2min 速览:从设计、实现和优化角度浅谈 Alluxio 元数据同步
内容速览:
本期分享的题目是 Alluxio 元数据和数据的同步,从设计实现和优化的角度进行讨论,包括以下 6 个方面内容:
01. Alluxio 简介
Alluxio 是云原生的数据编排平台,通过解耦计算和存储层,在中间产生了一个数据编排层,负责对上层计算应用隐藏底层的时间细节。
02. Alluxio 的数据挂载
挂载操作有一个进阶版操作,所做的事情就是让用户可以把两个存储挂载到同一个路径下,可以互相覆盖。同时通过配置读写策略,定义读写文件到哪个存储里,并给出操作的先后顺序。
03. Alluxio 和底层存储的一致性
Alluxio 和底层存储的一致性,要从 Alluxio 命名空间中文件的来源说起。
文件的操作分为两类:
(1)上层应用通过 Alluxio 创建一个文件,通过 Alluxio 写入 UFS;
(2)上层应用通过 Alluxio 读一个文件,当发现自己没有这个文件的时候,Alluxio 从 UFS 进行加载。
一致性可以分为两个部分:
(1)Alluxio UFS 元数据的一致性;
(2)Alluxio UFS 数据的一致性。
04. Alluxio 和 UFS 的元数据/数据同步
Alluxio 提供两种同步机制,一个是时间戳机制,另一个是基于消息的同步机制。
05. 元数据同步的实现原理和优化
目前元数据的同步粗略分为以下几个步骤:
(1)RPC 线程向 UFS 读取文件的元信息。
(2)如果在处理递归的时候,发现下面还有其他目录,整棵树都需要进行一次搜索,此时把递归文件/文件夹提交到同步线程池(sync thread pool)。
(3)预取线程池负责从读取文件或者文件夹信息,把结果交给这个同步线程池,来加速这个具体的同步过程。
优化主要包含 3 种方式:
(1)性能优化-缓存;
(2)算法优化-锁优化;
(3)性能优化-调整并行度;
06. 对不同场景的推荐配置
场景一:文件全部由 Alluxio 写入,之后从 Alluxio 读取。
场景二:大部分的操作经过 Alluxio,但不排除有一些场景会绕过 Alluxio 直接改动原来里面的文件。
场景三:大部分或全部更新都不经过 Alluxio,而更新又非常频繁。
以上仅为大咖演讲概览,完整内容可点击观看:
附件:大咖分享文字版完整内容可见下文
01. Alluxio 简介
Alluxio 是云原生的数据编排平台,通过解耦计算和存储层,在中间产生了一个数据编排层,负责对上层计算应用隐藏底层的时间细节。Alluxio 提供了统一的存储命名空间,在中间层提供了缓存和其他数据管理功能。在下图可以看到有 Spark、Hive、Map reduce 这一类传统的 Hadoop 大数据计算应用、Presto 这种 OLAP 类型的数据分析,还有像 Tensorflow、Pytorch 这样的 AI 应用。存储层比较丰富,包括各种各样的存储。
下面是 Alluxio 用户列表,这些公司都公开展示了 Alluxio 的使用场景。通过粗略分类,看到非常多的行业,包括互联网、金融、电子商务、娱乐、电信等。感兴趣的同学可以关注公众号,上面有相关文章的汇总。
02. Alluxio 数据挂载
这部分将首先回顾 Alluxio 如何通过数据挂载实现统一编排层;之后讨论 Alluxio 如何和底层存储保持一致;介绍元数据和数据同步功能;Alluxio 的时间原理和优化;最后对不同场景的推荐配置给出建议。
1. Alluxio 统一的数据命名空间
首先介绍数据挂载这个功能。Alluxio 通过把底层存储挂载到 Alluxio 层上,实现了统一的数据命名空间。
