246 lines
7.5 KiB
Markdown
Executable File
246 lines
7.5 KiB
Markdown
Executable File
# ZVFS
|
||
|
||
> 透明用户态 POSIX 文件系统，基于 SPDK Blobstore。
|
||
|
||
ZVFS 是一个 **透明用户态文件系统原型**，通过 `LD_PRELOAD` 劫持 POSIX I/O，
|
||
将应用程序的文件数据路径从 Linux 内核 I/O 栈重定向到 **SPDK 用户态 NVMe 存储路径**。
|
||
|
||
目标是在 **零业务代码修改** 的情况下，为数据库与向量检索系统提供更低延迟的存储访问。
|
||
|
||
目前已在 **PostgreSQL + pgvector** 场景完成功能验证。
|
||
|
||
---
|
||
|
||
# 设计思路
|
||
|
||
大多数用户态文件系统（如 FUSE）需要修改应用或挂载文件系统。用户态文件系统如果要通过VFS，需要多一到两次额外的用户态/内核态切换。ZVFS 的目标是对应用完全透明：应用按正常方式调用 POSIX API，底层存储路径被悄悄替换掉。
|
||
核心决策是控制面与数据面分离：
|
||
|
||
控制面复用 Linux VFS：目录树、权限、inode 生命周期全部由 Linux 管理，文件到 blob 的映射通过 xattr（user.zvfs.blob_id）持久化，无需额外的映射数据库。
|
||
数据面走 SPDK：read/write 等数据路径绕过内核，经 IPC 送到 ZVFS daemon，再通过 SPDK Blobstore 直接访问 NVMe。
|
||
|
||
```
|
||
Application (PostgreSQL / RocksDB)
|
||
│ POSIX API
|
||
▼
|
||
LD_PRELOAD Hook Layer
|
||
│ Unix Domain Socket
|
||
▼
|
||
ZVFS Daemon
|
||
┌────┴────┐
|
||
│ │
|
||
Metadata IO Workers
|
||
Thread (SPDK pollers)
|
||
│ │
|
||
└────┬────┘
|
||
▼
|
||
SPDK Blobstore
|
||
│
|
||
NVMe SSD
|
||
```
|
||
|
||
SPDK 需要使用轮询模式，最好能独占CPU core，且metadata最好由同一个 spdk thread 管理，不适合嵌入任意应用进程。因此 daemon 统一持有所有 SPDK 资源，多个客户端进程共享同一个 daemon，通过 Unix Domain Socket 通信。
|
||
|
||
---
|
||
|
||
# 🧠 系统架构
|
||
|
||
|
||
|
||
架构设计关键点：
|
||
|
||
- **同步阻塞语义**
|
||
- **零侵入接管应用 I/O**
|
||
- 使用 `LD_PRELOAD` 拦截 POSIX API
|
||
- 不需要修改应用代码
|
||
- **控制面复用 Linux**
|
||
- ZVFS 不重新实现目录树，而是复用 Linux VFS。目录 / 权限 / inode 生命周期由 Linux VFS 管理。
|
||
- 文件与 blob 的映射通过：`xattr: user.zvfs.blob_id`
|
||
- **SPDK 资源集中管理**
|
||
- 文件内容存储在 SPDK Blobstore。直接访问 NVMe。
|
||
- SPDK 对 metadata 操作有 **单线程要求**，因此 daemon 设计为：
|
||
- metadata 操作：create / resize / delete
|
||
- data IO：read / write
|
||
|
||
- **POSIX 语义兼容**
|
||
- 用户态文件系统需要正确模拟 Linux FD 语义：`dup dup2 dup3 fork close_range`
|
||
- 保证多个 fd 指向同一文件句柄时语义一致。
|
||
|
||
---
|
||
|
||
# 📦 构建
|
||
|
||
```bash
|
||
git clone ...
|
||
git submodule update --init --recursive
|
||
|
||
cd spdk
|
||
./scripts/pkgdep.sh
|
||
./configure --with-shared
|
||
make -j
|
||
|
||
cd ..
