作者简介 范振（花名辰繁），阿里云开源大数据-OLAP 方向负责人。

内容框架

• 背景
• 架构图
• 核心流程图梳理
• 内部代码流程梳理
• Nuraft 关键配置排坑

• 结论
• 关于我们
• Reference

背景

注：以下代码分析版本为开源版本 ClickHouse v21.8.10.19-lts。类图、顺序图未严格按照 UML 规范；为方便表意，函数名、函数参数等未严格按照原版代码。

HouseKeeper Vs Zookeeper

• Zookeeper java 开发，有 JVM 痛点，执行效率不如 C++；Znode 数量太多容易出现性能问题，Full GC 比较多。

• Zookeeper 运维复杂，需要独立部署组件，之前出问题比较多。HouseKeeper 部署形态比较多，可以 standalone 模式和集成模式。

• Zookeeper ZXID overflow 问题，HouseKeeper 没有该问题。

• HouseKeeper 读写性能均有提升，支持读写线性一致性，关于一致性的级别参见https://xzhu0027.gitbook.io/blog/misc/index/consistency-models-in-distributed-system。

• HouseKeeper 代码与 CK 统一，自主闭环可控。未来可扩展能力强，可以基于此做 MetaServer 的设计开发。主流的的 MetaServer 基本都是 Raft+rocksDB 的组合，可以借助该 codebase 进行开发。

Zookeeper Client

• Zookeeper Client 完全不需要修改，HouseKeeper 完全适配 Zookeeper 的协议。

• Zookeeper Client 由 CK 自己开发，放弃使用 libZookeeper（是一个bad smell代码库），CK 自己从 TCP 层进行封装遵循 Zookeeper Protocol。

架构图

• 3种部署模式，推荐第一种 standalone 方式，可以选择小机型 SSD 磁盘，最大程度发挥 Keeper 的性能。

核心流程图梳理

类图关系

• 入口 main 函数，主要做2件事：

• 初始化 Poco::Net::TCPServer，定义处理请求的 KeeperTCPHandler。
• 实例化 keeper_storage_dispatcher，并且调用 KeeperStorageDispatcher->initialize()。该函数主要作用是以下几个：

• 实例化类图中的几个 Threads，以及相关的 ThreadSafeQueue，保证不同线程间同步数据。
• 实例化 KeeperServer 对象，该对象是核心数据结构，是整个 Raft 的最重要部分。KeeperServer 主要由 state_machine，state_manager，raft_instance，log_store（间接）组合成，他们分别继承了 nuraft 库中的父类。一般来说，所有 raft based 应用均应该实现这几个类。
• 调用 KeeperServer::startup()，主要是初始化 state_machine，state_manager。启动过程中会调用 state_machine->init(), state_manager->loadLogStore(...)，分别进行 snapshot 和 log 的加载。从最新的 raft snapshot 中恢复到最新提交的 latest_log_index，并形成内存数据结构（最关键是 Container 数据结构，即KeeperStorage::SnapshotableHashTable），然后再继续加载 raft log 文件中的每一条记录至 logs (即数据结构 std::unordered_map)，这两个粗体的唯二的数据结构，是整个 HouseKeeper 的核心，也是内存大户，后边会提及。

• KeeperTCPHandler 主循环是读取 socket 请求，将请求 dispatcher->putRequest(req) 交给 requests_queue，然后通过 responses.tryPop(res) 从中读到 response，最终写 socket 将 response 返回给客户端。主要经历以下几个步骤：

• 确认整个集群是否有 leader，如果有，sendHandshake。注意：HouseKeeper利用了 naraft 的 auto_forwarding 选项，所以如果接受请求的是非 leader，会承担 proxy 的作用，将请求 forward 到 leader，读写请求都会经过 proxy。
• 获得请求的 session_id。新来的 connection 获取 session_id 的过程是服务端 keeper_dispatcher->internal_session_id_counter 自增的过程。
• keeper_dispatcher->registerSession(session_id，response_callback)，将对应的 session_id 和回调函数绑定。
• 将请求 keeper_dispatcher->putRequest(req) 交给 requests_queue。
• 通过循环 responses.tryPop(res) 从中读到 response，最终写 socket 将 response 返回给客户端。

