云硬盘的底层通常是分布式块存储系统，目前开源领域有一些此类项目，如CephRBD、Sheepdog。另外MooseFS和GlusterFS虽然叫做文件系统，但由于其特性与块存储系统接近，也能用于支持云硬盘。我们在测评中发现，这些开源项目均存在一些问题，使得它们都难以直接应用在大规模的生产系统当中。例如CephRBD的效率较低（CPU使用过高）；Sheepdog在压力测试中出现了数据丢失的现象；MooseFS的POSIX语义支持、基于FUSE的架构、不完全开源的2.0版本等问题给它自身带来了许多的局限性；GlusterFS与Ceph同属红帽收购的开源存储系统，主要用于scale-out文件存储场景，在云计算领域使用不多。此外，这些存储系统都难以充发挥用万兆网卡和SSD的性能潜力，难以在未来承担重任。
由于以上原因，美团云研发了全新的分布式块存储系统Ursa，通过简单稳固的系统架构、高效的代码实现以及对各种非典型场景的仔细考虑，实现了高可靠、高可用、高性能、低开销、可扩展、易运维、易维护等等目标。Ursa的名字源于DotA中的熊战士，他具有极高的攻击速度、攻击力和生命值，分别隐喻存储系统中的IOPS、吞吐率和稳定性。
Ceph性能测试
注意：由于客户端位于一个存储服务器上，所以有1/4的吞吐率不经过网卡。
测试结果如下：
从测试来看，Ceph的读吞吐率正常，然而写吞吐率不足读的1/3，性能偏低；读写延迟比显著大于网络延迟与磁盘I/O延迟之和；CPU占用率过高。
Sheepdog采用无中心节点的全对称架构，基于一致性哈希实现从ObjectID到存储节点的定位：每个节点划分成多个虚拟节点，虚拟节点和ObjectID一样，采用64位整数唯一标识，每个虚拟节点负责一段包含节点ID在内的ObjectID区间。DataObject副本存在ObjectID对应的虚拟节点，及在后续的几个节点上。Sheepdog无单点故障问题，存储容量和性能均可线性扩展，新增节点通过简单配置即可加入集群，并且Sheepdog自动实现负载均衡，节点故障时可自动发现并进行副本修复，还直接支持QEMU/KVM。
Sheepdog的服务进程既承担数据服务的职责，同时也是客户端（QEMU）访问数据的gateway。QEMU的Sheepdogdriver将对volume的请求转换成为对object的请求，然后通过UNIXdomainsocket或者TCPsocket连接一个Sheepdog服务进程，并将访问请求发给该进程来完成后续步骤。Sheepdog的服务进程还可以开启数据缓存功能，以减少网络I/O。Sheepdog的I/O路径是“client<->gateway<->objectmanager(s)”，读操作可以在任意副本完成，更新操作并行的发往所有副本，当所有副本都更新成功之后，gateway才告诉客户端更新操作成功。
Sheepdog的数据可靠性问题
我们对Sheepdog开展了可靠性、可用性测试。在测试中有共3台服务器，每台配有6个机械硬盘，配置好Sheepdog之后，每台服务器启动10个VM，每个VM内无限循环运行fio分别执行小块随机读、写和大块顺序读、写的测试。
在执行压力测试一周后，对集群中的全部数据进行一致性检测（collieclustercheck），发现有些数据块副本与另外2个不一致（“fixedreplica…”），有些数据块的3个各不相同（“nomajorityof…”）：
MooseFS是容错的分布式文件系统，通过FUSE支持标准POSIX文件系统接口。MooseFS的架构类似于GFS，由四个部分组成：
MooseFS基于FUSE提供POSIX语义支持，已有应用可以不经修改直接迁移到MooseFS之上，这给应用带来极大的便利。然而FUSE也带来了一些负面作用，比如POSIX语义对于块存储来说并不需要，FUSE会带来额外开销等等。
