Add linux-next specific files for 20110504
[linux-2.6/next.git] / Documentation / filesystems / xfs-delayed-logging-design.txt
blob2ce36439c09f859502823d877b9af4be063beb33
1 XFS Delayed Logging Design
2 --------------------------
4 Introduction to Re-logging in XFS
5 ---------------------------------
7 XFS logging is a combination of logical and physical logging. Some objects,
8 such as inodes and dquots, are logged in logical format where the details
9 logged are made up of the changes to in-core structures rather than on-disk
10 structures. Other objects - typically buffers - have their physical changes
11 logged. The reason for these differences is to reduce the amount of log space
12 required for objects that are frequently logged. Some parts of inodes are more
13 frequently logged than others, and inodes are typically more frequently logged
14 than any other object (except maybe the superblock buffer) so keeping the
15 amount of metadata logged low is of prime importance.
17 The reason that this is such a concern is that XFS allows multiple separate
18 modifications to a single object to be carried in the log at any given time.
19 This allows the log to avoid needing to flush each change to disk before
20 recording a new change to the object. XFS does this via a method called
21 "re-logging". Conceptually, this is quite simple - all it requires is that any
22 new change to the object is recorded with a *new copy* of all the existing
23 changes in the new transaction that is written to the log.
25 That is, if we have a sequence of changes A through to F, and the object was
26 written to disk after change D, we would see in the log the following series
27 of transactions, their contents and the log sequence number (LSN) of the
28 transaction:
30         Transaction             Contents        LSN
31            A                       A               X
32            B                      A+B             X+n
33            C                     A+B+C           X+n+m
34            D                    A+B+C+D         X+n+m+o
35             <object written to disk>
36            E                       E               Y (> X+n+m+o)
37            F                      E+F             Yٍ+p
39 In other words, each time an object is relogged, the new transaction contains
40 the aggregation of all the previous changes currently held only in the log.
42 This relogging technique also allows objects to be moved forward in the log so
43 that an object being relogged does not prevent the tail of the log from ever
44 moving forward.  This can be seen in the table above by the changing
45 (increasing) LSN of each subsequent transaction - the LSN is effectively a
46 direct encoding of the location in the log of the transaction.
48 This relogging is also used to implement long-running, multiple-commit
49 transactions.  These transaction are known as rolling transactions, and require
50 a special log reservation known as a permanent transaction reservation. A
51 typical example of a rolling transaction is the removal of extents from an
52 inode which can only be done at a rate of two extents per transaction because
53 of reservation size limitations. Hence a rolling extent removal transaction
54 keeps relogging the inode and btree buffers as they get modified in each
55 removal operation. This keeps them moving forward in the log as the operation
56 progresses, ensuring that current operation never gets blocked by itself if the
57 log wraps around.
59 Hence it can be seen that the relogging operation is fundamental to the correct
60 working of the XFS journalling subsystem. From the above description, most
61 people should be able to see why the XFS metadata operations writes so much to
62 the log - repeated operations to the same objects write the same changes to
63 the log over and over again. Worse is the fact that objects tend to get
64 dirtier as they get relogged, so each subsequent transaction is writing more
65 metadata into the log.
67 Another feature of the XFS transaction subsystem is that most transactions are
68 asynchronous. That is, they don't commit to disk until either a log buffer is
69 filled (a log buffer can hold multiple transactions) or a synchronous operation
70 forces the log buffers holding the transactions to disk. This means that XFS is
71 doing aggregation of transactions in memory - batching them, if you like - to
72 minimise the impact of the log IO on transaction throughput.
74 The limitation on asynchronous transaction throughput is the number and size of
75 log buffers made available by the log manager. By default there are 8 log
76 buffers available and the size of each is 32kB - the size can be increased up
77 to 256kB by use of a mount option.
79 Effectively, this gives us the maximum bound of outstanding metadata changes
80 that can be made to the filesystem at any point in time - if all the log
81 buffers are full and under IO, then no more transactions can be committed until
82 the current batch completes. It is now common for a single current CPU core to
83 be to able to issue enough transactions to keep the log buffers full and under
84 IO permanently. Hence the XFS journalling subsystem can be considered to be IO
85 bound.
87 Delayed Logging: Concepts
88 -------------------------
90 The key thing to note about the asynchronous logging combined with the
91 relogging technique XFS uses is that we can be relogging changed objects
92 multiple times before they are committed to disk in the log buffers. If we
93 return to the previous relogging example, it is entirely possible that
94 transactions A through D are committed to disk in the same log buffer.
