https://zhuanlan.zhihu.com/p/46362124
简介
上一篇文章中，介绍了BlueStore的诞生背景、逻辑架构以及设计思想，提到了在BlueStore中元数据都是存放在RocksDB中的，BlueStore又实现了一个轻量级的文件系统BlueFS供RocksDB读写数据。
在本篇文章中将会描述BlueFS的设计缘由和设计原理。
为什么要BlueFS?
BlueStore使用RocksDB来管理元数据，但是RocksDB本身并不支持对裸设备的操作，文件的读写必须实现rocksdb::EnvWrapper接口，RocksDB默认实现有POSIX文件系统的读写接口，那么直接为BlueStore格式化一个POSIX文件系统供RocksDB使用就好了，为什么还要单独实现BlueFS呢？但是POSIX文件系统作为通用的文件系统，其很多功能对于RocksDB来说并不是必须的，为了进一步提升RocksDB的性能，需要对文件系统的功能进行裁剪，而更彻底的办法就是考虑RocksDB的场景量身定制一套本地文件系统，BlueFS也就应运而生。BlueFS相较于POSIX文件系统具有以下几种优势。
- 简单结构
首先RocksDB的文件层次结构比较简单，主要包含sst文件，CURRENT文件，manifest文件，log文件，LOG文件和LOCK文件，文件数量较少且目录层次单一，不需要复杂的目录管理结构，可简单地用map映射结构进行管理，BlueFS通过一个dir_map建立目录名到目录结构的映射，BlueFS只有一级目录，不存在多级目录，例如目录/a 和 /a/b为同一级目录；另外目录结构中有一个file_map，为文件名到文件结构的映射，表示该目录包含的文件。
此外RocksDB对文件系统的使用场景也比较简单，对于写操作只需要追加写，那么可以针对这种使用场景，每次分配物理空前时进行提前预分配，一方面减少空间分配的次数，另一方面做到较好的空间连续性；另外由于RocksDB的文件数量较少，可以将文件的元数据全部加载到内存，减少读放大，从而提高读取性能。
- 多设备支持
RocksDB在将数据写入到.log文件中即可视为写入成功，.log文件的写入处在IO关键路径当中且IO一般较小，对延时要求较高；而.sst文件则是由后台线程进行读写，不处于关键路径当中，在compaction的时候会有大量的读写操作，对throughput要求较高。因此可以使用性能较好的设备（例如NVMe SSD）存放.log文件，而使用一般的SSD存放.sst文件。但是传统的POSIX文件系统不能同时支持多设备类型，而BlueFS将存储空间划分为三层：慢速（Slow）空间、高速（DB）空间、超高速（WAL）空间，不同空间可使用不同设备类型，.log和BlueFS本身的journal优先用WAL空间，.sst优先用DB空间，空间不足或空间不存在时可自动降级到下一层空间，例如当WAL空间不存在或者空间不足时，.log文件会自动选择DB空间，如果DB空间不存在或者空间不足时就会降至Slow空间。
通过这种特性可以对成本和性能要求进行一个评估，选择不同的存储设备存放不同的数据，配置比较灵活。
- 新设备技术支持
一直以来，存储设备的速度都远低于计算机系统的其他组件，比如 RAM 和 CPU。 这意味着操作系统和 CPU 需借助中断才能与磁盘进行交互：
- 向操作系统提出从磁盘读取数据的请求。
- 驱动程序处理请求，并与硬件通信。
- 磁盘片开始运转。
- 针在磁盘片内移动，开始读取数据。
- 数据被读取并拷贝至缓冲区。
- 生成中断，通知 CPU 数据已就绪。
- 最后从缓冲区读取数据。
这种中断模式会产生开销；但它的延迟一直远低于基于磁盘的存储设备，因此不失为一种有效方式。 随着固态盘 (SSD) 等全新存储设备以及3D Xpoint 存储等下一代存储技术的推出，使存储速度远高于磁盘，并将瓶颈从硬件（比如磁盘）移回至了软件（比如中断 + 内核），如下图所示：
SPDK 提供运行在用户空间 NVMe 驱动程序 ，读写数据时，用户空间 NVMe 驱动程序轮询存储设备，因此不再需要使用中断。 此外更重要的是，NVMe 驱动程序在用户空间中运行，这意味着应用能够直接与 NVMe 设备交互，无需通过内核。 它会产生开销，因为在与内核交互的过程中需要保存和恢复状态。 NVMe 采用无锁设计，不必使用 CPU 周期同步线程之间的数据，而且这种无锁方法还支持并行 IO 命令执行。 以上这些特性都极大减少了软件的开销，相比于使用 Linux 内核的方法，SPDK 用户空间 NVMe 驱动程序可将总体延迟降低 10 倍。
SPDK 能够使 8 块Intel DC P3700系列的 NVMe 固态盘达到饱和，从而通过单个 CPU 内核提供超过 350 万次 IOPS：
但是传统的POSIX文件系统并不支持使用SPDK操作NVMe设备，BlueStore实现了针对NVMe设备的BlockDecive，BlueFS则是基于BlockDecive进行设备管理，因此可以利用SPDK技术，充分发挥NVMe设备的性能。
