HDFS Federation在美团点评的应用与改进
一、背景
2015年10月，經過一段時間的優化與改進，美團點評HDFS集群穩定性和性能有顯著提升，保證了業務數據存儲量和計算量爆發式增長下的存儲服務質量；然而，隨著集群規模的發展，單組NameNode組成的集群也產生了新的瓶頸： * 擴展性：根據HDFS NameNode內存全景和HDFS NameNode內存詳解這兩篇文章的說明可知，NameNode內存使用和元數據量正相關。180GB堆內存配置下，元數據量紅線約為7億，而隨著集群規模和業務的發展，即使經過小文件合并與數據壓縮，仍然無法阻止元數據量逐漸接近紅線。 * 可用性：隨著元數據量越來越接近7億，CMS GC頻率也越來越高，期間也曾發生過一次在CMS GC過程中由于大文件getBlocklocation并發過高導致的promotion fail。 * 性能：隨著業務的發展，集群規模接近2000臺，NameNode響應的RPC QPS也在逐漸提高。越來越高并發的讀寫，與NameNode的粗粒度元數據鎖，使NameNode RPC響應延遲和平均RPC隊列長度都在慢慢提高。 * 隔離性：由于NameNode沒有隔離性設計，單一對NameNode負載過高的應用，會影響到整個集群的服務能力。
HDFS Federation是Hadoop-0.23.0中為解決HDFS單點故障而提出的NameNode水平擴展方案。該方案可以為HDFS服務創建多個namespace，從而提高集群的擴展性和隔離性?；谝陨媳尘?#xff0c;我們在2015年10月發起了HDFS Federation改造項目。
HDFS Federation是以客戶端為核心的解決方案，對Hadoop客戶端影響較大，在落地應用時也有較多的限制，對上層應用模式有較強的依賴。本文分享了在此次改造的過程中，基于美團點評的業務背景，我們對HDFS Federation本身做出的改進和對拆分過程的流程化處理，希望能為需要落地HDFS Federation的同學提供一個參考。
二、上層應用與業務
基礎架構方面，美團點評Hadoop版本為2.4.1，使用了Kerberos作為認證支持。相關技術棧中，Spark應用版本包含1.1、1.3、1.4、1.5，同時使用了Zeppelin作為Spark Notebook的開發工具。在查詢引擎方面Hive有0.13和1.2兩個版本，同時重度依賴Presto和Kylin，除此之外，也對DMLC提供了平臺性支持。
工具鏈建設方面，基于Hadoop生態，數據平臺組自研了各類平臺工具，其中受Federation影響的部分工具有： * 數倉管理：滿足各類Hive表的DDL需求，同時支持UDF和文件上傳建表。 * 原始數據接入：支持日志抓取和MySQL數據接入數據倉庫。 * 非結構數據開發：支持作業托管，提供MR/Spark作業編譯、管理、測試、部署一站式服務。 * 數倉開發：支持ETL的一站式開發和管理，同時在任務狀態、診斷、SLA保證方面也有強力的支持；針對流程測試以及數據回收進行了隔離，使用統一的test.db和backup.db。 * 調度系統：自研的調度系統支撐了每天數萬個調度作業，準確的處理作業間的強弱依賴關系，有效的保證了按天數據生產。 * 查詢平臺：統一了Hive和Presto的查詢入口。
自研的數據平臺基本覆蓋了90%的數據開發需求，一方面有效的控制了Hadoop客戶端的數量，收緊了用戶入口，對于發放的客戶端，配合Kerberos，也具有很高的掌控力，另一方面實現了對用戶行為的源碼級掌控力。
數據開發方面，美團點評業務一直持續著爆發式增長，整體集群規模和數據生產流程增量每年都接近double。業務發展也推動了組織結構的發展，進而也影響到了相應的大數據資產： * 一個Hadoop賬號可能經歷過多個業務線，用戶應用中，對其他Hadoop賬號的數據進行讀寫、move較為常見，對這類行為也沒有進行過梳理和限制。 * 完成平臺接入后，對生產流程管理的規范較多，但對用戶代碼的規范較少，用戶代碼風格多樣。
三、應用與改進
3.1 Federation的局限性