96 That is, a single log buffer may contain multiple copies of the same object,
97 but only one of those copies needs to be there - the last one "D", as it
98 contains all the changes from the previous changes. In other words, we have one
99 necessary copy in the log buffer, and three stale copies that are simply
100 wasting space. When we are doing repeated operations on the same set of
101 objects, these "stale objects" can be over 90% of the space used in the log
102 buffers. It is clear that reducing the number of stale objects written to the
103 log would greatly reduce the amount of metadata we write to the log, and this
104 is the fundamental goal of delayed logging.
106 From a conceptual point of view, XFS is already doing relogging in memory (where
107 memory == log buffer), only it is doing it extremely inefficiently. It is using
108 logical to physical formatting to do the relogging because there is no
109 infrastructure to keep track of logical changes in memory prior to physically
110 formatting the changes in a transaction to the log buffer. Hence we cannot avoid
111 accumulating stale objects in the log buffers.
113 Delayed logging is the name we've given to keeping and tracking transactional
114 changes to objects in memory outside the log buffer infrastructure. Because of
115 the relogging concept fundamental to the XFS journalling subsystem, this is
116 actually relatively easy to do - all the changes to logged items are already
117 tracked in the current infrastructure. The big problem is how to accumulate
118 them and get them to the log in a consistent, recoverable manner.
119 Describing the problems and how they have been solved is the focus of this
120 document.
122 One of the key changes that delayed logging makes to the operation of the
123 journalling subsystem is that it disassociates the amount of outstanding
124 metadata changes from the size and number of log buffers available. In other
125 words, instead of there only being a maximum of 2MB of transaction changes not
126 written to the log at any point in time, there may be a much greater amount
127 being accumulated in memory. Hence the potential for loss of metadata on a
128 crash is much greater than for the existing logging mechanism.
130 It should be noted that this does not change the guarantee that log recovery
131 will result in a consistent filesystem. What it does mean is that as far as the
132 recovered filesystem is concerned, there may be many thousands of transactions
133 that simply did not occur as a result of the crash. This makes it even more
134 important that applications that care about their data use fsync() where they
135 need to ensure application level data integrity is maintained.
137 It should be noted that delayed logging is not an innovative new concept that
138 warrants rigorous proofs to determine whether it is correct or not. The method
139 of accumulating changes in memory for some period before writing them to the
140 log is used effectively in many filesystems including ext3 and ext4. Hence
141 no time is spent in this document trying to convince the reader that the
142 concept is sound. Instead it is simply considered a "solved problem" and as
143 such implementing it in XFS is purely an exercise in software engineering.
145 The fundamental requirements for delayed logging in XFS are simple:
147         1. Reduce the amount of metadata written to the log by at least
148            an order of magnitude.
149         2. Supply sufficient statistics to validate Requirement #1.
150         3. Supply sufficient new tracing infrastructure to be able to debug
151            problems with the new code.
152         4. No on-disk format change (metadata or log format).
153         5. Enable and disable with a mount option.
154         6. No performance regressions for synchronous transaction workloads.
156 Delayed Logging: Design
157 -----------------------
159 Storing Changes
161 The problem with accumulating changes at a logical level (i.e. just using the
162 existing log item dirty region tracking) is that when it comes to writing the
163 changes to the log buffers, we need to ensure that the object we are formatting
164 is not changing while we do this. This requires locking the object to prevent
165 concurrent modification. Hence flushing the logical changes to the log would
166 require us to lock every object, format them, and then unlock them again.
168 This introduces lots of scope for deadlocks with transactions that are already
169 running. For example, a transaction has object A locked and modified, but needs
170 the delayed logging tracking lock to commit the transaction. However, the
171 flushing thread has the delayed logging tracking lock already held, and is
172 trying to get the lock on object A to flush it to the log buffer. This appears
173 to be an unsolvable deadlock condition, and it was solving this problem that
174 was the barrier to implementing delayed logging for so long.
176 The solution is relatively simple - it just took a long time to recognise it.
177 Put simply, the current logging code formats the changes to each item into an
178 vector array that points to the changed regions in the item. The log write code
179 simply copies the memory these vectors point to into the log buffer during
180 transaction commit while the item is locked in the transaction. Instead of
181 using the log buffer as the destination of the formatting code, we can use an
182 allocated memory buffer big enough to fit the formatted vector.
184 If we then copy the vector into the memory buffer and rewrite the vector to
185 point to the memory buffer rather than the object itself, we now have a copy of
186 the changes in a format that is compatible with the log buffer writing code.
