编程语言
首页 > 编程语言> > Boosting Full-Node Repair in Erasure-Coded Storage

Boosting Full-Node Repair in Erasure-Coded Storage

作者:互联网

Boosting Full-Node Repair in Erasure-Coded Storage

0.Abstract

RepairBoost

调度框架

提高全节点修复性能

  1. 修复抽象

  2. 修复流量平衡

  3. 传输调度

提高35%-97.1%

1.Introduction

减少修复过程中I/O放大的问题方法

新的编码理论

高效的修复算法,修复过程并行化

利用机器学习的预测技术,故障发生前,利用修复算法主动修复数据

现有关注单块修复,全节点修复必须同时操作多个块的修复。

存在差距导致了一些问题

没有用全双工运输来饱和可用带宽

没有仔细安排块的传输来充分利用带宽

忽略了不同修复算法间的弹性合作

增加了实现的复杂性

如何无缝地部署现有的修复方法以有效地解决全节点修复问题,是擦除编码存储中一个具有挑战性而又至关重要的问题

通过RepairBoost来弥补这个差距,是一个调度框架,主要思想是通过修复有向无环图(RDAG),来形成一个单块修复,描述了网络上数据路由以及需要修复的请求块之间的依赖关系。

将RDAG分解为多个修复任务每个任务执行数据上传和下载,以促进修复

平衡全节点修复中的修复流量和带宽利用率

将多个RDAGs的修复任务小心地分配到相应的节点上,平衡整体的上传下载修复流量

协调修复任务的执行顺序,使可用上传和下载带宽的利用率达到饱和

2.Background

2.1Basics

介绍了纠删码的概念

本文讨论RS(k+m)也适用于其他编码

2.2 Repair

修复

full-node repair

degraded reads

本文关注full-node repair

修复代价比较高,研究减小修复代价

Repair-efficient erasure codes

LRC和再生码

Repair algorithms

利用未占用的带宽来加速修复

image-20211201194236314

举了个例子,减小修复时间段

Proactive repair with erasure coding

有效修复的纠删码和修复算法,发生故障后才启动修复工作

可以通过机器学习预测,提前预测到要发生故障的节点,提前修复,本文主要研究后一种办法

2.3 Limitations

Limitation 1 (L1): Failing to utilize the full duplex transmission

上传和下载是独立的

图3

image-20211201200411278

Limitation 2 (L2): Failing to fully utilize the bandwidth at each timeslot.

现有的修复算法可以在单个块修复中缓解下载瓶颈

全节点修复可能无意中再次导致链路拥塞

图4

image-20211201202552562

Limitation 3 (L3): Inflexibility

很多修复算法平等地对待每个块,并使用相同地修复算法修复所有的块

没有考虑到不同的可靠性要求和热度倾斜问题

Limitation 4 (L4): Lack of a general framework for the full-node repair

没有通用的框架,同时支持不同类型的修复算法

3.RepairBoost Design

提高全节点修复性能

Assumptions

首先关注单节点故障,然后扩展到多节点故障

Overview

通过RDAG抽象出一个单块修复方案,通过支持多个RDAG的调度,实现灵活性,支持不同修复算法的协作,通用性(L3 和L4的情况)

3.1 Repair Abstraction

RDAG construction

抽象出了一个RDAG图

Repair process guided by RDAG

从叶子节点开始修复

Example

图五

image-20211202110940232

Advantages of an RDAG

使用这个图的好处

适用于各种编码方案

描述了各种依赖关系

表示了每个顶点的修复任务

Discussion

RDAG和ECDAG的区别

3.2 Repair Traffic Balancing

整个系统的上传和下载流量应尽可能均衡

Retaining fault tolerance degree

保证容错

Balancing repair traffic

三种节点

叶子节点

根节点

中间节点

先映射中间节点和根节点,平衡下载流量

最后分配叶子节点,平衡上传流量

image-20211202141342816

3.3 Transmission Scheduling

平衡整体上传和下载修复流量后,不一定能达到修复时间的下限。因为在修复期间,带宽可能不会在每个时间段被利用

最大流问题,图7

image-20211202143138002

时间复杂度O(n2e)

3.4 Extensions

Multi-node repair

两种选择

逐个修复每个失败的节点

优先修复包含较多故障块或较多访问块的条带

Heterogeneous environments

可以根据环境改变

在轮询模式下采用以下方式进行传输调度

定位上传和下载数据时间最短的节点

根据可用带宽 进行排序

从拥有最大上传或下载带宽的链接中选择数据传输

Adaptation to network conditions

可以适应网络条件

4. Implementation

System architecture

图8

image-20211202153454215

coordinator

位于元数据服务器

agents

存在节点上

Operating flow

向元数据服务器报告故障事件,协调块确定丢失块的id以及关联条带的身份,选择修复方案,发送给代理

代理收到后

读取本地存储的幸存块请求

将他们发送到指定的中继节点

解码(修复)丢失的块

repairboost将一个块分割成许多更小的包,使用多线程,做pipeline

Integration with Hadoop HDFS

在NameNode上部署coordinator

在DataNode上部署agent

5.Performance Evaluation

实验总结

吞吐量提高35.0-97.1%

可以协调多种EC

在低网络带宽的环境中更有优势

在异构和多故障修复种仍能保持其有效性

5.1Setup

EC2

17 virtual machine instances

m5.large

Ubuntu 16.04.7 LTS

two vCPUs with 2.5 GHz Intel Xeon Platinum

8 GB RAM

40 GB of EBS storage

先写数据,warm up

用擦除来模拟节点故障

从报告故障事件到修复和持久化所有丢失数据的时延

修复吞吐量

较高的修复吞吐量意味着较短的漏洞窗口

Erasure codes and repair algorithms

RS,LRC,MSR

CR,PPR,ECPipe

Selection of baseline

random selection(RAN),LRU-based selection approach

Default configurations

chunk size 64MB

packet 1MB

5.2 Experiments on Sensitivity

图9实验结果

image-20211202161817066

5.3 Experiments onRepairBoostProperty

 

image-20211202163539223

image-20211202163743957

5.4 Experiments on Practicality

image-20211202164401176

 

 

 

6.Related Work

Repair-efficient codes

Repair algorithms

Proactive repair with erasure coding

 

7.Conclusion

RepairBoost

一个调度框架

标签:Node,Repair,Erasure,修复,RDAG,repair,带宽,节点
来源: https://www.cnblogs.com/caijiyang/p/15647300.html