云計算開發(fā)之CoT：云環(huán)境的去中心化分布式彈性緩存方案

摘要

分布式緩存被廣泛應(yīng)用于以十億用戶規(guī)模服務(wù)于社交網(wǎng)絡(luò)和網(wǎng)絡(luò)應(yīng)用。然而，典型的工作負(fù)載偏差會導(dǎo)致緩存服務(wù)器之間的負(fù)載不平衡。這種負(fù)載不平衡降低了請求吞吐量，并增加了請求延遲，從而降低了緩存的好處。最近的研究從理論上表明，前端一個小的完美緩存對分布式緩存的負(fù)載平衡有很大的影響。然而，確定在前端服務(wù)器上實現(xiàn)近乎完美的緩存的緩存大小和替換策略是一項挑戰(zhàn)，特別是對于動態(tài)變化和不斷變化的工作負(fù)載。這篇文章介紹了Cache on Track（CoT），這是一個用于云環(huán)境的分散、彈性和預(yù)測性的緩存框架。CoT是以下問題的答案：在緩存服務(wù)器端實現(xiàn)負(fù)載平衡所需的前端緩存大小是多少？CoT提出了一個新的緩存替換策略，專門為服務(wù)于傾斜工作負(fù)載的小型前端緩存量身定制。前端服務(wù)器使用重?fù)舾櫵惴▉磉B續(xù)跟蹤top-k熱鍵。CoT從跟蹤的密鑰中動態(tài)緩存最熱的C密鑰。此外，每個前端服務(wù)器獨立地監(jiān)視其對緩存服務(wù)器負(fù)載不平衡的影響，并相應(yīng)地調(diào)整其跟蹤器和緩存大小。我們的實驗表明，CoT的替換策略在不同的傾斜工作負(fù)載下，對于相同的緩存大小，始終超過LRU、LFU和ARC的命中率。此外，CoT的命中率略高于LRU-2當(dāng)兩個策略的跟蹤（歷史）大小相同時。CoT實現(xiàn)了服務(wù)器大小的負(fù)載平衡，與其他替換策略相比，前端緩存減少了50%到93.75%。最后，我們的實驗表明，CoT的大小調(diào)整算法成功地自動配置了跟蹤器和緩存大小，以在工作負(fù)載分布發(fā)生變化的情況下實現(xiàn)后端負(fù)載平衡。

介紹

社交網(wǎng)絡(luò)、網(wǎng)絡(luò)和移動應(yīng)用吸引了數(shù)億用戶[3，7]。這些用戶分享他們的關(guān)系，并在及時的個性化體驗中交換圖像和視頻[13]。為了實現(xiàn)這種實時體驗，底層存儲系統(tǒng)必須提供對大數(shù)據(jù)的高效、可擴展和高可用性訪問。社交網(wǎng)絡(luò)用戶消耗的數(shù)據(jù)比他們產(chǎn)生的數(shù)據(jù)多出幾個數(shù)量級[10]。此外，單頁加載需要數(shù)百個對象查找，這些對象查找需要在幾秒鐘內(nèi)完成[13]。因此，傳統(tǒng)的基于磁盤的存儲系統(tǒng)不適合處理這種規(guī)模的請求，因為磁盤的高訪問延遲和I/O吞吐量限制[50]。

為了克服這些限制，分布式緩存服務(wù)被廣泛地部署在每個客戶存儲的頂部，以便高效地為大規(guī)模的用戶請求提供服務(wù)[49]。Memcached[4]和Redis[5]等分布式緩存系統(tǒng)被Amazon Elasti Cache[1]和Azure Redis Cache[2]等云服務(wù)提供商廣泛采用。這些緩存服務(wù)為直接訪問每一個電阻存儲層的系統(tǒng)提供了顯著的延遲和吞吐量提升。Redis和Memcached使用con-sistent散列[35]在多個緩存服務(wù)器之間分發(fā)密鑰。盡管一致散列確保了分配給每個緩存碎片的密鑰數(shù)量的公平分布，但它不考慮分配過程中每個密鑰的工作負(fù)載?，F(xiàn)實世界的工作負(fù)載通常是傾斜的，很少有鍵比其他鍵更熱[30]。這種傾斜導(dǎo)致緩存服務(wù)器之間的負(fù)載不平衡。

緩存層中的負(fù)載不平衡可能會對整個應(yīng)用程序性能產(chǎn)生顯著影響。尤其是，它可能導(dǎo)致在接入頻率分布的尾部的操作延遲急劇增加[29]。此外，當(dāng)工作負(fù)載偏差增加時，平均吞吐量降低，平均延遲增加[15]。當(dāng)在依賴數(shù)據(jù)對象鏈中執(zhí)行操作時，實際工作負(fù)載的平均延遲和尾部延遲的這種增加是放大的[41]。一次Facebook頁面加載會在多輪數(shù)據(jù)獲取操作中檢索數(shù)百個對象[44，13]。最后，解決方案同樣會過度配置緩存層資源，以處理負(fù)載最重的緩存服務(wù)器所帶來的資源利用率最低的緩存服務(wù)器所帶來的影響。

