隨著 AI 時代的快速發(fā)展，對存儲技術提出了更高的要求，尤其是在大規(guī)模、高性能和低成本方面。為了應對這些挑戰(zhàn)，百度滄?！ご鎯Υ蛟炝艘粋€高度可復用的統(tǒng)一技術底座。我們在這個統(tǒng)一的技術底座中解決了云存儲的共性問題，讓上層存儲系統(tǒng)的迭代更高效。

首先，我將簡要介紹一下百度滄海·存儲統(tǒng)一技術底座的整體架構。這個統(tǒng)一的技術底座由三個核心組件構成，分別是統(tǒng)一的元數(shù)據(jù)底座、統(tǒng)一的層級 Namespace 以及統(tǒng)一的數(shù)據(jù)底座。

我們認為各種存儲系統(tǒng)實際上是由元數(shù)據(jù)面和數(shù)據(jù)面兩部分組成，通過提煉出高度可復用的元數(shù)據(jù)面和數(shù)據(jù)面的統(tǒng)一技術底座，就能積木式搭建各種云存儲系統(tǒng)，比如對象存儲、文件存儲、塊存儲等，最大化減少重復開發(fā)的工作。

接下來，我將詳細介紹這三個核心組件。

首先是統(tǒng)一的元數(shù)據(jù)底座。這個元數(shù)據(jù)底座是專門為元數(shù)據(jù)場景設計的分布式事務 K-V 存儲系統(tǒng)?；?Meta-Aware 的設計理念，具備萬億級別的元數(shù)據(jù)存儲能力。它支撐了對象存儲 BOS 和文件存儲 CFS/AFS 的元數(shù)據(jù)存儲。

然后是統(tǒng)一的層級 Namespace?；诮y(tǒng)一的元數(shù)據(jù)底座構建的層級 Namespace，已經(jīng)進化到了單機分布式一體化架構，具有高性能和良好的可擴展性。

最后是統(tǒng)一的數(shù)據(jù)底座。這是一個在線糾刪碼 EC 存儲系統(tǒng)，旨在提供高吞吐量和低成本的統(tǒng)一數(shù)據(jù)存儲服務。該系統(tǒng)采用無邏輯單點的微服務架構，支持 ZB 級別數(shù)據(jù)規(guī)模。

這三個核心組件共同構建了百度滄海的統(tǒng)一技術底座，支撐了上層的各類存儲產(chǎn)品，如對象存儲 BOS、塊存儲 CDS 以及文件存儲 CFS/AFS 等。

目前，最新的第三代統(tǒng)一技術底座已經(jīng)支持了百度滄?！ご鎯?shù)據(jù)湖加速方案 2.0 的規(guī)?；瘧?。

圖片

圖片

1.    統(tǒng)一元數(shù)據(jù)底座演進

首先介紹百度滄海·存儲元數(shù)據(jù)底座的發(fā)展歷程。這張圖展示了我們?nèi)軜嫷难葸M過程。

首先，第一代架構。在初期，我們的元數(shù)據(jù)存儲分布在多套系統(tǒng)之上，比如對象存儲，同時依賴于 MySQL 和一套分布式 K-V 鍵值系統(tǒng)。這種多系統(tǒng)并存的方式雖然滿足了當時的需求，但也帶來了高昂的運維成本。更為關鍵的是，MySQL 無法做到線性擴展，難以應對快速增長的數(shù)據(jù)需求。

隨后，第二代架構，誕生于 2017 年。當時，HopsFS 論文的發(fā)表讓我們看到了基于分布式事務數(shù)據(jù)庫解決對象和文件元數(shù)據(jù)存儲擴展性問題的可能性。受到啟發(fā)，我們啟動了自研通用 NewSQL 項目。經(jīng)過兩年的努力，文件存儲 CFS 和對象存儲 BOS 的系統(tǒng)擴展性得到了顯著性提升。然而，盡管擴展性得到了改善，元數(shù)據(jù)的性能仍未達到理想狀態(tài)，這成為我們下一步優(yōu)化的重點。

進入第三代架構，自 2019 年起，我們意識到通用 NewSQL 的設計無法在云存儲元數(shù)據(jù)場景中充分發(fā)揮性能優(yōu)勢。于是，我們深入分析了百度內(nèi)部各個云存儲場景的元數(shù)據(jù)特征，面向這些場景進行了重新設計，終于解決了上一代架構擴展性和性能難以兼顧的問題。當前這一系統(tǒng)已成為百度滄?！ご鎯Φ暮诵闹?，完成了大規(guī)模全面的上線，服務于百度智能云的對象存儲 BOS、文件存儲 CFS 以及百度內(nèi)部的類 HDFS 文件系統(tǒng) AFS，極大地提升了產(chǎn)品的競爭力。