在解決NameNode擴展能力方面，社區雖然提供了Federation，但這個方案有很強的局限性： 1. HDFS路徑Scheme需要變為ViewFs，ViewFs路徑和其他Scheme路徑互不兼容，比如DistributedFileSystem無法處理ViewFs為Scheme的路徑，也就是說如果啟用，則需要將Hive meta、ETL腳本、MR/Spark作業中的所有HDFS路徑均的scheme改為viewfs。 2. 如果將fs.defaultFS的配置從hdfs://ns1/變為viewfs://ns/，將導致舊代碼異常，通過腳本對用戶上萬個源碼文件的分析，常用的HDFS路徑風格多樣，包括hdfs:///user、hdfs://ns1/user、/user等，如果fs.defaultFS有所更改，hdfs:///user將會由于缺失nameservice變為非法HDFS路徑。 3. ViewFs路徑的掛載方式與Linux有所區別： * 如果一個路徑聲明了掛載，那么其同級目錄都需要進行掛載，比如/user/path_one掛載到了hdfs://ns1/user/path_one上，那么/user/path_two也需要在配置中聲明其掛載到哪個具體的路徑上。 * 如果一個路徑聲明了掛載，那么其子路徑不能再聲明掛載，比如/user/path_one掛載到了hdfs://ns1/user/path_one上，那么其子路徑也自動并且必須掛載到hdfs://ns1/user/path_one上。 4. 一次路徑請求不能跨多個掛載點： * 由于HDFS客戶端原有的機制，一個DFSClient只對應一個nameservice，所以一次路徑處理不能轉為多個nameservice的多次RPC。 * 對于跨掛載點的讀操作，只根據掛載配置返回假結果。 * 對于跨掛載點的rename（move路徑）操作，會拋出異常。 5. Federation架構中，NameNode相互獨立，NameNode元數據、DataNode中塊文件都沒有進行共享，如果要進行拆分，需要使用DistCp，將數據完整的拷貝一份，存儲成本較高；數據先被讀出再寫入三備份的過程，也導致了拷貝效率的低效。 6. Federation是改造了客戶端的解決方案，重度依賴客戶端行為。方案中NameNode相互獨立，對Federation沒有感知。另外HDFS為Scheme的路徑，不受Federation掛載點影響，也就是說如果對路徑進行了namespace拆分后，如果因為代碼中的路徑或客戶端配置沒有及時更新，導致流程數據寫入老數據路徑，那么請求依然是合法但不符合預期的。
對其中一些名詞的解釋：
|
3.2 局限性帶來的問題和解決
3.2.1 Scheme兼容性問題
Scheme的兼容問題要求在上線時全量替換業務方代碼中的路徑，雖然對業務方大多數源碼具有掌控力，但是由于不可灰度帶來的全量修改帶來的測試、上線、修復工作的成本，全量操作帶來的運維時間，以及對數據生產穩定性的影響都是不能接受的。為此，以能灰度啟用Federation特性為目標，對HDFS客戶端進行了修改： * 增加了ViewFs和HDFS兩種Scheme路徑的兼容性： * 修改了org.apache.hadoop.fs.FileSystem.fixRelativePart(Path)，該函數在DistributedFileSystem各類請求處理中均有調用，原本用于處理相對路徑，而ViewFileSystem不會調用。在這里，如果遇到了ViewFs為Scheme的路徑，則利用ViewFileSystem中的掛載信息返回真正的HDFS路徑。 * 修改了org.apache.hadoop.fs.viewfs.ViewFileSystem.getUriPath(Path)，該函數在ViewFileSystem各類請求處理中均有調用，原本用作判斷路徑Scheme為ViewFs，同時處理相對路徑。一方面，由于Federation的掛載配置中，只有通過掛載點查詢真實路徑的數據結構，逆向查詢比較復雜，改動也比較大，另一方面，從運營角度看我們也不希望維持非常復雜的掛載配置。所以在這里，做了一個限定，對于HSFS為Scheme的路徑與其在Federation的掛載點路徑相同，所以在此函數中如果遇到了HDFS為Scheme的路徑，直接使用org.apache.hadoop.fs.Path.getPathWithoutSchemeAndAuthority(Path)去掉Scheme即可。 * fs.defaultFS變更會對原有代碼帶來影響，但是將其配置為ViewFs為Scheme的路徑才能使HDFS Scheme的應用逐漸收斂，因此，我們增加了用于指定默認namespace的配置fs.defaultNS，使hdfs:///user這樣即使沒有提供Authority的路徑也能路由到正確的NameNode。
針對Scheme局限性的改造，雖然提高了兼容性，使方案能夠進行灰度，但卻使DistributedFileSystem和ViewFileSystem耦合，又增加了一條ViewFileSystem掛載限制，因此只適合在過度期間應用。
3.2.2 掛載配置限制
