SISTEMAS DE ARCHIVOS DISTRIBUIDOS

Indice1. Introducción a los sistemas de archivos distribuidos 2. Diseño de los sistemas de archivos distribuidos 3. Implantación de un sistema de archivos distribuidos 4. Tendencias en los sistemas distribuidos 5. Bibliografía

1. Introducción a los sistemas de archivos distribuidos

La Era de la Informática ha sufrido diversos cambios desde que apareciera allá por los años 40’. Era una época en la que a nadie se le hubiera ocurrido la loca idea de tener una computadora en casa, ya que éstas en su comienzo consistían en un gran conjunto de tubos de vacío y consolas de gran tamaño que solo podían ser ubicadas en enormes salas con un acondicionamiento especial para su mejor funcionamiento. Sin mencionar que su adquisición era solamente apta para las grandes billeteras de la época. En esos tiempos tener una computadora en casa era idea de nadie, pues no era necesario, ya que en aquellos tiempos la revolución tecnológica se encontraba aun dando sus primeros pasos. Hoy los tiempos han cambiado, y simplemente no se concibe la idea de no tener una computadora en casa o de no tener un correo electrónico en el cual recibir boletines de los más variados tema de interés y a través del cual comunicarse con amigos de todas partes del mundo. Por supuesto, para llegar a nuestros tiempos muchas cosas tuvieron que surgir. En este caso, de la Era de la Informática, ocurrieron dos causas contemporáneas a las que se les atribuye este gran cambio: primero, el desarrollo de poderosos y económicos microprocesadores (eso en relación a la Ley de Grosch), que permitieron tener el poder de un computador mainframe respetable, y; segundo, el desarrollo de las ahora famosas Redes de Área Local (LANs: Local Area Network) de alta velocidad que permiten la interconexión de cientos de computadores con las cuales se consigue transferir pequeñas cantidades de información en pequeñas fracciones de tiempo. Cada una de las cuales ofreciendo sus mejores características y ventajas que ayudarían a la revolución de la que ahora somos testigos. Como resultado de estas importantes invenciones, encontramos sistemas computacionales compuestos de una gran cantidad de computadores y/o procesadores conectados entre sí mediante una red de alta velocidad. A los que llamaremos a partir de ahora: Sistemas Distribuidos. Es preciso mencionar que estos sistemas distribuidos necesitan de software muy distinto al que utilizan los sistemas centralizados, y en la actualidad, los sistemas operativos para estos sistemas aún se encuentran en su etapa de aparición. Existe un importante antecedente de las redes de computadores, el ARPANET, que apareció en los Estados Unidos en el año 1969. Creado por el Departamento de Defensa de los Estados Unidos, esta primitiva red permitía que los proveedores e investigadores de la defensa pudieran continuar comunicándose después de un ataque nuclear. Es decir, en lugar de tratar de fortalecer la red contra las armas nucleares, los diseñadores de ARPANET decidieron hacerla resistente distribuyendo los recursos de modo totalmente descentralizado, de manera que la destrucción de una parte cualquiera de la red, no detuviese el flujo global de información. Esta red encontró rápida y satisfactoria acogida entre los científicos informáticos e ingenieros de la industria y en las universidades, y se convirtió en un enlace vital de comunicación entre colaboradores remotos. Era prácticamente desconocida para los extraños. En 1989, cuando el gobierno de los Estados Unidos decidió dejar de subvencionar la ARPANET, los usuarios que dependían de la red planificaron una sucesora que se denominaría Internet. Este hecho marca el inicio de la idea de los sistemas distribuidos.

2. Diseño de los sistemas de archivos distribuidos

Generalmente, un sistema de archivos distribuidos consta de dos componentes muy distintos entre sí: el servicio de archivos y el servicio de directorios.

