快手EB级HDFS挑战与实践
分享嘉宾:徐增强 快手 高级研发工程师
编辑整理:Frank
出品平台:DataFunTalk
导读:作为快手内部数据规模和机器规模最大的分布式文件存储系统,HDFS一直伴随着快手业务的飞速发展而快速成长。
本文主要从以下三个层面,介绍下 HDFS系统在快手业务场景下的落地实践:
- HDFS架构介绍
- 快手HDFS 数据和集群规模介绍
- 快手HDFS 挑战与实践
01
HDFS架构介绍
HDFS 全名 Hadoop Distributed File System,是Apache Hadoop的子项目,也是业界使用最广泛的开源分布式文件系统。
核心思想是:将文件按照固定大小进行分片存储,具备:强一致性、高容错性、高吞吐性等
架构层面是典型的主从结构:
- 主节点:称为NameNode,主要存放诸如目录树、文件分片信息、分片存放位置等元数据信息
- 从节点:称为DataNode,主要用来存分片数据
HDFS官网架构
02
快手HDFS数据规模和集群规模介绍
快手HDFS 历经 3 年的飞速发展,承载了整个快手几乎全量的数据存储,直接或间接的支持了上百种业务的发展。从最初的千台规模,目前已经发展成拥有几万台服务器、几EB数据的超大规模存储系统。
1. 业务类型
在整个数据平台中,HDFS 系统是一个非常底层也是非常重要的存储系统,除了常用的Hadoop生态开源组件之外,还承载诸如kafka、clickhouse等在线核心组件数据(ps:有兴趣的同学可以私聊)
2. 集群规模
作为数据平台中最底层的存储系统,目前也是整个快手中机器规模和数据规模最大的分布式存储系统,单个HDFS集群拥有:
- 几万台服务器
- 几EB数据规模、几百PB的EC数据量
- 每天拥有几百PB的数据吞吐
- 几十组NameService
- 几百亿元数据信息
- 百万级Qps
03
快手HDFS挑战与实践
在数据爆炸式增长的过程中,HDFS 系统遇见的挑战是非常大的。接下来,主要从HDFS架构四个比较核心的问题入手,重点介绍下快手的落地过程。
- 主节点扩展性问题
- 单NS性能瓶颈问题
- 节点问题
- 分级保障问题
1. 主节点扩展性问题
众所周知,主节点扩展性问题是一个非常棘手,也是非常难解决的问题。当主节点压力过大时,没办法通过扩容的手段来快速分担主节点压力。
随着集群规模越来越大,问题也越来越严重。我们认为要解决这个问题,至少需要具备两个能力:
- 具备快速新增NameService的能力
- 具备新增NS能快速分担现存NS压力的能力
无论社区2.0的Federation架构,还是社区最新3.0的Router Based Federation架构,都不能很好的满足这两个条件。综合讨论了多个方案之后,我们决定在社区最新3.0的RBF架构基础上,进行深度定制开发,来解决主节点扩展性问题。
首先,我们介绍两个业务场景的扩展性方案:
① 快手 FixedOrder && RbfBalancer机制
我们支持的第一个扩展性机制:FixedOrder机制
- 将一个路径挂载到多个NS上,记为FixedOrderMountPoint
- FixedOrderMountPoint下所有新建目录或文件都写到期望的NS(比如新增NS)
- FixedOrderMountPoint下目录或文件的访问,通过探测的方式,可以有效的访问到新老数据(增加FixedOrderMountPoint前后的文件或目录)
利用这个机制,可以通过快速新增NS,来有效缓解热点NS Qps压力过大的问题。
除此之外,我们还研发了RbfBalancer机制,通过FastCp的方式,在业务完全透明的场景下将存量数据异步搬迁到新的NS里,达到缓解老NS内存压力的效果。由于老NS Qps压力已经被快速分担,所以异步数据迁移的进度,没有强要求。
利用FixedOrder + RBFBalancer机制,通过扩容新NS并快速分担老NS的压力,来解决大多数场景的扩展性问题。
② 快手 DFBH 机制
众所周知,分布式开源组件中存在大量Staing路径,比如:Yarn Staing路径、Spark Staing路径、Hive scratchdir路径、Kafka Partition路径等,这一类路径有两个特点:
- Qps非常大,需要多个NS承担
- 具有短暂的生命周期
针对这一类路径 ,我们引入了DFBH机制,来解决主节点扩展性问题:
- 通过一致性Hash实现多NS间Qps负载均衡
- 利用动态FixedOrder机制,在不搬迁数据的场景下,实现透明扩缩容NS
实现的核心思想是:
- 每个路径依据多组一致性Hash列表计算出归属NS,组合成FixedOrder
- 将增量数据写到期望NS 中 ,存量数据依旧可见
- 随着生命周期推移,逐步回退到最普通的一致性Hash策略
社区贡献
除了完善多个扩展性方案之外,我们还解决了大量RBF正确性、性能、资源隔离等稳定性问题,同时也积极为社区提供大量BugFix,有兴趣的同学可以参考下:
https://issues.apache.org/jira/browse/HDFS-15300
https://issues.apache.org/jira/browse/HDFS-15238
https://issues.apache.org/jira/browse/HDFS-14543
https://issues.apache.org/jira/browse/HDFS-14685
https://issues.apache.org/jira/browse/HDFS-14583
https://issues.apache.org/jira/browse/HDFS-14812
https://issues.apache.org/jira/browse/HDFS-14721
https://issues.apache.org/jira/browse/HDFS-14710
https://issues.apache.org/jira/browse/HDFS-14728
https://issues.apache.org/jira/browse/HDFS-14722
https://issues.apache.org/jira/browse/HDFS-14747
https://issues.apache.org/jira/browse/HDFS-14741
https://issues.apache.org/jira/browse/HDFS-14565
https://issues.apache.org/jira/browse/HDFS-14661
2. 单NS性能瓶颈问题
众所周知,HDFS 架构中NameNode 的实现中有一把全局锁,很容易就达到处理瓶颈。社区最新3.0提出了一个Observer Read架构,通过读写分离的架构,尝试提升单个NameService的处理能力,但是最新的架构问题比较多。
针对单NS性能瓶颈这个问题,我们尝试从两个阶段解决:
- 快手特色ObserverRead架构,从读写分离角度提升NS处理能力【重点介绍】
- 优化NameNode全局锁,从提升单NN处理能力角度提升NS处理能力【进行中】
快手特色ObserverRead架构
快手特色ObserverRead架构是基于最新的RBF框架落地的,在客户端完全透明的场景下,实现动态负载路由读请求的功能,提升整个NS处理能力。
相比社区的ObserverRead架构,快手特色ObserverRead架构有几个非常明显的优势:
- 整个架构,基于RBF框架实现,客户端完全透明
- Router检测NN节点状态,实现动态负载路由读请求
- Standby、Active节点可以支持读请求
- Observer节点支持快速扩容
在整个最新架构落地过程中,也解决了社区ObserverRead架构大量稳定性问题,比如:
- MSync RPC稳定性问题
- Observer Reader卡锁问题
- NameNode Bootstrap失败问题
- Client Interrupt导致无效重试问题(HDFS-13609)
3. 慢节点问题
随着集群规模越来越大,慢节点问题也越来越明显,经常导致作业出现长尾Task、训练“卡住”等问题。
慢节点问题主要体现在从节点DataNode上,主要是因为物理指标负载比较大,比如:网卡流量、磁盘Util、Tcp 异常等。
针对这个问题,我们从两个大的方向着手解决:
- 慢节点规避
- 慢节点根因优化