上图的例子中 Alluxio 挂载了 HDFS 和对象存储。Alluxio 的文件系统树就是由左右两棵树合成,形成了一个虚拟文件系统的文件系统树。它可以支持非常多的底层存储系统,统一把它们称作 Under File System。称为 Under 是因为它们都处于 Alluxio 的抽象层下。Alluxio 支持各种各样不同的底层存储系统,比如不同版本的 HDFS,支持 NFS, Ceph, Amazon S3, Google Cloud 之类不同的对象存储。除此之外还支持非常多其他类型的对象存储,比如微软 Azure、阿里、华为、腾讯,也包括国内其他供应商,如七牛对象存储。左下图中的例子是在自己的电脑上运行 Alluxio,可以挂载不同的存储,比如挂载 HDFS,另外还可以挂载不同版本的 HDFS,挂载对象存储,挂载网盘。
2. Alluxio 挂载点
Alluxio 的统一命名空间,实际就是把挂载合成了一个 Alluxio 的虚拟层。Alluxio 的挂载点可以粗略分成两种:
(1)根挂载点
(2)嵌套挂载点
根挂载点直接挂在根节点上,组成了 Alluxio 的根节点。如果没有根节点,无法产生,继续形成下面的结构。所以要求在配置文件里面定义根挂载点,系统启动的时候就进行挂载,不挂载就没有办法启动。
嵌套挂载点比较灵活,可以通过指令进行挂载。通过这个命令行,发出通知,做挂载的操作。同样地,可以挂载,也可以卸载,就是把 Mount 换成 Unmount。嵌套挂载点是嵌套在目录的下面,可以挂在某个部分下面,不一定挂载在根节点下面。这里有个要求,即两个嵌套点的树不能互相覆盖,这样带来的好处是比较灵活。如果根挂载点将来需要更换,为了避免需要改配置和重启服务,可以使用一个 dummy 的根挂载点,比如就挂载在本地路径下面,不使用它,且不在它下面创建任何文件,它存在的唯一目的就是可以启动 Alluxio 服务。然后在此基础上,把所有要管理的存储,都以嵌套挂载点的方式挂载上去。之后如果要改变,就直接卸载更换为其它挂载点,这样就很灵活。所有挂载和挂载操作,都会记录在日志里,重启系统,并重启服务之后,无需再手动操作。
3. Alluxio 策略化数据管理
挂载操作有一个进阶版操作,目前只包含在商业版本里面。所做的事情就是让用户可以把两个存储挂载到同一个路径下,可以互相覆盖。同时通过配置读写策略,定义读写文件到哪个存储里,并给出操作的先后顺序。同时 Alluxio 有一个迁移策略,让文件可以自动在 Alluxio 的管理下,在多个存储之间进行迁移。例如,把 HDFS 和对象存储同时挂载到同一路径下,上层用户只能看到这样一棵树,但是实际上背后有两个不同的存储。通过配置,让 Alluxio 把 HDFS 的数据,根据一些规则,定期迁移进 S3,例如规定将超过七天的数据,认定是不常用到的冷数据之后,把它从 HDFS 的集群拿出来,迁移到 S3,节省 HDFS 的存储空间。
03. Alluxio 底层存储一致性
在把底层存储挂载到 Alluxio 的统一命名空间上之后,如何保持 Alluxio 和底层存储的一致性?我们在这一部分进行分析。
Alluxio 和底层存储的一致性,要从 Alluxio 命名空间中文件的来源说起,文件的操作分为两类:
一类是写,上层应用通过 Alluxio 创建一个文件,通过 Alluxio 写入 UFS;
一类是读,上层应用通过 Alluxio 读一个文件,当发现自己没有这个文件的时候,Alluxio 从 UFS 进行加载。
一致性可以分为两个部分:
(1)Alluxio UFS 元数据的一致性
(2)Alluxio UFS 数据的一致性
下面先看写数据的一致性:
1. Alluxio 写文件流程
首先 Alluxio 写文件的流程可以把它抽象成两步:
第一步是客户端到 Alluxio;
第二步是 Alluxio 到 UFS。
其中的每一步都可以抽象成下面的三个步骤:
