FAST2020这周在美帝召开，主办单位也时间将Full Proceedings PDFs分享出来，当然不能闲着，抓紧时间大概浏览了下，挑几篇自己感兴趣且看得懂的在这里分享给大家（题外话，今年Alibaba填了些坑），4篇文章的内容概述：

• （1）An Empirical Guide to the Behavior and Use of Scalable Persistent Memor 新硬件：介绍关于Intel Optane Persistent Memory性能特点和Best Practices
• （2）MAPX: Controlled Data Migration in the Expansion of Decentralized Object-Based Storage Systems 数据分布：优化Ceph crush分配算法保证扩容的数据迁移可控
• （3）HotRing: A Hotspot-Aware In-Memory Key-Value Store In-memory key-value：优化基于hash的In-memory key-value stores的 hotspot data访问
• （4）Strong and Efficient Consistency with Consistency-Aware Durability (Best paper) 一致性协议：设计了一种实现cross-client monotonic reads的协议

（一）、An Empirical Guide to the Behavior and Use of Scalable Persistent Memory

过去数十年，学术界对非易失性内存DIMM有大量的研究，但是在这期间，并没有真的DIMM设备，大家都是采用一些emulation techniques，基于对DIMM的特性，仿真出来的；有的通过软件模拟，有的直接通过对DRAM做限速来仿真，等等。但是随着Intel 3D XPoint技术的成熟，Intel正式发布非易失性内存商业产品Intel’s Optane DC Persistent Memory。不幸的是，现实的DIMM设备和过去模拟的设备似乎在各种性能特性上相差很大。基于错误前提，得出来的结论自然也会存在偏差。所以这篇文章基于Intel Optane设备做了大量的测试，详细分析了基于Intel 3D Xpoint技术的Optane设备在各种场景下的性能特点，并总结了关于Optane的Best Practices供大家参考；如果你正准备尝试Optane设备的测试，那么非常推荐你阅读，想必会有所帮助。这里简单描述文章给出的四条Best pracitices：

• （1）Avoid random accesses smaller than < 256 B

或许你还不知道（不才，鄙人今天才知道的 :( ），对于具有byte-address能力的Intel Optane DC PM设备，其小物理介质更新单元是256B，所以，对于较小的request，将会采用read-modify-write技术来更新，会存在一定的放大，那么大量的小request，自然会影响整个3D Xpoint的有效带宽。

• （2）Use non-temporal stores when possible for large transfers, and control of cache evictions.

为了便于解释，首先介绍下intel cpu给PM设备编程提供了多种控制store order的指令，分别是：

1. cflush（Cache Line Flush）：能将Cache line刷到main memory中
2. cflushopt（Optimized CLFLUSH）：对cflush的优化，可以实现并发的对不同的Cache Line做flush
3. clwb（ cache line write back）：它和cflushopt类似，只会将Cache Line flush到main memory之后，Cache Line中的仍会保存
4. ntstore（ non-temporal store）：绕过缓存，直接写入main memory

一般还需要结合sfence（store屏障）来保证写入main memory的顺序。所谓的non-temporal store，就是上文中提到的ntstore指令。对于大写来说，直接绕过缓存性能是更好的。如下图，不难发现ntstore在大写的情况下，带宽明显有优势，且没有损失latency。

此外，sfence对ststore指令的影响也小，如下图。

• （3）Limit the number of concurrent threads accessing a 3D XPoint DIMM

需要尽量控制对单个DIMM设备的并发访问，因为可能会造成两个方面的竞争：

(a)：Contention in the XPBuffer

如下图，在对hotspot region访问的时候，会由于对XPBuffer的竞争造成长尾。

​ （b）Contention in the iMC（integrate memory controller）

​ 如下图展示了随着线程的变多，bw反而有下降的趋势。

• （4）Avoid mixed or multi-threaded accesses to remote NUMA nodes

相比DRAM，3D Xpoint跨NUMA节点访问性能下降非常明显：

For writes, remote 3D XPoint memory’s latency is 2.53 (ntstore) and 1.68 higher compared to local. For bandwidth, remote 3D XPoint can achieve 59.2% and 61.7% of local read and write bandwidth at optimal thread count