187 that does not require us to lock the item to access. This formatting and
188 rewriting can all be done while the object is locked during transaction commit,
189 resulting in a vector that is transactionally consistent and can be accessed
190 without needing to lock the owning item.
192 Hence we avoid the need to lock items when we need to flush outstanding
193 asynchronous transactions to the log. The differences between the existing
194 formatting method and the delayed logging formatting can be seen in the
195 diagram below.
197 Current format log vector:
199 Object    +---------------------------------------------+
200 Vector 1      +----+
201 Vector 2                    +----+
202 Vector 3                                   +----------+
204 After formatting:
206 Log Buffer    +-V1-+-V2-+----V3----+
208 Delayed logging vector:
210 Object    +---------------------------------------------+
211 Vector 1      +----+
212 Vector 2                    +----+
213 Vector 3                                   +----------+
215 After formatting:
217 Memory Buffer +-V1-+-V2-+----V3----+
218 Vector 1      +----+
219 Vector 2           +----+
220 Vector 3                +----------+
222 The memory buffer and associated vector need to be passed as a single object,
223 but still need to be associated with the parent object so if the object is
224 relogged we can replace the current memory buffer with a new memory buffer that
225 contains the latest changes.
227 The reason for keeping the vector around after we've formatted the memory
228 buffer is to support splitting vectors across log buffer boundaries correctly.
229 If we don't keep the vector around, we do not know where the region boundaries
230 are in the item, so we'd need a new encapsulation method for regions in the log
231 buffer writing (i.e. double encapsulation). This would be an on-disk format
232 change and as such is not desirable.  It also means we'd have to write the log
233 region headers in the formatting stage, which is problematic as there is per
234 region state that needs to be placed into the headers during the log write.
236 Hence we need to keep the vector, but by attaching the memory buffer to it and
237 rewriting the vector addresses to point at the memory buffer we end up with a
238 self-describing object that can be passed to the log buffer write code to be
239 handled in exactly the same manner as the existing log vectors are handled.
240 Hence we avoid needing a new on-disk format to handle items that have been
241 relogged in memory.
244 Tracking Changes
246 Now that we can record transactional changes in memory in a form that allows
247 them to be used without limitations, we need to be able to track and accumulate
248 them so that they can be written to the log at some later point in time.  The
249 log item is the natural place to store this vector and buffer, and also makes sense
250 to be the object that is used to track committed objects as it will always
251 exist once the object has been included in a transaction.
253 The log item is already used to track the log items that have been written to
254 the log but not yet written to disk. Such log items are considered "active"
255 and as such are stored in the Active Item List (AIL) which is a LSN-ordered
256 double linked list. Items are inserted into this list during log buffer IO
257 completion, after which they are unpinned and can be written to disk. An object
258 that is in the AIL can be relogged, which causes the object to be pinned again
259 and then moved forward in the AIL when the log buffer IO completes for that
260 transaction.
262 Essentially, this shows that an item that is in the AIL can still be modified
263 and relogged, so any tracking must be separate to the AIL infrastructure. As
264 such, we cannot reuse the AIL list pointers for tracking committed items, nor
265 can we store state in any field that is protected by the AIL lock. Hence the
266 committed item tracking needs it's own locks, lists and state fields in the log
267 item.
269 Similar to the AIL, tracking of committed items is done through a new list
270 called the Committed Item List (CIL).  The list tracks log items that have been
271 committed and have formatted memory buffers attached to them. It tracks objects
272 in transaction commit order, so when an object is relogged it is removed from
273 it's place in the list and re-inserted at the tail. This is entirely arbitrary
274 and done to make it easy for debugging - the last items in the list are the
275 ones that are most recently modified. Ordering of the CIL is not necessary for
276 transactional integrity (as discussed in the next section) so the ordering is
277 done for convenience/sanity of the developers.
280 Delayed Logging: Checkpoints
282 When we have a log synchronisation event, commonly known as a "log force",
283 all the items in the CIL must be written into the log via the log buffers.
284 We need to write these items in the order that they exist in the CIL, and they
285 need to be written as an atomic transaction. The need for all the objects to be
286 written as an atomic transaction comes from the requirements of relogging and
287 log replay - all the changes in all the objects in a given transaction must
288 either be completely replayed during log recovery, or not replayed at all. If
289 a transaction is not replayed because it is not complete in the log, then
290 no later transactions should be replayed, either.
