海量小文件挑战下的CephFS：优化策略与实践探索

1.背景

随着大数据、人工智能技术的蓬勃发展，人类对于算力资源的需求也迎来大幅度的增长。在某平台以降本增效为目标，整合了公司的GPU训练卡资源，为算法工程师们提供统一的底层GPU算力服务。借助于虚拟化、算力挖掘等技术，平台服务公司内各BG的AI训练场景，GPU利用率业界领先。同时，通过云原生任务化的方式，对接了内部各大业务，促进了AI技术研究效率的提升和创新研究。
当下，由于AI训练时的高性能计算设备（如NVIDIA GPU）成本高昂，如果任务在训练过程中不能保证数据IO的速度，将会导致计算设备低载甚至空载，这无疑在时间和资源上都是一种极大的浪费。
在某平台内部，用户的训练数据大多存放在平台提供的CephFS中，训练时将对应的CephFS目录挂载至容器内部，从而使用户在训练时能够像使用本地文件系统一样使用CephFS。但在平台运营过程中我们发现，在训练数据集文件数较多时，训练任务使用CephFS会使训练速度变得异常缓慢。基于这个普遍存在的问题，本文剖析其产生的原理，然后介绍相应的优化方案。最后，通过延伸思考来发散思维，简要介绍了不同场景下AI训练加速的技术。

2.基本概念

2.1 CephFS IO流程

CephFS IO流程如下图所示。

当客户端进行文件系统调用时（如open、read、readdir等），需要先从元数据服务器（Metadata Server, MDS）中获取请求文件的元数据信息，元数据信息主要包括文件的Inode号、权限、uid、gid和访问更改时间等。为了加快元数据的访问效率，MDS将大部分热点元数据都缓存在自己的内存中，从而避免低效地通过访问RADOS（Reliable, Autonomic Distributed Object Store）层来获取元数据。客户端在从MDS中获取元数据后，通过计算的方式（CRUSH算法）得到数据在RADOS中的位置，最后与远程的存储设备进行交互。
从这个架构来看，CephFS是一个元数据和用户数据分离的文件系统。文件的元数据和数据存储在RADOS中的不同Pool中，客户端需要先与MDS进行元数据交互，再与RADOS进行数据交互。

2.2 Ceph-FUSE

Ceph-FUSE是CephFS客户端的一种形式，通过用户空间文件系统（Filesystem in Userspace, FUSE）的方式来实现CephFS客户端的功能。FUSE是一个面向类Unix计算机操作系统的软件接口，它使无特权的用户能够无需编辑内核代码而创建自己的文件系统。目前Linux通过内核模块对此进行支持。通过这种方式，我们可以编写用户态的应用程序，只需要实现Linux定义的一组文件系统接口，即可在用户态实现一个完整的文件系统。

当用户需要与CephFS进行交互时，客户端的整个IO流程如下：

• 用户程序通过syscall或glibc库进行系统调用。
• 进程陷入内核态，文件系统操作请求到达Linux虚拟文件系统（Virtual Filesystem, VFS）。
• VFS根据请求类型，从Dentry Cache、Inode Cache和Page Cache中分别查找dentry、inode和页缓存，若缓存命中可直接返回。
• 若缓存不命中，则将请求转发至FUSE Driver。
• Ceph-FUSE进程通过libfuse监听到来自于/dev/fuse的请求，与Ceph集群进行交互并返回结果。

当用户态程序发起FUSE请求时，Ceph-FUSE在经过处理后会将元数据信息缓存在内存中，提升后续访问的性能。同时，Linux的Dentry Cache、Inode Cache和Page Cache也会分别缓存该文件的dentry、inode和页，提升热点数据的读取性能。

3. 问题

3.1 问题源起

平台上运行的训练任务场景各不相同。在运营过程中我们发现，有用户反映某些任务中CephFS的读取速度较慢，使整个训练的时间拉长，其中属CV（Computer Vision）类的任务较为明显。

