ceph解读之PGLog

发表于 | 分类于 |

ceph的PGLog是由PG来维护，记录了该PG的所有操作，其作用类似于数据库里的undo log。PGLog通常只保存近千条的操作记录（默认是3000条），但是当PG处于降级状态时，就会保存更多的日志（默认是10000条），这样就可以在故障的PG重现上线后用来恢复PG的数据。本文主要从PGLog的格式、存储方式、如何参与恢复来解析PGLog。

1.PGLog的格式

ceph使用版本控制的方式来标记一个PG内的每一次更新，每个版本包括一个(epoch，version)来组成：其中epoch是osdmap的版本，每当有OSD状态变化如增加删除等时，epoch就递增；version是PG内每次更新操作的版本号，递增的，由PG内的Primary OSD进行分配的。

PGLog在代码实现中有3个主要的数据结构来维护：pg_info_t，pg_log_t，pg_log_entry_t。三者的关系示意图如下。从结构上可以得知，PGLog里只有对象更新操作相关的内容，没有具体的数据以及偏移大小等，所以后续以PGLog来进行恢复时都是按照整个对象来进行恢复的（默认对象大小是4MB）。
pglog

其中：

  • last_complete：在该指针之前的版本都已经在所有的OSD上完成更新（只表示内存更新完成）；
  • last_update：PG内最近一次更新的对象的版本，还没有在所有OSD上完成更新，在last_update与last_complete之间的操作表示该操作已在部分OSD上完成但是还没有全部完成；
  • log_tail：指向pg log最老的那条记录；
  • head：最新的pg log记录；
  • tail：指向最老的pg log记录的前一个；
  • log：存放实际的pglog记录的list；

2.PGLog的存储方式

了解了PGLog的格式之后，我们就来分析一下PGLog的存储方式。在ceph的实现里，对于写I/O的处理，都是先封装成一个transaction，然后将这个transaction写到journal里，在journal写完成后，触发回调流程，经过多个线程及回调的处理后再进行写数据到buffer cache的操作，从而完成整个写journal和写本地缓存的流程（具体的流程在《OSD读写处理流程》一文中有详细描述）。

总体来说，PGLog也是封装到transaction中，在写journal的时候一起写到日志盘上，最后在写本地缓存的时候遍历transaction里的内容，将PGLog相关的东西写到Leveldb里，从而完成该OSD上PGLog的更新操作。

2.1 PGLog更新到journal

2.1.1 写I/O序列化到transaction

在《OSD读写流程》里描述了主OSD上的读写处理流程，这里就不做说明。在ReplicatedPG::do_osd_ops函数里根据类型CEPH_OSD_OP_WRITE就会进行封装写I/O到transaction的操作（即将要写的数据encode到ObjectStore::Transaction::tbl里，这是个bufferlist，encode时都先将op编码进去，这样后续在处理时就可以根据op来操作。注意这里的encode其实就是序列化操作）。

这个transaction经过的过程如下：

1
2
ReplicatedPG::OpContext::op_t  –>  PGBackend::PGTransaction::write（即t->write） –>  RPGTransaction::write  –> ObjectStore::Transaction::write（encode到ObjectStore::Transaction::tbl） 
后面调用ReplicatedBackend::submit_transaction时传入的PGTransaction *_t就是上面这个，通过转换成RPGTransaction *t，然后这个函数里用到的ObjectStore::Transaction *op_t就是对应到RPGTransaction里的ObjectStore::Transaction *t。

2.1.2 PGLog序列化到transaction

  • 在ReplicatedPG::prepare_transaction里调用ReplicatedPG::finish_ctx，然后在finish_ctx函数里就会调用ctx->log.push_back就会构造pg_log_entry_t插入到vector log里；
  • 在ReplicatedBackend::submit_transaction里调用parent->log_operation将PGLog序列化到transaction里。在PG::append_log里将PGLog相关信息序列化到transaction里。
  • 主要序列化到transaction里的内容包括：pg_info_t，pg_log_entry_t，这两种数据结构都是以map的形式encode到transaction的bufferlist里。其中不同的map的value对应的就是pg_info和pg_log_entry的bufferlist。而map的key就是epoch+version构成的字符串”epoch.version”。另外需要注意的是这些map是附带上op和oid作为对象的omap（Object的属性会利用文件的xattr属性存取，因为有些文件系统对xattr的长度有限制，因此超出长度的Metadata会被存储在DBObjectMap里。而Object的omap则直接利用DBObjectMap实现。）来序列化到transaction里；