292 To fulfill this requirement, we need to write the entire CIL in a single log
293 transaction. Fortunately, the XFS log code has no fixed limit on the size of a
294 transaction, nor does the log replay code. The only fundamental limit is that
295 the transaction cannot be larger than just under half the size of the log.  The
296 reason for this limit is that to find the head and tail of the log, there must
297 be at least one complete transaction in the log at any given time. If a
298 transaction is larger than half the log, then there is the possibility that a
299 crash during the write of a such a transaction could partially overwrite the
300 only complete previous transaction in the log. This will result in a recovery
301 failure and an inconsistent filesystem and hence we must enforce the maximum
302 size of a checkpoint to be slightly less than a half the log.
304 Apart from this size requirement, a checkpoint transaction looks no different
305 to any other transaction - it contains a transaction header, a series of
306 formatted log items and a commit record at the tail. From a recovery
307 perspective, the checkpoint transaction is also no different - just a lot
308 bigger with a lot more items in it. The worst case effect of this is that we
309 might need to tune the recovery transaction object hash size.
311 Because the checkpoint is just another transaction and all the changes to log
312 items are stored as log vectors, we can use the existing log buffer writing
313 code to write the changes into the log. To do this efficiently, we need to
314 minimise the time we hold the CIL locked while writing the checkpoint
315 transaction. The current log write code enables us to do this easily with the
316 way it separates the writing of the transaction contents (the log vectors) from
317 the transaction commit record, but tracking this requires us to have a
318 per-checkpoint context that travels through the log write process through to
319 checkpoint completion.
321 Hence a checkpoint has a context that tracks the state of the current
322 checkpoint from initiation to checkpoint completion. A new context is initiated
323 at the same time a checkpoint transaction is started. That is, when we remove
324 all the current items from the CIL during a checkpoint operation, we move all
325 those changes into the current checkpoint context. We then initialise a new
326 context and attach that to the CIL for aggregation of new transactions.
328 This allows us to unlock the CIL immediately after transfer of all the
329 committed items and effectively allow new transactions to be issued while we
330 are formatting the checkpoint into the log. It also allows concurrent
331 checkpoints to be written into the log buffers in the case of log force heavy
332 workloads, just like the existing transaction commit code does. This, however,
333 requires that we strictly order the commit records in the log so that
334 checkpoint sequence order is maintained during log replay.
336 To ensure that we can be writing an item into a checkpoint transaction at
337 the same time another transaction modifies the item and inserts the log item
338 into the new CIL, then checkpoint transaction commit code cannot use log items
339 to store the list of log vectors that need to be written into the transaction.
340 Hence log vectors need to be able to be chained together to allow them to be
341 detached from the log items. That is, when the CIL is flushed the memory
342 buffer and log vector attached to each log item needs to be attached to the
343 checkpoint context so that the log item can be released. In diagrammatic form,
344 the CIL would look like this before the flush:
346         CIL Head
347            |
348            V
349         Log Item <-> log vector 1       -> memory buffer
350            |                            -> vector array
351            V
352         Log Item <-> log vector 2       -> memory buffer
353            |                            -> vector array
354            V
355         ......
356            |
357            V
358         Log Item <-> log vector N-1     -> memory buffer
359            |                            -> vector array
360            V
361         Log Item <-> log vector N       -> memory buffer
362                                         -> vector array
364 And after the flush the CIL head is empty, and the checkpoint context log
365 vector list would look like:
367         Checkpoint Context
368            |
369            V
370         log vector 1    -> memory buffer
371            |            -> vector array
372            |            -> Log Item
373            V
374         log vector 2    -> memory buffer
375            |            -> vector array
376            |            -> Log Item
377            V
378         ......
379            |
380            V
381         log vector N-1  -> memory buffer
382            |            -> vector array
383            |            -> Log Item
384            V
385         log vector N    -> memory buffer
386                         -> vector array
387                         -> Log Item
389 Once this transfer is done, the CIL can be unlocked and new transactions can
390 start, while the checkpoint flush code works over the log vector chain to
391 commit the checkpoint.
393 Once the checkpoint is written into the log buffers, the checkpoint context is
394 attached to the log buffer that the commit record was written to along with a
395 completion callback. Log IO completion will call that callback, which can then
396 run transaction committed processing for the log items (i.e. insert into AIL
397 and unpin) in the log vector chain and then free the log vector chain and
398 checkpoint context.