处理请求的线程模型

• 从 TCPHandler 线程开始经历顺序图中的不同线程调用，完成全链路的请求处理。

• 读请求直接由 requests_thread 调用 state_machine->processReadRequest 处理，在该函数中，调用 storage->processRequest(...) 接口。

• 写请求通过 raft_instance->append_entries(entries) 这个 nuraft 库的 User API 进行 log 写入。达成 consensus 之后，通过 nuraft 库内部线程调用 commit 接口，执行 storage->processRequest(...) 接口。

• Nuraft 库的 normal log replication 处理流程如下图：

• Nuraft 库内部维护两个核心线程（或线程池），分别是：

• raft_server::append_entries_in_bg，leader 角色负责查看 log_store 中是否有新的 entries，对 follower 进行 replication。
• raft_server::commit_in_bg，所有角色（role，follower）查看自己的状态机 sm_commit_index 是否落后于 leader 的 leader_commit_index，如果是，则 apply_entries 到状态机中。

内部代码流程梳理

总体上nuraft实现了一个编程框架，需要对类图中标红的几个class进行实现。

LogStore与Snapshot

• LogStore 负责持久化 logs，继承自 nuraft::log_store，这一系列接口中比较重要的是：

• 写：包括顺序写 KeeperLogStore::append(entry)，覆盖写（截断写） KeeperLogStore::write_at(index, entry)，批量写 KeeperLogStore::apply_pack(index, pack)等。
• 读：last_entry()，entry_at(index) 等。
• 合并后清理：KeeperLogStore::compact(last_log_index)，主要会在 snapshot 之后进行调用。当 KeeperStateMachine::create_snapshot(last_log_idx) 调用时，当所有的 snapshot 将数据序列化到磁盘后，会调用 log_store_->compact(compact_upto)，其中 compact_upto = new_snp->get_last_log_idx() - params->reserved_log_items_。这是一个小坑， compact 的 compact_upto index 不是已经做过 snapshot 的最新 index，需要有一部分的保留，对应的配置是 reserved_log_items。

• ChangeLog 是 LogStore 的 pimpl，提供了所有的 LogStore/nuraft::log_store 的接口。ChangeLog 主要是由 current_wirter（log file writer）和 logs（内存std::unordered_map数据结构）组成。

• 每插入一条 log，会将 log 序列化到 file buffer 中，并且插入到内存 logs 中。所以可以确定，在未做 snapshot 之前，logs 占用内存会一直增加。
• 当做完 snaphost 之后，会把已经序列化磁盘中的 compact_upto 的 index 从内存 logs 中 erase 掉。所以，我们需要 trade off 两个配置项 snapshot_distance 和 reserved_log_items。目前两个配置项缺省值都是10w条，容易大量占用内存，推荐值是：

• 10000
• 5000

• KeeperSnapshotManager 提供了一系列 ser/deser 的接口：

• KeeperStorageSnapshot 主要是提供了 KeeperStorage 和 file buffer 互相 ser/deser 的操作。
• 初始化时，直接通过 Snapshot 文件进行 deser 操作，恢复到文件指示的 index（如 snapshot_200000.bin，指示的 index 为200000）所对应的 KeeperStorage 数据结构。
• KeeperStateMachine::create_snapshot 时，根据提供的 snapshot 元数据（index，term等），执行 ser 操作，将 KeeperStorage 数据结构序列化到磁盘。

• Nuraft 库中提供的 snapshot transmission：当新加入的 follower 节点或者 follower 节点的日志落后很多（已经落后于最新一次 log compaction upto_index），leader 会主动发起 InstallSnapshot 流程，如下图：

• Nuraft 库针对 InstallSnapshot 流程提供了几个接口。KeeperStateMachine 对此进行了简单的实现：

• read_logical_snp_obj(...)，leader 直接将内存中最新的快照 latest_snapshot_buf 发送。
• save_logical_snp_obj(...)，follower 接收并序列化落盘，更新自身的 latest_snapshot_buf。
• apply_snapshot(...)，将最新的快照 latest_snapshot_buf，生成最新版本的 storage。