圖片

接下來我將講述為什么通用 NewSQL 在元數(shù)據(jù)存儲中會引入額外的開銷。

主要原因在于通用 NewSQL 并不感知元數(shù)據(jù)的語義，這導致了多方面的資源浪費。為了更好地理解這一點，我將從 4 個維度進行詳細闡述：分區(qū)（Partition）、事務與索引、單機引擎以及接口設計。

首先，從 Partition 的角度來看，元數(shù)據(jù)具有高度的局部性。例如，一個目錄下的所有元數(shù)據(jù)，或者一個小規(guī)模文件系統(tǒng)的所有元數(shù)據(jù)，往往需要集中存儲以提高訪問效率。然而，通用 NewSQL 難以保證這種局部性，無法將相關的元數(shù)據(jù)全部放置在同一個 Shard 中。這意味著，當我們訪問這些元數(shù)據(jù)時，常常需要跨 Shard 進行操作，從而導致跨 Shard 事務的高額開銷，影響整體性能。

其次，談到事務與索引，通用系統(tǒng)的事務處理往往伴隨著較大的開銷。以多版本并發(fā)控制（MVCC）為例，雖然它能夠提高并發(fā)性，但也帶來了額外的垃圾回收（GC）開銷。此外，二級索引在通用系統(tǒng)中通常依賴分布式事務來保障原子性，這進一步加劇了系統(tǒng)的負擔。分布式事務本身開銷巨大，導致整體性能難以達到理想狀態(tài)。

第三，從單機引擎的角度分析，通用 NewSQL 通常采用單一的單機引擎，目前較多采用 Log-StructuredMerge-Tree（LSM-Tree）結構。雖然 LSM-Tree 在寫性能方面表現(xiàn)出色，但在某些場景下并不理想。例如，對于數(shù)據(jù)量較小且主要進行點查詢的表，LSM-Tree 的性能不如全內(nèi)存的哈希引擎。這種不適配性導致了資源的低效利用和性能瓶頸。

最后，關于接口設計，基于通用 NewSQL 的實現(xiàn)，會導致元數(shù)據(jù)的語義與元數(shù)據(jù)的存儲層徹底分離。這種分層解耦的架構雖然在軟件工程角度有低耦合、高內(nèi)聚的優(yōu)點，但也帶來了額外的開銷。為了降低這些開銷，我們需要將元數(shù)據(jù)的語義下沉到底層的事務 K-V 系統(tǒng)中，使得存儲層能夠更好地理解和優(yōu)化元數(shù)據(jù)的操作，從而提升整體性能。

綜上所述，通用 NewSQL 由于無法感知和優(yōu)化元數(shù)據(jù)的特定語義，導致在分區(qū)管理、事務處理、存儲引擎選擇以及接口設計等多個方面產(chǎn)生了額外的開銷。因此，我們需要針對元數(shù)據(jù)的特性，設計專用的存儲解決方案，以更好地滿足性能和擴展性的需求。

圖片

基于我們前面討論的挑戰(zhàn)，百度滄海·存儲自主研發(fā)了統(tǒng)一元數(shù)據(jù)底座。

從系統(tǒng)架構上看，百度滄海的底座與業(yè)界的 NewSQL 系統(tǒng)相似，但在設計上有一個關鍵性的核心差異—— Meta-Aware。簡單來說，這意味著底層的事務 K-V 系統(tǒng)能夠深度感知元數(shù)據(jù)的語義，從而實現(xiàn)更高效的處理。

接下來，我將從 4 個方面詳細闡述這一核心差異及其帶來的優(yōu)勢。

首先，從分區(qū)（Partition）角度來看，支持自定義分裂策略和 co-located 機制。具體來說，我們能夠確保一個目錄下的所有元數(shù)據(jù)或一個文件系統(tǒng)中的所有元數(shù)據(jù)被分配到同一個 Shard。這一設計確保了大部分操作只需在單個 Shard 內(nèi)完成，從而避免了跨 Shard 事務帶來的高額開銷，顯著提升了系統(tǒng)的性能和響應速度。