400 Discussion Point: I am uncertain as to whether the log item is the most
401 efficient way to track vectors, even though it seems like the natural way to do
402 it. The fact that we walk the log items (in the CIL) just to chain the log
403 vectors and break the link between the log item and the log vector means that
404 we take a cache line hit for the log item list modification, then another for
405 the log vector chaining. If we track by the log vectors, then we only need to
406 break the link between the log item and the log vector, which means we should
407 dirty only the log item cachelines. Normally I wouldn't be concerned about one
408 vs two dirty cachelines except for the fact I've seen upwards of 80,000 log
409 vectors in one checkpoint transaction. I'd guess this is a "measure and
410 compare" situation that can be done after a working and reviewed implementation
411 is in the dev tree....
413 Delayed Logging: Checkpoint Sequencing
415 One of the key aspects of the XFS transaction subsystem is that it tags
416 committed transactions with the log sequence number of the transaction commit.
417 This allows transactions to be issued asynchronously even though there may be
418 future operations that cannot be completed until that transaction is fully
419 committed to the log. In the rare case that a dependent operation occurs (e.g.
420 re-using a freed metadata extent for a data extent), a special, optimised log
421 force can be issued to force the dependent transaction to disk immediately.
423 To do this, transactions need to record the LSN of the commit record of the
424 transaction. This LSN comes directly from the log buffer the transaction is
425 written into. While this works just fine for the existing transaction
426 mechanism, it does not work for delayed logging because transactions are not
427 written directly into the log buffers. Hence some other method of sequencing
428 transactions is required.
430 As discussed in the checkpoint section, delayed logging uses per-checkpoint
431 contexts, and as such it is simple to assign a sequence number to each
432 checkpoint. Because the switching of checkpoint contexts must be done
433 atomically, it is simple to ensure that each new context has a monotonically
434 increasing sequence number assigned to it without the need for an external
435 atomic counter - we can just take the current context sequence number and add
436 one to it for the new context.
438 Then, instead of assigning a log buffer LSN to the transaction commit LSN
439 during the commit, we can assign the current checkpoint sequence. This allows
440 operations that track transactions that have not yet completed know what
441 checkpoint sequence needs to be committed before they can continue. As a
442 result, the code that forces the log to a specific LSN now needs to ensure that
443 the log forces to a specific checkpoint.
445 To ensure that we can do this, we need to track all the checkpoint contexts
446 that are currently committing to the log. When we flush a checkpoint, the
447 context gets added to a "committing" list which can be searched. When a
448 checkpoint commit completes, it is removed from the committing list. Because
449 the checkpoint context records the LSN of the commit record for the checkpoint,
450 we can also wait on the log buffer that contains the commit record, thereby
451 using the existing log force mechanisms to execute synchronous forces.
453 It should be noted that the synchronous forces may need to be extended with
454 mitigation algorithms similar to the current log buffer code to allow
455 aggregation of multiple synchronous transactions if there are already
456 synchronous transactions being flushed. Investigation of the performance of the
457 current design is needed before making any decisions here.
459 The main concern with log forces is to ensure that all the previous checkpoints
460 are also committed to disk before the one we need to wait for. Therefore we
461 need to check that all the prior contexts in the committing list are also
462 complete before waiting on the one we need to complete. We do this
463 synchronisation in the log force code so that we don't need to wait anywhere
464 else for such serialisation - it only matters when we do a log force.
466 The only remaining complexity is that a log force now also has to handle the
467 case where the forcing sequence number is the same as the current context. That
468 is, we need to flush the CIL and potentially wait for it to complete. This is a
469 simple addition to the existing log forcing code to check the sequence numbers
470 and push if required. Indeed, placing the current sequence checkpoint flush in
471 the log force code enables the current mechanism for issuing synchronous
472 transactions to remain untouched (i.e. commit an asynchronous transaction, then
473 force the log at the LSN of that transaction) and so the higher level code
474 behaves the same regardless of whether delayed logging is being used or not.
476 Delayed Logging: Checkpoint Log Space Accounting
478 The big issue for a checkpoint transaction is the log space reservation for the
479 transaction. We don't know how big a checkpoint transaction is going to be
480 ahead of time, nor how many log buffers it will take to write out, nor the
481 number of split log vector regions are going to be used. We can track the
482 amount of log space required as we add items to the commit item list, but we
483 still need to reserve the space in the log for the checkpoint.
485 A typical transaction reserves enough space in the log for the worst case space
486 usage of the transaction. The reservation accounts for log record headers,
487 transaction and region headers, headers for split regions, buffer tail padding,
488 etc. as well as the actual space for all the changed metadata in the
489 transaction. While some of this is fixed overhead, much of it is dependent on
490 the size of the transaction and the number of regions being logged (the number
491 of log vectors in the transaction).