La Interfaz del Servicio de Archivos Un archivo es una secuencia de bytes sin interpretación alguna. Esto quiere decir que el contenido y estructura de un archivos es interpretado por el software de aplicación mas no por el sistema operativo sobre el que se está trabajando. Un archivo se caracteriza por tener atributos, tales como: el propietario, el tamaño, la fecha de creación y el permiso de acceso. La utilidad del servicio de archivos consiste en proporcionar una adecuada administración de los atributos, definidos por el usuario, que estas poseen. Lo más común es encontrar algunos sistemas avanzados que permitan modificarlos después de sus creación, pero en algunos sistemas distribuidos las únicas operaciones que pueden realizarse sobre un archivo es CREATE y READ (Crear y Leer). Es decir, una vez creado el archivo no puede modificarse. A este tipo de archivos se les denomina archivos inmutables. Existen dos tipos de servicios de archivos distribuidos: modelo carga/descarga y modelo de acceso remoto. Modelo Carga/Descarga: Consiste básicamente en dos operaciones: lectura y escritura. Como se muestra en la Figura 1.1, la primera operación consiste en la transferencia de un archivo completo desde el servidor hacia el cliente solicitante; la segunda operación consiste en el envío de un archivo del cliente al servidor, es decir, en sentido contrario. Mientras tanto los archivos pueden ser almacenados en memoria o en un disco local, según sea el caso.

El modelo carga/descarga Modelo de Acceso Remoto: Este tipo de modelo consiste en que todas las operaciones (abrir y cerrar, leer y escribir, etc.) se realizan en el servidor mas no en los clientes. Esto se muestra claramente en la Figura 1.2. Figura 1.2. El modelo de acceso remoto

Estos dos modelos se diferencian en que en el primero se debe transferir el archivo completo del servidor al cliente y viceversa, lo que no es necesario en el modelo de acceso remoto. Debemos tener en cuenta que el solo hecho de compartir archivos puede traer dos problemas principales por resolver: el permiso de acceso y la gestión de los accesos simultáneos.

• Permisos de Accesos:

Un sistema de archivos distribuidos provee al usuario de una herramienta flexible que permite compartir archivos extensos entre ellos. Esta herramienta actualmente utilizada con mucho éxito (pero con algunas deficiencias) no es más que una lista de derechos de acceso los cuales pueden ser asignados a un usuario en particular para un archivo en particular. Estos derechos de acceso se muestran en la siguiente tabla:

Puede brindarse acceso a las siguientes clases de usuario:

• Usuario específico: Usuarios individuales quienes son designados por su ID de usuario.
• Grupos de usuario: Conjunto de usuarios no definidos individualmente.
• Todos: Es decir, todos los usuarios que tengan acceso al sistema. Los archivos son públicos.
• Gestión de Accesos Simultáneos:

El sistema operativo o el sistema de gestión de archivos permite al usuario (que previamente ha tenido acceso a determinado archivo) que él mismo pueda bloquear el archivo cuando vaya a utilizarlo , o en todo caso, bloquear los registros individuales durante la actualización. Si no se considera ninguna de estas dos opciones, entonces se analizará aspectos de exclusión mutua e interbloqueo.

La Interfaz del Servidor de Directorios El propósito general del servidor de directorios es poder crear y eliminar directorios, nombrar o cambiar el nombre de archivos y mover éstos de un directorio a otro. El sistema distribuido es el encargado de definir el alfabeto y la sintaxis para formar los nombres de los archivos y directorios. Por ejemplo, Windows divide los nombres de lo archivos en dos partes: nombre y extensión (tipo de archivo), los cuales se denotan separados por un punto: nombre_archivo.extensión; así tenemos que libro.txt es un archivo cuyo nombre es libro y es de tipo texto. En otros sistemas, como el UNIX, clasifican a los archivos según sus atributos (en UNIX un archivo ejecutable se pinta de otro color). Todo sistema distribuido permite la existencia de subdirectorios (directorios dentro de otro directorio), permitiéndose a los usuarios clasificar sus archivos a sus gusto. Estos subdirectorios, a su vez, pueden contener otros subdirectorios lo que se conoce como sistema jerárquico de archivos. Algunos sistemas distribuidos permiten crear apuntadores o enlaces a un directorio determinado, construyendo, de esta manera, no solamente árboles sino también gráficas de directorios los cuales son más consistentes.

Un árbol de directorios contenido en una máquina Esta diferencia entre árboles y gráficas es de gran importancia en un sistema distribuido y radica en la eliminación de enlaces entre un directorio y otro. Es decir, en un árbol se puede eliminar un enlace con un directorio si el directorio al cual se apunta es vacío, mientras que en una gráfica solo puede eliminarse enlaces mientras exista al menos otro enlace.

