Google B4 广域网SDN 的前世今生 - sdnlab
2020-02-16 tech network sdn theory 30 mins 17 图 10826 字
1 Google 网络架构
随着云计算的发展，Internet 从最早承载海量文本/图片/视频，演变到高清直播占据Internet 主要流量（Netfliex/AWS, Youtube/Google, Facebook Live/Facebook）。随着AR 相机 和社交VR（SocialVR）的等新应用的到来，互联网的流量还会持续高速增长。大部分的流量增长没有体现在运营商SP 的网络中，而是主要集中在OTT 网络中。 Google/Facebook/AWS/Microsoft/Apple 为代表五大 OTT 都构建了全球规模的骨干网，很多人也称之为『Private Internet』。OTT 的数据中心/WAN/PoP流量快速增长，带来OTT 网络架构的快速迭代和升级。传统的设备形态和网管工具无法适应流量和业务的快速发展。OTT 纷纷采用自研设备，引入SDN 来管理全球骨干网。
Google 的SDN 网络大概可以分为四个主要部分：
云平台Andromeda（仙女座）/数据中心 Jupiter（木星）/Peering Espresso SDN（意式咖啡）/DCI 互联WAN SDN（B4）
Google 的广域网实际上分为B4（DCI）数据中心互联和B2 骨干网。如下图所示。B4 作为Google全球数据中心互联采用自研交换机设备，运行纯IP 网络。B2 连接数据中心和POP 点，采用厂家路由器设备，并且运行MPLS RSVP-TE 进行流量工程调节，还没有进行SDN 改造。简单的说B2负责数据中心到用户的流量转发（Machine to User），B4 负责数据中心到数据中心的流量转发（Machine to Machine）。
B4 的流量增长率远远高于B2，容量每9 个月就要翻倍（Double），5 年时间，流量增长了100倍。没有商用单机路由器可以支持这么大容量的业务增长。所以Google 决定利用交换机芯片来自定义自己的『超级核心路由器』
Google 在2012 年部署全球SDN 广域网络B4，基于自研设备 Saturn（土星），2013 年8 月在香港 SIGCOMM 发表B4 SDN 控制器白皮书。《B4: Experience with a Globally-Deployed Software Defined WAN》 ，2018 年发表《B4 and After: Managing Hierarchy, Partitioning, and Asymmetry for Availability and Scale in Google Software-Defined WAN》。描述B4 的演进，更新了自研设备Stargate（星关）和层次化的TE 控制器。2012 年B4 部署在全球12 个站点，到2018 年1 月B4 站点增加到33 个。 如下图所示，红色图标中的数字，说明在位置附近有多少个站点（sites）
业界对于B4 的理解仅仅停留在两篇晦涩的白皮书上。本文从一个架构师的视角试图解析B4 的自研设备，网络架构，SDN 控制和部署中碰到的难题。对于Google 如何构建云计算平台GCP 请参考作者的另一篇关于混合云/多云网络的文章 云网融合的多云网络。对于 OTT 网络架构的深入理解，基本上来源于 SIGCOM 的白皮书和一些公开视频和讨论。
2 B4 详解
2.1 B4 硬件发展
第一代 B4 Saturn（土星）交换机: 为了应对数据中心流量的快速增长，Google 2009 年在数据中心部署了第四代机框式 Saturn（土 星）交换机，可以在半高机箱中支持 288x10GE 接口，单槽 240Gbps， 一个机架支持 5.76T。相比 同期厂商路由器设备，大部分仅仅支持单槽 40G。(CRS-3 2010/2011 年全高机箱支持 140G/Slot x 16 = 2.24T)。Saturn 图片上面的 Pizzabox 是同样 24x10GE 的 TOR 交换机，接 10GE 的服务器。