ViewFs的掛載方式與Linux有所區別，如果完全繼承現有HDFS不變，則需要非常多的掛在配置項，并且后續每次增加Hive庫、用戶目錄，初期我們使用了運營手段解決了這個問題： 1. 將遷移路徑放到獨立的目錄下，比如/user/hivedata/xx.db，遷移到/ns2/hivedata/xx.db，這樣掛載聲明則不會太過復雜。 2. 由于用戶組路徑大都應用于MR、Spark作業中，修改路徑需要重新編譯，因此初期應用時，只對Hive庫路徑。 3. 由于跨namespace不能進行rename，所以分析NameNode審計日志，得到Hive庫路徑和用戶組路徑沒有rename關系的庫，只對這些庫進行遷移。
通過以上三種手段，對于ETL流程這種不需要編譯的代碼，可以直接替換，對于MR、Spark作業來說推動修改的成本也有所降低。
為了進一步降低后續拆分成本，我們在ETL和作業開發兩個方面提供并推廣了根據庫表信息從Hive meta中取得庫表HDFS路徑的工具，減少了代碼中對庫表路徑的硬編碼。
以上的運維手段，能滿足美團側常規的拆分需求，但是隨著點評側數據融合，點評側數據也作為整體集群的一個namespace加入進來。然而，我們對點評側平臺的掌控力沒有深入到源碼級別，因此無法統一推動更改HDFS路徑。如果不對掛載邏輯進行修改，在合并重復路徑時，需要將美團側/user路徑合并到點評側/user路徑中，但是由于跨namespace無法進行rename，勢必會造成用戶作業的失敗。因此，我們對掛載邏輯進行了修改，使其同Linux的掛載方式相同。
3.2.3 同namespace，不同掛載點不能rename
業務方很多Hive庫表數據會先生成在測試庫表或用戶目錄中，驗證完成后將數據加載到對應時間分區中。在掛載配置中，業務方Hive庫、Hive測試庫、用戶組目錄一般不會掛載到同一目錄下，即使三者在同一namespace下，由于不同掛載點間不能rename的限制，也無法進行加載。在源碼分析的過程中，發現以下注釋：
// Note we compare the URIs. the URIs include the link targets. // hence we allow renames across mount links as long as the mount links // point to the same target. if (!resSrc.targetFileSystem.getUri().equals(resDst.targetFileSystem.getUri())) {throw new IOException("Renames across Mount points not supported"); } */ // // Alternate 3 : renames ONLY within the the same mount links. // if (resSrc.targetFileSystem !=resDst.targetFileSystem) {throw new IOException("Renames across Mount points not supported"); }可以發現社區是有考慮相同namespace路徑可以進行rename操作的（注釋掉的原因沒有找到），因此，我們將這段邏輯打開，替換掉了“renames ONLY within the the same mount links”。
3.2.4 存儲成本與拷貝效率問題
使用Federation方案時，集群節點規模為2000多臺，元數據已達6億，存儲使用已近80%。按照規劃，存儲容量將不足以支撐全部待遷移數據，但是拆成多次操作，周期和運維成本都比較高，因此我們開始調研FastCopy。
FastCopy是Facebook開源的數據拷貝方案，它通過以下方式在不增加存儲成本的情況下對數據進行拷貝： 1. 通過getBlockLocation獲取源文件塊分布。 2. 通過ClientProtocol（HDFS包中的接口，下同）創建目標文件。 3. 通過ClientProtocol addBlock，在參數中，指定源塊分布作為favoredNodes，常規情況下NameNode會優先選擇favoredNodes中的DataNode作為塊的保存位置，特殊情況下（比如存儲空間不足，DataNode負載過高等）也有可能返回不同位置。 4. 整理源和目標塊位置，使相同DataNode的位置能一一對應。 5. 通過ClientDatanodeProtocol向源DataNode發送copyBlock請求。 6. 在DataNode中，如果copyBlock請求中的源和目標相同，則通過在Linux文件系統中建立硬鏈的方式完成拷貝，否則通過原有邏輯完成拷貝。
但是，在計劃合入時，該方案也有自身的問題：
- 社區path為HDFS-2139，一直處于未合入狀態，且當時Patch內容相對Facebook的方案來說，部分細節沒有考慮，例如文件lease，無法構造硬鏈時的降級，DFS Used的統計問題等。