Una gráfica de directorios en dos máquinas Semántica de los Archivos Distribuidos Existen hasta cuatro métodos para utilizar los archivos compartidos en un sistema distribuido:

• Semántica de UNIX: En la que cada operación en un archivo es visible a todos los procesos de manera simultánea. Esto implica que cada operación cumpla un estricto orden con respecto al tiempo, puesto que el archivo es actualizado inmediatamente después de realizada cada operación.
• Semántica de Sesión: En la que ningún cambio es visible a otros procesos hasta que l archivo que está siendo utilizado se cierra. Esto produce un desfasamiento en la actualización del archivo, puesto que un archivo puede estar siendo utilizado por dos o más clientes en forma simultánea y se tendrá como resultado el archivo cuyo cliente lo cierra después que todos los demás.
• Archivos inmutables: En la que no existen actualizaciones, puesto que una vez creado el archivo no puede modificarse. Así es más fácil compartir y replicar archivos.
• Transacciones: En la que todos los cambios tienen la propiedad del todo o nada. Es decir, cada operación que es llamada al sistema no se detiene hasta que finaliza propiamente. De esta manera, si una operación es requerida mientras está siendo utilizada por otra, esta última no se ejecutará hasta que finalice la ejecución de la primera.

3. Implantación de un sistema de archivos distribuidos

Uso de Archivos Existen diferentes formas de utilizar los archivos, pero también existen dos formas de medir el grado de utilización de cada uso que se le puede dar a un archivo. Estas formas son: mediciones estáticas y mediciones dinámicas.

• Mediciones Estáticas: En este tipo de mediciones se observa el sistema en un determinado momento, esto quiere decir que se verifica su estado en un instante de tiempo. Entre algunas de estas mediciones estáticas podemos encontrar: la distribución de tamaños de los archivos, la distribución de tipos de archivos y la cantidad de espacio que ocupan los archivos de varios tamaños y tipos.
• Mediciones Dinámicas: Este tipo de mediciones se encarga de registrar todas las operaciones en una bitácora para un análisis posterior. De esta manera se tiene información respecto a la frecuencia con que se realizan ciertas operaciones.

Según Satyanarayanan (1981), las propiedades más comunes de los sistemas de archivos son las siguientes:

• La mayoría de los archivos son pequeños (menos de 10 K).
• La lectura es más común que la escritura.
• La lectura y escritura son secuenciales: es raro el acceso aleatorio.
• La mayoría de los archivos tienen una vida corta.
• Es poco usual compartir archivos.
• Los procesos promedio utilizan sólo unos cuantos archivos.
• Existen distintas clases de archivos con propiedades diferentes.

Estructura del Sistema La estructura de un sistema es determinante para el servicio de archivos y directorios, para eso se debe diferenciar entre quiénes son los clientes y quiénes son los servidores. En algunos sistemas el servidor solamente puede actuar como servidor y el cliente solamente como cliente. Esto puede tener sus ventajas y desventajas puesto si en algún momento el servidor falla, entonces todo el sistema se paralizaría. En otros sistemas, sin embargo, el servidor de archivos y el de directorios son solamente programas del usuario, de esta manera se puede configurar el sistema para que ejecute o no el software de cliente o servidor en la misma máquina, como se desee. Pero se ha de considerar el aspecto estructural de los servidores de archivos y directorios, en cuanto a que deben o no contener los estados de los clientes. Es decir, existen dos tipos de pensamiento con respecto a este tema: los servidores sin estado y los servidores con estado.

• Servidores sin Estado: Consiste en que cuando un cliente envía una solicitud a un servidor, éste la lleva a cabo, envía la respuesta y elimina de sus tablas internas toda la información correspondiente a dicha solicitud. El servidor no guarda la información relativa a los clientes entre las solicitudes.

Ventajas:

• Tolerancia de fallas
• No necesita llamadas OPEN/CLOSE
• No se desperdicia el espacio del servidor en tablas
• No existe límite para el número de archivos abiertos
• No hay problemas si un cliente falla

• Servidores con Estado: Conservan la información de estado de los clientes entre las solicitudes. Esto es lo que ocurre en los sistemas centralizados.

Ventajas:

• Mensajes de solicitud más cortos
• Mejor desempeño
• Es posible la lectura adelantada
• Es más fácil la idempotencia
• Es posible la cerradura de archivos

Ocultamiento En un sistema cliente – servidor, en el que cada uno cuenta con su memoria principal y un disco, pueden almacenarse los archivos o partes de ellos en cuatro lugares diferentes: el disco del servidor, la memoria principal del servidor, el disco del clientes o la memoria principal del cliente. Esto se puede observarse en la Figura 1.5.