接口功能
由于BlueFS是为支持RocksDB而实现的文件系统，因此其提供的接口主要针对RocksDB的使用场景。RocksDB中的文件主要包含sst文件，CURRENT文件，manifest文件，log文件，LOG文件和LOCK文件 。
sst文件存储的是落地的数据，CURRENT文件存储的是当前最新的是哪个manifest文件，manifest文件存储的是Version的变化，log文件是rocksdb的write ahead log，就是在写db之前写的数据日志文件，LOG文件是一些日志信息，是供调试用的，LOCK是打开db锁，只允许同时有一个进程打开db ；上述的这些文件基本都是追加写入，只有CURRENT文件需要修改数据内容，RocksDB的实现是通过先将数据写到新的临时文件，然后将新文件重命名为CURRENT文件实现修改，因此BlueFS只需要实现追加写的接口而不需要提供随机写接口。
log文件的读操作一般是顺序的，因此可以通过预读的功能，提前将数据读到缓存，从而加快读取速度；而像sst文件在查询数据的时候需要用到随机读的接口，不需要进行预读，为此BlueFS实现了预读的接口以及随机读接口。
RocksDB对于BlueFS的需求主要在于文件目录的操作，如文件目录的创建删除、目录的遍历、文件重命名、文件追加写、文件的预读接口和随机写接口、数据的sync等；而BlueStore则需要对BlueFS进行初始化、分配块设备空间、查询文件系统信息等，因此也需要提供相应的接口。
Layout
BlueFS的结构比较简单，如下图所示，主要有三部分数据，superblock、journal、以及data。superblock主要存放BlueFS的全局信息以及日志的信息，其位置固定在BlueFS的头部；journal中存放日志记录，一般会预分配一块连续区域，写满以后从剩余空间再进行分配；data为实际的文件数据存放区域，每次写入时从剩余空间分配一块区域。
superblock
superblock记录文件系统的全局信息，也是文件系统加载的入口，其位置固定存放于BlueFS的第二个block（第一个block保留不是很清楚作用），superblock由以下内容组成：
- uuid
表示BlueFS的全局唯一编号，区别于其他BlueFS； - osd_uuid
拥有此BlueFS的OSD的全局唯一编号，识别该BlueFS所属的OSD； - version
BlueFS的版本号，当且仅当日志进行压缩的时候递增，可通过版本号判断BlueFS进行日志压缩的次数； - block_size
BlueFS中的块大小，即每次读写的最小单位 - log_fnode
BlueFS中日志的fnode结构，fnode类似于Linux文件系统中inode的结构，表示一个文件的元数据信息以及数据存放位置。在fnode中，记录有文件的ino编号、文件的大小、文件修改的时间、文件的extent集合（一个extent表示文件的逻辑地址到底层物理空间的映射，这里extent包含物理偏移、区块长度以及设备标识）以及文件已分配空间的大小；写数据时，BlueFS会预分配一段空间，通过文件当前大小和已分配空间大小，可以判断新写入的数据是否需要分配新的存储空间。
superblock在BlueFS格式化的时候生成，仅当文件系统格式化时或日志压缩完成时持久化到磁盘。BlueFS在初始化时，从superblock中获取日志的fnode，找到日志的位置，然后逐条将日志中的记录回放到内存中，来还原整个BlueFS的元数据（具体流程见下文BlueFS加载）。
journal
BlueFS的元数据不像传统文件系统一样，用特定的数据结构和布局存放，而是通过将所有的操作记录到journal中，然后在加载的时候逐条回放journal中的记录，从而将元数据加载到内存。
journal实际上是一种特殊的文件，其fnode记录在superblock中，而其他文件的fnode作为日志内容记录在journal文件中。
journal是由一条条的事务组成，如下图所示，每条事务包含uuid、seq、op_bl三部分，其作用分别为：
- uuid
表示事务归属的bluefs对应的uuid - seq
事务的全局唯一序列号 - op_bl
编码后的事务条目，可包含多条记录，每条记录由相关的操作码和操作所涉及的相关数据组成。 - crc
在将事务写到日志文件之前，会对op_bl计算crc校验值，该值用于校验该事务的正确性，例如在写日志的中途出现异常掉电的情况，那么下载加载BlueFS时，回放到该条事务时会校验crc，如果上次日志未写完crc校验会失败，从而提示错误。
每条记录中操作类型不同，记录的内容也不同，其操作类型如下表：