HDFS基本可以认为是GFS的一个简化开源实现，二者因此有很多相似之处。首先，GFS和HDFS都采用单一主控机+多台工作机的模式，由一台主控机(Master)存储系统全部元数据，并实现数据的分布、复制、备份决策，主控机还实现了元数据的checkpoint和操作日志记录及回放功能。工作机存储数据，并根据主控机的指令进行数据存储、数据迁移和数据计算等。其次，GFS和HDFS都通过数据分块和复制（多副本，一般是3）来提供更高的可靠性和更高的性能。当其中一个副本不可用时，系统都提供副本自动复制功能。同时，针对数据读多于写的特点，读服务被分配到多个副本所在机器，提供了系统的整体性能。最后，GFS和HDFS都提供了一个树结构的文件系统，实现了类似与Linux下的文件复制、改名、移动、创建、删除操作以及简单的权限管理等。
HLFS（HDFSLog-structuredFileSystem）是一个开源分布式块存储系统，其最大特色是结合了LFS和HDFS。HDFS提供了可靠、随时可扩展的文件服务，而HLFS通过Log-structured技术弥补了HDFS不能随机更新的缺憾。在HLFS中，虚拟磁盘对应一个文件，文件长度能够超过TB级别，客户端支持Linux和Xen，其中Linux基于NBD实现，Xen基于blktap2实现，客户端通过类POSIX接口libHLFS与服务端通讯。HLFS主要特性包括多副本、动态扩容、故障透明处理和快照。
HLFS性能较低。首先，非原地更新必然导致数据块在物理上非连续存放，因此读I/O比较随机，顺序读性能下降。其次，虽然从单个文件角度看来，写I/O是顺序的，但是在HDFS的ChunkServer服务了多个HLFS文件，因此从它的角度来看，I/O仍然是随机的。第三，写延迟问题，HDFS面向大文件设计，小文件写延时不够优化。第四，垃圾回收的影响，垃圾回收需要读取和写入大量数据，对正常写操作造成较大影响。此外，按照目前实现，相同段上的垃圾回收和读写请求不能并发，垃圾回收算法对正常操作的干扰较大。
iSCSI、FCoE、AoE、NBD等都是用来支持通过网络访问块设备的协议，它们都采用C/S架构，无法直接支持分布式块存储系统。
分布式块存储系统给虚拟机提供的是虚拟硬盘服务，因而有如下设计目标：
除了上述源于虚拟硬盘的直接需求意外，分布式块存储还需要支持下列功能：
分布式存储系统总体架构可以分为有master（元数据服务器）和无master两大类。有master架构在技术上较为简单清晰，但存在单点失效以及潜在的性能瓶颈问题；无master架构可以消除单点失效和性能瓶颈问题，然而在技术上却较为复杂，并且在数据布局方面具有较多局限性。块存储系统对master的压力不大，同时master的单点故障问题可采用一些现有成熟技术解决，因而美团EBS的总体架构使用有master的类型。这一架构与GFS、HDFS、MooseFS等系统的架构属于同一类型。
在元数据中，关于volume的信息非常重要，必须持久化保存；关于chunk的信息和ChunkServer的信息是时变的，并且是由ChunkServer上报的，因而没必要持久化保存。根据这样的分析，我们将关于volume的信息保存在MySQL当中，其他元数据保存在Redis当中，余下的集群管理功能由Manager完成。Master==Manager+MySQL+Redis，其中MySQL使用双机主从配置，Redis使用官方提供的标准cluster功能。
C、A、P分别代表Consistency、Availability和Partition-tolerance。分布式系统很难同时在这三个方面做到很高的保障，通常要在仔细分析应用需求的基础之上对CAP做出取舍。
块存储系统主要用于提供云硬盘服务，每块云硬盘通常只会挂载到1台VM之上，不存在多机器并发读写的情况，因而其典型应用场景对一致性的需求较低。针对这一特性，我们可以在设计上舍C而取AP。
对于多机并行访问云硬盘的使用模式，若数据是只读的则无需额外处理；若数据有写有读，甚至是多写多读，则需要在上层引入分布式锁，来确保数据一致性和完整性。这种使用模式在SAN领域并不少见，其典型应用场景是多机同时挂载一个网络硬盘，并通过集群文件系统（而不是常见的单机文件系统）来协调访问存储空间。集群文件系统内部会使用分布式锁来确保数据操作的正确性，所以我们舍C的设计决策不会影响多机并行访问的使用模式。
并发（不是并行！）模型的选择和设计无法作为实现细节隐藏在局部，它会影响到程序代码的各个部分，从底层到上层。基本的并发模型只有这样几种：事件驱动、多线程、多进程以及较为小众的多协程。
