GlusterFS vs. Ceph: los dos sistemas de al­ma­ce­na­mie­n­to cara a cara

Los sistemas de al­ma­ce­na­mie­n­to di­s­tri­bui­do son la solución para almacenar y gestionar datos que no caben en un servidor co­n­ve­n­cio­nal. En este sentido, el tamaño no es el único problema, sino que los sistemas de archivos clásicos, con su es­tru­c­tu­ra en carpetas, tampoco son co­m­pa­ti­bles con datos sin es­tru­c­tu­rar.

Cuando hablamos de ma­cro­da­tos o big data, la cantidad de datos que se tendrá que gestionar no se conoce al principio del proyecto. Por lo tanto, los sistemas deben poder ampliarse fá­ci­l­me­n­te, sin dejar de funcionar, con se­r­vi­do­res adi­cio­na­les que puedan in­te­grar­se sin ob­s­tácu­los en el sistema de al­ma­ce­na­mie­n­to dado. El llamado Di­s­tri­bu­ted File System (sistema de archivos di­s­tri­bui­do) se muestra al usuario como una sencilla carpeta de un sistema de archivos tra­di­cio­nal, de manera que dicha persona no intuye que los datos sueltos o, incluso, partes de ellos, pueden estar ubicados en se­r­vi­do­res di­fe­re­n­tes que, quizá, se en­cue­n­tren en puntos geo­grá­fi­cos alejados entre sí. Puesto que tanto GlusterFS como Ceph son ya capas de software en sistemas ope­ra­ti­vos Linux, no requieren ca­ra­c­te­rí­s­ti­cas adi­cio­na­les en el hardware. Linux funciona en cualquier servidor estándar y es co­m­pa­ti­ble con todos los discos duros ha­bi­tua­les en el mercado.

El alto nivel de di­s­po­ni­bi­li­dad es una cuestión im­po­r­ta­n­te en las so­lu­cio­nes de al­ma­ce­na­mie­n­to di­s­tri­bui­do: han de evitarse las averías del hardware tanto como sea posible y la ejecución del software que hace funcionar el sistema no debe in­te­rru­m­pi­r­se ni cuando se añadan nuevos co­m­po­ne­n­tes, ni cuando sea necesario realizar trabajos de ma­n­te­ni­mie­n­to. Los metadatos im­po­r­ta­n­tes no pueden estar guardados en una sola ubicación central, sino que se debe poder acceder a ellos de forma de­s­ce­n­tra­li­za­da y no debe quedar ningún elemento sin re­du­n­da­n­cia. En caso de una avería del servidor, el conjunto del sistema nunca ha de estar en peligro. GlusterFS y Ceph son sistemas para albergar datos de proyectos de big data en un mismo sistema y poder fi­l­trar­los desde allí. Ambos pueden ampliarse prá­c­ti­ca­me­n­te tanto como se quiera, pero se basan en pla­n­tea­mie­n­tos distintos.

GlusterFS es un sistema de archivos di­s­tri­bui­do con una es­tru­c­tu­ra modular, en el cual varios se­r­vi­do­res se conectan entre sí mediante una red TCP/IP. Puesto que se trata de un sistema co­m­pa­ti­ble con POSIX (Portable Operating System Interface), GlusterFS se puede integrar fá­ci­l­me­n­te en entornos de servidor Linux, al igual que FreeBSD, Ope­n­So­la­ris y macOS, que también son co­m­pa­ti­bles con POSIX. La in­te­gra­ción en entornos Windows, sin embargo, por ahora solo es posible por vía indirecta mediante un servidor Linux que haga de gateway.

GlusterFS empezó siendo un sistema de al­ma­ce­na­mie­n­to clásico, basado en archivos. Más tarde pasó a ser orientado a objetos y al hacer el cambio se le dio una especial im­po­r­ta­n­cia a que pudiese in­te­grar­se ade­cua­da­me­n­te en la conocida solución de código abierto OpenStack. En un segundo plano, GlusterFS sigue tra­ba­ja­n­do con archivos: a cada archivo se le asigna un objeto y la conexión entre ellos se establece mediante hardlinks en el sistema de archivos. De cara al usuario, no se muestra ningún servidor dedicado, sino que él o ella dispone de sus propias in­te­r­fa­ces para guardar sus datos en GlusterFS, que se presenta como un único sistema.

