iodepth=128
ioengine=libaio
bsrange=4k-4k
runtime=300
group_reporting
size=100G

[disk01]
filename=/dev/nbd0

• 512K顺序写测单卷带宽：

[global]
rw=write
direct=1
iodepth=128
ioengine=libaio
bsrange=512k-512k
runtime=300
group_reporting
size=100G
 
 
[disk01]
filename=/dev/nbd0

• 4K单深度随机写测试时延：

[global]
rw=randwrite
direct=1
iodepth=1
ioengine=libaio
bsrange=4k-4k
runtime=300
group_reporting
size=100G

[disk01]
filename=/dev/nbd0

集群配置：

4.1 HDD对比测试结果

上述测试在RAID卡cache策略writeback下性能有略微提高，但是提升效果并不明显，512K顺序写场景下甚至略有下降，并且还发现在去掉O_DSYNC后存在IO剧烈抖动的现象。

我们怀疑由于RAID卡缓存的关系，使得性能提升不太明显，因此，我们又将RAID卡cache策略设置为writethough模式，继续进行测试：

在RAID卡cache策略writethough模式下，性能提升较为明显，单卷4K随机写大约有20%左右的提升。

4.2 SSD对比测试结果

SSD的测试在RAID直通模式(JBOD)下测试，性能对比如下：

可以看到在上述场景下，测试效果有较大提升，4K随机写场景下IOPS几乎提升了100%，512K顺序写也有较大提升，时延也有较大降低。

5 总结

上述优化适用于Curve块存储，基于RAFT分布式一致性协议，可以减少RAFT状态机应用到本地存储引擎的一次立即落盘，从而减少Curve块存储的写时延，提高Curve块存储的写性能。在SSD场景下测试，性能有较大提升。对于HDD场景，由于通常启用了RAID卡缓存的存在，效果并不明显，因此我们提供了开关，在HDD场景可以选择不启用该优化。

本文作者：许超杰，网易数帆资深系统开发工程师

• Curve技术合集：https://zhuanlan.zhihu.com/p/311590077
• Curve主页：http://www.opencurve.io/
• Curve源码：https://github.com/opencurve/curve
• 扫码加入Curve交流群：