merge-recursive: honor diff.algorithm
[git/gitster.git] / Documentation / technical / commit-graph.txt
blob2c26e95e51ab9aacb147fad022c669a2a17e928b
1 Git Commit-Graph Design Notes
2 =============================
4 Git walks the commit graph for many reasons, including:
6 1. Listing and filtering commit history.
7 2. Computing merge bases.
9 These operations can become slow as the commit count grows. The merge
10 base calculation shows up in many user-facing commands, such as 'merge-base'
11 or 'status' and can take minutes to compute depending on history shape.
13 There are two main costs here:
15 1. Decompressing and parsing commits.
16 2. Walking the entire graph to satisfy topological order constraints.
18 The commit-graph file is a supplemental data structure that accelerates
19 commit graph walks. If a user downgrades or disables the 'core.commitGraph'
20 config setting, then the existing object database is sufficient. The file is stored
21 as "commit-graph" either in the .git/objects/info directory or in the info
22 directory of an alternate.
24 The commit-graph file stores the commit graph structure along with some
25 extra metadata to speed up graph walks. By listing commit OIDs in
26 lexicographic order, we can identify an integer position for each commit
27 and refer to the parents of a commit using those integer positions. We
28 use binary search to find initial commits and then use the integer
29 positions for fast lookups during the walk.
31 A consumer may load the following info for a commit from the graph:
33 1. The commit OID.
34 2. The list of parents, along with their integer position.
35 3. The commit date.
36 4. The root tree OID.
37 5. The generation number (see definition below).
39 Values 1-4 satisfy the requirements of parse_commit_gently().
41 There are two definitions of generation number:
42 1. Corrected committer dates (generation number v2)
43 2. Topological levels (generation number v1)
45 Define "corrected committer date" of a commit recursively as follows:
47  * A commit with no parents (a root commit) has corrected committer date
48     equal to its committer date.
50  * A commit with at least one parent has corrected committer date equal to
51     the maximum of its committer date and one more than the largest corrected
52     committer date among its parents.
54  * As a special case, a root commit with timestamp zero has corrected commit
55     date of 1, to be able to distinguish it from GENERATION_NUMBER_ZERO
56     (that is, an uncomputed corrected commit date).
58 Define the "topological level" of a commit recursively as follows:
60  * A commit with no parents (a root commit) has topological level of one.
62  * A commit with at least one parent has topological level one more than
63    the largest topological level among its parents.
65 Equivalently, the topological level of a commit A is one more than the
66 length of a longest path from A to a root commit. The recursive definition
67 is easier to use for computation and observing the following property:
69     If A and B are commits with generation numbers N and M, respectively,
70     and N <= M, then A cannot reach B. That is, we know without searching
71     that B is not an ancestor of A because it is further from a root commit
72     than A.
74     Conversely, when checking if A is an ancestor of B, then we only need
75     to walk commits until all commits on the walk boundary have generation
76     number at most N. If we walk commits using a priority queue seeded by
77     generation numbers, then we always expand the boundary commit with highest
78     generation number and can easily detect the stopping condition.
80 The property applies to both versions of generation number, that is both
81 corrected committer dates and topological levels.
83 This property can be used to significantly reduce the time it takes to
84 walk commits and determine topological relationships. Without generation
85 numbers, the general heuristic is the following:
87     If A and B are commits with commit time X and Y, respectively, and
88     X < Y, then A _probably_ cannot reach B.
90 In absence of corrected commit dates (for example, old versions of Git or
91 mixed generation graph chains),
92 this heuristic is currently used whenever the computation is allowed to
93 violate topological relationships due to clock skew (such as "git log"
94 with default order), but is not used when the topological order is
95 required (such as merge base calculations, "git log --graph").
97 In practice, we expect some commits to be created recently and not stored
98 in the commit-graph. We can treat these commits as having "infinite"
99 generation number and walk until reaching commits with known generation
100 number.
102 We use the macro GENERATION_NUMBER_INFINITY to mark commits not
103 in the commit-graph file. If a commit-graph file was written by a version
104 of Git that did not compute generation numbers, then those commits will
105 have generation number represented by the macro GENERATION_NUMBER_ZERO = 0.