為了解決負(fù)載不平衡問題，人們提出了多種方法，使用集中負(fù)載監(jiān)控[9，48]、服務(wù)器端負(fù)載監(jiān)控[29]或前端負(fù)載監(jiān)控[24]。Adya等人。[9] 提出將數(shù)據(jù)服務(wù)平面與控制平面分離的切片器。控制平面是一個集中化的系統(tǒng)組件，它收集有關(guān)碎片訪問和服務(wù)器工作負(fù)載的元數(shù)據(jù)。它定期運行一個優(yōu)化算法，該算法決定重新分配、重新分區(qū)或復(fù)制密鑰空間的片段，以實現(xiàn)更好的后端負(fù)載平衡。Hong等人。[29]使用分布式服務(wù)器端負(fù)載監(jiān)控來解決負(fù)載不平衡問題。每個后端服務(wù)器都獨立地跟蹤其熱鍵和取消決定，以便將其熱鍵的工作負(fù)載分配給其他后端服務(wù)器。[9，48]和[29]中的解決方案要求后端更改緩存的密鑰-服務(wù)器映射并將新映射公布到所有的前端服務(wù)器。Fan等人。[24]使用分布式前端負(fù)載監(jiān)控方法。這種方法表明，在前端服務(wù)器中添加一個小緩存對解決后端負(fù)載不平衡有很大的影響。在前端服務(wù)器上緩存重量級用戶可以減少緩存服務(wù)器提供的密鑰之間的偏差，從而實現(xiàn)更好的后端負(fù)載平衡。Fan等人。理論上通過分析和仿真表明，每個前端都有一個小的完美緩存，解決了后端負(fù)載不平衡的問題。然而，完美的緩存實際上很難實現(xiàn)。為了動態(tài)地改變和發(fā)展工作負(fù)載，確定緩存大小和在前端實現(xiàn)接近每影響緩存的替換策略是一項挑戰(zhàn)。

在這篇文章中，我們提出了Cache-on-Track（CoT），它是一種分散的、彈性的、預(yù)測性強的前端服務(wù)器緩存。CoT pro提出了一個新的緩存替換策略，專門針對服務(wù)于傾斜工作負(fù)載的小型前端緩存。CoT使用一個小的前端緩存來解決后端負(fù)載不平衡的問題，如[24]中介紹的。然而，CoT并不認(rèn)為前端有完美的緩存。CoT使用節(jié)省空間的算法[43]來跟蹤top-k重?fù)羰?。跟蹤信息允許CoT從top-k跟蹤的近似鍵中緩存出準(zhǔn)確的top-C最熱鍵，以防止長尾的冷鍵和噪聲鍵替換緩存中的熱鍵。CoT是分散的，因為每個前端獨立地根據(jù)在這個特定前端服務(wù)的密鑰訪問分配來確定其熱鍵集。這種低成本的CoT解決了后端負(fù)載不平衡的問題，沒有引入單一的故障點或瓶頸，這些通常都是集中解決方案帶來的。此外，這使得CoT可以擴展到數(shù)千個前端服務(wù)器，這是社交網(wǎng)絡(luò)和現(xiàn)代web應(yīng)用程序的共同要求。CoT是彈性的，因為每個前端使用其本地負(fù)載信息來監(jiān)視其對后端負(fù)載不平衡的貢獻。每個前端彈性地調(diào)整其跟蹤器和緩存大小，以減少由這個前端引起的負(fù)載不平衡。在工作負(fù)載發(fā)生變化的情況下，CoT除了動態(tài)調(diào)整跟蹤器和緩存大小之外，還動態(tài)調(diào)整前端跟蹤器與緩存的比率，以消除任何后端負(fù)載不平衡。

在傳統(tǒng)的架構(gòu)中，內(nèi)存大小是靜態(tài)的，緩存算法努力實現(xiàn)所有可用資源的最佳利用。然而，在云環(huán)境中，理論上存在有限的內(nèi)存和處理資源，而云站姿遷移是一種常態(tài)，云最終用戶的目標(biāo)是實現(xiàn)其slo，同時減少所需的云資源，從而降低其貨幣部署成本。CoT的主要目標(biāo)是在每個前端減少必要的前端緩存大小，以消除服務(wù)器端負(fù)載不平衡。減少前端緩存大小對于以下方面至關(guān)重要：1）它降低了部署前端緩存的金錢成本。為此，我們引用大衛(wèi)•洛米特（David Lomet）最近的著作[40，39，38]中的話，他指出成本/性能通常比純粹的性能更重要：“這里的論點不是沒有足夠的主內(nèi)存來保存數(shù)據(jù)，而是有一種成本更低的數(shù)據(jù)管理方法?！?。