- Facebook的源碼相對成熟，但其源碼基于0.20（facebookarchive/hadoop-20），已有四年沒有更新，很多源碼發生變化，DFS Used的統計問題也沒有解決。
- 雖然Facebook將FastCopy合入DistCp，但也有部分缺陷：
- 每個路徑生成一個mapper，每個mapper只處理一個路徑，如果目錄層次過高，容易導致數據傾斜，如果目錄層次太低，容易產生過多mapper。
- 只對遷移路徑進行屬主同步，其父目錄沒有處理。
- 與DistCp耦合定制比較復雜。
所以，綜合以上內容，我們完善了HDFS-2139，并更新了issue，在合入Facebook實現的基礎上解決了DFS Used的統計問題；除了這個Patch，我們也實現了獨立的FastCopy MR作業，解決了上述問題。最終，在拆分時15小時完成14+PB數據拷貝，保證了方案的可行性。
另外需要注意的是，對于HDFS來說，無法感知哪個塊是通過硬鏈構造的，因此，一旦源和目標文件同時存在時，開啟balancer，會因為塊的遷移導致存儲使用的增加。因此，遷移期間，一般建議暫停相關namespace的balancer。
3.2.5 重度依賴客戶端
基于以上幾點改進，雖然降低了拆分成本和兼容性，使Federation的應用成為可迭代方案，但是如果沒有對客戶端強大的掌控力，客戶端實例不能完全更新，HDFS路徑硬編碼不能得到徹底梳理，反而會造成數據生產方面的混亂，成為此方案的掣肘。
經過美團側數據平臺的多年運營，對客戶端以及業務代碼有非常強的掌控力，有效避免了上述問題的發生。
3.3 計算和查詢引擎的問題和解決
一方面，雖然Federation已出現了多年，但Hive、Spark等上層應用對Federation的支持仍然存在問題，另一方面，隨著應用的逐漸加深，雖然有些問題并不是代碼bug，但在美團點評的應用場景下，仍然產生了一定問題。我們針對這些問題，進行了探索和改進。
3.3.1 安全問題
安全方面，計算引擎（包括MapReduce和Spark）在提交作業時，會向NameNode發送RPC，獲取HDFS Token。在ViewFileSystem中，會向所有namespace串行的申請Token，如果某個namespace的NameNode負載很高，或者發生故障，則任務無法提交，YARN的ResourceManager在renew Token時，也會受此影響。隨著美團點評的發展YARN作業并發量也在逐漸提高，保存在HDFS上的YARN log由于QPS過高，被拆分為獨立的namespace。但由于其并發和YARN container并發相同，NameNode讀寫壓力還是非常大，經常導致其RPC隊列打滿，請求超時，進而影響了作業的提交。針對此問題，我們做出了一下改進： * container日志由NodeManager通過impersonate寫入HDFS，這樣客戶端在提交Job時，就不需要YARN log所在namespace的Token。 * ViewFileSystem在獲取Token時，增加了參數，用于指定不獲取哪些namespace的Token。 * 由于作業并不總是需要所有namespace中的數據，因此當單個namespace故障時，不應當影響其他namespace數據的讀寫，否則會降低整個集群的分區容忍性和可用性，ViewFileSystem在獲取Token時，即使失敗，也不影響作業提交，而是在真正訪問數據時作業失敗，這樣在不需要的Token獲取失敗時，不影響作業的運行。
另外，客戶端獲取到的Token會以namespace為key，保存在一個自定義數據結構中（Credentials）。ResourceManager renew時，遍歷這個數據結構。而NodeManager在拉取JAR包時，根據本地配置中的namespace名去該數據結構中獲取對應Token。因此需要注意的是，雖然namespace配置和服務端不同不影響普通HDFS讀寫，但提交作業所使用的namespace配置需要與NodeManager相同，至少會用到的namespace配置需要是一致的。
3.3.2 已存在Patch問題
- https://issues.apache.org/jira/browse/HADOOP-12253
- https://issues.apache.org/jira/browse/TEZ-2600
- https://issues.apache.org/jira/browse/HIVE-11364
- https://issues.apache.org/jira/browse/HIVE-10790
- https://issues.apache.org/jira/browse/HIVE-6152
- https://issues.apache.org/jira/browse/HIVE-11920