平台上CV类的任务数据集，一般都是海量的图片文件。这类数据集的特点是：

• 文件个数多，小数据集达到十万级别，大数据集达到百万、千万甚至上亿级别。
• 单个文件占用空间不大，大多是小文件。

3.2 理论分析

AI训练场景与许多复杂的文件操作场景不同，其数据读写的逻辑较为简单。一般来说，用户会在每个epoch训练相同的数据，然后训练多个epoch直至模型达到收敛条件。因此，AI训练场景下，训练文件在训练过程中保持不变，且被读取的频率相对固定，同时写文件的频率较低。
针对这种特点，由于Ceph-FUSE会对访问过的元数据进行缓存，同时Linux的Dentry Cache、Inode Cache和Page Cache也会充分缓存读取过的文件元数据和文件数据。通常来说，在第二个epoch开始时，由于数据集文件在第一个epoch已被访问过，训练时的IO速度应当有非常明显的提升。然而，事与愿违，对于较多数量的文件，我们发现训练速度没有明显提升，且每个epoch的训练速度都很慢。
为了查出其中的原因，接下来我们复制一个一模一样的任务，打开Ceph-FUSE日志进行分析。

3.3 原因排查

3.3.1 Ceph-FUSE日志分析

在训练任务开始时，打开母机上的Ceph-FUSE日志进行查看。
疑点现象：

• 在第一个epoch接近末尾时，发现出现了日志trim_caps mds.x max xxx caps xxx。
• 每次trim_caps执行，清除的dentry个数为5000。
• 该日志每隔5s会打印一次，往后的训练过程中会一直持续。

注：CAPS是指capabilities，MDS用CAPS授予客户端对不同文件进行操作的许可，因此MDS需要实时维护每个客户端文件操作的CAPS。这就意味着，如果客户端持有了某个文件的CAPS并进行了缓存，MDS需要知道每个客户端缓存了哪些文件。

3.3.2 提出猜想

根据疑点现象大概能够提出以下的猜想：

• 在第一个epoch结束时发生了trim_caps现象，且多次测试结果均是如此，猜测可能是缓存数量到达了某个阈值。
• 日志每隔5s会打印一次，可能是定时器触发了trim_caps。
• MDS需要维护每个客户端的CAPS，当客户端读取文件数较多时，MDS的cache总会达到oversize的状态，必定会触发trim_caps。

3.3.3 代码验证

根据上述猜想，可以在茫茫的Ceph源码中直奔主题，分别找出MDS和Ceph-FUSE的关键代码。

3.3.3.1 MDS端

根据现象2，在MDS中的tick函数内找到如下代码：

void MDSRankDispatcher::tick()
{
  ......
  if (is_active() || is_stopping()) {
    server->recall_client_state(nullptr, Server::RecallFlags::ENFORCE_MAX); // 选中该MDS下持有较多caps数量的客户端，执行caps回收
    mdcache->trim();
    mdcache->trim_client_leases();
    mdcache->check_memory_usage(); // 当内存使用量过大时，选中该MDS下所有客户端，执行caps回收(recall_client_state)
    mdlog->trim();
  }
  ......
}

从中可以看出，MDS端定时对客户端的CAPS进行回收，如果回收后内存使用量仍然过高，就对所有客户端再执行一次CAPS回收。在check_memory_usage函数中会根据cache试用情况决定是否再执行recall_client_state。

void MDCache::check_memory_usage()
{
  ......
  if (cache_toofull()) {
    mds->server->recall_client_state(nullptr);
  }
  ......
}

进入关键函数recall_client_state进行查看。

   /**
 * Call this when the MDCache is oversized, to send requests to the clients
 * to trim some caps, and consequently unpin some inodes in the MDCache so
 * that it can trim too.
 */
std::pair<bool, uint64_t> Server::recall_client_state(MDSGatherBuilder* gather, RecallFlags flags)
{
  ......
  const bool enforce_max = flags&RecallFlags::ENFORCE_MAX;
  const auto max_caps_per_client = g_conf->get_val<uint64_t>("mds_max_caps_per_client"); // 默认为1_M
  const auto min_caps_per_client = g_conf->get_val<uint64_t>("mds_min_caps_per_client"); // 默认为100
  const auto recall_max_caps = g_conf->get_val<uint64_t>("mds_recall_max_caps"); // 默认为5000
  ......
  /* trim caps of sessions with the most caps first */
  std::multimap<uint64_t, Session*> caps_session;
  auto f = [&caps_session, enforce_max, max_caps_per_client](Session* s) {
    auto num_caps = s->caps.size(); // 当前caps总量
    // 当flags为RecallFlags::ENFORCE_MAX时，只把caps数量超过max_caps_per_client的客户端找出来，否则找出所有客户端
    if (!enforce_max || num_caps > max_caps_per_client) {
      caps_session.emplace(std::piecewise_construct, std::forward_as_tuple(num_caps), std::forward_as_tuple(s));
    }
  };
  mds->sessionmap.get_client_sessions(std::move(f));
  ......
  for (const auto p : boost::adaptors::reverse(caps_session)) {
    ......
    // 计算每个客户端的最大caps数量
    uint64_t newlim;
    if (num_caps < recall_max_caps || (num_caps-recall_max_caps) < min_caps_per_client) {
      newlim = min_caps_per_client;
    } else {
      newlim = num_caps-recall_max_caps;
    }
    if (num_caps > newlim) {
      /* now limit the number of caps we recall at a time to prevent overloading ourselves */
      uint64_t recall = std::min<uint64_t>(recall_max_caps, num_caps-newlim); // 这里可以看出，每次最多回收mds_recall_max_caps个
      newlim = num_caps-recall;
      ......
      auto m = new MClientSession(CEPH_SESSION_RECALL_STATE); // 新建一个类型为CEPH_SESSION_RECALL_STATE的请求
      m->head.max_caps = newlim; // 设置客户端的最大caps数量
      mds->send_message_client(m, session); // 向客户端发送请求
      ......
    }
    ......
  }
  ......
}

