DAOS带来的思考

根据daos docs的描述，DAOS是Intel基于NVMe全新设计开发并开源的异步对象存储，充分利用下一代NVMe技术的优势，对外提供KV存储接口，提供非阻塞事物I/O，端到端完整性，细粒度的数据控制，数据保护以及弹性存储等特征。

intel daos给我们提供了基于NVMe实现高性能存储引擎的参考实现，核心是并行性，如何发挥多核CPU及NVMe设备提供的并行能力。

以大家熟悉的Ceph，BeeGFS为例，对并行不足及超额订购问题进行说明：

1. Ceph的每个OSD管理一块SSD，为提升并发能力每个OSD内部会划分多个Shard，Shard内I/O串行执行，Shard间I/O可并发，PG通过模Shard数映射到Shard，接收到的I/O请求根据pg_id取模放入指定的Shard，由Shard内的工作线程调度执行。I/O提交到引擎后，通过单线程libaio（批）提交到设备（独立的KV线程提交元数据I/O，元数据提交后再归还工作线程）。

Ceph OSD通过Shard来控制并发，以粗粒度的PG为并发单位，限制了PG及PG内对象I/O的并发能力，导致系统的并行性不足；理论上可以尽可能的增加PG及OSD Shard的数量（及工作线程数量），以此来提升系统的并发能力，但这会带来严重的线程上下文切换开销，大量的CPU时间被浪费在内核中，导致CPU超额订购问题。

2. BeeGFS的每个OSD管理一块SSD，采用Multi-reactor的网络模式，从线程池给每个客户端连接分配一个工作线程用于处理I/O。I/O提交到引擎后，通过POSIX接口（pread/pwrite, read/write）提交到设备，I/O完成后再归还工作线程。

BeeGFS通过从线程池分配一个工作线程来处理每个客户端连接的I/O，工作线程采用同步操作来处理I/O，因此线程会被阻塞直到I/O完成，这严重影响了系统的并行性；SSD的性能很高，需要很多的并发操作才能充分发挥其性能，因此也可以往线程池中添加足够多的工作线程，以此来提升系统的并发能力，但这会带来严重的线程上下文切换开销，大量的CPU时间被浪费在内核中，导致CPU超额订购问题。

daos是如何解决上述问题的呢？，概括起来就两点：轻量线程和非阻塞I/O。下图是我结合dao docs以及daos 代码，绘制的一张daos 并行设计图：

轻量线程：在双路x86系统上，一个DAOS节点（DAOS Server）通常包含两个存储引擎（DAOS Engine），每个引擎绑定一个Socket，管理多个NVMe SSD。为了避免超额订购，daos引擎使用了用户态轻量线程框架-argobots，不仅减少了上下文切换的开销，也实现了在没有内核干预下的完全调度控制。如上图，daos_engine引擎启动时，启动若干执行单元（XS）并绑定到独立的cpu core。每个XS内运行一个自定义的调度器（Scheduler），负责根据策略执行三个线程池（pools）中的轻量线程（协程），进而执行用户任务。从功能角色上，XS分成3类：系统XS，负责处理系统管理任务，如：swim心跳，dRPC请求，dmg请求等；主XS，负责处理客户端I/O；辅助XS，协助主XS进行计算密集型任务，如：加密，压缩，重建等。daos引擎在运行时根据类型将用户任务添加到各XS的各线程池，每类XS有若干，其中每个主XS负责一个Target的I/O处理，Target是逻辑设备，一个Target和NVMe SSD设备的一个IO Channel（QP）绑定，通过多个主XS，多个Targets和多个IO Channel（QP）的绑定，实现NMVe SSD设备的多队列并发能力。