(1)创建文件
(2)写数据
(3)提交文件
同样 Alluxio 到存储系统也可以同样地抽象提取。
客户端和 Alluxio 之间,主要流程分三步:
(1)客户端向发请求创建一个文件;
(2)找到 Alluxio Worker 写具体对应的数据;
(3)在写完数据之后,提交这个文件。
同样 Alluxio 到存储系统也抽象成三步。不同存储系统的抽象和具备的一致性,都不同,此处进行抽象只是为了便于理解。比如要求强一致性保证,但是很多对象存储,给的一致性保证会弱很多,比如写进去之后不能马上读到这个数据。在这里,不考虑这种本身的不一致性的问题。假设 Alluxio 向存储提交了之后,就能保证存储端的文件就是需要的样子。
Alluxio 为了满足不同的需求,设计了几种不同的写策略,下面逐一分析写策略的流程以及带来的数据一致性保证。
2. Must-Catch 写模式
首先是常用的 MUST_CACHE 模式。在这种模式下,只会写 Alluxio 缓存不写 UFS。这个模式分为三步:
首先客户端会向 Alluxio 发出创建文件请求,创建的文件只是一个空文件,作为一个占位;
之后 Alluxio Worker 实现具体数据的写操作,具体数据会被分割成多个数据块,作为 Block 存在于 Alluxio Storage 里面。
在缓存写之后,客户端对 Master 做提交文件的请求,告诉 Master 写了这些数据块,写到 Worker,然后更新对应的元数据,也知道了这些数据块和 Worker 所对应的位置。
在这样的流程之后,Alluxio 不会向 UFS 创建这个文件,也不会写这个文件,所以 Alluxio 和 UFS 之间的元数据和数据都不一致。
3. Through 写模式
THROUGH 的写模式有所不同,这里同样的 createfile() 发出一个请求,然后找 Worker 写数据。Worker 会做三件事:
(1)创建文件
(2)写文件
(3)提交文件
在第二步结束后,客户端会向 Alluxio 提交这个文件。因为 Alluxio 的提交是发生在文件写完了之后,所以,Alluxio 和 UFS 此时的元数据是一致的。因为没有数据缓存,所以也不存在数据一致性的问题。
Alluxio 的缓存是在需要读之后才会产生,而这种 THROUGH 模式是比较适合用来写已知不再会被 Alluxio 读取的数据。所以在这种情况下,元数据是一致的,也不存在数据不一致的问题。
4. CACHE_THROUGH 写模式
下面的 CACHE_THROUGH 模式就是前面两种模式的结合。
唯一的不同点是在第二步,写缓存的同时又写了 UFS。在这两个都成功之后,第二步才会成功,之后客户端才会做提交操作。同样的道理,因为 Alluxio 在 UFS 更新之后才更新,所以两者的元数据和数据都是一致的。
5. ASYNC_THROUGH 写模式
最后是 ASYNC_THROUGH 异步写模式,和前面的模式唯一的区别是第二步中的 UFS 写变成了异步,放在了第四步。
在 Alluxio 写缓存之后,首先创建了文件之后,在第二步写了 Alluxio 缓存;在第二步缓存写完之后,Worker 就向客户端返回成功;然后由客户端向 Master 提交文件。注意在这个时候,Worker 还没有去 UFS 创建这个文件,也没有向 UFS 写文件。在 Alluxio 向客户端返回请求成功之后,在之后的某个时间,由 Job Service 把这个文件创建到 UFS 里面,并且持久化。
需要注意:在异步的模式下,持久化由于某些原因失败了,比如 Alluxio 成功之后,突然有人直接向里面创建了一个同名的文件,在第四步的时候,由于缓存和之间产生了不一致,导致这个文件无法创建、无法写入。这个时候,Alluxio 会有不一致的问题,此时需要人工介入来解决这个冲突。