2.1.3 Transaction里的内容

从上面的分析得知，写I/O和PGLog都会序列化到transaction里的bufferlist里，这里就对这个bufferlist里的主要内容以图的形式展示出来。transaction的bufflist里就是按照操作类型op来序列化不同的内容，如OP_WRITE表示写I/O，而OP_OMAPSETKEYS就表示设置对象的omap，其中的attrset就是一个kv的map。 注意这里面的oid，对于pglog来说，每个pg在创建的时候就会生成一个logoid，会加上pglog构造的一个对象，对于pginfo来说，是pginfo_构造的一个对象，而对于真正的数据对象来说，attrset就是其属性。
trans

2.1.4 Trim Log

前面说到PGLog的记录数是有限制的，正常情况是默认是3000条（由参数osd_min_pg_log_entries控制），PG降级情况下默认增加到10000条（由参数osd_max_pg_log_entries控制）。当达到限制时，就会trim log进行截断。

在ReplicatedPG::execute_ctx里调用ReplicatedPG::calc_trim_to来进行计算。计算的时候从log的tail（tail指向最老的记录）开始，需要trim的条数=log.head-log.tail-max_entries。但是trim的时候需要考虑到min_last_complete_ondisk（这个表示各个副本上last_complete的最小版本，是主osd在收到3副本都完成时再进行计算的，也就是计算last_complete_ondisk和其他副本osd上的last_complete_ondisk–即peer_last_complete_ondisk的最小值得到min_last_complete_ondisk），也就是说trim的时候不能超过min_last_complete_ondisk，因为超过了的也trim掉的话就会导致没有更新到磁盘上的pg log丢失。所以说可能存在某个时候pglog的记录数超过max_entries。
trim_log
在ReplicatedPG::log_operation里的trim_to就是pg_trim_to，trim_rollback_to就是min_last_complete_on_disk。log_operation里调用pg_log.trim(&handler, trim_to, info)进行trim，会将需要trim的key加入到PGLog::trimmed这个set里。然后在_write_log里将trimmed里插入到to_remove里，最后在调用t.omap_rmkeys序列化到transaction的bufferlist里。

2.1.5 PGLog写到journal盘

PGLog写到journal盘上就是写journal一样的流程，具体如下：

  • 在ReplicatedBackend::submit_transaction调用log_operation将PGLog序列化到transaction里，然后调用queue_transaction将这个transaction传到后续进行处理；
  • 调用到了FileStore::queue_transactions里，就将list构造成一个FileStore::Op，对应的list放到FileStore::Op::tls里；
  • 接着在JournalingObjectStore::_op_journal_transactions函数里遍历list& tls，将ObjectStore::Transaction encode到一个bufferlist里（记为tbl）；
  • 然后FileJournal::submit_entry里将bufferlist构造成write_item放到writeq；
  • 接着在FileJournal::write_thread_entry会从writeq里取出write_item，放到另外一个bufferlist里；
  • 最后调用do_aio_write将bufferlist的内容异步写到磁盘上（也就是写journal）；

2.2 PGLog写入leveldb

在《OSD读写流程》里描述到是在FileStore::_do_op里进行写数据到本地缓存的操作。将pglog写入到leveldb里的操作也是从这里出发的，会根据不同的op类型来进行不同的操作。
比如OP_OMAP_SETKEYS（PGLog写入leveldb就是根据这个key）：

1
FileStore::_do_op --> FileStore::_do_transactions --> FileStore::_do_transaction 根据不同的Transaction类型来进行不同的操作 --> case Transaction::OP_OMAP_SETKEYS --> FileStore::_omap_setkeys --> object_map->rm_keys，即DBObjectMap::set_keys --> KeyValueDB::TransactionImpl::set，遍历map<string, bufferlist>，然后调用set(prefix, it->first, it->second)，即调用到LevelDBStore::LevelDBTransactionImpl::set --> 最后调用db->submit_transaction提交事务写到盘上

再比如以OP_OMAP_RMKEYS（trim pglog的时候就是用到了这个key）为例：

1
FileStore::_do_op --> FileStore::_do_transactions --> FileStore::_do_transaction 根据不同的Transaction类型来进行不同的操作 --> case Transaction::OP_OMAP_RMKEYS --> FileStore::_omap_rmkeys --> object_map->rm_keys，后面就是调用到LevelDB里的rm_keys去删除keys。