例如操作类型为OP_FILE_UPDATE的日志记录了OP_FILE_UPDATE类型以及更新后的fnode结构，那么对应到上图中的op type就是OP_FILE_UPDATE，op data就是fnode的结构；OP_DIR_LINK操作的op type为OP_DIR_LINK，op data包含目录名、文件名和文件ino编号；回放日志时，首先会解析当前这条记录的操作类型，然后根据操作类型解析后面的数据结构，然后将解析出来的内容放到内存。
我们举个实际的例子来看下日志记录和回放的原理，例如在目录data下新建一个文件1.sst，然后向其中写入数据，将此作为一个事务提交，那么这个事务中最终会按顺序生成三条记录：
1.生成OP_FILE_UPDATE记录，包含记录类型和新生成的fnode结构；
2.生成OP_DIR_LINK记录，包含记录类型、目录名data、文件名1.sst以及文件fnode中的ino编号；
3.生成OP_FILE_UPDATE记录，包含记录类型和新生成的fnode结构；写入操作由于有分配新的空间并且需要更改操作时间，需要更新fnode结构，因此会新生成一条OP_FILE_UPDATE记录。
日志回放会根据记录的顺序逐条解析，在这个例子中首先会将第一条记录中的fnode解析到内存，第二步会在dirmap和filemap中建立文件和目录的映射，第三步会用新的fnode结构替换掉第一步中的fnode。
其它操作同理，只要保证日志顺序与操作顺序一致，最终可以通过日志还原出正确的元数据。
metadata
BlueFS的metadata全部加载在内存当中，主要包含superblock、目录和文件的集合、文件跟目录的映射关系以及文件到物理地址的映射关系；当下次文件系统加载时，将日志中的记录逐条回放到内存，从而还原出metadata。
其中superblock的结构可见上面superblock小节，文件和目录的内存逻辑结构如下图所示，BlueFS的内存中维护一个dir_map，记录BlueFS中的所有目录的目录名到实际目录结构的映射，目录为扁平结构，不存在隶属关系，例如目录/a/b与目录/a在同一级，/a/b即为目录名；每个目录结构下包含一个file_map，记录目录下的所有文件的文件名到实际文件结构的映射，每个文件结构中包含该文件的fnode结构，fnode结构可参考superblock小节中的log_fnode结构。
BlueFS在加载时，会根据日志中记录的内容，在metadata的dir_map和file_map中添加、删除或修改相应的条目；在BlueFS的使用过程中，也会不断变更此映射结构；BlueFS在定位一个具体的文件时会在内存中经过两次查找：第一次通过dir_map找到文件所在的最底层文件夹，第二次通过该文件夹下的file_map找到对应的文件。
此外内存中还会记录一个dirty_files的列表，记录发生更改，但还未sync的文件集合（因为BlueFS的更新操作只有在调用sync时才会真正更改）。
data
data为实际存放数据的区域，如superblock一节中所描述的fnode结构，每个文件的数据在物理空间上的地址由若干个extents表示；一个extent包含bdev、offset和length三个元素，bdev为设备标识，在前面的章节中我们提到过BlueFS支持三种设备类型，bdev即标识此extent在哪块设备上，offset表示此extent的数据在设备上的物理偏移地址，length表示该块数据的长度。读取文件数据时，可以通过内存中文件的fnode结构中记录的extent找到数据在物理设备上的位置；分配新的空间时，将新分配的extent添加到fnode中。
关键流程
BlueFS加载
- 加载superblock到内存
- 初始化各存储空间的块分配器
BlueFS将存储空间划分为三层：慢速（Slow）空间、高速（DB）空间、超高速（WAL）空间，每种类型空间使用各自的块分配器，块分配器负责该存储空间中空闲空间的分配与回收，块分配器的工作原理我们将在以后的章节中讨论。 - 日志回放
BlueFS元数据都是作为日志持久化在硬盘中，在加载BlueFS时候对日志进行replay还原到内存中，由于日志在持久化时都是根据操作顺序append到日志文件当中，因此在replay的时候只要顺序逐条对日志进行解析就能将BlueFS的当前元数据还原到内存中。
日志回放后会在内存中建立dir_map和file_map，此外块分配器中会添加为不同存储空间分配的磁盘空间。 - 标记已分配空间
日志回放过程中并未将分配给文件的空间从空闲空间中移除，仅当日志回放完成后，所有文件元数据全部加载到内存中，再通过遍历file_map中文件的地址空间映射信息，移除相应的块分配器中的空闲空间，防止已分配空间的重复分配。 - 创建log_writer
log_writer为日志文件的句柄，用于向日志中追加日志项。
日志压缩