多机互联 vs CLOS 运营商网络一般采用多机框的方式来 Scale out. 但是多机框需要设计专门的 Fabric 机框。最早的多 机系统通过非常复杂的交换矩阵互联把多台 LCC(line card chassis)连接起来。比如 4+2 系统需要 960 根 VCSEL(Vertical Cavity Surface-Emitting Lasers， 一个 3x12 bundle 里面有 36 根 fiber )线缆互 联。连接效率非常低，同时非常容易出现光纤故障难于 debug。在 2014 年推出的 200G/400G 每槽 的单机之后，连接的光纤采用 CXP 100GE 标准光纤带(每条 12 根光纤)，也是个庞大的复杂系统。 而且非常难于升级，多机互联采用的芯片基本上比单机系统晚一代（2-3 年）。
全球 SP 客户基本上都摒弃了 Multi-Chassis 的设计，OTT 网络从设计之初就抛弃了多机互联。很 多 OTT 客户采用 CLOS Fabric 来构建大型路由器系统。
2010 年在设计 B4 之初， Google 采用的是 CLOS 架构，用 6-8 台 Saturn 来构造一个 CLOS Fabric,并大规模部署在全球 12 个 DC site。
根据不同 site 流量要求，每个 Saturn Fabric 可以提供，5.12Tbps 连接数据中心，5.12/6.4T 到广域网连接。
CLOS Fabric as a Router 随着业务流量的增长，Saturn 大机箱 CLOS 设计也无法满足业务发展。2013 年，Google 重新设计了 B4 site,取消了原来的大盒子设计，采用小盒子 Pizzabox 来构建新型的 CLOS Fabric，两种设计 JPOP 和 Stargate（星际之门），JPOP 主要部署在 POP 点，Stargate 用来升级传统的 Saturn（土 星）站点。
Stargate 利用 1.28T 的 Trident2 芯片，采用盒式交换机（见上图右上角）。利用 16 Spine + 32 leaf， 总计 48 个盒式交换机构建了一个 Stargate(星际之门)Super Node 路由器。在一个 Stargate 站点内，一般有四个 Fabric，提供 81.2Tbps 的容量来连接 Cluster/Sidelinks 和 WAN。
从 Google B4 路由器硬件的演进可以看出，最早采用大机箱 Fabric，后来把大机箱拆开分为 Spine(Fabric Card)/Leaf(Line Card) IP CLOS 系统，多个系统组成一个站点。最近由小盒子组成的 IP Fabric Core 路由器在很多 OTT 网络中出现，比如 AWS 的 Brick 设计就是类似架构，采用不同芯片架构和 BGP 设计，更兼顾长距传输的 QOS 要求和低成本要求。
国内 OTT 纷纷参考 OCP，Sonic/Stratum 架构，开始自研数据中心交换机。但是国内 OTT 广域网（WAN）设计还没有采用专用的自研设备，也基本上没有区分 B2（DC-POP/Peering）和 B4 （DCI 互联）不同的网络设计目标，并引入广域网 SDN 控制器。Google/AWS/Facebook 的 WAN 设计值得国内 OTT 学习。限于篇幅本文仅介绍 Google 的 WAN network，后续会介绍 Facebook 和 AWS 的网络架构。
2.2 B4 网络架构
Google B4 SDN Picture from netmanis.com
B4 的流量调度，首先通过 Center TE server 搜集全球 DC Cluster 的流量发送请求。通过 SDN Gateway 调节全球 12+ DC site 之间的流量。Google 是第一家公司采用 SDN 技术，在跨洲光缆链 路做到链路利用率 98%以上。
