Ceph集群扩容及数据再均衡原理分析

用户文件在Ceph RADOS中存储、定位过程大概包括：用户文件切割成对象、对象映射到PG、PG分组PGP、PG映射到OSD。这些过程中，可能涉及了大量概念和变量，而其实它们大部分是通过HASH、CRUSH等算法计算出来的，初始参数可能也就只有这么几个：用户文件inode、layout、crush_map等。Ceph所有组件和客户端通过计算就能得到所有对象的Location，而且只要输入的参数信息不变，Location就不会变，另外通过PG作为中间层将对象与OSD解绑，使得对象在Ceph RADOS分布更均匀，在OSD增删时，能够保证只有尽可能少的对象发生迁移。在PG、PGP调整或OSD增删后，某些Location发生变化的对象的迁移路线，需要了解各级HASH映射的原理、步骤，更多的计算和分析才能得知。在此基础上才能分析调整PG和PGP对Ceph集群的影响做一些可靠的定性分析，进而指导我们采用更合适的策略去实现Ceph集群的扩容和数据再均衡。

1. 从用户文件到对象

从用户文件到对象的映射过程就是对用户文件进行切割的过程。CephFS会将用户文件按照一定的对象大小进行切割，得到若干对象，OSD负责对象的管理。例如，设定对象大小为4MB，则CephFS按照文件字节逻辑地址将1GB的用户文件切割成1GB/4MB=1024个对象，对象的编号obj_offset取值范围为[0,1024)。Obj_name = FileInode.obj_offset，FileInode为用户文件inode的十六进制码，obj_offset是用户文件被切割后对象的编号，代表用户文件的第几个对象。

如下图所示：

通过Striper::file_to_extents将用户文件内容映射到各对象，参数包括用户文件的布局layout，用户文件内容的字节逻辑地址偏移offset和长度len等。

对象大小是否可配置？

文件布局可以控制如何把文件内容映射到各Ceph RADOS对象，可以使用虚拟扩展属性或xattrs来读、写某一个文件的布局。布局字段包括object_size，但只能在文件size为0的情况下，才能重新配置。

# 通过以下命令读取布局字段：
getfattr -n ceph.file.layout.object_size file


# 通过以下命令修改布局字段：
setfattr -n ceph.file.layout.object_size -v 10485760 file

2. 从对象到OSD

从对象到OSD的过程包括：对象名hash、对象到PG、PG分组PGP、PG到OSD等主要过程。这里将以某个cephfs用户文件为例阐述详细的映射过程。

2.1. 创建文件

1. 创建一个文件

touch /mnt/cephfs/file002

1. 查看文件ino

ls -i /mnt/cephfs/file002

1099511876737 /mnt/cephfs/file002

1. Ino进制转换

printf "%x\n" 1099511876737

1000003cc81

1. 查看pool信息

ceph osd  pool ls detail


pool 5 'cephfs_data' replicated size 2 min_size 1 crush_rule 0 object_hash rjenkins pg_num 1024 pgp_num 1024 last_change 142 flags hashpspool stripe_width 0 expected_num_objects 16986931 application cephfs

pool 7 'cephfs_meta' replicated size 2 min_size 1 crush_rule 0 object_hash rjenkins pg_num 1024 pgp_num 1024 last_change 142 flags hashpspool stripe_width 0 expected_num_objects 169869 application cephfs

一个pool有pool_id、pool_name、副本数、pg_num、pgp_num等主要信息参数。pg_num和pgp_num调整分析也是本文的主要内容。从pool的详细查询结果可知，5号pool的名字为cephfs_data，采用2副本策略，pg和pgp都为1024。

2.2. 查找零号对象

通过命令可以找到/mnt/cephfs/file002的零号对象存储在哪个OSD上。

ceph osd map cephfs_data 1000003cc81.00000000

osdmap e213 pool 'cephfs_data' (5) object '1000003cc81.00000000' -> pg 5.b184543c (5.3c) -> up ([4,10], p4) acting ([4,10], p4)

从以上结果可知，零号对象1000003cc81.00000000存储在pg 5.3c，对应的OSD SET是 [4,10]，OSD SET为2副本，pg 5.3c的主副本存储在osd.4中，次副本存储在osd.10中。

2.3. 对象名HASH

pg 5.b184543c是如何组成的？

以‘.’为分割符，可以分成两部分5和0xb184543c。5取自pool ‘cephfs_data’的pool_id，而0xb184543是obj_name ‘1000003cc81.00000000’的HASH hex值。