493 An example of the differences would be logging directory changes versus logging
494 inode changes. If you modify lots of inode cores (e.g. chmod -R g+w *), then
495 there are lots of transactions that only contain an inode core and an inode log
496 format structure. That is, two vectors totaling roughly 150 bytes. If we modify
497 10,000 inodes, we have about 1.5MB of metadata to write in 20,000 vectors. Each
498 vector is 12 bytes, so the total to be logged is approximately 1.75MB. In
499 comparison, if we are logging full directory buffers, they are typically 4KB
500 each, so we in 1.5MB of directory buffers we'd have roughly 400 buffers and a
501 buffer format structure for each buffer - roughly 800 vectors or 1.51MB total
502 space.  From this, it should be obvious that a static log space reservation is
503 not particularly flexible and is difficult to select the "optimal value" for
504 all workloads.
506 Further, if we are going to use a static reservation, which bit of the entire
507 reservation does it cover? We account for space used by the transaction
508 reservation by tracking the space currently used by the object in the CIL and
509 then calculating the increase or decrease in space used as the object is
510 relogged. This allows for a checkpoint reservation to only have to account for
511 log buffer metadata used such as log header records.
513 However, even using a static reservation for just the log metadata is
514 problematic. Typically log record headers use at least 16KB of log space per
515 1MB of log space consumed (512 bytes per 32k) and the reservation needs to be
516 large enough to handle arbitrary sized checkpoint transactions. This
517 reservation needs to be made before the checkpoint is started, and we need to
518 be able to reserve the space without sleeping.  For a 8MB checkpoint, we need a
519 reservation of around 150KB, which is a non-trivial amount of space.
521 A static reservation needs to manipulate the log grant counters - we can take a
522 permanent reservation on the space, but we still need to make sure we refresh
523 the write reservation (the actual space available to the transaction) after
524 every checkpoint transaction completion. Unfortunately, if this space is not
525 available when required, then the regrant code will sleep waiting for it.
527 The problem with this is that it can lead to deadlocks as we may need to commit
528 checkpoints to be able to free up log space (refer back to the description of
529 rolling transactions for an example of this).  Hence we *must* always have
530 space available in the log if we are to use static reservations, and that is
531 very difficult and complex to arrange. It is possible to do, but there is a
532 simpler way.
534 The simpler way of doing this is tracking the entire log space used by the
535 items in the CIL and using this to dynamically calculate the amount of log
536 space required by the log metadata. If this log metadata space changes as a
537 result of a transaction commit inserting a new memory buffer into the CIL, then
538 the difference in space required is removed from the transaction that causes
539 the change. Transactions at this level will *always* have enough space
540 available in their reservation for this as they have already reserved the
541 maximal amount of log metadata space they require, and such a delta reservation
542 will always be less than or equal to the maximal amount in the reservation.
544 Hence we can grow the checkpoint transaction reservation dynamically as items
545 are added to the CIL and avoid the need for reserving and regranting log space
546 up front. This avoids deadlocks and removes a blocking point from the
547 checkpoint flush code.
549 As mentioned early, transactions can't grow to more than half the size of the
550 log. Hence as part of the reservation growing, we need to also check the size
551 of the reservation against the maximum allowed transaction size. If we reach
552 the maximum threshold, we need to push the CIL to the log. This is effectively
553 a "background flush" and is done on demand. This is identical to
554 a CIL push triggered by a log force, only that there is no waiting for the
555 checkpoint commit to complete. This background push is checked and executed by
556 transaction commit code.
558 If the transaction subsystem goes idle while we still have items in the CIL,
559 they will be flushed by the periodic log force issued by the xfssyncd. This log
560 force will push the CIL to disk, and if the transaction subsystem stays idle,
561 allow the idle log to be covered (effectively marked clean) in exactly the same
562 manner that is done for the existing logging method. A discussion point is
563 whether this log force needs to be done more frequently than the current rate
564 which is once every 30s.
567 Delayed Logging: Log Item Pinning
569 Currently log items are pinned during transaction commit while the items are
570 still locked. This happens just after the items are formatted, though it could
571 be done any time before the items are unlocked. The result of this mechanism is
572 that items get pinned once for every transaction that is committed to the log
573 buffers. Hence items that are relogged in the log buffers will have a pin count
574 for every outstanding transaction they were dirtied in. When each of these
575 transactions is completed, they will unpin the item once. As a result, the item
576 only becomes unpinned when all the transactions complete and there are no
577 pending transactions. Thus the pinning and unpinning of a log item is symmetric
578 as there is a 1:1 relationship with transaction commit and log item completion.