La solución open source de al­ma­ce­na­mie­n­to di­s­tri­bui­do Ceph es una memoria orientada a objetos basada en objetos binarios y que, por lo tanto, evita las rígidas es­tru­c­tu­ras en bloque de los soportes de datos co­n­ve­n­cio­na­les. En términos de hardware, Ceph también utiliza discos duros, pero un algoritmo se encarga de gestionar los objetos binarios, que están divididos en numerosas partes y re­pa­r­ti­dos entre muchos se­r­vi­do­res, pero vuelven luego a uni­fi­car­se.

Todos los co­m­po­ne­n­tes funcionan de manera de­s­ce­n­tra­li­za­da. Todos los OSD (Object Based Storage Device, es decir, los di­s­po­si­ti­vos de al­ma­ce­na­mie­n­to de objetos) tienen los mismos derechos. De esta forma, se pueden conectar entre sí tantos se­r­vi­do­res como se quiera, con sus di­fe­re­n­tes discos duros, para formar un sistema de al­ma­ce­na­mie­n­to unificado. A través de tres in­te­r­fa­ces im­po­r­ta­n­tes, Ceph ofrece di­fe­re­n­tes po­si­bi­li­da­des para in­te­grar­lo en el entorno de sistema del que se disponga: CephFS como co­n­tro­la­dor del sistema de archivos de Linux, RADOS Block Devices (RBD) como di­s­po­si­ti­vo Linux, que puede in­te­grar­se di­re­c­ta­me­n­te; y RADOS Gateway, co­m­pa­ti­ble con Swift y Amazon S3.

Puesto que hay varias di­fe­re­n­cias técnicas entre GlusterFS y Ceph, no hay un claro ganador. En principio, Ceph es un sistema de al­ma­ce­na­mie­n­to basado en objetos para datos no es­tru­c­tu­ra­dos, mientras que GlusterFS utiliza sistemas de archivo en forma de árbol en di­s­po­si­ti­vos basados en bloques. GlusterFS tiene su origen en un sistema de al­ma­ce­na­mie­n­to altamente eficiente y basado en archivos, pero que se va de­sa­rro­lla­n­do cada vez más orie­n­tá­n­do­se a objetos. Ceph, en cambio, se de­sa­rro­lló ori­gi­na­l­me­n­te como di­s­po­si­ti­vo de al­ma­ce­na­mie­n­to de objetos (object storage) binario, no como un sistema de archivos clásico. Esto puede dar lugar a puntos débiles en las ope­ra­cio­nes típicas de los sistemas de archivo tra­di­cio­na­les.

Ceph, gracias a sus variadas in­te­r­fa­ces, funciona bien en redes he­te­ro­gé­neas, en las que no solo se utiliza Linux, sino también otros sistemas ope­ra­ti­vos. El punto fuerte de GlusterFS, en cambio, es el al­ma­ce­na­mie­n­to de grandes ca­n­ti­da­des de datos en formato tra­di­cio­nal, así como de datos de gran tamaño. Puesto que Ceph se de­sa­rro­lló desde un primer momento como solución open source, en el pasado resultaba más fácil uti­li­zar­lo en muchos casos, hasta que GlusterFS también pasó a ser de código abierto. Un ámbito de apli­ca­ción muy relevante para los sistemas de al­ma­ce­na­mie­n­to di­s­tri­bui­do son los servicios en la nube. En este sentido, OpenStack es uno de los proyectos de software más im­po­r­ta­n­tes que ofrecen ar­qui­te­c­tu­ras para co­mpu­tación en la nube. Ambos, GlusterFS y Ceph, funcionan igual de bien con OpenStack.