在源码中，HASH函数ceph_str_hash_rjinkins，根据obj_name计算出一个随机值。对于同样的对象名，计算出来的结果永远都是相同的。而对象名字构成中，用户文件inode号保证了不同文件之间的对象名字不同，而obj_offset确保了同一用户文件中不同对象的名字不同。

2.4. 从对象到PG

从“pg 5.b184543c (5.3c)”可知，使用的是5号pool，object 1000003cc81.00000000的HASH hex为“0xb184543c”，本文用obj_hash表示，也称为对象的placement seed，此值会被保存在代表pg的类pg_t的对象中，这里简称为pg_seed。

那pg 5.3c为什么只取了object hash hex码的后2两位呢？

是因为5号pool的pg总数为1024个，1024对应0x400，则mask = 0x400 - 1 =0x3ff，因此只需要取0x3ff & b184543c = 0x3c，这样就完成了从对象到PG的映射。最终，一个pg可以表示为pool_id.(mask & obj_hash)，一个pool中pg的编号取值范围为[0,mask]。

2.5. PG分组PGP

众所周知，Ceph官方建议一个pool的pg_num = pgp_num，而且为2的幂次方。而说白了，PG分组PGP就是将众多PG分成各个PGP组。在二者相等的情况下，一个PGP中就只有一个PG。

但如果PGP小于PG呢？根据抽屉原理，肯定存在某些PGP分配到了2个或2个以上的PG。这种情况是否存在呢？答案是肯定的，该状态可能只是个中间态，在用户采用了小步调多次调整策略实施PG和PGP的调整，来配合集群OSD添加，最终pg_num会等于pgp_num。

例如，Ceph集群通过增加OSD数量达到扩容的目的，扩容后每个OSD平均承担的PG数量将会小于Ceph官方建议的100~200个，因为在这个取值范围内，集群数据分布均衡度与OSD负载都是比较合适的。因此，扩容后需要相应的调大pg_num和pgp_num，二者的调整是两个独立的顺序操作，因此会存在二者不相等的中间状态。另外，为了保证集群的稳定性，通常是小步调多次的调整pg_num和pgp_num，经过多轮的调整后达到整体调整目标。

这里可能会有一个疑问是，处于相同或不同PGP中的各PG，会有什么联系呢？

答案是，同一个pool中处于相同PGP中的各个PG会被映射到相同的OSD SET，而处于不同PGP中的各个PG一般会被映射到不同的OSD SET，但也不能完全排除被映射到相同OSD SET的可能性，这块的内容涉及到了ceph引以为傲的CRUSH算法，由于本文重点不在此，后期将有专门的文章做介绍。

下图中，ceph_state_mod通过PG的pg_seed与pgp_num_mask按位&，将各PG映射到PGP。

2.6. 从PG到OSD

Ceph数据存储策略有副本和EC两种，本文基于副本策略。用户可以选择2副本、3副本等，副本越多空间利用率就越低，而可靠性就越高，因此需要用户在空间利用率与可靠性二者之间做平衡。多副本情况下，PG到OSD的映射其实是PG到OSD SET的映射，OSD SET的成员个数为副本数，而首成员为主副本，其他成员为次副本，客户端的读写由主副本负责，这块内容涉及到了ceph集群的读写流程，这里不做太详细的介绍，后期文章再做分析。

下图中，_pg_to_raw_osds完成PG到OSD SET的映射，首先调用了pool.raw_pg_tp_pps完成了PG到PGP的分组，会得到分组唯一标识的placement ps即pps。然后，通过crush->find_rule找到pool的ruleno。最后，调用crush->do_rule基于ruleno和pps完成PG到OSD SET的映射。

虽然，两个PG的ps可能不同，但pps可能相同，那映射到的OSD SET就会相同，可以说它们选择了相同的OSD SET来存储数据，也就是说同一个OSD上会承担多个PG，每个OSD上平均承担的PG越多，在非常大量的对象情况下，每个OSD上存储的数据就越均衡。每个OSD上承担的PG越多，OSD管理PG的压力就越大，因此官方对每个OSD平均承担的PG数的合理取值范围为100~200。

CRUSH算法是ceph非常非常引以为傲的的特色，通过它，ceph中的每个组件或客户端都能自己计算出对象到OSD SET的映射，并不需要提供映射表查询的中心节点，从而避免了中心节点的瓶颈问题。本文重点不在CRUSH算法，此处不做详细阐述分析，后期会有单独文章做介绍。

3. 对象文件的命名规则

这里需要说明一下，本文中涉及的对象文件名字与对象名字不同，尽管二者就是同一个对象。对象文件名字指的是对象在linux xfs文件系统中的文件名字。

当前，OSD的两个主要类型为Filestore和Bluestore，本文基于Filestore。Filestore类型的OSD一般利用linux本地文件系统xfs存储和管理对象文件，用户文件被切割成对象文件后，一个对象就对应xfs的一个文件，一个xfs文件通过文件路径Path和文件名FileName定位，举例如下：