其次，在事務與索引方面，元數(shù)據(jù)操作通常是短事務。我們實現(xiàn)了一個 TTL 為 5 秒的內(nèi)存 MVCC 機制，只在內(nèi)存中維持多版本，僅將一個版本進行持久化存儲，這樣就大大減少了多版本 GC 的開銷。此外，我們同時支持了同步和異步二級索引機制，對于有強一致性需求的場景采用同步索引，對于那些一致性要求不高的場景采用異步索引，有效避免了分布式事務帶來的高額開銷。這種設計使得系統(tǒng)能夠靈活應對不同一致性需求的業(yè)務場景。

第三，從單機引擎角度，統(tǒng)一元數(shù)據(jù)底座支持根據(jù)表的訪問特征來選擇最合適的存儲引擎。目前，我們支持 LSM-Tree 引擎、全內(nèi)存哈希引擎等多種引擎。例如，對于數(shù)據(jù)量大且有范圍查詢需求的場景，我們采用 LSM-Tree 引擎。而對于訪問頻繁且數(shù)據(jù)量小的表，全內(nèi)存哈希引擎則能提供更高的查詢效率。這種靈活的引擎選擇確保了不同類型的元數(shù)據(jù)操作都能獲得最佳的性能表現(xiàn)。

最后，在接口（SDK）設計方面，我們引入了協(xié)處理器機制，將文件存儲的目錄樹邏輯下推到底層事務 K-V 系統(tǒng)，從而避免額外的 RPC 開銷，加速了元數(shù)據(jù)操作的效率。

綜上所述，百度滄海的統(tǒng)一元數(shù)據(jù)底座通過 Meta-Aware 的設計理念，在分區(qū)管理、事務處理、存儲引擎選擇以及接口設計等多個方面實現(xiàn)了顯著優(yōu)化，不僅有效降低了系統(tǒng)開銷，提高了性能，還增強了系統(tǒng)的擴展性和靈活性。

正是這些創(chuàng)新性的設計，使得百度滄海的統(tǒng)一元數(shù)據(jù)底座能夠更好地滿足我們復雜多變的業(yè)務需求。

圖片

2.    統(tǒng)一層級 Namespace 底座演進

接下來我將為大家介紹百度滄海的統(tǒng)一層級 Namespace 架構的演進歷程。我們的層級目錄樹架構經(jīng)歷了三個階段演進：

首先，第一階段：類似 HDFS 的單機方案。在這一階段，我們采用了類似 HDFS 的單機架構。這種方案的最大優(yōu)點是極低的延遲，能夠在高并發(fā)訪問下保持高效的響應速度。然而，這種單機方案存在明顯的擴展性瓶頸，其規(guī)模只能支持到 10 億級別的元數(shù)據(jù)。隨著業(yè)務規(guī)模的不斷擴大，這一限制逐漸顯現(xiàn)，無法滿足未來更大規(guī)模的數(shù)據(jù)需求。

隨后，進入第二階段：基于分布式數(shù)據(jù)庫的分布式 Namespace 方案。為了突破單機方案的限制，我們轉向了基于分布式數(shù)據(jù)庫構建的分布式 Namespace 架構。這一方案的主要優(yōu)勢在于可線性擴展，能夠隨著業(yè)務增長靈活地擴展系統(tǒng)容量。然而，分布式方案的本質(zhì)是犧牲局部性來保障擴展性，而局部性的犧牲必然會帶來性能的損耗，為了解決局部性犧牲而帶來的性能瓶頸，百度滄海在第二階段內(nèi)演進了三代架構，不斷優(yōu)化分布式 Namespace。

最后，第三階段：單機分布式一體化方案。我們提出并實現(xiàn)了單機分布式一體化方案，做到了規(guī)模自適應。當系統(tǒng)規(guī)模較小時，這一方案能夠發(fā)揮單機 Namespace 系統(tǒng)的性能優(yōu)勢，實現(xiàn)百微秒級的低延遲。隨著業(yè)務規(guī)模的擴大，系統(tǒng)能夠無感平滑遷移到分布式架構，實現(xiàn)水平擴展，滿足不同規(guī)模階段的需求。這種一體化方案不僅兼顧了性能與擴展性，還大幅提升了系統(tǒng)的靈活性和可維護性。