非阻塞I/O：Linux系统提供了多种存储I/O接口，包括：posix接口，libaio，io_uring以及spdk。posix接口是linux上使用最普遍的I/O接口，通过posix接口发起文件系统I/O后，调用线程会被阻塞知道I/O完成。libaio是异步I/O接口，允许一次提交多个I/O请求，减少用户态和内核态切换的开销。io_uring是Linux中新引入的异步I/O接口，用于替代libaio，它通过mmap共享内存在用户态和内核态直接交换数据，允许一次提交多个I/O请求，支持Polling模式，减少中断带来的延迟及CPU开销。spdk是intel实现的存储性能开发套件，它实现了用户态的NVMe驱动，与其他的I/O接口不同，spdk直接在用户态分配QP，提交请求到内存的ring buffer，接着更新标志通知SSD有新的请求到来。关于几种I/O的对比，在2022 SYSTOR上发的一篇论文UnderStanding Modern Storage APIs有详细的分析，daos中使用的是spdk。

DAOS服务端启动流程

下面这张图摘自daos internals，很好的说明了daos server内部的服务分层及其（和模块）的交互关系

如上图，daos服务端包括控制平面和数据平面两个平面，daos的控制面是非中心化的全分布式设计和数据面部署在相同的节点，两者通过dRPC通信（Unix Socket），这点与其他开源的分布式存储系统不同，如：glusterfs，ceph，beegfs等。daos控制服务（daos_server）负责daos数据服务(daos_engine)的管理和资源的供给，如：网络、存储的供给，数据服务的安装、启动等。各daos_server服务承担的角色并不完全对等，（根据配置）其中有部分服务会启动raft一致性协议，负责集群拓扑、节点状态的持久化。下图是我绘制的daos_server和daos_engine启动过程中的交互时序：4节点集群，配置了3个Raft节点，各节点上的daos_server负责拉起本地的daos_engine（在常见的两路x86服务器上，每个socket上会启动一个daos_engine，图中只画了一个）

1. 执行systemctl start daos_server启动daos_server过程中，启动daos_engine
2. daos_engine启动后，向daos_server发送ready的dRPC通知，然后等待daos_server的SetUp消息更新init_state
3. 各daos_server向MS Leader发起JoinSys的gRPC消息，MS Leader将daos_engine加入集群（db），置位needUpdateGroup标志
4. 各daos_server向daos_engine发起SetRank的dRPC消息，daos_engine更新Cart group中的membs和swim membs以及缓存uri
5. 各daos_server向daos_engine发起SetUp的dRPC消息，daos_engine设置init_state状态为DSS_INIT_STATE_SET_UP【daos_engine得以继续执行，接着会完整各模块的SetUp，最后激活utl barrier信号量，启动所有的xs，这样就可以提供服务了】
6. MS Leader在检查到needUpdateGroup标志后，向daos_engine发起GroupUpdate的dRPC消息（任意一个daos_engine发送成功即可），daos_engine更新Cart group中的membs和swim membs以及缓存uri。【MS Leader所在节点上的daos_engine学习到其他daos_engine的存在】
7. MS Leader节点上的daos_engine启动ULT线程（如果未启动），向其他daos_engine发送MAP_UPDATE的gRPC消息，广播membs及状态信息给其他daos_engine。【各daos_engine学习到其他daos_engine的存在】
8. 各daos_engine通过SWIM Gossip获取，更新相互间的状态（swim xs调用注册的回调，直接或间接ping swim membs中其他daos_engine），监测到dead engine就通过注册的网络事件回调向daos_server发送RAS_TYPE_STATE_CHANGE的RAS dRPC消息
9. 收到RAS dRPC消息的daos_server向MS Leader转发RAS消息，发起ClusterEvent类型的gRPC消息，MS Leader更新engine的状态到db，置位needUpdateGroup标志【会激活过程6，正是通过上述的过程6-9，daos系统实现了engine状态的管理】

注：上述的过程1-9，隐藏了三个daos_server的raft选主。daos系统的集群信息由选出的raft leader负责更新，并通过raft 日志复制在三个节点间实现集群配置的一致性和可靠性。

执行完上面的启动过程，一套新的daos系统就准备就绪了，下文是服务启动过程中核心的代码调用过程说明，代码基于v2.4版本，比较繁琐无趣，对代码感兴趣的读者可以了解下，希望对你走读代码有帮助。