 /var/lib/ceph/osd/ceph-4/current/5.3c_head/DIR_C/DIR_3/DIR_4/1000003cc81.00000000__head_B184543C__5

该对象文件的Path = “/var/lib/ceph/osd/ceph-4/current/5.3c_head/DIR_C/DIR_3/DIR_4/”，FileName = “1000003cc81.00000000__head_B184543C__5”。

Path也包含了许多含义，ceph-4代表了osd.4，5.3c代表了5号pool中0x3c的pg，这些信息与前面章节一致。而DIR_C、DIR_3和DIR_4是pg dir split的结果，目的是为了保证每个目录中文件数不要过多，xfs某个目录特别大时，对于执行目录的ls等操作不利，而且过大的目录在被读进内存时，会消耗过多的内存，对该目录进行flush时也会花费更多的时间，当然还有其他缺点存在。

不难发现，将“_”作为分隔符，可以将FileName分割成若干部分，1000003cc81.00000000是对象名字，B184543C为对象名字的HASH hex值即pg的ps，5就是pool cephfs_data的号。对象文件名字结构如下所示：

很多组成部分在文章前面已经做了介绍，这里只做以下补充：

1. key和hash不能同时指定，而且常见的是hash；

2. snap_num为head，代表普通对象，否则为snapshot对象。可以给rbd image创建snapshot，这时候底层对象就有snapshot信息了；

3. namespace可以认为是对pool空间的进一步划分，在逻辑上隔离各个用户。一个pool可以划分多个namespace，这些namespace中的对象都使用该pool。尤其应用在ceph rgw服务中。

到此为止，我们已经对用户文件是如何在Ceph中存储的过程有了大概的了解。该过程可以概括为：用户文件切割成对象、对象映射到PG、PG映射到OSD。这个过程中，可能涉及了大量概念和变量，而其实它们大部分是通过HASH、CRUSH等算法计算出来的，初始参数可能也就只有这么几个：用户文件inode、layout、crush_map等，通过计算就能得到所有对象的Location，而且只要输入的参数信息不变，Location就不变，另外通过PG作为中间层将对象与OSD解绑，而且使得对象在ceph RADOS中均匀分布。但本人觉得这也有一点点的小缺点，就是在PG、PGP调整或OSD增删后，某些Location发生变化的对象迁移路线并不是那么直接和直观，需要了解各级HASH映射的原理、步骤，更多的计算和分析才能得知。

4. PG调整的影响

为了简化问题，抓住重点，假设对象的分布如下：

根据文章前面的内容，表格中所有代号都能找到定义和计算方法，这里做一个简单的总结： 

1. obj_hash = hash(obj_name)；

2. pg_seed = obj_hash；

3. pgId = pg_seed & pg_mask；

4. pgpId = pg_seed & pgp_mask；

4.1. PG非幂次方调整

将pg_num由2调整为3，pgp_num依然为2。调整后，对象的分布如下：

从表中可知： 

1. pg_2分担了原属于pg_0的obj_2和obj_8，pg_2与pg_0对应同一个OSD SET，因此obj_2和obj_8只是OSD内部的迁移；

2. pg_2分担了原属于pg_1的obj_5和obj_11，pg_2与pg_1对应不同的OSD SET，obj_5和obj_11涉及到了OSD之间的迁移，不同OSD之间就会有网络通信开销；

3. pg_0分担了原属于pg_1的obj_3和obj_9，也会涉及网络通信开销；

4. pg_1分担了原属于pg_0的obj_4和obj_10，也会涉及网络通信开销。

总之，共涉及OSD内部迁移2次，共涉及OSD之间迁移6次。我们将OSD内部迁移率定义为inter_mig_ratio，将OSD之间迁移率定义为ext_mig_ratio，则计算结果为：

由于OSD内部迁移，只是将一个对象文件从源目录mv到目的目录，由于源目录与目的目录共享同一个OSD的根目录，因此mv操作只涉及xfs文件系统元数据的更新，不涉及对象文件数据的读取和写入，可以称OSD内部迁移为轻迁移；

而OSD之间迁移，源OSD需要读取对象文件数据，网络通信发送到目的OSD，目的OSD再创建该对象文件，目的OSD写入对象文件数据，源OSD删除该对象文件，称OSD之间迁移为重迁移。