如上图，显示了不同rw-mixed情况下，访问local和remote node的bw差异。更多的数据和分析可以参考原文或者我的博文：An Empirical Guide to the Behavior and Use of Scalable Persistent Memory

（二）、MAPX: Controlled Data Migration in the Expansion of Decentralized Object-Based Storage Systems

Data placement主要分两个方向，（1）中心化，例如hdfs，gfs等基于中心化meta进行分；（2）去中心化，例如Ceph crush等，其数据的位置信息是通过计算获取的，Ceph crush通过升级版的一致性hash算法，使得副本放置可以实现故障域隔离。MAPX这篇文章主要就是优化Ceph crush，其基本的motivation就是ceph crush存在如下毛病：

• uncontrolled data migration when expanding the clusters which will cause significant performance degradation

我们都知道，在集群扩容缩容的时候，都会存在一定的数据迁移，关键是如何控制迁移的量和速度，保证数据副本的可靠性并且不影响当前的性能。为了描述ceph crush的问题，这里简单介绍下crush算法，在ceph中，任何东西都会被拆成一个一个object，大小默认是4MB，并且有一个的object id，然后为了便于object管理，又会有object到PG的映射，一个PG相当于一个Replicate Group，一般PG的数量是集群创建的时候设置好的，假设是N个PG，那么object's PG id = hash(object id) % N，data placement就是要将PG放置到物理盘上，Ceph中一块盘一个OSD，并且会通过logical cluster map来描述集群的物理拓扑结构，方便描述故障域，如下图，就是一个cluster map，其中root是根节点，下面4个cab，可以理解为rack，rack下面是shf，可以理解为物理机，shf下面就是osd，也就是物理盘。

一个PG的placement一般分为3步：

• take(root)：找到一个cluster
• select(3, cabinet)：找到3个满足故障域的rack，因为3个副本，一个副本一个rack
  
• select(1, shelf)：从cab中找到一个shelf，
  
• select(1, osd)：从shf中找到一个osd

上面的步骤是依次递归执行的，每次select都是根据对各item的weight通过随机算法抽签得到的，为了便于介绍，这里以从shf中选osd为例子，也就是shf select(1, osd)：

假设shf有3个OSD，每个OSD有一个weight，用wi表示，代表osdi的weight值，PG如何选择一个OSD放置？

其处理过程如下：

1. 每个osd，带入osd id和pg id crush_hash(osd id, pg id) 计算得到一个随机值r，ri 表示osdi计算得到的随机值r
2. 用公式ri * wi 计算出osdi的straw值，strawi表示osdi的straw值
3. 然后取straw值大的osd放置pg

通过wi和随机值ri可以实现按照那OSD上的PG数量大致按照如下比例来分布。

w1:w2:w3

数据分布均衡性解决了，那如何实现扩缩容对迁移尽量少的数据呢？以扩容为例，假设增加一个OSD 4，且此OSD的weight值是w4，这个时候，OSD1，OSD2，OSD3之间的关系没有变，所有他们之间没有数据迁移，因为任何一个PG从新计算之后，其strawi值都和以前是一样的，假设之前某个PG计算出来straw值分别为：straw1，straw2，straw3，那么增加osd4之后计算，仍然是straw1，straw2，straw3，因此这个计算值只跟osd id，pg id和weight值有关，而这几个值是不变的，一种情况就是straw4 > max(straw1, straw2, straw3)，这种情况需要将pg数据迁移到osd4上。但由于上面的均衡性分析可知，终osd上面的pg数量会成如下比例：

w1:w2:w3:w4

那么会有w4/(w1+w2+w3+w4)的PG移动到osd4上面。这里是从osd这一层来看，实际上由于shf增加了OSD4，那么此shf的weight也会增加w4，那么从shf这一层来看，也将会有w4/(w + w4)的PG迁移到此shf来（w为此rack系下原先所有shf的weigh的总和），同理，对于cab层，也有是如此，承载新增OSD4的cab的weght值也增加了w4，所以也会有w4/(w+w4)的PG从其他cab迁移过来（w为所有cap原先总的weight值）。更多关于一致性hash和ceph crush算法可以参考之前的一篇博文：从一致性hash到ceph crush