有了新的 CLOS 路由器，Google 的 WAN 是如何构建的？首先你需要设计：
怎样做流量工程？
- 从 DC Cluster 搜集流量发送请求，发多少流量，到哪个目的地址
- 通过全球的流量管理控制器（BwE controller），进行层次化控制。从 DC Andromeda（仙女座）SDN 控制的主机 Host 开始流量控制，汇聚成每个 Job/Cluster 的流量需求，提供给 Global Enforce 统一调度并发送给 Central TE 来驱动 SDN 控制器来建立端到端的 Tunnel。
- BwE 的设计原则是，路由器/交换机不是一个对 IP 报文 per packet 做策略、带宽预留控制的理想节点，尤其 B4 采用小 buffer 交换芯片，很难做到海量数据流量 QoS 控制。所以 BwE 设计流量控制在 Host 层次，并且在 B4 提供层次化 TE 管道控制。
- BwE 修改了 Linux 网络协议栈，任何 Container 发出的流量，都可以被识别，每 5 秒钟间 隔，Host 汇报流量情况。并且汇聚 Task/Job/User/Cluster 的流量要求，最后汇聚成 SiteSite 的流量请求。并且能够根据历史流量数据，进行带宽预留的预测。如下图所示：
可能需要个路由协议？ 在 Google 数据中心里，有大量自研设备，包括 Leaf/Spine 交换机，还有前面提到的 CLOS Fabric，如何感知网络拓扑，构建 SPF 最短路径树？
2009 年左右，ISIS 用在数据中心里，带来了很多 Flooding 的问题，BGP Fabric 设计还没有流行。 Google 的一个工程师基于 ISIS 协议，创造一个新的 IGP 协议 Firepath 路由协议来计算路径。首先，把路由控制平面集中到 Firepath Master 服务器上，并且在服务器之间跑专门的 FMRP 做备 份。对于每个 Leaf/Spine 交换机，他们不需要互相建立 IGP 邻居去发现拓扑。而是仅仅跟 Master 建立邻居关系，上报拓扑信息，拿到 master 下发的路由表。Firepath 仅仅是 IGP 协议，需要引入 Quagga 做 BGP peering。
Firepath 在 2009 年左右部署在 Jupiter 和 B4，过了几年，Google 觉得 Firpath 保留了太多 ISIS 的机制，对 Google 的 DC 和 B4 意义不大。在 2014 年左右，Google 用新的 SDN 协议来取代了 Firepath。新的 SDN 控制器能拿到网络的 topo 信息，就可以计算出最优路径。不需要任何 OSPF/ISIS 或者 BGP 协议。关于新的 SDN 路由协议，我们后续再做详细分析。
选择 Tunnel 技术做流量调度
- 注意，这里的 TE 流量工程，完全没有采用传统的 MPLS RSVP-TE Tunnel。在每个 site 中，Google 采用 IPinIP 报文来实现非 ECMP 路径的 tunnel 负载分担。Google 把需要做 TE 优化的 Tunnel, Tunnel Group 和 Flow Group。用 KV 数据库构建 TED。每个 OFC 利用 TED 来下发沿路的 tunnel 转发表，OFC 等待沿路的每个路由器给出回应（成功/失败）。
- 为了避免丢包，在 OFC 更新 tunnel 和 flow group 的时候，一定要遵循一定的顺序，比如首 先设置好 tunnel，然后才能配置 flow group 映射流量到 Tunnel 上。并且在拆掉 Tunnel 之前，也要等所有 flow Entry 没有用到这个 Tunnel。
- 比如对于目的地址是 9.0.0.1 报文，在 Encap 交换机会封装在两个不同的 IP Tunnel 里面， source 地址都是 2.0.0.1，目的地址分别是 3.0.0.1 和 4.0.0.1.