6. 读文件流程
前文介绍以上四种不同的写模式以及一致性保证,现在来看 Alluxio 的读文件流程。读文件也可以粗略分成两种:冷读和热读。
简单来说,冷读情况下 Alluxio 不知道这个文件,需要从加载元数据和数据。热读的时候,缓存命中,不需要加载元数据和数据。
① 冷读文件
在冷读流程里,客户端向 Alluxio 请求元数据,此时 Master 还没有这个元数据,所以会向 UFS 发出一个请求,并从 UFS 加载这个元数据,这也称之为元数据同步。
在客户端具体读数据的时候,客户端找到 Worker,Worker 此时还没有缓存,于是 Worker 会向 UFS 做缓存的加载,这就是常说的缓存冷读。在做完这两个步骤之后,缓存是和元数据一致的。
② 热读文件
在热读的情况下,元数据可以在缓存里面找到,数据可以在 Worker 里面找到;此时不会有对 UFS 的读请求。
在缓存命中的时候,如何保证缓存与和是一致的?这里包括元数据的一致和数据的一致。这个简单的来说,就是通过 Alluxio 的元数据和数据的同步机制,也就是下一部分的内容。
04. Alluxio 和 UFS 元数据和数据同步
1. 检查 Alluxio 元数据/数据一致性
首先考虑这个问题:在什么时候需要检查 Alluxio 的元数据和数据的一致性?
首先在写数据的时候需要检查。如果这个文件在已经存在了,作为缓存,除了放弃这个操作之外,也没有其他的选项。因为不能在用户不知情的情况下,覆盖掉用户在里面的数据。
在读数据的时候,同样需要考虑如果文件在里面已经更新了,那缓存也需要对应进行更新,需要 UFS 考虑里面的文件是否发生了变化。
2. 保证 Alluxio 元数据/数据一致性
元数据和数据的一致性分成两步来逐个讨论。首先讨论如何保证 Alluxio 元数据和一致。Alluxio 通过两种方式来保证:
① 通过基于时间的假设
第一种是通过基于时间的假设,在里面的文件,在一段时间内它是不变的。判断方法是在每一次文件源信息、元数据请求的时候,检查 Alluxio 的元数据是否足够新。
这个判断分成了两个不同的部分:
(1)在每一次请求的时候
(2)检查这个元数据是否足够新
这种元数据的同步机制是惰性的,只有在请求的时候才会进行检查。这样设计的理念是尽量避免访问慢的操作、昂贵的操作。这样的事情越少越好、越懒越好。如果 Alluxio 所知的文件信息足够新,就假设 Alluxio 和 UFS 是一致的。如果不够新,就放弃这个假设再做一次同步;同时更新 Alluxio 里面的元数据。
② 基于通知
另外一个思路就是抛弃基于时间的假设,基于通知,依赖文件更改的告知。这个不是假设,是一个确定的信息。如果没有通知文件有变化,就确定 Alluxio 和现在的文件是一致的。
其次是如何保证 Alluxio 和 UFS 的数据保持一致。思路也非常简单:保持数据的一致,只需要确定元数据及是否一致。这里做出的假设是:如果 UFS 的数据,文件内容有所改变,那这个改变一定会反映在文件的元数据上。要么是文件的长度改变,要么是这个文件的 Hash,也就是哈希值会发生改变。通过观察这个 Alluxio 和的元数据,可以发现这些变化点。
如果基于这个假设,Alluxio 的元数据和 UFS 保持一致时缓存和 UFS 也会一致。如果观察元数据发现内容有变化,那么就更新元数据并抛弃已有缓存。在下一次读的时候,重新加载缓存。如果发现文件的内容没有变化,只做必要的元数据更新,不抛弃数据缓存。
3. 数据同步机制
Alluxio 提供两种同步机制,这里先介绍时间戳机制,再介绍基于消息的同步机制。
① 基于元数据时间戳的同步机制
下面先看一下第一种机制,基于元数据时间戳的同步机制。