KeeperStorage

这个类用来模拟与 Zookeeper 对等的功能。

• 最核心的数据结构是 Zookeeper 的 Znode 存储：

• using Container = SnapshotableHashTable，由 std::unordered_map 和 std::list 组合来实现一种无锁数据结构。key 为 Zookeeper path，value 为 Zookeeper Znode（包括存储 Znode 的 stat 元数据），Node 定义为：

structNode    {
Stringdata;
uint64_tacl_id=0; /// 0 -- no ACL by defaultboolis_sequental=false;
Coordination::Statstat{};
int32_tseq_num=0;
ChildrenSetchildren{};
    };

• SnapshotableHashTable 结构中的 map 总是保存最新的数据结构，用来满足读需求。list 提供两段数据结构，保障新插入的数据不影响正在做 snapshot 的数据。实现很简单，具体见：https://github.com/ClickHouse/ClickHouse/blob/v21.8.12.29-lts/src/Coordination/SnapshotableHashTable.h

• 提供了 ephemerals，sessions_and_watchers，session_and_timeout，acl_map，watches 等数据结构，实现都很简单，就不一一介绍了。

• 所有的 Request 都实现自 KeeperStorageRequest 父类，包括下图的所有子类，每一个 Request 实现了纯虚函数，用来对 KeeperStorage 的内存数据结构进行操作。

virtualstd::pair<Coordination::ZooKeeperResponsePtr, Undo>process(KeeperStorage&storage, int64_tzxid, int64_tsession_id) const=0;

Nuraft 关键配置排坑

• 阿里云 EMR ECS 机器对应的操作系统版本比较老（新版本已经解决），对于 ipv6 支持不好，server 启动不了。workaround 方法是先将 nuraft 库 hard coding 的 tcp port 改成 ipv4。

• 做5轮 zookeeper 压测，发现内存一直上涨，现象接近内存泄露。结论是：不是内存泄露，需要调整参数，使 logs 内存数据结构不占用过多内存。

• 每一轮先创建500w个 Znode，每个 Znode 数据是256，再删除500w Znode。具体过程是：利用 ZookeeperClient 的 multi 模式，每一轮发起5000次请求，每个请求 transaction 创建1000个 Znode，达到500w个 Znode 后，再发起5000次请求，每个请求删除1000个 Znode，这样保证每一轮所有的 Znode 全部删除。这样即每一轮插入10000条 logEntry。
• 过程中发现每一轮内存都会上涨，经过5轮之后内存上涨到20G以上，怀疑是内存泄露。
• 加入代码 profile 打印 showStatus 之后，发现每一轮 ChangeLog::logs 数据结构一直增长，而 KeeperStorage::Container 数据结构会随着 Znode 数量而周期变化，最终回归0。结论是：由于 snapshot_distance 默认配置是10w条，所以，一直没有发生 create_snapshot，也即没有发生 compact logs，ChangeLog::logs 内存占用会越来越多。所以建议配置为：

• 10000
• 5000

• 通过配置 auto_forwarding，可以让 leader 把请求转发给 follower，对 ZookeeperClient 是透明实现。但是这个配置 nuraft 不推荐，后续版本应该会改善该做法。

结论

• 去掉 Zookeeper 依赖会让 ClickHouse 不再依赖外部组件，无论从稳定性和性能都向前迈进了一大步，为逐渐走向云原生化提供了前提。

• 基于该 codebase，后续将会逐步衍生出基于 Raft 的 MetaServer，为支持存算分离、支持分布式 Join 的 MPP 架构等方向提供了前提。

关于我们

计算平台开源大数据团队致力于开源引擎的内核研发工作，OLAP 方向包括 ClickHouse，Starrocks，Trino(PrestoDB) 等。

期待热爱内核深度开发的小伙伴们加入，邮箱请联系fanzhen.f@alibaba-inc.com。

对开源大数据 OLAP 引擎感兴趣的小伙伴，欢迎钉钉扫描文末二维码加入交流群一起交流探讨！

Reference

[1] https://github.com/eBay/NuRaft

[2] https://xzhu0027.gitbook.io/blog/misc/index/consistency-models-in-distributed-system

[3] https://zhuanlan.zhihu.com/p/425072031

我们会在钉钉群定期推送精彩文章，邀请技术大牛直播分享。
欢迎钉钉扫码加入产品交流群一起参与讨论~