- 在 Transit 交换机，到 4.0.0.1 的报文直接按照最短路径树（LPM）来转发，沿着绿色 tunnel。到 3.0.0.1 的报文，在 Transit switch1 按照 Openflow ACL table 来转发（有别于 IGP，也不是 ECMP）
- 在 Decap 交换机，根据目的地址是 3.0.0.1/4.0.0.1 直接按照 Openflow 弹出下一跳继续按照 LPM 查表。
- Openflow 表比 LPM 表项更优先，如果 Openflow 表项失败，自动按照 IGP/LPM 表项转 发。如下图所示：在 Encap Switch 上，有 IGP 算出来的 9.0.0.0/24 地址，因为配置了 FlowGroup SDN/ACL entry, 所以转发按照 ACL 找到 Multipath index=0，然后根据 Hash 结果发送到两个 tunnel。
随着 B4 流量极速增长，自研设备演变成更大的 Stargate ,同时在网络架构上，每个 Site 中引入了多 个 Stargate Fabric。为了在 site level 进行流量规划，Google 引入了另一个高层次化 TE， SuperNode TE（TSG）。如下图所示：
- SSG（Switch Split Group） level：每个 Stargate 是一个 Fabric，最多有 16 Spine + 32 leaf，需要指导流量在多个 Pizzabox 里面转发给下一个 site，或者利用 side link 转发给同一个 site 里面的另一个 Stargate Fabric。跟旧有的 Saturn 多个大机框的调度一样。
- TSG（Tunnel Split Group） level： 四个 Stargate fabric 组成一个 Super Node。Stargate Fabric 之间的链路叫做 Side Link。用来保护 Site 之间链路中断。一般 site 的 16%容量用来 Fabric 互联。新加入的流量调度层次。
- TG(Tunnel Group) Level：在 B4 Site 之间 Tunnel 的流量调度，采用 IPinIP 封装。Tunnel 的 起终点是 Statrgate 的 Edge Switch，E1/E2 etc.
在 TSG 上的层次化 TE 调度采用 Greedy Exhaustive Waterfill 算法，白皮书里用了很多篇幅讲解，实际上对于网工来讲就是利用 Stargate 之间的 Side Link 做一个 LFA（Loop Free Alternative）。如下 图 site A 有 4 个 Super Nodes，Site B 有两个 Super Nodes，如果蓝色链路 A4 到 B1/B2 故障，A4 会 把流量调度去 A1/A2/A3，A1/A2/A3 都有直连链路到 B1/B4，都是 LFA。故障节点 A4 会用 Greedy 算法来预留 Side Link 的带宽。这个流量调度层次上，没有必要，技术上也不可行引入另一层 IP-in-（IPinIP）封装。引入另一层 Tunnel 会带来 load Balance，性能和芯片支持问题。所以在 Super Node 里面调度，没有采用另加的 tunnel 头。
2.3 B4 SDN 控制器
Google 全球 TE 服务器，搜集从 BwE（带宽控制）汇聚来的各个 DC Cluster 主机流量请求，并接 受允许 host 发送流量。TE 服务器跟 SDN GW 网关来通讯，指导 B4 采用 Hybrid SDN 模式，拓扑 发现采用 IGP，对于 Tunnel 和 flow 的管理采用 OpenFlow，最早采用 ACL 来映射相应 prefix 到不 同的 tunnel，后来改为 VFP/LPM 表。
B4 控制器在每个 Site 有多个 SDN 控制器，一般一个控制器管理一个 building 里面的几十台交换机 （SuperNode 超级核心）。
3 全球化 SDN 部署经验教训
3.1 SDN 控制器和 Openflow Agent
一个好的 SDN 系统，首先要保证控制器的冗余（采用类似 Paxos/Zookeeper 机制实现），并且能 够保证到被控制设备的通道畅通。
每个 Stargate site OFC 需要控制大概(16 Spine+32 Leaf)*4= 192 switches。而且需要动态调整 TE，下发交换机转发表项。