Intel DAOS异步对象存储的实现涉及硬件、操作系统及KV等方面的知识，其内部集成了很多的第三方库，在研究其代码前，建议各位读者：

1. 认真阅读daos docs，掌握各种概念，设计原理，代码结构，安装配置方法等
2. 了解各第三方库的工作原理，结合examples掌握其使用方法，如：raft,argobots,cart（mercury）,spdk,pmdk等
3. 认真阅读代码中各模块的README文件，如：rsvc,rdb,vos,pool,container,object,mgmt,dtx等
4. 准备一套测试环境，结合运行Log，加深对代码细节的理解

DAOS Server的核心启动过程

DAOS Server是控制面服务，通过systemctl start daos_server启动服务后，会执行/usr/bin/daos_server start命令，最终调用src/control/server/server.go中的Start方法，核心过程如下：

server.Start //环境检查及初始化，初始化server实例，初始化raft，control服务，ms服务，初始化网络，实例化Engine，实例化grpc，启动raft，注册raft回调newServer //初始化server实例createServices //初始化raft，control服务，ms服务initNetwork //初始化网络,创建grpc监听addEngines //发起BdevPrepareRequest请求准备nvme设备，实例化Engine，注册onAwaitFormat，onStorageReady，onReady等回调//实例化grpc，注册control，ms服务，启动raft//MS Leader会在raft回调中启动Loop，负责groupupdate的消息处理-将当前的Engines（Ranks）通过drpc发送给其中的一个Engine//Egnine收到消息后，更新CART group中的membs列表，启动rsvc mgmt服务，启动广播ULT线程-发送MAP_UPDATE的grpc消息，广播membs给其他Engine，收到消息的Engine会更新membs，执行通知回调crt_plugin_gdata.cpg_event_cbs，这样就和SWIM关联起来了setupGrpc server::registerEvents //注册RAS事件，注册raft回调server::start  //启动server：启动gRPC，启动dRPC，启动MS的异步Loop-处理PoolCreate、Join、PoolEvict消息，启动EngineEngineHarness::Start  //逐个启动EngineInstance，安装newOnDrpcFailureFn回调【如果是MS Leader，该回调在dRPC处理失败会触发并发起MS重新选主】EngineInstance::RunEngineInstance::startRunnerEngineInstance::format EngineInstance::awaitStorageReady //格式化（检查）SCM，回调onAwaitFormat【记录一个NoticeInfo的Log】EngineInstance::createSuperblock //挂载SCM，初始化Superblock并持久化到Superblock文件EngineInstance::onStorageReady //执行回调onStorageReady【发起BdevPrepareRequest请求清理大页，更新cfg mem_size，检查tmpfs的内存】EngineInstance::start  Runner::Start //根据配置文件和环境变量，初始化启动命令行Runner::Runner //启动Engine，在协成中安装退出channel，信号处理器等EngineInstance::waitReady //等待来自Engine的dRPC ready通知EngineInstance::finishStartup //更新Superblock，发起RPC加入系统，发起SetRank和SetUp dRPC请求，执行OnReady回调EngineInstance::handleReadyEngineInstance::updateFaultDomainInSuperblock //更新Superblock中的FaultDomain故障域信息并持久化到Superblock文件EngineInstance::determineRank //向MS Replica发起RPC Join请求-Instance加入系统，持久化到membership db，分配Rank，置位MS Leader的groupupdate标志，返回后更新Superblock并持久化到Superblock文件//对于非MS Leader节点（Leader会在上面的join请求中直接发起SetupRank的dRPC请求），向Engine发起SetRank和SetUp dRPC请求，接着设置ready标志（MS Leader根据该标志进行一次groupupdate消息处理）//收到SetRank dRPC消息，Engine会更新Cart group中的mems列表和 swim membs列表，缓存uri//收到SetUp dRPC消息，Engine会更新init state，至此，Engine服务就完全run起来了EngineInstance::SetupRank  EngineInstance::onReady  //执行回调onReady【置位allStarted标志，执行Server的onEnginesStarted回调-启动Prometheus exporter】