- https://issues.apache.org/jira/browse/HIVE-7529
3.3.3 其他問題
- Hive create table .. as .. 會導致臨時文件所在目錄和表目錄不在同一namespace，導致move結果失敗，目前已修復，思路同HIVE-6152，將臨時文件生成在表目錄中。
- Hive表的元數據中，SERDEPROPERTIES中，可能會存在對HDFS路徑的依賴，在梳理路徑硬編碼時，容易忽略掉。
- Spark 1.1在啟用viewfs時，會產生不兼容問題。
- 開源分布式機器學習項目DMLC目前也尚不兼容ViewFs。
四、拆分流程與自動化
隨著namespace拆分經驗的積累，其流程也逐漸清晰和明確： 1. 當namespace的NameNode逐漸接近瓶頸（包括RPC和元數據量）時，對Hadoop用戶對應的用戶組目錄和Hive庫目錄進行分析，得出元數據量（通過分析fsimage）和一天內RPC量（通過分析審計日志），進而得出需要拆分的用戶數據。 2. 對于需要拆分的數據，分析其和不需要拆分數據的rename關系，如果存在rename關系，則需要重新選擇拆分數據。 3. 如果需要，則搭建新namespace環境。 4. 關閉相關namespace balancer。 5. 根據fsimage，分析出待拆分路徑元數據分布，得出一個路徑列表，使列表中每個路徑下的文件塊數基本接近。 6. 基于第四步的結果進行首輪拷貝，首輪拷貝中針對不需要比較驗證的情況作出了優化：FastCopy MR工具會遞歸的拷貝路徑，如果目標路徑已存在說明之前已拷貝成功過，則不進行拷貝。 7. 之后進行多輪補充拷貝：通過ls -r得到文件和目錄列表；拷貝過程中開啟-delete -update，非遞歸的進行檢測與拷貝，這樣對于源目錄有更新的文件和目錄會進行覆蓋（包括權限和屬主的更新），源目錄新增的目錄和文件會進行拷貝，源目錄刪除的文件和目錄會進行刪除；這樣，可以會每一層的目錄進行檢測，可以同步目錄權限和屬主發生的變化，同時也不會產生較大的數據傾斜。 8. 準備好新掛載配置，找一個非工作時間，進行最終一輪的操作： a. 禁止源目錄的權限（FastCopy使用hdfs身份運行不受影響）。 b. 進行最后一輪補充拷貝。 c. 由于數據大多數情況下基于硬鏈進行拷貝，所以存在文件長度相同，但內容有問題的可能性極低，拷貝完成后，可以通過du路徑，校驗并逐漸找到數據長度不一致的文件，進行重考。 d. 對客戶端分發新掛載配置。 e. 對NodeManager分發 新掛載配置，并進行decommission，重啟（YARN已支持recovery）。 f. 更新Hive meta。 g. 開放目標目錄權限。 9. 觀察一周，如果沒有問題則刪除源目錄。 10. 重啟balancer。
以上是已經固定下來的步驟，其中第1、2、5、6、7步，第8步中的a~c是可以進行自動化的，這也是后續工作過程中，有待完善的部分。
五、總結
HDFS Federation作為以客戶端配置為核心的NameNode橫向擴容解決方案，對業務背景有較強的依賴，另一方面方案本身也有較多的局限性。本文以美團點評實際應用場景出發，介紹了方案局限性在業務背景下的影響，分享了對局限性的解決和實施經驗。對HDFS Federation應用到已運營較長時間的大規模HDFS集群有一定的借鑒意義。
六 參考文獻
- HDFS NameNode內存全景
- HDFS NameNode內存詳解
- HDFS Federation
- HDFS scalability with multiple namenodes
- AN INTRODUCTION TO HDFS FEDERATION
- HDFS Federation設計動機與基本原理
七 作者簡介
俊宏，美團點評離線存儲團隊高級開發工程師，2013年畢業于哈爾濱工程大學，2015年加入美團，負責美團點評HDFS、HBase服務的開發和運維，HBase服務負責人。
美團點評離線團隊，深耕Hadoop生態中HDFS、HBase、CarbonData、Alluxio等泛存儲領域，尤其在HDFS、HBase方面有大量的源碼和架構改造經驗，致力于為美團點評提供穩定、高效、易用的大數據存儲服務。
最后發個廣告，美團點評數據平臺中心長期招聘離線計算平臺、實時計算平臺、數據平臺工具鏈與服務等方向的技術專家，有興趣的同學可以發送簡歷到liujunhong02#meituan.com。
總結
以上是生活随笔為你收集整理的HDFS Federation在美团点评的应用与改进的全部內容，希望文章能夠幫你解決所遇到的問題。
- 上一篇： Redis系列教程(六)：Redis缓存
- 下一篇： 美团集群调度系统HULK技术演进