时间戳主要是通过配置项 alluxio.user.file.metadata.sync.interval,通常称之为 sync.interval 或者 interval。比较同步数据上次同步的时间戳和配置项。配置项中有几种不同的配置方式:
(1)配置为-1,就只在第一次加载的时候进行同步,之后就永远不再和这个底层存储去做同步了;
(2)配置为 0,每一次访问的时候,都会进行同步,抛弃所有知识,不做任何假设。
(3)比较常用的一种是用户指定一个配置值,做一个假设,如果上一次同步的时间还没有超出这个时间,就假设原信息是新的。这个假设是基于对这个文件的了解,比如:知道文件的来源,知道文件由哪些业务流程产生的。在此基础上,可以做一个合理的推断:只需每隔这样一段时间去检查的就足够。如何进行配置,请看下图。
(4)这张图展示了不同的配置方式带来什么样的行为。这张图的纵轴是一个 RPC 完成所需时间。不同的环境、不同测试方式都会得到不一样的结果。主要看相互之间的大小关系。如果把 interval 设成零,就是每一次都同步,那每一个 RPC 都会有元数据同步的开销,延迟会比较高;
(5)如果 interval 设为-1,完全关掉同步,只要文件存在于 Alluxio 里面,完成第一次加载,之后的每一次,RPC 都会有一个低的延迟,因为没有做 UFS 的操作。
(6)最常用的是设置成一个适中的值,实际上带来这样一个结果,就是如果还在 interval 之内,RPC 能得到快速的返回;如果达到了 interval,触发一次同步,那在下一次 RPC 就会有一个比较高的开销。通过这样的方式,实际上把这个元数据同步的开销,平均到每一次的 RPC 请求中。这也是为什么大家比较喜欢这种方式,因为取得了一个平衡。
② 同步时间间隔配置
这个时间间隔具体配置有三个,优先级是由低到高,后面的配置可以覆盖前面的配置:
第一种最基础是配置文件/环境变量方式,是最不灵活的方式。因为整个集群里面文件都不同,假设也不同,很难使用同样间隔,所以一般都给一个默认值。
第二种方式是基于路径的设置做配置。比如:通过管理员指令给这个 Alluxio 的/data_center1 路径,添加 property 也就是 sync.interval。意思就是假设来自数据中心这个路径下的所有文件夹下面所有路径,都按照一个小时一次的时间间隔,在超过一个小时之后,才去再进行一次原文件的同步。这样的假设的根源就是:知道来自数据中心的文件,它的更新不是特别频繁,那可以做出这样的一个判断。
第三种方式是直接写在指令里面。ls 是大家最常用的命令。比如:对/data/tables 下面的文件做 ls 操作的时候,给予一个大于零的值。意思就是:如果因为不小心误操作或者多做了几次 ls,不小心多敲了几次回车或者脚本写错,至少还有一个回旋的余地,不会一下子触发大量元数据同步的操作。
Alluxio 还提供一些语法糖指令,比如:loadMetadata 指令就是专门为了触发元数据同步。如果加上-F 选项,实际上的意思就是把 sync.interval 设成 0,相当于强制进行一次元数据的刷新。ls 和 metadata 这两个指令的区别:ls 把文件展示在面前,ls 的 RPC 有网络开销, 会把信息发给你,客户端要保存下来,并且展示出来。这个不是每一次都需要,假如只是想要触发一次元数据的同步,只需 loadMetadata 就可以,返回值只有成功或者失败,可以节约很多网络带宽和的内存开销。
③ 基于消息的同步机制
以上是基于时间的同步机制,下面看一下另外一种思路,就是基于消息同步机制。