最早的 Google B4 控制器，控制报文和数据报文混跑。通常Server的CPU很快，Switch 的 CPU 稍慢，Switch 的转发表更新就更慢了。而且最早 Openflow 控制器和OFA之间仅仅支持单一 Connection。导致 server 发出来的消息经常会排队，每次网络流量链路变化，所有涉及到的 tunnel 都要重新 program，产生很多 Flow Rules 变更（F）。Flow 变更需要等待交换机硬件完全下发。导致了协议报文（P）可能会丢失，导致拓扑变化和连锁反应。Google 的解决方案是在 controller 里把协议报文，和 Flow Rules 的放到不同优先级的队列，采用 Token based Queue，只有协议报文发送完毕才进行 Flow Rule 的调度。并且在 OFA 侧采用异步调度。极大的提高了控制器的稳定性。
『点评』：很基础的架构设计，所有路由器厂商都有主控（SDN）和接口（Agent）板卡，这个问题已经在厂家设备解决了20+多年。
3.2 Flow Group 映射
现有商用芯片有各种各样 Scale 的限制，如何在有限的表项中，尽可能的支持更大规模的网络，我们需要十分小心设计转发。Google B4 的最新设计规避了两个最大的限制。
Openflow 最早采用 ACL 转发。但是商业芯片仅支持大概 3K ACL。
sizeACL ≥ numSites × numPrefixes/Site × numServiceClasses
最初 B4 仅能支持 32 site x 16 prefix/site x 6 forwarding classes ~ 3K。随着 B4 site 增加（2018 年 1 月，33 个站点），不可能继续利用 ACL 来映射 traffic。
最新的 B4 流量映射采用层次化 FG mapping 采用 DSCP 映射到 6 个不同的 VRF，6 个 VRF 和 Global 转发表共享芯片的最长匹配表（LPM）高达 128K。从一级 ACL 到两级 VFP/LPM 转发，流量映射架构可以支持最多 32 sites 扩展到 1920 site。足够支持 Google 网络的长期演进。如果在 VRF 表项里面找不到精确匹配，两级转发架构可以很容易的从 TE 转发表，fall back 回传统的 BGP/ISIS 全局转发表。
『点评』：在 B4 定制化的场景，SuperNode 仅仅承载内部架构的 Prefix，类似 BGP free Core 的设 计理念，仙女座（Andromeda）主机 overlay 管理的客户的真正路由。把流量分类从 ACL 表转移到 FIB 表 LPM 是个很自然的选择。
3.3 Hash 功能
层次化 TE 也要求多级 Hash，如果采用一级 Hash，交换机上需要大概 192k ECMP 下一跳 Entry。而一般的交换机仅仅能支持 14K ECMP entry，16K-2K LPM（BGP/ISIS）。
在一个 CLOS 集群上，Edge switch 决定采用哪个 Tunnel。并且采用特殊的 Source MAC 来代表本 地/下一跳 site（TSG）hash 结果。在 Backend Edge 交换机上把不同 MAC 地址报文 hash 到不同的 SuperNode 上。从 Edge switch 处理所有的 Hash 结果，到分布在 Super Node CLOS 架构中的两台 Edge/Backend 交换机，Google 声称得到 6%的 Hash 结果优化。
『点评』：这个创新非常类似 2013 年某厂家交换机设计，利用 B 家商用芯片，单芯片仅仅支持很小的 128K FIB，架构师把每个 fabric 芯片做成一个独立的转发表。6 块 Fabric 可以支持 1M 以上的 FIB。路由查表时，首先在板卡做一级查找，然后在 Fabric 卡做二级查表。达到了采用商用小 FIB 表芯片来实现支持 1M Internet 转发表的功能。太阳底下没有新鲜事，技术发展是螺旋上升的。
4 总结
本文详细讲解了 Google B4 的硬件，软件协议和 SDN 控制器。对国内 OTT 的网络建设有一定的借鉴意义，本人认为：
- 分开 DCI 和 WAN：小型 OTT 还可以继续采用 DCI 和 WAN 共用混跑同一个网络。对于中大型的 OTT，需要考虑根据 M2M（Machine to Machine）和 M2U（Machine to User）的流量分开建设 DCI 和 WAN 两张网络。