DAOS Engine的核心启动过程

daos server负责daos engine的管理，包括：启停，成员状态管理等，它们直接通过dRPC（Unix socket）通信。在daos server启动过程中，会根据配置文件及环境变量构建参数启动daos engine，执行的命令是：/usr/bin/daos_engine --args...，调用的是：src/engine/init.c中的main方法

main  //初始化选项，启动engine，等待退出parse //根据命令行参数初始化选项server_init //启动hlc_recovery_begin //开始HLC时钟恢复dss_topo_init //初始化CPU topology信息，这里会设置socket的core map以及engine上的目标target数，最佳的core数：2+helpers+targetsregister_dbtree_classes //注册各种btree class到全局数组btr_class_registeredabt_init //初始化argobots任务框架，daos使用argobots来进行任务调度crt_init_opt //初始化cart网络框架：初始化全局的cart结构，根据配置初始化primary和secondary provider，初始化primary和secondary的group信息，NA配置，及其他一些结构daos_hhash_init //初始化全局handle hash表pl_init //初始化全局placement hash表ds_iv_init //初始化incast variable树modules_load //加载各module，各模块保存在全局列表中，hlc_recovery_end  //停止HLC时钟恢复dss_set_start_epoch() //初始化初始化epoch：dss_start_epochbio_nvme_init //根据配置初始化nvme全局结构，初始化spdk环境//初始化各模块：调用模块的init接口初始化模块，（如果有key）添加模块到全局数组dss_module_keys，添加gRPC handler到cart的opc_map， 添加dRPC handler到全局register_table//vos：注册container，dtx，object的btree结构到全局数组btr_class_registered；添加模块到全局数组dss_module_keys//rdb:初始化rdb_hash表//rsvc:初始化rsvc_hash表，用来暂存已open的rsvc服务，如：rsvc_pool//pool:初始化pool lru cache，初始化pool handle hash表，注册pool的各incast variable类到ds_iv_class_list列表，初始化pool的默认ACL属性，注册rsvc_pool类到rsvc_classes数组，初始化nvme的reaction ops；添加模块到全局数组dss_module_keys//container:初始化container lru cache，初始化container handle hash表；添加模块到全局数组dss_module_keys//object:注册btree class到全局数组btr_class_registered，注册各副本类和EC类到全局数组oc_ident_array，注册EC类到全局数组ecc_array；添加模块到全局数组dss_module_keys//mgmt:设置id，注册rsvc_mgmt类到rsvc_classes数组//dtx:根据环境变量初始化选项，注册btree class到全局数组btr_class_registered；添加模块到全局数组dss_module_keys//securty:初始化socket路径//rebuild:初始化全局结构rebuild_gst，注册rebuild的各incast variable类到ds_iv_class_list列表；添加模块到全局数组dss_module_keysdss_module_init_all dss_srv_init //初始化全局xs结构：xstream_data，初始化全局tls，初始化系统db，启动各xs，启动dRPC监听vos_standalone_tls_init //初始化全局tls：self_mode.self_tlsdss_sys_db_init  //初始化全局系统db，打开系统pool及containerbio_register_bulk_ops //注册公共的bulk分配及释放方法//逐个启动xs：system xs + main xs + helper xs，xs是argobots中的概念，类比硬件执行单元，可以将xs看成是其软件实现，通常和硬件执行单元一对一映射，如果将xs绑定到特定的core上//system xs，包括：sys_xs负责系统任务，独占一个core，swim_xs负责保活心跳, drpc_xs负责drpc请求，swim_xs和drpc_xs共享一个core//main xs：每个target一个 main xs，target是daos里面的逻辑设备抽象，与spdk中的io_channel（nvme qp）对应，用于提高并行性；每个main xs独占一个core//helper