ovl: create ovl_need_index() helper
[linux/fpc-iii.git] / Documentation / networking / rds.txt
blob0235ae69af2a862938e550e61453b4fe81d7b2d3
2 Overview
3 ========
5 This readme tries to provide some background on the hows and whys of RDS,
6 and will hopefully help you find your way around the code.
8 In addition, please see this email about RDS origins:
9 http://oss.oracle.com/pipermail/rds-devel/2007-November/000228.html
11 RDS Architecture
12 ================
14 RDS provides reliable, ordered datagram delivery by using a single
15 reliable connection between any two nodes in the cluster. This allows
16 applications to use a single socket to talk to any other process in the
17 cluster - so in a cluster with N processes you need N sockets, in contrast
18 to N*N if you use a connection-oriented socket transport like TCP.
20 RDS is not Infiniband-specific; it was designed to support different
21 transports.  The current implementation used to support RDS over TCP as well
22 as IB.
24 The high-level semantics of RDS from the application's point of view are
26  *      Addressing
27         RDS uses IPv4 addresses and 16bit port numbers to identify
28         the end point of a connection. All socket operations that involve
29         passing addresses between kernel and user space generally
30         use a struct sockaddr_in.
32         The fact that IPv4 addresses are used does not mean the underlying
33         transport has to be IP-based. In fact, RDS over IB uses a
34         reliable IB connection; the IP address is used exclusively to
35         locate the remote node's GID (by ARPing for the given IP).
37         The port space is entirely independent of UDP, TCP or any other
38         protocol.
40  *      Socket interface
41         RDS sockets work *mostly* as you would expect from a BSD
42         socket. The next section will cover the details. At any rate,
43         all I/O is performed through the standard BSD socket API.
44         Some additions like zerocopy support are implemented through
45         control messages, while other extensions use the getsockopt/
46         setsockopt calls.
48         Sockets must be bound before you can send or receive data.
49         This is needed because binding also selects a transport and
50         attaches it to the socket. Once bound, the transport assignment
51         does not change. RDS will tolerate IPs moving around (eg in
52         a active-active HA scenario), but only as long as the address
53         doesn't move to a different transport.
55  *      sysctls
56         RDS supports a number of sysctls in /proc/sys/net/rds
59 Socket Interface
60 ================
62   AF_RDS, PF_RDS, SOL_RDS
63         AF_RDS and PF_RDS are the domain type to be used with socket(2)
64         to create RDS sockets. SOL_RDS is the socket-level to be used
65         with setsockopt(2) and getsockopt(2) for RDS specific socket
66         options.
68   fd = socket(PF_RDS, SOCK_SEQPACKET, 0);
69         This creates a new, unbound RDS socket.
71   setsockopt(SOL_SOCKET): send and receive buffer size
72         RDS honors the send and receive buffer size socket options.
73         You are not allowed to queue more than SO_SNDSIZE bytes to
74         a socket. A message is queued when sendmsg is called, and
75         it leaves the queue when the remote system acknowledges
76         its arrival.
78         The SO_RCVSIZE option controls the maximum receive queue length.
79         This is a soft limit rather than a hard limit - RDS will
80         continue to accept and queue incoming messages, even if that
81         takes the queue length over the limit. However, it will also
82         mark the port as "congested" and send a congestion update to
83         the source node. The source node is supposed to throttle any
84         processes sending to this congested port.
86   bind(fd, &sockaddr_in, ...)
87         This binds the socket to a local IP address and port, and a
88         transport, if one has not already been selected via the
89         SO_RDS_TRANSPORT socket option
91   sendmsg(fd, ...)
92         Sends a message to the indicated recipient. The kernel will
93         transparently establish the underlying reliable connection
94         if it isn't up yet.
96         An attempt to send a message that exceeds SO_SNDSIZE will
97         return with -EMSGSIZE
99         An attempt to send a message that would take the total number
100         of queued bytes over the SO_SNDSIZE threshold will return
101         EAGAIN.
103         An attempt to send a message to a destination that is marked
104         as "congested" will return ENOBUFS.
106   recvmsg(fd, ...)
107         Receives a message that was queued to this socket. The sockets
108         recv queue accounting is adjusted, and if the queue length
109         drops below SO_SNDSIZE, the port is marked uncongested, and
110         a congestion update is sent to all peers.
112         Applications can ask the RDS kernel module to receive
113         notifications via control messages (for instance, there is a
114         notification when a congestion update arrived, or when a RDMA
115         operation completes). These notifications are received through
116         the msg.msg_control buffer of struct msghdr. The format of the
117         messages is described in manpages.
119   poll(fd)
120         RDS supports the poll interface to allow the application
121         to implement async I/O.
123         POLLIN handling is pretty straightforward. When there's an
124         incoming message queued to the socket, or a pending notification,
125         we signal POLLIN.
127         POLLOUT is a little harder. Since you can essentially send
128         to any destination, RDS will always signal POLLOUT as long as
129         there's room on the send queue (ie the number of bytes queued
130         is less than the sendbuf size).
132         However, the kernel will refuse to accept messages to
133         a destination marked congested - in this case you will loop
134         forever if you rely on poll to tell you what to do.
135         This isn't a trivial problem, but applications can deal with
136         this - by using congestion notifications, and by checking for
137         ENOBUFS errors returned by sendmsg.
139   setsockopt(SOL_RDS, RDS_CANCEL_SENT_TO, &sockaddr_in)
140         This allows the application to discard all messages queued to a
141         specific destination on this particular socket.