首先需要 Alluxio 2.0 版本以上,以及 Hadoop 2.6.1 版本以上,因为 HDFS 底层的 inotify 机制是在 2.6 版本加进去的。实际上发生的就是从 HDFS 的 namenode 直接读取 HDFS 有哪些文件发生了变化。实现原理就是维护了一个 Alluxio 和 namenode 之间通过 HDFS 的 inotify 机制保持了一个信息流。Alluxio 定期心跳从这个信息流里面去读,有哪些文件发生了变化,然后根据这个变化的具体的类型,Alluxio 决定要不要再去 namenode 触发一次元数据的同步。
这样的元数据同步是有的放矢,不再是基于时间猜测。每一次同步都是有理有据,知道文件已经改变,称为 Active Sync,也是因为在这里化被动为主动,不再被动去猜,而是主动知道了有哪些变化,然后主动去触发同步。但是这个 inotify 只能告诉告诉我们哪些文件发生了变化以及变化是什么类型,包含的信息很少,具体要做同步还需要一个元数据同步的机制,所以这一步是绕不开的。具体的使用也非常简单,可以通过指令来开启它,也可以关闭,或者查看现在有哪些 HDFS 路径或挂载点开启了这个功能,这些指令也受 Journal 日志保护,当开启了 Active Sync 功能之后,就会被记录在 Journal 日志里面,在重启集群之后,无需重敲一遍指令。
4. Active Sync 性能取舍
Active Sync 也不是万能药,它做了一些功能的取舍。每种设计都有它的取舍,因此也有适合和不适合的场景。
(图 21 Active Sync 性能取舍)
Active Sync 在确定了文件更改之后,再去做同步操作,它省掉了那些没有变化、无用的同步操作。但是每一个文件的更改,都会触发同步操作。具体文件的更改并不一定是客户端的请求,虽然是主动加载它,但实际上并不一定用到,有可能是多余的操作。
Active Sync 和基于时间戳的同步机制,各有利弊。具体选择时需要进行考量,在后面的章节会总结分析哪种场景适合的配置。同时要注意 Active Sync 只支持 HDFS,原因是只有 HDFS 提供 API,其他存储没有机制可以知道有哪些文件发生了变化,所以没有办法来实现。
05. 元数据同步实现与优化
在了解了机制后,现在了解一下元数据同步的实现原理,然后再看元数据同步的优化。
1. 元数据同步原理
目前元数据的同步粗略分为左下角的这几个步骤。左上角我们列出了元数据同步的参与者。包括了 RPC 线程,就是 Master 端,来自于 RPC 的线程池。第 2 个参与者称作同步线程池(sync thread pool)。第 3 个参与者称作预取线程池(prefetch thread pool)。这里有一个 InodeTree,就是 Alluxio 里面维护的所有文件的元数据,形成了一个树状的结构。图中的 UFS 代表着实际的底层存储。所有对 UFS 的连线都是一个对外部系统的 RPC,是比较昂贵的操作。
同步步骤分三步:
① RPC 线程向 UFS 读取文件的元信息。在处理请求 ls -R 时,对根节点全量的文件树进行一次 ls 操作。此时基于时间戳,需要触发元数据同步, RPC 线程就会读取文件根节点的信息,检查挂载 HDFS://alluxio 根节点的信息。如果发现信息有更新,就去 InodeTree 里面找根节点,则 RPC 线程对应地更新/创建/删除 Alluxio 的 Inode 元信息,并且这个节点进行更新。
② 如果在处理递归的时候,发现下面还有其他目录,整棵树都需要进行一次搜索,此时把递归文件/文件夹提交到同步线程池(sync thread pool)。用广度优先搜索的方式进行遍历,也就是常说的 BFS。当提交这个任务后。会去同步线程池,在 BFS 的过程中,按照一定的顺序遍历这棵树,data -> user -> others -> report …
在这个过程中,主要是做两件事情:
(1)如果发现走到某个节点,需要对进行一次请求,它不会自己做这个请求,而是把这个请求交给预取线程池(prefetch thread pool)。
(2)如果发现下一步要去遍历 User -> others -> report …
就把任务提前交给预取线程池,告诉它去读 HDFS 里面相关的这些路径,这也就是称为预取的原因。在真正处理这个路径之前,就提前告诉它,因为操作会需要很长的时间,保证性能最好的方式就是提前做这个事情;等任务处理到的时候,已经准备好了。这样最高地利用了多线程的并发。
在处理每个节点的时候,确认预取线程池准备好的结果;如果有更新,就更新自己的 InodeTree。
③ 预取线程池负责从读取文件或者文件夹信息,把结果交给这个同步线程池,来加速这个具体的同步过程。
2. 性能优化-缓存
在这个时间原理的基础上,进行了一系列的优化。
首先就是做了缓存的优化。主要的设计理念就是因为 UFS 操作非常贵、非常慢,希望尽可能多的地缓存结果,节省的操作。
缓存优化涉及下面这几种缓存:
(1)缓存了哪些路径不存在,因为确定这个缓存不存在,需要去读取 UFS,又需要有一个外部的 RPC;
(2)缓存哪些 UFS 文件最近被读取过,和时间戳相互配合。知道上一次读取的时间戳,就可以根据时间戳确定是否再次读取;
(3)缓存 UFS 文件的具体信息,预取线程和同步线程用来交换信息的数据结构。在预取完之后把结果放到缓存里,由这个同步线程将结果更新进 Alluxio InodeTree。
3. 算法优化-锁优化
在缓存优化之外,基于 Alluxio 的版本迭代,也做了各种各样的元数据同步优化,其中比较大的就是算法的优化。
在 Alluxio2.3 版本之前,所有的 RPC 线程是自己进行元数据的同步。如果递归基于 DFS 自己遍历这棵树,从头到尾都持有路径的写锁。如果是递归,实际上是写锁锁住了整个子树。在锁住子树的过程中,其他线程就无法读取子树里的内容,并发度低,由于是单线程,做了非常多需要 Block 时间长的操作。
在 Alluxio2.3 里面非常大的优化,就是把它改成了多线程并发同步的算法,更多利用线程池操作,DFS 改成了 BFS。根据需要,读锁升级,而非从头至尾持有写锁。读写锁的好处就是让不同的线程之间有了更高的并发度。这样在同步某一棵子树的过程中,其他线程还有机会可以读到这里面的内容,所以整体的并发会更高。
4. 性能优化-调整并行度
第三个优化来自于用户对线程池的配置。
在 Alluxio 2.3 里面加入了线程池之后,可以通过配置参数调整元数据同步的并行度。之前单线程没有配置可言。调整并行度一般是通过这三个参数。
(1)第一个参数控制了单个 RPC 请求里面的这个元数据同步,它的 BFS 并行度调的越高,并行度越高,更快的机会也就越大,同时对这个系统的占用也会越多;
(2)第二个是同步线程池大小;
(3)第三个是预取线程池大小。
两个线城池的大小,建议配置成 CPU 数的倍数,具体比例以及系统应该配多大,取决于这两个线程所做工作的时间,以及中间的配合方式。所以没有给出统一建议,建议根据具体程序运行的时候,CPU 比如可以做一些火焰图、分析延迟以及 inodetree 更新的延迟,做一个更加合理的配比。默认的配比都是 CPU 的倍数,如果没有在无数据同步看到非常明显的瓶颈,不需要进行特别细粒度的调节。
06. 对不同场景的推荐配置
最后针对不同的场景具体分析问题,推荐比较好的配置。
1. 场景 1
最简单的场景就是:所有的写和读全都经过了 Alluxio。无疑 Alluxio 所有的元数据都是最新,此时无需做元数据同步。可以关闭元数据同步,提升性能。
2. 场景 2
第二个场景稍微复杂一些。大部分的操作经过 Alluxio,但是不排除还有一些场景,会绕过 Alluxio 直接改动原来里面的文件。