不难发现Crush的数据迁移单层看，尽管是优的，但是在全局来看，集群的logical结构层次越多，对应的迁移数据也将成倍的增加。

如上图是大小集群上扩容的时候影响到PG的数量的一个统计，其中在小集群的情况下，adding 1 rack将影响到将近60%的PG。

MAPX主要就是要解决扩容中数据迁移不可控的问题，那它是怎么做呢？

首先限定你的扩容方式，通常的扩容方式如上图（a），一种是如红色在cab里面增加shf，或者是如蓝色部分增加多个cab；但是对于MAPX来说，只能使用上图（b），也就是每次扩容都是新增一个new layer，而且这个new layer，必须按照整个层次结构分布，为了避免扩容的迁移，会为每次新增的new layer创建一批PG，且PG会有一个时间戳属性static timestamp，用tpgs表示，它等于扩容的时间tl，且所有object创建时间t0>tl的只能映射到新创建的PG上。显然这样的方法有还有一些问题：

• 这样做有一个明显的问题就是，如果新增的layer不满足故障域隔离怎么办 ？如上图（a）蓝色扩容，如果只增加了两个cap，那么只能选出PG的2个副本位置，第三个会选择失败；MAPX会select失败的从原先的root去继续选；
• 如果由于删除等原因，出现数据imbalance怎么办 ？MAPX给出了一个PG remapping方案，为此增加了一个adynamic timestamp (tpgd)，它可以设置为任意一次扩容layer的扩容时间戳，和object到PG映射使用tpgs不同，PG到layer的映射则是根据PG的tpgd，其映射必须和layer的创建时间一致。同理缩容（Cluster shrinking）和集群合并（Layer merging）都可以通过类似的方法实现。

MAPX通过两个时间戳来控制数据分布和PG的迁移，但是感觉这里难点是如何做PG remapping来保持PG在集群的均匀分布，但是文章并没有描述；除此之外，new data放到new layer PG上，或许是不会有数据迁移，但是数据热点的问题如何解决呢？

其实对于ceph crush来说，其实是大规模的扩容带来的数据迁移会很大，如果能够合理的做好集群规划，那么每次按照cluster/pool级别来扩容，那么自然也不会有大量数据迁移。而一些简单坏盘等交给crush本身，做好流控，理论上也应该是可控的。

（三）、HotRing: A Hotspot-Aware In-Memory Key-Value Store

In-memory key-value stores是一个很火的问题，应用场景也非常广泛，通常会用作cache，那么首要面对的问题就是hotspot数据访问，很多场景可能是90%的访问都是10%的数据。hash作为In-memory key-value中应用为广泛的数据结构，确存在一些问题：

• （1）不能充分利用CPU Cache

如下图，以链式hash冲突解决方案为例，通常其冲突的item会形成一个collision chains，那么如果hot item在collision chains的尾巴，那么需要访问多次才能访问，而CPU cache通常比较小（例如32MB），尾部的hot item访问将大大降低性能

• （2）rehash可以解决上面的问题，但是rehash会大大增大内存的使用量

如果有热点，首先想到的是在增加一层Cache来缓存hotpot数据，并将数据放在更快的存储介质上，但是现在，In-memory key-value stores已经在内存里面了，CPU Cache也只有几十MB的大小，而且不受控；而且考虑到hotspot shift，想想似乎在加一层能够自动识别Hotspot的cache是不可能 ？

这也是本文HotRing巧妙之处，简单的说，就是HotRing通过特殊的设计可以自动识别出hotitem，并且将其放在collision chains的head，从而大大提升了访问hotspot data的性能。

其做法非常巧妙，其将原本的是单链表的collision chains替换成了，双向链表的一个环（ring），如上图，这样有一个非常大的好处，可以快速移动head到collision chains任意一个item，且不影响整个collision chains数据的访问，这样就可以实现简单快速的将head指向collision chains的hotspot item。那如何识别出hotspot item呢？这里介绍一种Random Movement Strategy，每个线程维护一个thread local的计数器，每当处理R个request后，会判断当前的访问的item是不是在collision chains head上，如果在，那么不做任何处理，如果不在，那么让head指向当前访问的item，也就相当于当前命中的item转变成了hotspot item。当然还有效果更好的但也更复杂的strategy：Statistical Sampling，以及更多为了提升Concurrent Access而做的lock-free设计，这里就不展开介绍，感兴趣的可以详细阅读论文获取。