|
||
make -j
|
||
```
|
||
---
|
||
|
||
# ▶️ 运行
|
||
|
||
启动 daemon：
|
||
```
|
||
./src/daemon/zvfs_daemon
|
||
```
|
||
|
||
运行测试：
|
||
```
|
||
LD_PRELOAD=./src/libzvfs.so ./tests/bin/hook_api_test
|
||
```
|
||
---
|
||
|
||
# 🔬 已实现功能
|
||
打开/关闭/删除
|
||
```
|
||
open open64 openat openat64 fopen fopen64
|
||
creat creat64
|
||
fclose close close_range
|
||
dup dup2 dup3 fork
|
||
unlink unlinkat remove rename renameat
|
||
```
|
||
读写层
|
||
```
|
||
read pread pread64 readv preadv preadv64 preadv2
|
||
write pwrite pwrite64 writev pwritev pwritev64 pwritev2
|
||
fread_unlocked fread fscanf
|
||
```
|
||
偏移/空间管理层
|
||
```
|
||
lseek lseek64
|
||
truncate truncate64 ftruncate ftruncate64 fallocate posix_fallocate
|
||
```
|
||
元数据层
|
||
```
|
||
stat stat64 fstat fstat64 lstat lstat64 fstatat fstatat64 statx
|
||
```
|
||
同步/控制层
|
||
```
|
||
fsync fdatasync sync_file_range
|
||
fcntl fcntl64 ioctl
|
||
```
|
||
---
|
||
|
||
# 🚀 性能
|
||
|
||
测试环境：VMware 虚拟机 + 模拟 NVMe，单线程阻塞 I/O。
|
||
|
||
> 注：VMware 模拟 NVMe 无法体现 SPDK 轮询模式对中断驱动 I/O 的延迟优势，
|
||
> 以下数据用于评估 hook 层与 IPC 的额外开销，不代表真实硬件上的性能对比。
|
||
|
||
### 顺序写吞吐
|
||
|
||
| Block Size | spdk_nvme_perf | ZVFS |
|
||
|---|---|---|
|
||
| 4K | 100 MiB/s | 94 MiB/s |
|
||
| 128K | 1843 MiB/s | 1662 MiB/s |
|
||
|
||
ZVFS 达到 **SPDK 原生性能约 90%**。
|
||
|
||
---
|
||
|
||
### fio 随机写（16K，psync）
|
||
|
||
| | kernel (psync) | ZVFS |
|
||
|---|---|---|
|
||
| IOPS | 1855 | 1353 |
|
||
| 吞吐 | 28.0 MiB/s | 21.2 MiB/s |
|
||
| avg clat | 492 µs | 692 µs |
|
||
| sys% | 28.6% | 8.4% |
|
||
|
||
> 当前 ZVFS 在该单线程 `psync` 随机写场景下达到 kernel `psync` 的约 73% IOPS。daemon 内部 `SPDK + reply_q` 已收敛到较稳定范围，剩余主要开销集中在 `client -> daemon` 请求进入阶段。
|
||
|
||
---
|
||
|
||
### WRITE 请求端到端延迟分解（单位 µs）
|
||
基于 12 条 `WRITE` trace 样本统计，下面按调用栈层级展开平均耗时。由于四舍五入，父子项相加会有 `±1 µs` 误差。
|
||
|
||
```text
|
||
total 748
|
||
├─ c2s 317
|
||
│ ├─ send 39
|
||
│ └─ server_rx_wait 278
|
||
├─ server 336
|
||
│ ├─ rx_dispatch 12
|
||
│ ├─ dispatch_spdk 25
|
||
│ ├─ spdk 194
|
||
│ └─ reply_q 103
|
||
│ ├─ spdk_post 11
|
||
│ └─ cq_wait 91
|
||
│ ├─ kick 13
|
||
│ ├─ wake_sched 65
|
||
│ └─ wake_to_tx 12
|
||
└─ s2c 95
|
||
├─ resp_wait 83
|
||
└─ parse 12
|
||
```
|
||
|
||
当前 `WRITE` 的主要额外开销已经比较清晰：一是 `c2s / server_rx_wait`，二是 `server` 内部的 `spdk` 与 `reply_q`。在 `reply_q` 中，`wake_sched` 已明显大于 `kick` 和 `wake_to_tx`，说明回包路径的主要损耗不在 `eventfd` 写入本身，而在 reactor 被唤醒后的调度等待。
|
||
|
||
---
|
||
|
||
### pgbench（PostgreSQL TPC-B，单客户端）
|
||
|
||
| | kernel | ZVFS |
|
||
|---|---|---|
|
||
| TPS | 39.1 | 38.2 |
|
||
| avg latency | 25.6 ms | 26.6 ms |
|
||
|
||
端到端数据库工作负载下，IPC 开销被稀释，ZVFS 与 kernel 路径性能基本持平（~4% 差距）。
|
||
|
||
---
|
||
|
||
# ⚠️ 当前局限
|
||
- 不支持 mmap
|
||
- 非对齐写存在 RMW 开销
|
||
- IPC 请求大小存在上限：大 I/O 需在 hook 层分片；改用共享内存 scatter-gather 可消除此限制。
|
||
---
|
||
|
||
## future work
|
||
- 支持 mmap：可通过 /dev/shm + userfaultfd 方向探索。
|
||
- 缓解非对齐写开销、`!O_DIRECT`语义：实现 类似 pagecache 的bufferpool
|
||
- 修改IPC方式：使用更快的 Shared Memory
|
||
- 减少通信、拷贝开销：将 I/O 操作迁移至 Application 进程。MetaData操作保留在 Daemon 中。
|
||
|
||
---
|
||
|
||
# 🧩 遇到的一些问题
|
||
|
||
## SPDK metadata 线程模型
|
||
|
||
SPDK Blobstore metadata 回调必须在初始化线程执行，
|
||
需要严格区分：
|
||
- metadata thread
|
||
-io thread
|
||
|
||
否则会导致 callback 无法返回。resize barrier 卡死
|
||
|
||
## spdk_for_each_channel() 在 resize / delete 中会触发 barrier，
|
||
如果某些线程未 poll 会导致系统卡死。
|
||
|
||
解决方式：
|
||
|
||
保证所有 IO thread 持续 poll
|
||
thread 退出时释放 io_channel
|
||
|
||
|
||
## PostgreSQL tablespace hook 失效
|
||
|
||
PostgreSQL tablespace 通过 symbolic link 访问路径： pg_tblspc/xxx
|
||
|
||
简单字符串前缀匹配 /zvfs 会漏判。
|
||
|
||
解决：realpath() 后再判断路径
|
||
|
||
|
||
## write 延迟显著高于预期
|
||
|
||
这次 fio 延迟排查里，最初 `WRITE` 延迟明显高于预期。沿端到端路径加轻量打点后发现问题并不在 SPDK 本体，而是同时叠加了无条件 RMW、VM 中 poller 调度抖动、线程未绑核，以及后期 trace 暴露出来的 reactor 唤醒后核心切换抖动。对应处理是：整块对齐写跳过 read phase、将 reactor/md/io 线程固定到指定 CPU，并把 io 线程数和绑核目标收敛到配置项中。修复后 `dispatch_spdk` 从毫秒级降到几十微秒，`WRITE` 平均延迟也回落到约 700 µs，但剩余尾延迟仍主要表现为请求进入与回包阶段的调度等待。
|