我们将OSD内部一次对象迁移的工作量定义为1，将OSD之间一次对象迁移的工作量定义为4，则总的工作量为：

因此，inter_mig_ratio反应了轻迁移率，而ext_mig_ratio反应了重迁移率，尽量减少重迁移，降低重迁移率，将重迁移变成轻迁移，最终减少数据迁移对ceph集群整体稳定性和性能的影响。

4.2. PG幂次方调整

将pg_num由2调整为4，pgp_num依然为2。调整后，对象的分布如下：

从表中可知： 

1. pg_2分担了原属于pg_0的obj_2、obj_6和obj_10，pg_2与pg_0对应同一个OSD SET，因此obj_2、obj_6和obj_10只是OSD内部的迁移；

2. pg_3分担了原属于pg_1的obj_3、obj_7和obj_11，pg_3与pg_1对应同一个OSD SET，因此obj_3、obj_7和obj_11也只是OSD内部的迁移。

总之，共涉及OSD内部迁移6次。

4.3. PG非幂次与幂次调整对比

	inter_mig_ratio	ext_mig_ratio	work_load
非幂次(2->3)	16.67%	50%	2.17
幂次(2->4)	50%	0%	0.5

由上表可知，本文中PG非幂次调整引入的工作量远远高于幂次调整引入的工作量，因此建议PG调整最好选择幂次调整，尽量减少PG调整引入的工作量，降低PG调整对ceph集群稳定性和性能的负面影响。

比如，PG由2调整到16，当然可以选择直接调整到目标16，PG调整一步到位。也可以选择小步调多次调整，推荐这样的调整步调2->4->8->16。一步到位的调整策略与小步调多次调整策略各有优缺点，前者实现PG调整一次到位，但单次调整就引入大量的OSD内部迁移，虽然没有OSD之间迁移；后者将单次引入的大量OSD内部迁移分散到了多次调整里，因此单次小步调调整引入的OSD内部迁移相对较少，降低了PG调整对ceph集群稳定性和性能的负面影响，但是由于后者分成多次调整达到最终目标，相对前者会引入额外的中间态OSD内部迁移，因此后者总的OSD内部迁移量会高于前者。因为实践证明，后者的优点大于缺点，因此推荐采用PG小步调多次调整策略。

5. PGP调整的影响

为了简化问题，抓住重点，假设OSD SET只有0和1，对象的分布如下：

5.1. PGP非幂次方调整

将pgp_num由2调整为3，pg_num依然为4。调整后，对象的分布如下：

从表中可知： 

1. pgp_2分担了原属于pgp_0的pg_2，而pgp_2使用OSD SET 0，而pg_2原本就使用OSD SET 0，因此这一变动不会有任何数据迁移；

2. pgp_0分担了原属于pgp_1的pg_3，而pg_3对应的OSD SET由1号变成了0号，因此pg_3的所有对象将由OSD SET 0迁移到OSD SET 1，涉及到了OSD之间的迁移，不同OSD之间就会有网络通信开销。

总之，共涉及OSD内部迁移0次，涉及OSD之间迁移6次。则inter_mig_ratio、ext_mig_ratio和work_load为：

因此，inter_mig_ratio代表了轻迁移率，而ext_mig_ratio代表了重迁移率，尽量减少重迁移，降低重迁移率，将重迁移变成轻迁移，最终减少数据迁移对ceph集群整体稳定性和性能的影响。

5.2. PGP幂次方调整

将pgp_num由2调整为3，pg_num依然为4。调整后，对象的分布如下：

总之，共涉及OSD内部迁移0次，涉及OSD之间迁移0次。则inter_mig_ratio、ext_mig_ratio和work_load为：

通过以上表格发现，虽然pg_2和pg_3对应的pgp有变化，但对应的OSD SET未发生变化，因此该调整，不会发生任何的数据迁移。 

5.3. PGP非幂次与幂次调整对比

PGP调整章节的分析内容仅限于ceph集群OSD SET组合情况未变话，而实际情况导致OSD SET组合情况变更的条件包括：副本策略变化、OSD增减、故障域变更等等。

	inter_mig_ratio	ext_mig_ratio	work_load
非幂次(2->3)	0%	25%	1
幂次(2->4)	0%	0%	0

由上表可知，PGP幂次调整优于非幂次调整。

6. 疑问和思考

用户文件的对象切割，对象名字的组成部分，对象到PG的映射过程，PG与PGP的关系，PG到OSD的映射过程，最后介绍了PG和PGP幂次和非幂次调整策略对ceph集群稳定性和性能的负面影响分析，但PG和PGP调整最终目标是好的，是为了配合ceph集群OSD扩容，是为了ceph集群数据分布的更均衡和合理，只是在选择PG和PGP调整策略时要有所选择，而并不是盲目的去实施。