如果文件系统一直使用下去，日志将越来越多，日志中有很多操作事实上是可以合并的，例如对同一个文件的多次update，可以直接使用最新的update日志项，删除一个文件后，之前对该文件的操作记录都可以进行回收；如果不做任何处理会造成严重的空间浪费，而且会影响日志回放的性能，因此需要定时对journal进行压缩。
- 压缩原理
由于文件系统的元数据在内存中都有记录，且内存中的元数据都是非重复的，因此可以通过遍历元数据，将元数据重新写到日志文件当中，即可实现日志的压缩。
日志压缩时，会为新的日志分配新的存储空间，将新日志持久化以后再更新superblock中的log_fnode，然后回收旧日志的空间，以此保证日志文件的一致性。 - 压缩策略
BlueFS在刷新日志的时候判断是否要压缩日志，判断依据是日志文件的大小，当日志文件大小超过配置的值时就会触发日志压缩。
由下列两个配置项控制：
bluefs_log_compact_min_ratio // 通过当前日志文件大小和预估的日志文件的大小的比率控制compact，默认为5
bluefs_log_compact_min_size // 通过日志文件大小控制compact，小于此值不做compact。默认为16MB
写数据
RocksDB通过BlueRocksEnv实现的接口与BlueFS交互读写文件，BlueFS只提供append操作，所有文件都是追加写入。RocksDB调用完append以后，数据并未真正落盘，而是先缓存在内存当中，只有调用sync接口时才会真正落盘。实际在用RocksDB时，为了保证BlueStore元数据的可靠性，会将RocksDB设为sync写入，即每次append数据以后都会调用sync保证此次追加成功落盘。
- open file for write
打开文件句柄，如果文件不存在则创建新的文件，如果文件存在则会更新文件fnode中的mtime，在事务log_t中添加更新操作，此时事务记录还不会持久化到日志文件当中。 - append file
将数据追加到文件当中，此时数据缓存在内存当中，并未落盘，也未分配新的空间。 - flush data
判断文件已分配剩余空间（fnode中的 allocated - size）是否足够写入缓存数据，若不够则为文件分配新的空间；如果有新分配空间，将文件标记为dirty加到dirty_files当中，将数据非块大小对齐补零后进行落盘，此时数据已经写到硬盘当中，元数据还未更新，由于BlueFS中的文件都是追加写入，不存在原地覆盖写，不会污染原来的数据。 - flush and sync log
从dirty_files中取到dirty的文件,在事务log_t中添加更新操作（即添加OP_FILE_UPDATE类型的记录），将log_t中的内容flush到log file中，然后移除dirty_files中已更新的文件。
上述步骤中3、4都是sync时的逻辑，写数据一共涉及一次数据的落盘，以及一次log记录的落盘一共两次IO，相比于Ext4文件系统append文件需要六次IO（两次日志的IO、一次inode更改、一次bitmap更改、一次superblock更改以及一次数据落盘），相对来说还是很优秀的。
读数据
由于BlueFS的元数据都在内存中，所以读流程很简单，从内存中获取请求数据的物理位置和物理设备进行读取即可，不存在读放大。
总结
BlueFS是BlueStore针对RocksDB开发的轻量级用户态文件系统，相较于POSIX文件系统结构简单，且支持多种设备，并且可以使用spdk操作NVMe盘，具有更高性能。
通过这篇文章，我们对BlueFS的原理以及在BlueStore中发挥的作用有了一定的了解，在下一篇系列文章中，我们将介绍BlueStore中块分配器Allocator的原理，它是如何进行空间的空间的管理？是否可以减少磁盘碎片？
Notes
作者：网易存储团队工程师 杨耀凯。限于作者水平，难免有理解和描述上有疏漏或者错误的地方，欢迎共同交流；部分参考已经在正文和参考文献中列表注明，但仍有可能有疏漏的地方，有任何侵权或者不明确的地方，欢迎指出，必定及时更正或者删除；文章供于学习交流，转载注明出处
参考文献
[1]. Ceph BlueStore BlueFS. http://blog.wjin.org/posts/ceph-bluestore-bluefs.html.
[2]. Ceph BlueFS. https://www.cnblogs.com/chris-cp/p/8067439.html.
[3]. SPDK 助力加速 NVMe 硬盘. https://software.intel.com/zh-cn/articles/accelerating-your-nvme-drives-with-spdk.
[4]. rocksdb理解. http://www.mamicode.com/info-detail-586190.html.
[5]. 谢型果等. Ceph设计原理与实现[M]. 北京：机械工业出版社，2017.12.