- 粗粒度管理：Google 对于网络从 DC Host 端到端的控制是基于 linux 协议栈的更改和管控，引入了 QUIC 和 TCP BBR 来加强端到端质量管理，计费和控制，管理的颗粒度太细，不太适合国内 OTT，尤其是没有主机协议栈掌控能力的 OTT。对于 TE 管理，本人更倾向于类似 Facebook Express Backbone 和 Edge Fabric 的做法，针对特定 Prefix 和 Netflow 进行粗粒度管理。网络诊断可以通过 ePBF 来检测端到端的每一条 flow。
- 大 Buffer 设备：B4 采用自研 Shallow buffer（小 buffer）设备在 WAN，是因为流控在主机 侧做了。但是拥塞时丢包很严重（10%+），虽然 QUIC/BBR 可以重传，但是效率不高。 国内 OTT 可以学习采用 Big Buffer 设备部署在 WAN，减少网络重传。
- 采用 Pizzabox：国内 OTT DC Spine 和 WAN 网络习惯于采用大机箱设备。从 Google 的做法看，最早数据中心交换机做了大机 Saturn（土星），2012 年演变到 Junpiter（木星）之 后，就完全采用 Pizzabox 构建 DC 和 WAN，9 级 CLOS 部署在数据中心，Stargate{星门 48 （16+32）CLOS 超级节点（super Node）}部署在 WAN。国内 OTT 需要尽快考虑采用类似『Brick』的做法来实现 WAN router 和 DC spine。
- 采用白盒？OTT 期望软硬件解耦，随着 Snoic/Stratum 逐渐成熟，可以逐渐部署在 DC 里面。但在 WAN 采用白盒还需要考虑路由协议（比如 Opne/R）和 TE Tunnel 管理，链路保护等，短时间内采用灰盒或者黑盒更合适，尤其对于大 buffer 的交换机需要等 Sonic/Stratum 方案更成熟。
通过详细解析 Google B4 和它 5 年的演进历史，可以看到 B4 的设计理念在 2012/2013 年时非常的先进。但是也受限于历史包袱和最初系统架构设计，某些地方可以更好的优化，本人觉得 B4 可以在以下方面改进：
- 在 B4 引入 Buffer，采用大 buffer Leaf CLOS Brick。可以在增加少量硬件成本的前提下， 极大的减少网络重传。
- 引入 Segment Routing 构建拓扑和调度分离。Openflow 把拓扑构建和流量调度混在一起。 完全是静态配置，每更改一个 flow，需要在 7/8 个设备里面去下发 Flow Rules。SDN 控制 器需要跟 7/8 个设备通讯。引入 SR 之后，仅仅在入口设备上下发策略。需要考虑 SR 在 CLOS Fabric 和 Site 之间的部署。
- P4/ OpenConfig /gRPC/Telemetry 来代替 Openflow/SNMP/，Openflow 仅仅能下发流表， 最新的 P4 可以定义最新报文头解析，下发流表实现更复杂的功能。并且通过基于 gRPC 的gNMI/gNOI 来实现设备的配置和管理。Google 在业界积极推动 P4/ Openconfig/ Telemetry，相信在下一个 B4 版本会实现更好的 SDN 接口。
2011/2012 年 Google 提出和部署了业界第一个 Global Hybrid SDN 流量工程调度，彻底颠覆了传统 基于大机和多机（MC）的运营商骨干网建设思路。Google 更改了 Linux 协议栈，路由协议，转发 机制（Mapping/ECMP/Tunnel），采用 Scale Out CLOS 路由器的方式支持了 Google 流量 5 年增长 100 倍。虽然 Google 的方法不太适合中国 OTT（Facebook 的粗颗粒 SDN 方式更适合中国 OTT）。Google 解决实际架构问题中的思考和持续架构演进非常值得国内 OTT 学习。
接下来我没拿会继续详解 Google/Facebook/AWS 等 OTT 网络架构，下一讨论 Google Espresso （意式咖啡）BGP based SDN Peering。然后介绍 Facebook DC, Fabric Aggregator, Express backbone 和 Edge Fabric 等，接下来也会详解 AWS 架构。敬请期待。
最后非常感谢 Google B4 团队的开放/开源精神，在 Youtube/SIGCOM 公开了很多详细的技术细节，使得我们能够管中窥豹。