PGLog封装到transaction里面和journal一起写到盘上的好处：如果osd异常崩溃时，journal写完成了，但是数据有可能没有写到磁盘上，相应的pg log也没有写到leveldb里，这样在osd再启动起来时，就会进行journal replay，这样从journal里就能读出完整的transaction，然后再进行事务的处理，也就是将数据写到盘上，pglog写到leveldb里。

3. PGLog如何参与恢复

PGLog参与恢复主要体现在ceph进行peering的时候建立missing列表来标记过时数据，以便于进行对这些数据进行修复。
故障的OSD重新上线后，PG就会标记为peering状态并暂停处理请求。

  • 对于故障OSD所拥有的Primary PG
    • 它作为这部分数据”权责”主体，需要发送查询 PG 元数据请求给所有属于该 PG 的 Replicate 角色节点；
    • 该 PG 的 Replicate 角色节点实际上在故障 OSD 下线时期间成为了 Primary 角色并维护了“权威”的 PGLog，该 PG 在得到故障 OSD 的 Primary PG 的查询请求后会发送回应；
    • Primary PG 通过对比 Replicate PG 发送的元数据和 PG 版本信息后发现处于落后状态，因此它会合并得到的 PGLog并建立“权威” PGLog，同时会建立 missing 列表来标记过时数据；
    • Primary PG 在完成“权威” PGLog 的建立后就可以标志自己处于 Active 状态；
  • 对于故障OSD所拥有的Replicate PG
    • 这时上线后故障 OSD 的 Replicate PG 会得到 Primary PG 的查询请求，发送自己这份“过时”的元数据和 PGLog；
    • Primary PG 对比数据后发现该 PG 落后并且过时，比通过 PGLog 建立了 missing 列表；
    • Primary PG 标记自己处于 Active 状态；
      Peering过程中涉及到PGLog（pg_info和pg_log）的步骤主要包括：
  • GetInfo : PG的Primary OSD通过发送消息获取各个Replicate OSD的pg_info信息。在收到各个Replicate OSD的pg_info后，会调用PG::proc_replica_info处理副本OSD的pg_info，在这里面会调用info.history.merge合并Replicate OSD发过来的pg_info信息，合并的原则就是更新为最新的字段（比如last_epoch_started和last_epoch_clean都变成最新的）；
  • GetLog：根据pg_info的比较，选择一个拥有权威日志的OSD（auth_log_shard） , 如果Primary OSD不是拥有权威日志的OSD，就去该OSD上获取权威日志；
    • 选取拥有权威日志的OSD时，遵循3个原则（在find_best_info里）：
      • Prefer newer last_update
      • Prefer longer tail if it brings another info into contiguity
      • Prefer current primary
    • 也就是说对比各个OSD的pg_info_t，谁的last_update大，就选谁，如果last_update都一样，则谁的log_tail小，就选谁，如果log_tail也一样，就选当前的Primary OSD；
    • 如果Primary OSD不是拥有权威日志的OSD，则需要去拥有权威日志的osd上去拉取权威日志，收到权威日志后，会调用proc_master_log将权威日志合并到本地pg log；
    • 在merge 权威log到本地pg log的过程中，会将merge的pg_log_entry_t对应的oid和eversion放到missing列表里，这个missing列表里的对象就是Primary OSD所缺失的对象，后续在recovery的时候需要从其他osd pull的。
      merge
  • GetMissing：拉取其它Replicate OSD 的pg log（或者部分获取，或者全部获取FULL_LOG) , 通过本地的auth log对比，调用proc_replica_log处理日志，会将Replicate OSD里缺失的对象放到peer_missing列表里，以用于后续recovery过程的依据；注意：实际上是在PG:activate里更新peer_missing列表的，在proc_replica_log处理的只是从replica传过来它本地的missing（就是replica重启后根据自身的last_update和last_complete构造的missing列表），一般情况下这个missing列表是空；

4.参考资料
ceph源码v0.80.11版本
《OSD读写流程》http://www.sysnote.org/?p=262
《peering过程》http://blog.csdn.net/changtao381/article/details/49125817
《解析ceph：恢复与数据一致性》http://www.wzxue.com/ceph-recovery/