107 Since the commit-graph file is closed under reachability, we can guarantee
108 the following weaker condition on all commits:
110     If A and B are commits with generation numbers N and M, respectively,
111     and N < M, then A cannot reach B.
113 Note how the strict inequality differs from the inequality when we have
114 fully-computed generation numbers. Using strict inequality may result in
115 walking a few extra commits, but the simplicity in dealing with commits
116 with generation number *_INFINITY or *_ZERO is valuable.
118 We use the macro GENERATION_NUMBER_V1_MAX = 0x3FFFFFFF for commits whose
119 topological levels (generation number v1) are computed to be at least
120 this value. We limit at this value since it is the largest value that
121 can be stored in the commit-graph file using the 30 bits available
122 to topological levels. This presents another case where a commit can
123 have generation number equal to that of a parent.
125 Design Details
126 --------------
128 - The commit-graph file is stored in a file named 'commit-graph' in the
129   .git/objects/info directory. This could be stored in the info directory
130   of an alternate.
132 - The core.commitGraph config setting must be on to consume graph files.
134 - The file format includes parameters for the object ID hash function,
135   so a future change of hash algorithm does not require a change in format.
137 - Commit grafts and replace objects can change the shape of the commit
138   history. The latter can also be enabled/disabled on the fly using
139   `--no-replace-objects`. This leads to difficulty storing both possible
140   interpretations of a commit id, especially when computing generation
141   numbers. The commit-graph will not be read or written when
142   replace-objects or grafts are present.
144 - Shallow clones create grafts of commits by dropping their parents. This
145   leads the commit-graph to think those commits have generation number 1.
146   If and when those commits are made unshallow, those generation numbers
147   become invalid. Since shallow clones are intended to restrict the commit
148   history to a very small set of commits, the commit-graph feature is less
149   helpful for these clones, anyway. The commit-graph will not be read or
150   written when shallow commits are present.
152 Commit-Graphs Chains
153 --------------------
155 Typically, repos grow with near-constant velocity (commits per day). Over time,
156 the number of commits added by a fetch operation is much smaller than the
157 number of commits in the full history. By creating a "chain" of commit-graphs,
158 we enable fast writes of new commit data without rewriting the entire commit
159 history -- at least, most of the time.
161 ## File Layout
163 A commit-graph chain uses multiple files, and we use a fixed naming convention
164 to organize these files. Each commit-graph file has a name
165 `$OBJDIR/info/commit-graphs/graph-{hash}.graph` where `{hash}` is the hex-
166 valued hash stored in the footer of that file (which is a hash of the file's
167 contents before that hash). For a chain of commit-graph files, a plain-text
168 file at `$OBJDIR/info/commit-graphs/commit-graph-chain` contains the
169 hashes for the files in order from "lowest" to "highest".
171 For example, if the `commit-graph-chain` file contains the lines
174         {hash0}
175         {hash1}
176         {hash2}
179 then the commit-graph chain looks like the following diagram:
181  +-----------------------+
182  |  graph-{hash2}.graph  |
183  +-----------------------+
184           |
185  +-----------------------+
186  |                       |
187  |  graph-{hash1}.graph  |
188  |                       |
189  +-----------------------+
190           |
191  +-----------------------+
192  |                       |
193  |                       |
194  |                       |
195  |  graph-{hash0}.graph  |
196  |                       |
197  |                       |
198  |                       |
199  +-----------------------+
201 Let X0 be the number of commits in `graph-{hash0}.graph`, X1 be the number of
202 commits in `graph-{hash1}.graph`, and X2 be the number of commits in
203 `graph-{hash2}.graph`. If a commit appears in position i in `graph-{hash2}.graph`,
204 then we interpret this as being the commit in position (X0 + X1 + i), and that
205 will be used as its "graph position". The commits in `graph-{hash2}.graph` use these
206 positions to refer to their parents, which may be in `graph-{hash1}.graph` or
207 `graph-{hash0}.graph`. We can navigate to an arbitrary commit in position j by checking
208 its containment in the intervals [0, X0), [X0, X0 + X1), [X0 + X1, X0 + X1 +
209 X2).
211 Each commit-graph file (except the base, `graph-{hash0}.graph`) contains data
212 specifying the hashes of all files in the lower layers. In the above example,
213 `graph-{hash1}.graph` contains `{hash0}` while `graph-{hash2}.graph` contains
214 `{hash0}` and `{hash1}`.