580 For delayed logging, however, we have an asymmetric transaction commit to
581 completion relationship. Every time an object is relogged in the CIL it goes
582 through the commit process without a corresponding completion being registered.
583 That is, we now have a many-to-one relationship between transaction commit and
584 log item completion. The result of this is that pinning and unpinning of the
585 log items becomes unbalanced if we retain the "pin on transaction commit, unpin
586 on transaction completion" model.
588 To keep pin/unpin symmetry, the algorithm needs to change to a "pin on
589 insertion into the CIL, unpin on checkpoint completion". In other words, the
590 pinning and unpinning becomes symmetric around a checkpoint context. We have to
591 pin the object the first time it is inserted into the CIL - if it is already in
592 the CIL during a transaction commit, then we do not pin it again. Because there
593 can be multiple outstanding checkpoint contexts, we can still see elevated pin
594 counts, but as each checkpoint completes the pin count will retain the correct
595 value according to it's context.
597 Just to make matters more slightly more complex, this checkpoint level context
598 for the pin count means that the pinning of an item must take place under the
599 CIL commit/flush lock. If we pin the object outside this lock, we cannot
600 guarantee which context the pin count is associated with. This is because of
601 the fact pinning the item is dependent on whether the item is present in the
602 current CIL or not. If we don't pin the CIL first before we check and pin the
603 object, we have a race with CIL being flushed between the check and the pin
604 (or not pinning, as the case may be). Hence we must hold the CIL flush/commit
605 lock to guarantee that we pin the items correctly.
607 Delayed Logging: Concurrent Scalability
609 A fundamental requirement for the CIL is that accesses through transaction
610 commits must scale to many concurrent commits. The current transaction commit
611 code does not break down even when there are transactions coming from 2048
612 processors at once. The current transaction code does not go any faster than if
613 there was only one CPU using it, but it does not slow down either.
615 As a result, the delayed logging transaction commit code needs to be designed
616 for concurrency from the ground up. It is obvious that there are serialisation
617 points in the design - the three important ones are:
619         1. Locking out new transaction commits while flushing the CIL
620         2. Adding items to the CIL and updating item space accounting
621         3. Checkpoint commit ordering
623 Looking at the transaction commit and CIL flushing interactions, it is clear
624 that we have a many-to-one interaction here. That is, the only restriction on
625 the number of concurrent transactions that can be trying to commit at once is
626 the amount of space available in the log for their reservations. The practical
627 limit here is in the order of several hundred concurrent transactions for a
628 128MB log, which means that it is generally one per CPU in a machine.
630 The amount of time a transaction commit needs to hold out a flush is a
631 relatively long period of time - the pinning of log items needs to be done
632 while we are holding out a CIL flush, so at the moment that means it is held
633 across the formatting of the objects into memory buffers (i.e. while memcpy()s
634 are in progress). Ultimately a two pass algorithm where the formatting is done
635 separately to the pinning of objects could be used to reduce the hold time of
636 the transaction commit side.
638 Because of the number of potential transaction commit side holders, the lock
639 really needs to be a sleeping lock - if the CIL flush takes the lock, we do not
640 want every other CPU in the machine spinning on the CIL lock. Given that
641 flushing the CIL could involve walking a list of tens of thousands of log
642 items, it will get held for a significant time and so spin contention is a
643 significant concern. Preventing lots of CPUs spinning doing nothing is the
644 main reason for choosing a sleeping lock even though nothing in either the
645 transaction commit or CIL flush side sleeps with the lock held.
647 It should also be noted that CIL flushing is also a relatively rare operation
648 compared to transaction commit for asynchronous transaction workloads - only
649 time will tell if using a read-write semaphore for exclusion will limit
650 transaction commit concurrency due to cache line bouncing of the lock on the
651 read side.
653 The second serialisation point is on the transaction commit side where items
654 are inserted into the CIL. Because transactions can enter this code
655 concurrently, the CIL needs to be protected separately from the above
656 commit/flush exclusion. It also needs to be an exclusive lock but it is only
657 held for a very short time and so a spin lock is appropriate here. It is
658 possible that this lock will become a contention point, but given the short
659 hold time once per transaction I think that contention is unlikely.