xs:用于协助target处理加密，压缩等高CPU任务dss_xstreams_init dss_start_xs_id  //分配 cpu coredss_start_one_xstreamdss_xstream_alloc //创建xs实例dss_sched_init //创建自定义argobots sheduler，设置任务池pool来区分任务优先级（网络，nvme，通用三个池），添加到argobots框架的执行单元（ULT和tasklet）根据该scheduler定义的策略调度ABT_xstream_create_with_rank //创建xs，并设置上述的schedulerdaos_abt_thread_create //创建xs的主ULT：dss_srv_handler，添加到网络池（调度执行）ABT_cond_wait //等待信号量，直到上面的主ULT被调度执行bio_nvme_ctl //设置全局nvme bdev启动状态为：BIO_CTL_NOTIFY_STARTED，使得后文xs中spdk subsystem初始化及创建的nvme的ULT可以继续执行drpc_listener_init //在 dRPC xs中创建ULT线程启动dRPC监听drpc_notify_ready //向daos_server发起ready就绪通知，daos_server会向MS Leader发送JoinSys的gRPC消息，向daos_engine回发SetRank和SetUp的dRPC消息server_init_state_wait //等待来自daos_server的init_state更新：收到daos_server的SetUp消息后会设置init_state状态为DSS_INIT_STATE_SET_UP//pool:在system xs创建ULT逐个启动各pool，启动的pool服务添加到rsvc_hash表//mgmt:创建ULT清理僵尸pool（如果有），清理未完成pool（如果有），初始化pooltgts结构用于跟踪创建过程中的pool//dtx:给各main xs创建事务批提交ULT：dtx_batched_commit，聚合ULT：dtx_aggregation_maindss_module_setup_all //安装各模块：调用各模块的setup接口安装模块crt_register_event_cb //注册网络事件回调dss_crt_event_cb，如：groupupdate或者swim状态更新crt_register_hlc_error_cb //注册HLC错误回调dss_crt_hlc_error_cbdss_xstreams_open_barrier //激活utl barrier信号量，启动所有的xs// xs的主线程ULTdss_srv_handlerdss_xstream_set_affinity //绑核dss_tls_init //初始化tls，与该xs相关的信息会存储在tls中	crt_context_create //（如果需要）初始化Cart网络上下文，sys_xs,swim_xs,main_xs以及每个main_xs的第一个helper_xs会起用网络crt_context_initcrt_hg_ctx_init //根据配置的网络provider初始化HG（mercury），注册HG rpc handled_tm_add_metric //添加metric指标crt_swim_init //如果是swim_xs，初始化swim上下文，注册swim回调crt_swim_progress_cb，注册rpc handler到opc_mapcrt_context_register_rpc_task //注册rpc句柄dss_rpc_hdlr和dss_iv_resp_hdlr：io请求首先由上述注册的HG rpc handle响应，然后转发给这里注册的rpc handle做进一步的调度处理，最终调用op code的处理函数tse_sched_init //初始化任务调度器bio_xsctxt_alloc //（如果需要）通常只有main xs才会使用nvme，但是如果开启了metadata-on-ssd，sys_xs也会；第一个xs（main_xs或者sys_xs）会根据配置文件初始化所有的spdk subsystem，创建blobstore，将初始化的bio_bdev设备挂接到nvme_glb全局列表中。给target选择合适的nvme设备(targets循环绑定到已有target数最少的nvme上，dev和targets信息持久化到db中)，并创建io_channel daos_abt_thread_create //创建ULT添加到nvme池，等待argobots调度执行：负责nvme设备的状态监测，设备的热插拔监测等ABT_cond_signal //激活信号量，以便调用线程能继续运行ABT_cond_wait //如果是swim_xs则立即开始后面的循环，如果是非swim xs，等收到daos_server的dRPC消息setUp后再执行for (;;)  //主ULT循环，如果该xs开启了Cart网络，会调用HG（mercury）接口推进rpc的调用及回调处理（swim xs会执行上述注册的crt_swim_progress_cb进行engine状态探测）wait_all_exited //等待所有ULT退出，engine退出

参考资料

Argobots论文
高性能I/O引擎论文