事件驱动模型是一种更接近硬件工作模式的并发模型，具有更高的执行效率，是高性能网络服务的普遍选择。为能充分发挥万兆网络和SSD的性能潜力，我们必须利用多核心并行服务，因而需要选用多线程或者多进程模型。由于多进程模型更加简单，进程天然是故障传播的屏障，这两方面都十分有利于提高软件的健壮性；并且我们也很容易对业务进行横向拆分，做到互相没有依赖，也不需要交互，所以我们选择了多进程模型，与事件驱动一起构成混合模型。
协程在现实中的应用并不多，很多语言/开发生态甚至不支持协程，然而协程在一些特定领域其实具有更好的适用性。比如，QEMU/KVM在磁盘I/O方面的并发执行完全是由协程负责的，即便某些blockdriver只提供了事件驱动的接口（如CephRBD），QEMU/KVM也会自动把它们转化封装成多协程模式。实践表明，在并发I/O领域，多协程模型可以同时在性能和易用性方面取得非常好的效果，所以我们做了跟QEMU/KVM类似的选择——在底层将事件驱动模型转换成了多协程模型，最终形成了“多进程+多协程+事件驱动”的混合并发模型。
如图所示，Ursa中的存储结构与GFS/HDFS相似，存储卷由64MB（可配置）大小的chunk组成。Ursa系统中的数据复制、故障检测与修复均在chunk层次进行。系统中，每3个（可配置）chunk组成一组，互为备份。每2个chunk组构成一个stripe组，实现条带化交错读写，提高单客户端顺序读写性能。Ursa在I/O栈上层添加Cache模块，可将最常用的数据缓存在客户端本地的SSD介质当中，当访问命中缓存时可大大提高性能。
最常见的写入策略有两种：(1)客户端直接写多个副本到各个ChunkServer，如图(a)所示，Sheepdog采用此种办法；(2)客户端写第一个副本，并将写请求依次传递下去，如图(b)所示。这两种方法各有利弊：前者通常具有较小的写入延迟，但吞吐率最高只能达到网络带宽的1/3；后者的吞吐率可以达到100%网络带宽，却具有较高的写入延迟。
由于Ursa可能用于支持各种类型的应用，必须同时面向吞吐率和带宽进行优化，所以我们设计采用了一种分叉式的写入策略：如图?所示，客户端使用WRITE_REPLICATE请求求将数据写到第一个副本，称为primary，然后由primary负责将数据分别写到其他副本。这样Ursa可以在吞吐率和延迟两方面取得较好的均衡。为确保数据可靠性，写操作会等所有副本的写操作都完成之后才能返回。
ChunkServer内部几乎不保存状态，通常情况下各个请求之间是完全独立执行的，并且重启ChunkServer不会影响后续请求的执行。这样的ChunkServer不但具有更高的鲁棒性，而且具有更高的扩展性。许多其他网络服务、协议的设计都遵循了无状态的原则。
如下图所示，Ursa中的I/O功能模块的组织采用decorator模式，即所有模块都实现了IStore抽象接口，其中负责直接与ChunkServer通信的模块属于decorator模式中的concretecomponent，其余模块均为concretedecorator。所有的decorator都保存数量不等的指向其他模块的指针（IStore指针）。
在运行时，Ursa的I/O栈层次结构的对象图如下所示。
如下图所示，测试环境由万兆以太网、1台Client和3台ChunkServer组成，chunk文件存在tmpfs上，即所有写操作不落盘，写到内存为止。选择tmpfs主要是为了避免硬盘的I/O速度的局限性，以便测试Ursa在极限情况下的表现。
测试环境的网络延迟如下：
在上述环境中，用fio分别测试了读写操作的吞吐率、IOPS以及I/O延迟，测试参数与结果如下：
从测试结果可以看出：
作为对比，我们在测试Ceph的过程中监测到服务端CPU占用情况如下：
此时机器上5个存储服务进程ceph-osd共占用123.7%的CPU资源，提供了4101的读IOPS服务；而Ursa的服务进程只消耗了43%的CPU资源，提供了61340读IOPS服务，运行效率比Ceph高43倍。在客户端方面，Ceph消耗了500%+的CPU资源，得到了16407读IOPS；而Ursa只消耗了96%的CPU资源，得到了61340读IOPS，运行效率比Ceph高21倍。