216 ## Merging commit-graph files
218 If we only added a new commit-graph file on every write, we would run into a
219 linear search problem through many commit-graph files.  Instead, we use a merge
220 strategy to decide when the stack should collapse some number of levels.
222 The diagram below shows such a collapse. As a set of new commits are added, it
223 is determined by the merge strategy that the files should collapse to
224 `graph-{hash1}`. Thus, the new commits, the commits in `graph-{hash2}` and
225 the commits in `graph-{hash1}` should be combined into a new `graph-{hash3}`
226 file.
228                             +---------------------+
229                             |                     |
230                             |    (new commits)    |
231                             |                     |
232                             +---------------------+
233                             |                     |
234  +-----------------------+  +---------------------+
235  |  graph-{hash2}        |->|                     |
236  +-----------------------+  +---------------------+
237           |                 |                     |
238  +-----------------------+  +---------------------+
239  |                       |  |                     |
240  |  graph-{hash1}        |->|                     |
241  |                       |  |                     |
242  +-----------------------+  +---------------------+
243           |                  tmp_graphXXX
244  +-----------------------+
245  |                       |
246  |                       |
247  |                       |
248  |  graph-{hash0}        |
249  |                       |
250  |                       |
251  |                       |
252  +-----------------------+
254 During this process, the commits to write are combined, sorted and we write the
255 contents to a temporary file, all while holding a `commit-graph-chain.lock`
256 lock-file.  When the file is flushed, we rename it to `graph-{hash3}`
257 according to the computed `{hash3}`. Finally, we write the new chain data to
258 `commit-graph-chain.lock`:
261         {hash3}
262         {hash0}
265 We then close the lock-file.
267 ## Merge Strategy
269 When writing a set of commits that do not exist in the commit-graph stack of
270 height N, we default to creating a new file at level N + 1. We then decide to
271 merge with the Nth level if one of two conditions hold:
273   1. `--size-multiple=<X>` is specified or X = 2, and the number of commits in
274      level N is less than X times the number of commits in level N + 1.
276   2. `--max-commits=<C>` is specified with non-zero C and the number of commits
277      in level N + 1 is more than C commits.
279 This decision cascades down the levels: when we merge a level we create a new
280 set of commits that then compares to the next level.
282 The first condition bounds the number of levels to be logarithmic in the total
283 number of commits.  The second condition bounds the total number of commits in
284 a `graph-{hashN}` file and not in the `commit-graph` file, preventing
285 significant performance issues when the stack merges and another process only
286 partially reads the previous stack.
288 The merge strategy values (2 for the size multiple, 64,000 for the maximum
289 number of commits) could be extracted into config settings for full
290 flexibility.
292 ## Handling Mixed Generation Number Chains
294 With the introduction of generation number v2 and generation data chunk, the
295 following scenario is possible:
297 1. "New" Git writes a commit-graph with the corrected commit dates.
298 2. "Old" Git writes a split commit-graph on top without corrected commit dates.
300 A naive approach of using the newest available generation number from
301 each layer would lead to violated expectations: the lower layer would
302 use corrected commit dates which are much larger than the topological
303 levels of the higher layer. For this reason, Git inspects the topmost
304 layer to see if the layer is missing corrected commit dates. In such a case
305 Git only uses topological level for generation numbers.
307 When writing a new layer in split commit-graph, we write corrected commit
308 dates if the topmost layer has corrected commit dates written. This
309 guarantees that if a layer has corrected commit dates, all lower layers
310 must have corrected commit dates as well.
312 When merging layers, we do not consider whether the merged layers had corrected
313 commit dates. Instead, the new layer will have corrected commit dates if the
314 layer below the new layer has corrected commit dates.