① 慢节点规避
主要从事先规避和事中熔断两个角度来实现HDFS层面的慢节点规避机制。
事先规避,即客户端在读写数据前,NameNode依据DN的负载信息进行排序,优先返回低负载的DN。
其判断依据主要有:负载指标(CPU使用率、磁盘Util、网卡流量、读写吞吐量);客户端上报慢节点。
事中熔断,即客户端在读写数据过程中,通过吞吐阈值实时感知慢节点,进行实时慢节点摘除功能。
通过事先规避和事中熔断机制,能有效地解决长尾Task、训练“卡住”等问题。
② 慢节点根因优化
从资源利用率最大化的角度出发,从节点DataNode机器是和Yarn NodeManager混布的。
通过硬件指标采集发现:Yarn MapReduce的shuffle功能对硬件繁忙程度贡献度非常大,所以我们从Yarn Shuffle优化和DN内部机制优化两个角度尝试从根因入手解决慢节点问题。
这里,我主要介绍下DN内部优化逻辑,主要包括:
- 在线目录层级降维
即DN在不停读写的场景下,实现block存储目录的降维工作,极大地缩减磁盘元数据信息。
- DataSet全局锁优化
将DN内部全局锁细粒度化,拆分成BlockPool + Volume 层级,降低BlockPool之间、磁盘之间的相互影响。
- Du操作优化
将定期的DU操作,通过内存结构计算单磁盘BP使用量。
- 选盘策略优化
添加负载选盘策略,优先选择负载比较低的磁盘。
4. 分级保障问题
众所周知,快手经常有一些大型活动,比如春节活动、电商活动、拉新活动等,而且整个活动过程中还伴随着无数个例行任务。
瞬间的洪峰流量,可能会导致HDFS系统满载,甚至过载。
为了在HDFS 系统满载的场景下尽可能的保障高优先级任务正常运行,所以我们将所有任务抽象成高优先级、中优先级和低优先级任务,同时HDFS系统支持分级保障功能,来满足这个需求。
我们主要从NameNode和DataNode两个角色入手,支持分级保障功能。
NameNode分级保障功能
我们深度定制了NameNode Rpc框架,将队列拆分成优先级队列,Handler依据资源配比依次处理不同优先级队列请求。与此同时,通过压力感知模块,实时感知各个优先级请求的压力,并动态调整资源配比,从而实现:
- 未满载时,按照资源配配比处理请求
- 满载时,资源倾向高优,优先处理高优请求
DataNode分级保障功能
由于DataNode内部是通过独占线程方式与客户端进行数据IO的,所以我们在每个磁盘上添加了磁盘限速器。
当磁盘资源达到上限后,高优先级请求到来时,会强占低优先级资源。除此之外,我们还添加了阈值调整模块,实时感知相关指标,动态调整磁盘限速器阈值,来控制单盘压力。
5. 快手HDFS架构图
最后,我们介绍下目前快手HDFS 系统的最新架构。
整个架构整体分为三层,分别是:路由层、元信息层和数据层。
① 路由层
由一组无状态的Router服务组成,Router间通过ZK来共享挂载点信息等,主要用于转发客户端的元信息请求。
② 元信息层
由多组相互独立的NameService组成,每组NameService内主要有一台Active NameNode服务、一台Standby NameNode服务、N台Observer NameNode服务组成。
其中:
- Active和Standby通过ZKFC实现动态HA切换的功能
- Active主要承担写请求压力
- Standby除了承担定期Checkpoint功能外,还支持部分读请求
- Observer主要分担读请求压力
③ 数据层
由一组无状态的从节点(DataNode)组成,主要用来存在数据;通过心跳、块汇报等Rpc与主节点保持最新状态。
04
结尾
快手HDFS 经历了3年的发展,从最初的几百台节点支持PB级数据量的小规模集群,到现在的拥有几万台节点支持EB级数据量的超大规模集群。我们团队用无数个黑夜,经历了数据爆炸式增长的过程,抗住了巨大压力,踩了无数的坑,同时也积累大量经验。
当然,快手依旧处于飞速发展过程中,我们团队依旧不忘初心,怀着敬畏之心,继续匠心前行。
PS:快手-数据平台火热招聘中,包括数据架构研发工程师、数据产品Java后端开发、数据产品经理等热门岗位,联系方式:[email protected]”