圖片

在分布式層級 Namespace 優(yōu)化上，我們主要解決了兩個核心問題：

• 第一個是單分區(qū)事務優(yōu)化：通過將目錄的屬性信息分離，成為目錄的孩子節(jié)點，同時，底層事務 K-V 控制屬于同一個目錄的元數(shù)據(jù)在同一個分片，我們將絕大部分的元數(shù)據(jù)操作從 2PC 優(yōu)化到 1PC。
• 第二個是路徑解析優(yōu)化：通過在傳統(tǒng)表結構（Inode 表）之上引入目錄索引表（Index 表）來加速路徑解析。具體來說，就是把同一個文件系統(tǒng)的目錄索引表放置在同一個分片中，即 Index 分片，實現(xiàn)了將路徑解析從 N 次 RPC 優(yōu)化到 1 次 RPC 調(diào)用。

除了加速路徑解析，Index 的引入還帶來了其他優(yōu)化的機遇：

• 加速目錄 rename：Index 分片的引入除了加速路徑解析，也為加速目錄 rename 提供了機會，有了 Index 這個目錄分片，我們就可以把目錄 rename 執(zhí)行過程中觸發(fā)的分布式成環(huán)檢測優(yōu)化為單機成環(huán)檢測，從而極大地提升目錄 rename 的性能。
• 加速寫操作：由于 Namespace 之間是互相隔離的，一個 Namesapce 對應一個 Index 分片，這樣我們就可以把時鐘服務 offload 到 Index 分片，從而減少從 TSO 獲取時鐘這一次 RPC 開銷。

然而，這個方案帶來了以下技術挑戰(zhàn)：

首先，單服務器的 Index 分片面臨單點性能瓶頸問題:

• 讀取性能瓶頸：盡管路徑解析變成了單節(jié)點操作，但因為路徑深度大部分超過 10 層，底層單機引擎的多次查詢?nèi)匀粫拇罅?CPU 資源。
• 寫入性能瓶頸：所有的目錄修改操作都需要訪問 Index 分片 ，所以我們需要盡可能的提升 Index 分片的寫入吞吐。

其次，快速路徑解析可能導致同目錄下的目錄修改操作事務沖突和高延遲：

• 事務沖突：當執(zhí)行 mkdir 或者 rmdir 操作時，我們需要同時修改 Index 分片和 Inode 分片，這使得 mkdir 或者 rmdir 成為一個跨分片的兩階段提交（2PC）事務。如果并發(fā)向某一個目錄下插入子目錄，由于父目錄頻繁更新，會導致大量的分布式事務沖突。
• 高延遲：目錄修改操作觸發(fā)兩階段提交協(xié)議，這會導致 mkdir/ rmdir 的高延遲。

百度滄?！ご鎯F隊通過一系列技術創(chuàng)新系統(tǒng)性地解決了上述問題。

圖片

單機和分布式架構能夠做到合二為一的最核心的一個點是在規(guī)模達到臨界點的時候，后端架構做到平滑切換。

我們具體的實現(xiàn)方法是這樣做的：無論是單機架構和分布式架構，都基于我們自研的統(tǒng)一元數(shù)據(jù)底座去構建：

• 在單機架構下，我們強制層級 Namespace 依賴的 Inode 信息和目錄樹信息綁定分配到同一組存儲節(jié)點。這其實就是前面提到的 co-located 功能。這個時候，不需要跨機事務和多次 RPC 就可以完成文件創(chuàng)建、目錄 rename 等元數(shù)據(jù)操作，這時候系統(tǒng)跟單機架構的延遲一致。
• 當文件規(guī)模達到 10 億量級的臨界點之后，會觸發(fā)分布式數(shù)據(jù)庫按不同的表邊界分裂。分布式數(shù)據(jù)庫的分裂操作對上層業(yè)務無感，Inode 表動態(tài)水平擴展，這個時候單機事務轉換為跨節(jié)點事務，單次 RPC 轉換為多次 RPC。這樣單機架構就可以平滑地過渡到分布式架構了。雖然，分布式架構的性能相對于單機架構有一些衰減，單次操作到毫秒級延遲，但是可以做到線性擴展。
• 在單機架構下還有一個問題待解決，就是如何提升系統(tǒng)的吞吐。我們的做法是把文件語義操作下推到元數(shù)據(jù)底座上，減少跟上層組件的通訊次數(shù)，能夠支持到幾十萬 TPS。

圖片

3.    統(tǒng)一數(shù)據(jù)底座演進

百度滄?！ご鎯?shù)據(jù)面的架構可以概括為三個階段。第一個階段，硬件上 HDD 為主、SSD 量較少，架構上采用的 master-slave 結構。一個管控節(jié)點管理數(shù)據(jù)節(jié)點，使用 3 副本系統(tǒng)的設計，單個系統(tǒng)只支持單個數(shù)據(jù)中心。

