ceph解读之PGLog(转)

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（默认时10000条），这样就可以在故障的PG重新上线后用来恢复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PGLLog。

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)。

ceph-chapter64-1

其中：

last_complete：在该指针之前的版本都已经在所有OSD上完成更新（只表示内存更新完成）；

ps: 含义应该是last_complete之前的所有object在本PG副本上是存在的
last_update: PG内最近一次更新的对象版本，还没有在所有OSD上完成更新，在last_update和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IO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IO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：

int ReplicatedPG::prepare_transaction(OpContext *ctx)
{
	...

	int result = do_osd_ops(ctx, ctx->ops);
}
int ReplicatedPG::do_osd_ops(OpContext *ctx, vector<OSDOp>& ops)
{
	...
	PGBackend::PGTransaction* t = ctx->op_t.get();

	...

	switch (op.op) {
		...
		
		case CEPH_OSD_OP_WRITE:
			...
			if (pool.info.require_rollback()) {
				t->append(soid, op.extent.offset, op.extent.length, osd_op.indata, op.flags);
			} else {
				t->write(soid, op.extent.offset, op.extent.length, osd_op.indata, op.flags);
			}
	}
}

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Replicated::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_into_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”。另外需要注意的是那些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IO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bufferlist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IO；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_t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。

ceph-chapter64-2

2.1.4 Trim Log

前面说到PGLog的记录数是有限制的，正常情况下默认是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。

ceph-chapter64-3

在ReplicatedPG::log_operation()里的trim_to就是pg_trim_to，trim_rollback_to就是min_last_complete_ondisk。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()里调用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构造成要给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):

FileStore::_do_op() --> FileStore::_do_transactions() --> FileStore::_do_transaction()，
然后根据不同的transaction类型来进行不同的操作：

case Transaction::OP_OMAP_SETKEYS --> FileStore::_omap_setkeys() --> object_map->set_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() 
-->最后调用到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：

FileStore::_do_op() --> FileStore::_do_transactions() --> FileStore::_do_transaction()，
然后根据不同的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。

1） 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的建立后就可以标记自己处于Active状态；

2）对于故障OSD所拥有的Replicated 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，通过对比PGLog建立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：

1） 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Replicated 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）；

2） 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 new 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。

ceph-chapter64-4

GetMissing: 拉取其他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relica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；

[参看]

ceph解读之PGLog

Ivanzz

发上等愿，结中等缘，享下等福；择高处立，寻平处住，向宽处行