2） 在數(shù)據(jù)更新的情況下，當(dāng)需要數(shù)據(jù)一致性時，增加前端緩存大小會顯著增加數(shù)據(jù)一致性管理技術(shù)的成本。請注意，社交網(wǎng)絡(luò)和現(xiàn)代web應(yīng)用程序運行在成千上萬的前端服務(wù)器上。增加前端緩存大小不僅會使部署更大緩存的成本乘以前端服務(wù)器的數(shù)量，但也增加了一致性管理管道中的一些成本，包括a）跟蹤不同前端服務(wù)器中的密鑰體現(xiàn)的成本，b）將更新傳播到前端服務(wù)器的網(wǎng)絡(luò)和處理成本。3） 由于工作負(fù)載是傾斜的，我們的經(jīng)驗清楚地表明，添加更多前端緩存線的相對成本（以每個緩存線的平均緩存命中率和后端負(fù)載不平衡減少來衡量）隨著前端緩存大小的增加而急劇減少。

CoT的調(diào)整大小算法根據(jù)動態(tài)工作負(fù)載的變化動態(tài)地增加或減少前端分配的內(nèi)存。CoT的動態(tài)調(diào)整大小算法在不同的云設(shè)置中很有價值

1） 所有前端服務(wù)器部署在同一個數(shù)據(jù)中心，并獲得相同的動態(tài)演進工作負(fù)載分布；2）所有前端服務(wù)器部署在同一個數(shù)據(jù)中心，但獲得不同的動態(tài)演進工作負(fù)載分布，
最終3）前端服務(wù)器部署在不同的邊緣數(shù)據(jù)中心，并獲得不同的動態(tài)變化的工作負(fù)載分布。特別是，CoT旨在從每個單獨的前端服務(wù)器的角度捕捉本地趨勢。在社交網(wǎng)絡(luò)應(yīng)用程序中，服務(wù)于不同地理區(qū)域的前端服務(wù)器可能會經(jīng)歷不同的密鑰訪問分布和不同的本地趨勢（例如，邁阿密與紐約）。類似地，在大型數(shù)據(jù)處理管道中，幾個應(yīng)用程序部署在共享緩存層的頂部。每個應(yīng)用程序可能對不同的數(shù)據(jù)分區(qū)感興趣，因此體驗不同的密鑰訪問分布和本地趨勢。CoT在前端服務(wù)器上運行的是細粒度密鑰級別，而Slicer[9]這樣的解決方案在緩存服務(wù)器上運行的是較粗的細粒度切片或碎片。服務(wù)器端解決方案是對CoT的補充。雖然捕獲本地趨勢可以減輕緩存服務(wù)器之間的負(fù)載并減少負(fù)載不平衡，但其他因素可能會導(dǎo)致負(fù)載不平衡，因此使用服務(wù)器端負(fù)載平衡（例如切片器）可能仍然是有益的。

我們在本文中的貢獻總結(jié)如下。

•緩存在軌（CoT）是一種分散的、有彈性的，

以及預(yù)測性的前端緩存框架

減少后端負(fù)載不平衡并改進

整體表現(xiàn)。

•

CoT動態(tài)地最小化所需的前端緩存大小，以實現(xiàn)后端負(fù)載平衡。與其他替代政策相比，CoT的內(nèi)置彈性是一個關(guān)鍵的新優(yōu)勢。

•

廣泛的實驗研究，將CoT的替代政策與傳統(tǒng)的以及最先進的替代政策，即LFU、LRU、ARC和LRU-2進行比較。實驗結(jié)果表明，與其他替換策略相比，CoT在不同工作負(fù)載下實現(xiàn)了服務(wù)器大小的負(fù)載平衡，前端緩存減少了50%到93.75%。

•實驗研究表明

成功地自動配置跟蹤程序和緩存

大小以實現(xiàn)后端負(fù)載平衡。

•在我們的實驗中，我們發(fā)現(xiàn)

YCSB的[19]加密工作負(fù)載發(fā)生器-

阿托爾。這個生成器生成的工作負(fù)載

明顯沒有承諾的那么偏斜

壓縮分布。

論文的其余部分安排如下。第二節(jié)介紹了系統(tǒng)和數(shù)據(jù)模型。在第3節(jié)中，我們通過介紹在前端使用LRU、LFU、ARC和LRU-k緩存的主要優(yōu)點和局限性來激勵CoT。我們在第四節(jié)介紹了嬰兒床的細節(jié)。第五節(jié)對膠輥的性能和運行費用進行了評估，第六節(jié)對相關(guān)工作進行了討論，第七節(jié)對論文進行了總結(jié)。

論文PDF版下載：https://arxiv.org/pdf/2006.08067