Cuatro lugares para guardar archivos o partes de ellos Cada lugar en donde se guarde los archivos presenta ventajas y desventajas respecto a la velocidad de transferencia. Aun así, se puede lograr un mejor desempeño ocultando (conservando) los archivos en la memoria principal del servidor. Como la memoria principal siempre es de menor capacidad que el disco, entonces debe implementarse un algoritmo para decidir qué archivos o partes de ellos permanecerán en el caché del servidor. Este algoritmo deberá resolver dos problemas que se presentarán: Uno de los problemas es el tamaño de la unidad que administra el caché, ya que puede administrar archivos completos o bloques del disco. Si se ocultan los archivos completos, éstos se pueden almacenar en forma adyacente en el disco (o al menos pedazos muy grandes), lo cual permite transferencias a alta velocidad entre la memoria y el disco, así como un buen desempeño en general. Sin embargo, el ocultamiento de bloques de disco utiliza el caché y el espacio en disco en forma más eficiente. El segundo problema es que el algoritmo debe decidir qué hacer si se utiliza toda la capacidad del caché y hay que eliminar a alguien. En este caso podría utilizarse cualquiera de los dos algoritmos de ocultamiento, pero como las referencias al caché son poco frecuentes comparadas con las referencias a memoria, por lo general es factible una implantación exacta de LRU mediante punteros (listas enlazadas).

Réplica En general, los sistemas de archivos distribuidos proporcionan la réplica de archivos como servicio a sus clientes. Es decir, se dispone de varias copias de algunos archivos, donde cada copia está en un servidor de archivos independiente. Este servicio de réplica se brinda por diversa razones, a continuación presentamos las principales razones:

• Aumentar la confiabilidad al disponer de respaldos independientes de cada archivo. Es decir, si un servidor falla o se pierde permanentemente, no se pierden los datos.
• Permitir el acceso al archivo aunque falle un servidor de archivos. Si un servidor falla esto no debe ocasionar que el sistema se detenga.
• Repartir la carga de trabajo entre varios servidores. Con varios archivos duplicados en dos o más servidores, se puede utilizar el que tenga menor carga.

Existen tres formas de realizar la réplica: réplica explícita, réplica retrasada y réplica de archivos mediante un grupo.

• Réplica explícita: Consiste en que el programador controle todo el proceso. Cuando un proceso crea un archivo, lo hace en un servidor específico. Entonces se puede crear copias adicionales en otros servidores.
• Réplica retrasada: Consiste en crear un sola copia de cada archivo en el servidor. Luego, el propio servidor crea réplicas de este archivo en otros servidores automáticamente.
• Réplica de archivos mediante un grupo: En este caso, todas las llamadas WRITE al sistema se transmiten en forma simultánea a todos los servidores a la vez, por lo que todas las copias adicionales se hacen al mismo tiempo que el original.

4. Tendencias en los sistemas distribuidos

Los cambios tecnológicos de los últimos años pueden traer también cambios muy importantes en los sistemas de archivos distribuidos. Además con el rápido avance que se da en las redes de comunicaciones y su incremento en el ancho de banda la creación de paquetes que ofrecen la compartición de archivos es común de encontrarse en el mercado. En la industria, el esquema más solicitado es aquel que permite acceder a los grandes volúmenes de información de los grandes servidores desde las computadores personales o convencionales y desde otros servidores. Es por eso que la principal solución que adoptada por las pequeñas empresas es contar con Novell Netware en un servidor 486 o superior y acceder a los archivos desde máquinas similares. Entre los sistemas de archivos distribuidos más populares que existen en la actualidad, tenemos los que nos proporciona Netware, tales como:

• Remote Filke Sharing (RFS en UNIX)
• Network File System (de Sun Microsystems)
• Andrew File System (AFS)

Veremos a continuación algunos aspectos en los que podrían presentarse cambios en un futuro no muy lejano, teniendo en cuenta que los cambios tecnológicos se producen día a día y en desmesurado avance.