316 While writing or merging layers, if the new layer is the only layer, it will
317 have corrected commit dates when written by compatible versions of Git. Thus,
318 rewriting split commit-graph as a single file (`--split=replace`) creates a
319 single layer with corrected commit dates.
321 ## Deleting graph-{hash} files
323 After a new tip file is written, some `graph-{hash}` files may no longer
324 be part of a chain. It is important to remove these files from disk, eventually.
325 The main reason to delay removal is that another process could read the
326 `commit-graph-chain` file before it is rewritten, but then look for the
327 `graph-{hash}` files after they are deleted.
329 To allow holding old split commit-graphs for a while after they are unreferenced,
330 we update the modified times of the files when they become unreferenced. Then,
331 we scan the `$OBJDIR/info/commit-graphs/` directory for `graph-{hash}`
332 files whose modified times are older than a given expiry window. This window
333 defaults to zero, but can be changed using command-line arguments or a config
334 setting.
336 ## Chains across multiple object directories
338 In a repo with alternates, we look for the `commit-graph-chain` file starting
339 in the local object directory and then in each alternate. The first file that
340 exists defines our chain. As we look for the `graph-{hash}` files for
341 each `{hash}` in the chain file, we follow the same pattern for the host
342 directories.
344 This allows commit-graphs to be split across multiple forks in a fork network.
345 The typical case is a large "base" repo with many smaller forks.
347 As the base repo advances, it will likely update and merge its commit-graph
348 chain more frequently than the forks. If a fork updates their commit-graph after
349 the base repo, then it should "reparent" the commit-graph chain onto the new
350 chain in the base repo. When reading each `graph-{hash}` file, we track
351 the object directory containing it. During a write of a new commit-graph file,
352 we check for any changes in the source object directory and read the
353 `commit-graph-chain` file for that source and create a new file based on those
354 files. During this "reparent" operation, we necessarily need to collapse all
355 levels in the fork, as all of the files are invalid against the new base file.
357 It is crucial to be careful when cleaning up "unreferenced" `graph-{hash}.graph`
358 files in this scenario. It falls to the user to define the proper settings for
359 their custom environment:
361  1. When merging levels in the base repo, the unreferenced files may still be
362     referenced by chains from fork repos.
364  2. The expiry time should be set to a length of time such that every fork has
365     time to recompute their commit-graph chain to "reparent" onto the new base
366     file(s).
368  3. If the commit-graph chain is updated in the base, the fork will not have
369     access to the new chain until its chain is updated to reference those files.
370     (This may change in the future [5].)
372 Related Links
373 -------------
374 [0] https://bugs.chromium.org/p/git/issues/detail?id=8
375     Chromium work item for: Serialized Commit Graph
377 [1] https://lore.kernel.org/git/20110713070517.GC18566@sigill.intra.peff.net/
378     An abandoned patch that introduced generation numbers.
380 [2] https://lore.kernel.org/git/20170908033403.q7e6dj7benasrjes@sigill.intra.peff.net/
381     Discussion about generation numbers on commits and how they interact
382     with fsck.
384 [3] https://lore.kernel.org/git/20170908034739.4op3w4f2ma5s65ku@sigill.intra.peff.net/
385     More discussion about generation numbers and not storing them inside
386     commit objects. A valuable quote:
388     "I think we should be moving more in the direction of keeping
389      repo-local caches for optimizations. Reachability bitmaps have been
390      a big performance win. I think we should be doing the same with our
391      properties of commits. Not just generation numbers, but making it
392      cheap to access the graph structure without zlib-inflating whole
393      commit objects (i.e., packv4 or something like the "metapacks" I
394      proposed a few years ago)."
396 [4] https://lore.kernel.org/git/20180108154822.54829-1-git@jeffhostetler.com/T/#u
397     A patch to remove the ahead-behind calculation from 'status'.
399 [5] https://lore.kernel.org/git/f27db281-abad-5043-6d71-cbb083b1c877@gmail.com/
400     A discussion of a "two-dimensional graph position" that can allow reading
401     multiple commit-graph chains at the same time.