（四）、Strong and Efficient Consistency with Consistency-Aware Durability

这篇文章介绍了一种实现cross-client monotonic reads consistency方案，尽管是一种强的consistency，但是在吞吐和latency上有很不凡的表现，而且支持从大多数的副本read，非常有利于多数据中心部署。

• 那什么是 cross-client monotonic reads ？

Cross-client monotonic reads guarantees that a read from a client will return a state that is at least as up-to-date as the state returned to a previous read from any client, irrespective of failures and across sessions.

注意和linearizable的区别，其不保证never see stale data。

• 如何实现呢 ？

大家应该都对linearizable比较了解，例如raft、paxos等一致性协议都是线性一致性，一般为了保证数据的可靠性和read的一致性，通过request发送给leader，且在返回给用户之前都是在大多数副本上持久化成功，且read都只能发送给leader处理。linearizable是一种很强的一致性，也因此性能上会稍微查一些。而对于cross-client monotonic reads的实现就可以不用实时的落盘，其基本的思路就是把durability延迟到read返回时才做（通常实现可以在后台开启定期flush的线程，read返回前会确认是否已经刷盘，如果没有刷盘了再返回）

（1）整体结构

还是leader-based系统，write发送给leader，read可以发送给follower

（2）Write

write请求发送给leader，leader更新eopch和index信息，并将其发送给follower，都不需要持久化，当大多数返回之后，就可以返回client端了。leader和follower都定期的持久化，为了描述持久化的进度，leader和follower都会维护一个persisted-index，表示自己当前持久化的进度；而leader还要额外维护一个durable-index，表示大多数副本都持久化的进度。leader并且会通过heartbeat将durable-index同步给follower。

（3）Read

发送给leader和follower处理方式不一样：

Leader：假设read item i，且后一个update的item i的index为update-index，那么如果update-index小于等于durable-index，那么可以直接read返回；反之则需要通过follower们落盘，推荐durable-index，直到update-index小于等于durable-index之后再返回

Follower：如果update-index小于等于durable-index，那么直接返回；否则redirect给leader。

（4）Scalable Reads with Active Set

细心的读者可能已经发送了刚才从follower read是有问题的，例如一个被网络分区的follower。那么该如和解决Follower read的问题呢 ？

为了解决这个问题，作者引入了Active Set和lease；read可以从active set上的任意副本read，而且leader每次必须再返回read之前保证所有的active set的成员都持久化了。那如何维护active set成员呢？，follower是否在active set中是通过lease来维护的，为了更好的说明，举例来说：如上图(i)，假设刚开始active set是S1、S2、S3、S4、S5，接着write a2，然后来read(a)，此时S5网络分区了，要返回a2：（a）要么将a2持久化到当前S1、S2、S3、S4、S5上；（b）显然S5已经网络分区，那么在返回read a之前，必须等到S5 lease timeout，此时，active set就变成了S1、S2、S3、S4，也就是上图（ii）。

• 有什么问题呢 ？

（1）因为数据没有落盘，所以再所有节点宕机的情况下，会有data loss的可能。

（2）这种cross-client monotonic reads的应用场景有待思考，尽管论文中给出了几种方式，但是觉得还是比较不实用。

虽然存在一些问题，但是对于follower read的处理，思路还是比较新颖的，当然这种方法受限lease的缺点，但可能在某些场景中可以借鉴和使用。FAST上还有一篇关于一致性协议的，描述的是将Raft应用到Erasure-coding的复制，感兴趣的可以看看 CRaft: An Erasure-coding-supported Version of Raft for Reducing Storage Cost and Network Cost。

Notes

限于作者水平，难免在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列表中注明，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]. Persistent Memory Programming. "https://www.usenix.org/system/files/login/articles/login_summer17_07_rudoff.pdf"