Hardware reciente Existen muchos dispositivos hardware que en los últimos años están abaratando sus costos, tales como las memorias. Esto mejoraría circunstancialmente los actuales servidores de archivos puesto que se podrá adquirir gran cantidad de gigabytes de memoria, aunque todavía se presente el problema de que la memoria sea volátil, es decir, que cuando se apaga el sistema se borran los archivos. Una nueva innovación en hardware son los discos ópticos que ahora pueden ser utilizados más de una vez. Aunque son un poco más caros que las cintas de video siempre han sido un aporte importante para los sistemas de archivos, principalmente en el soporte de backups. Otro desarrollo importante en hardware son las redes de fibra óptica de alta velocidad que agilizarían la transferencia de archivos y se podría prescindir de la memoria caché. Esto también simplificaría en mucho el software a utilizarse en los sistemas de archivos distribuidos. Existen muchas más innovaciones tecnológicas que poco a poco harán más eficiente el manejo y administración de los sistemas de archivos, por lo que en el futuro se podría aun encontrar diversos tipos de soluciones específicas para un sistema determinado por sus propias características y requerimientos.

Escalabilidad El concepto de escalabilidad propone que cualquier computador individual ha de ser capaz de trabajar independientemente como un sistema de archivos distribuido, pero también debe poder hacerlo conectado a muchas otras máquinas. Un sistema de archivos debería funcionar tanto para una docena de equipos como para varios millares. Igualmente no debería ser determinante el tipo de red utilizada (LAN o WAN) ni las distancias entre los equipos. Aunque este punto sería muy necesario, puede que las soluciones impuestas para unos cuantos equipos no sean aplicables para varios otros. De igual manera, el tipo de red utilizada condiciona el rendimiento del sistema, y podría ser que lo que funcione para un tipo de red, para otro necesitaría un diseño diferente.

Redes de área amplia La mayor parte del trabajo que se realiza actualmente en los sistemas distribuidos se basa en los sistemas alojados en redes LAN. La tendencia en el futuro es que veremos conectados entres sí muchos sistemas distribuidos LAN con el fin de formar sistemas distribuidos transparentes a través de todo el mundo. Pero para esto tendría que tomarse como punto de importancia el hecho de que no todos los países utilizan un mismo tipo caracteres para sus archivos, es decir, si en latinoamérica utilizamos los códigos ASCII, puede ser que en otras partes del mundo no se utilice este mismo concepto, lo que produciría una incompatibilidad de datos. Por otro lado, también es importante el cambio que se producirá en las aplicaciones, puesto que la mayoría de experimentos que actualmente se realizan en las universidades están basados en sistemas parecidos a UNIX. Un problema que se presentará aun mucho más tiempo es que la conexión de fibra óptica tardará muchos años en instalarse en todos los rincones del planeta y también la existencia de una red de mayor ancho de banda será difícil y costosa de implementar pues no se cuenta, todavía, con una mayor aceptación del potencial público usuario.

Usuarios móviles A medida que la tecnología de las comunicaciones se digitaliza, se encuentra sujeta a las mismas mejoras exponenciales que han hecho que una computadora portátil de 2000 dólares actual tenga más capacidad que una computadora IBM de 10 millones de dólares de hace veinte años. Por esta razón las computadoras portátiles presenta un mayor crecimiento en la tecnología informática. Pero este hecho presenta la inconveniencia de que estos usuarios no estarán conectados todo el tiempo al sistema, es decir, solo lo estarán algún tiempo y luego no aparecerán. Esto es debido a que todavía no se cuenta con una adecuada red instalada en diversos lugares para que el usuario pueda conectar su laptop, notebook y su PC de bolsillo a su respectivo sistema o al sistema al cual desea conectarse. Además, como todavía no se cuenta con un ancho de banda mayor, la transferencia de archivos se hace aun mucho más lenta. Se espera que en el futuro existan mejores ventajas para que sobresalga este de desarrollo tecnológico que los últimos ha demostrado tener una verdadera tendencia a seguir creciendo.

Tolerancia de fallas En la actualidad, la mayor parte de los sistemas de cómputo no presentan tolerancia a fallas. Es común escuchar en las agencias bancarias la frase: "No hay sistema", por lo que tomamos este hecho como algo absolutamente normal. Salvo algunos sistemas especializados como los que se utilizan para el control de tráfico aéreo, otros sistemas no presentan este comportamiento que debería ser el óptimo. Para que los sistemas de archivos cumplan con este requisito, deberá existir o implementarse una consistente infraestructura de hardware lo cual permita a los sistemas ser realmente confiables y seguros en cuanto a tiempo de funcionamiento efectivo se refiere.

5. Bibliografía

Sistemas Operativos Distribuidos – William Stallings

Autor:

José Walter Fernández Sánchez

Ing. de Sistemas Perú