661 The final serialisation point is the checkpoint commit record ordering code
662 that is run as part of the checkpoint commit and log force sequencing. The code
663 path that triggers a CIL flush (i.e. whatever triggers the log force) will enter
664 an ordering loop after writing all the log vectors into the log buffers but
665 before writing the commit record. This loop walks the list of committing
666 checkpoints and needs to block waiting for checkpoints to complete their commit
667 record write. As a result it needs a lock and a wait variable. Log force
668 sequencing also requires the same lock, list walk, and blocking mechanism to
669 ensure completion of checkpoints.
671 These two sequencing operations can use the mechanism even though the
672 events they are waiting for are different. The checkpoint commit record
673 sequencing needs to wait until checkpoint contexts contain a commit LSN
674 (obtained through completion of a commit record write) while log force
675 sequencing needs to wait until previous checkpoint contexts are removed from
676 the committing list (i.e. they've completed). A simple wait variable and
677 broadcast wakeups (thundering herds) has been used to implement these two
678 serialisation queues. They use the same lock as the CIL, too. If we see too
679 much contention on the CIL lock, or too many context switches as a result of
680 the broadcast wakeups these operations can be put under a new spinlock and
681 given separate wait lists to reduce lock contention and the number of processes
682 woken by the wrong event.
685 Lifecycle Changes
687 The existing log item life cycle is as follows:
689         1. Transaction allocate
690         2. Transaction reserve
691         3. Lock item
692         4. Join item to transaction
693                 If not already attached,
694                         Allocate log item
695                         Attach log item to owner item
696                 Attach log item to transaction
697         5. Modify item
698                 Record modifications in log item
699         6. Transaction commit
700                 Pin item in memory
701                 Format item into log buffer
702                 Write commit LSN into transaction
703                 Unlock item
704                 Attach transaction to log buffer
706         <log buffer IO dispatched>
707         <log buffer IO completes>
709         7. Transaction completion
710                 Mark log item committed
711                 Insert log item into AIL
712                         Write commit LSN into log item
713                 Unpin log item
714         8. AIL traversal
715                 Lock item
716                 Mark log item clean
717                 Flush item to disk
719         <item IO completion>
721         9. Log item removed from AIL
722                 Moves log tail
723                 Item unlocked
725 Essentially, steps 1-6 operate independently from step 7, which is also
726 independent of steps 8-9. An item can be locked in steps 1-6 or steps 8-9
727 at the same time step 7 is occurring, but only steps 1-6 or 8-9 can occur
728 at the same time. If the log item is in the AIL or between steps 6 and 7
729 and steps 1-6 are re-entered, then the item is relogged. Only when steps 8-9
730 are entered and completed is the object considered clean.
732 With delayed logging, there are new steps inserted into the life cycle:
734         1. Transaction allocate
735         2. Transaction reserve
736         3. Lock item
737         4. Join item to transaction
738                 If not already attached,
739                         Allocate log item
740                         Attach log item to owner item
741                 Attach log item to transaction
742         5. Modify item
743                 Record modifications in log item
744         6. Transaction commit
745                 Pin item in memory if not pinned in CIL
746                 Format item into log vector + buffer
747                 Attach log vector and buffer to log item
748                 Insert log item into CIL
749                 Write CIL context sequence into transaction
750                 Unlock item
752         <next log force>
754         7. CIL push
755                 lock CIL flush
756                 Chain log vectors and buffers together
757                 Remove items from CIL
758                 unlock CIL flush
759                 write log vectors into log
760                 sequence commit records
761                 attach checkpoint context to log buffer
763         <log buffer IO dispatched>
764         <log buffer IO completes>
766         8. Checkpoint completion
767                 Mark log item committed
768                 Insert item into AIL
769                         Write commit LSN into log item
770                 Unpin log item
771         9. AIL traversal
772                 Lock item
773                 Mark log item clean
774                 Flush item to disk
775         <item IO completion>
776         10. Log item removed from AIL
777                 Moves log tail
778                 Item unlocked
780 From this, it can be seen that the only life cycle differences between the two
781 logging methods are in the middle of the life cycle - they still have the same
782 beginning and end and execution constraints. The only differences are in the
783 committing of the log items to the log itself and the completion processing.
784 Hence delayed logging should not introduce any constraints on log item
785 behaviour, allocation or freeing that don't already exist.
787 As a result of this zero-impact "insertion" of delayed logging infrastructure
788 and the design of the internal structures to avoid on disk format changes, we
789 can basically switch between delayed logging and the existing mechanism with a
790 mount option. Fundamentally, there is no reason why the log manager would not
791 be able to swap methods automatically and transparently depending on load
792 characteristics, but this should not be necessary if delayed logging works as
793 designed.