从上述代码基本可以确定CAPS被清除的原因，MDS每隔5s执行了一次recall_client_state。由于mds_max_caps_per_client默认被设置为1_M（也就是1048576），当训练程序读取文件个数达到1_M后该客户端就会被加入caps_session队列发起CAPS回收请求。由于recall_max_caps默认被设置为5000，所以每次CAPS回收的个数为5000。

3.3.3.2 Ceph-FUSE端

首先，根据MDS端发起的类型为CEPH_SESSION_RECALL_STATE的请求，找到客户端接受请求的代码。
void Client::handle_client_session(MClientSession *m)

{
  ......
  switch (m->get_op()) {
    ......
  case CEPH_SESSION_RECALL_STATE:
    trim_caps(session, m->get_max_caps()); // max_caps，值为上述的newlim
    break;
  ......
  }
  ......
}

Ceph-FUSE接收到MDS的请求后，进入trim_caps函数。

void Client::trim_caps(MetaSession *s, uint64_t max)
{
  mds_rank_t mds = s->mds_num;
  size_t caps_size = s->caps.size(); // 客户端caps总量
  ......
  uint64_t trimmed = 0;
  auto p = s->caps.begin();
  std::set<Dentry *> to_trim; // 将需要执行caps回收的Dentry放入其中等待回收
  
  // 以下内容通过迭代器p将caps清理至max以下，将需要清理的Dentry放入to_trim中
  while ((caps_size - trimmed) > max && !p.end()) {
    ......
  }
 
  for (const auto &dn : to_trim) {
    trim_dentry(dn); // 执行Ceph-FUSE内的dentry缓存
  }
  to_trim.clear();
 
  caps_size = s->caps.size();
  if (caps_size > max)
    _invalidate_kernel_dcache(); // 这是关键函数，调用了Linux的remount操作来清理所有的dentries

Ceph-FUSE接收到MDS的请求后，会将CAPS总量清理至max以下（本例中就是清理5000个CAPS）。同时，将这些CAPS对应的dentry缓存全部清除，并调用操作系统命令来清除Dentry Cache、Inode Cache和Page Cache，执行命令为：

static int remount_cb(void *handle)
{
  // used for trimming kernel dcache. when remounting a file system, linux kernel
  // trims all unused dentries in the file system
  char cmd[1024];
  CephFuse::Handle *cfuse = (CephFuse::Handle *)handle;
  snprintf(cmd, sizeof(cmd), "mount -i -o remount %s", cfuse->opts.mountpoint); // 调用remount，清理文件系统的缓存
  int r = system(cmd);
  ......
}

3.4 小结

至此，基本真相大白。整体流程如下图所示：

训练程序启动，开始读取文件。

在第一个epoch训练后期，Ceph-FUSE拥有的CAPS达到1_M。

MDS定时器触发，对持有CAPS超过1_M的客户端执行发起回收CAPS请求，回收个数为5000。

Ceph-FUSE接收到CEPH_SESSION_RECALL_STATE请求，从caps队列中清除5000个CAPS并将这些CAPS对应的dentry从cache中清除。

Ceph-FUSE调用Linux的remount命令来清除Linux文件系统的cache。

MDS检查自身内存使用情况，若超过阈值则重复上述回收操作。

训练程序第二个epoch后，由于文件系统的cache被清除，导致缓存失效。