在这种场景下,为了保证 Alluxio 和 UFS 元数据和数据的一致,还是要保留一部分元数据同步的操作。在这里分 HDFS 和非 HDFS 进行考虑,主要是因为这些 HDFS 比别人多一个选项 Active Sync。
HDFS 的情况下,需要考虑这几个点:如果 HDFS 更新非常频繁,就是绕过 Alluxio 的更新非常频繁,或者 HDFS 的 namenode 的压力比较大,不建议使用 Active Sync,而是使用基于时间的被动同步。使用被动同步的原因是 Active Sync 是基于 Alluxio 心跳,去 namenode 拉取具体有哪些文件发生了改动,每一次拉取都是一次 RPC,给 namenode 施加的压力。同时如果文件发生了改动,Alluxio 就又会向 namenode 发起 RPC 去同步这些文件。因此希望尽量减少这些操作来降低 namenode 的压力。
如果基于时间的被动同步,能给予减少元数据同步操作的机会,则使用基于时间的被动同步;反之要使用 Active Sync,因为更加主动,时效性更高。如果不会带来性能负担,完全可以去尝试一下。
如果不是 HDFS,只能用基于时间的被动同步。
建议尽量节约元数据同步的操作,具体做法考虑每个数据、每个路径更新的频率大概是如何。基于这样的考量,尽量给 sync interval 设一个比较大的值,尽量减少元数据的触发。
3. 场景 3
第三个场景稍微有些不同。大部分或全部更新都不经过 Alluxio,而更新又非常频繁。
在这种情况下,使用 HDFS 而且时效性又非常重要,使用 Active Sync 是唯一方案。因为如果把 sync interval 调到一个特别低的值,甚至可能触发比 Active Sync 更多的同步。如果把它设成零之后,每一次都不会触发同步,会进一步加大同步的操作开销。
如果时效性并不十分重要,建议使用这个基于时间的被动同步。通过节省开销,减少元数据同步的操作,就能提升系统的性能。同样如果不是 HDFS,则使用基于时间的被动同步。
以上是三个场景的分析,也是今天分享的全部内容。
07. 答疑
Q:在 ASYNC_THROUGH mode 当中,因 UFS 原因导致 ASYNC 上传始终失败,这种情况怎么优雅地处理,以避免不一致?
A:这个问题非常好,问到了痛点。目前没有一个特别优雅的解决方案。
在异步方式下没有 call back,或者 hook 的自动介入,只能人为介入。Alluxio2.4 商业版中加入了一个 job service dashboard 查看异步任务的状态。如果异步持久化失败了,这个地方可以看到所有失败的异步任务。目前只能通过这个方式观察究竟有哪些东西失败了,然后再人为进行干预。
我们已经注意到 job service 的问题,打算重新设计整个 job service,从几个方向,可扩展 Scalability, Fault-tolerance,包括 monitoring, failure mode, 恢复等。未来版本里面会做出更好的设计,有很多场景,并加入人工干预模式。通过开放一些接口,可以自动化地读到这些东西,或是可能会增加界面,让用户定义一些方式。
Alluxio 到了一个新的阶段,要好好思考,用更加 scalable 的方案去解决这些问题。这些异步的操作已经提上了议事日程。
Q:和 HDFS 可以不同路径设置不同的同步时间吗?
A:可以用配置参数的方法去实现。
分享嘉宾
想要获取更多有趣有料的【活动信息】【技术文章】【大咖观点】,请关注[Alluxio 智库]:
版权声明: 本文为 InfoQ 作者【Alluxio】的原创文章。
原文链接:【http://xie.infoq.cn/article/5cfa07135549083e7d64df322】。文章转载请联系作者。
评论