第二階段，HDD 和 SSD 混用，SSD 量較第一個階段上升，節(jié)點結構仍然采用 master-slave 結構，數(shù)據(jù)存儲使用離線 EC，單個系統(tǒng)支持多個數(shù)據(jù)中心。

第三階段，大規(guī)模使用 SSD，同時為了降低成本，開始使用磁帶存儲，并使用 PMEM 等加速硬件，采用無邏輯單點的微服務結構，數(shù)據(jù)存儲使用在線 EC。

第一代架構的痛點顯而易見，3 副本導致高存儲成本，此外無法應對機房級別故障。盡管第二代架構在支持 EC 和多數(shù)據(jù)中心架構上有所改進，但依然存在以下顯著問題：

• 擴展性受限與高可用性不足

架構瓶頸： 采用 master-slave 架構，擴展性受限于單機的存儲空間和處理能力。

單點故障風險：Master 作為單點，故障可能導致整個系統(tǒng)不可用。盡管使用一致性協(xié)議或者共享存儲實現(xiàn)了高可用，但是這種方式的實現(xiàn)都是狀態(tài)機方式，觸發(fā) bug 往往就會導致所有 master 節(jié)點故障。

迭代效率低：以 HDFS namenode 為例，其模塊迭代需極為謹慎，任何問題都可能造成集群不可用，降低了系統(tǒng)的迭代速度。

• 離線 EC 導致性能瓶頸

寫入過程復雜：數(shù)據(jù)先以 3 副本方式寫入分布式 K-V 存儲，當分布式 K-V 中單個分片數(shù)據(jù)寫入達到閥值的時候，再通過讀取進行 EC 編碼，最終寫入 EC 系統(tǒng)中。這樣多次的讀寫操作消耗大量 CPU 和 I/O，導致寫性能和讀吞吐量降低。

• 存放副本機制成本高

固定副本數(shù)：采用 1.5 副本的 EC 編碼系統(tǒng)無法進一步降低成本。

綜上所述，由于第二代系統(tǒng)在 master-slave 架構帶來的擴展性和性能瓶頸、離線 EC 導致的性能問題以及固定副本機制導致的高成本，成為制約系統(tǒng)進一步優(yōu)化和擴展的主要障礙，第三代系統(tǒng)致力于系統(tǒng)性的解決上述問題。

圖片

百度滄?！ご鎯ψ钚碌牡谌鷶?shù)據(jù)底座架構采用了無邏輯單點的微服務架構。這里有兩個關鍵詞：一個是無邏輯單點，一個是微服務架構。

無邏輯單點的意思是系統(tǒng)中任何一組狀態(tài)機停止工作，系統(tǒng)可用性和性能不受影響。微服務架構的意思是從功能的維度將原來單體的結構分拆，比如數(shù)據(jù)校驗、數(shù)據(jù)修復、負載均衡、容量均衡等等，從而加快迭代效率。這種結構的好處是：可用性更高，擴展性更強，迭代效率更快，能夠支持 ZB 級別數(shù)據(jù)。

同時，這個數(shù)據(jù)底座提供了高效 EC 機制，這個機制有兩個特點：

• 在線 EC：數(shù)據(jù)被 Put 進來后，數(shù)據(jù)面底座直接將數(shù)據(jù)進行 EC，然后將 EC 之后的各個分片 Shard 寫入到對應的各個 DataNode 中去。在線 EC 的好處是不需要一個積攢和轉儲的過程，簡化工程復雜度，減少轉儲之前的額外空間占用和 I/O 開銷。
• 可變 EC：提供 1.5、1.33 甚至更低的副本數(shù)。

圖片

在云存儲系統(tǒng)的構建中，業(yè)界一般存在 2 種架構路線：

• 分層架構路線：構建統(tǒng)一的分布式文件系統(tǒng)作為底座，進而基于該系統(tǒng)開發(fā)上層的云存儲產(chǎn)品，包括對象存儲、塊存儲、文件存儲等。
• 組件化架構路線：通過提煉出統(tǒng)一的元數(shù)據(jù)和數(shù)據(jù)面組件作為底座，上層的云存儲產(chǎn)品基于這個組件式底座進行積木式進行搭建，比如百度滄?！ご鎯Φ募軜嬄肪€。

目前，這 2 種路線已在不同云廠商落地，均打造出了優(yōu)秀的云存儲產(chǎn)品，很好地助力了社會經(jīng)濟的發(fā)展。