143         This allows the application to cancel outstanding messages if
144         it detects a timeout. For instance, if it tried to send a message,
145         and the remote host is unreachable, RDS will keep trying forever.
146         The application may decide it's not worth it, and cancel the
147         operation. In this case, it would use RDS_CANCEL_SENT_TO to
148         nuke any pending messages.
150   setsockopt(fd, SOL_RDS, SO_RDS_TRANSPORT, (int *)&transport ..)
151   getsockopt(fd, SOL_RDS, SO_RDS_TRANSPORT, (int *)&transport ..)
152         Set or read an integer defining  the underlying
153         encapsulating transport to be used for RDS packets on the
154         socket. When setting the option, integer argument may be
155         one of RDS_TRANS_TCP or RDS_TRANS_IB. When retrieving the
156         value, RDS_TRANS_NONE will be returned on an unbound socket.
157         This socket option may only be set exactly once on the socket,
158         prior to binding it via the bind(2) system call. Attempts to
159         set SO_RDS_TRANSPORT on a socket for which the transport has
160         been previously attached explicitly (by SO_RDS_TRANSPORT) or
161         implicitly (via bind(2)) will return an error of EOPNOTSUPP.
162         An attempt to set SO_RDS_TRANSPPORT to RDS_TRANS_NONE will
163         always return EINVAL.
165 RDMA for RDS
166 ============
168   see rds-rdma(7) manpage (available in rds-tools)
171 Congestion Notifications
172 ========================
174   see rds(7) manpage
177 RDS Protocol
178 ============
180   Message header
182     The message header is a 'struct rds_header' (see rds.h):
183     Fields:
184       h_sequence:
185           per-packet sequence number
186       h_ack:
187           piggybacked acknowledgment of last packet received
188       h_len:
189           length of data, not including header
190       h_sport:
191           source port
192       h_dport:
193           destination port
194       h_flags:
195           CONG_BITMAP - this is a congestion update bitmap
196           ACK_REQUIRED - receiver must ack this packet
197           RETRANSMITTED - packet has previously been sent
198       h_credit:
199           indicate to other end of connection that
200           it has more credits available (i.e. there is
201           more send room)
202       h_padding[4]:
203           unused, for future use
204       h_csum:
205           header checksum
206       h_exthdr:
207           optional data can be passed here. This is currently used for
208           passing RDMA-related information.
210   ACK and retransmit handling
212       One might think that with reliable IB connections you wouldn't need
213       to ack messages that have been received.  The problem is that IB
214       hardware generates an ack message before it has DMAed the message
215       into memory.  This creates a potential message loss if the HCA is
216       disabled for any reason between when it sends the ack and before
217       the message is DMAed and processed.  This is only a potential issue
218       if another HCA is available for fail-over.
220       Sending an ack immediately would allow the sender to free the sent
221       message from their send queue quickly, but could cause excessive
222       traffic to be used for acks. RDS piggybacks acks on sent data
223       packets.  Ack-only packets are reduced by only allowing one to be
224       in flight at a time, and by the sender only asking for acks when
225       its send buffers start to fill up. All retransmissions are also
226       acked.
228   Flow Control
230       RDS's IB transport uses a credit-based mechanism to verify that
231       there is space in the peer's receive buffers for more data. This
232       eliminates the need for hardware retries on the connection.
234   Congestion
236       Messages waiting in the receive queue on the receiving socket
237       are accounted against the sockets SO_RCVBUF option value.  Only
238       the payload bytes in the message are accounted for.  If the
239       number of bytes queued equals or exceeds rcvbuf then the socket
240       is congested.  All sends attempted to this socket's address
241       should return block or return -EWOULDBLOCK.
243       Applications are expected to be reasonably tuned such that this
244       situation very rarely occurs.  An application encountering this
245       "back-pressure" is considered a bug.
247       This is implemented by having each node maintain bitmaps which
248       indicate which ports on bound addresses are congested.  As the
249       bitmap changes it is sent through all the connections which
250       terminate in the local address of the bitmap which changed.
252       The bitmaps are allocated as connections are brought up.  This
253       avoids allocation in the interrupt handling path which queues
254       sages on sockets.  The dense bitmaps let transports send the
255       entire bitmap on any bitmap change reasonably efficiently.  This
256       is much easier to implement than some finer-grained
257       communication of per-port congestion.  The sender does a very
258       inexpensive bit test to test if the port it's about to send to
259       is congested or not.
262 RDS Transport Layer
263 ==================
265   As mentioned above, RDS is not IB-specific. Its code is divided
266   into a general RDS layer and a transport layer.
268   The general layer handles the socket API, congestion handling,
269   loopback, stats, usermem pinning, and the connection state machine.
271   The transport layer handles the details of the transport. The IB
272   transport, for example, handles all the queue pairs, work requests,
273   CM event handlers, and other Infiniband details.
276 RDS Kernel Structures
277 =====================
279   struct rds_message
280     aka possibly "rds_outgoing", the generic RDS layer copies data to
281     be sent and sets header fields as needed, based on the socket API.
282     This is then queued for the individual connection and sent by the
283     connection's transport.
284   struct rds_incoming
285     a generic struct referring to incoming data that can be handed from
286     the transport to the general code and queued by the general code
287     while the socket is awoken. It is then passed back to the transport
288     code to handle the actual copy-to-user.
289   struct rds_socket
290     per-socket information
291   struct rds_connection
292     per-connection information
293   struct rds_transport
294     pointers to transport-specific functions
295   struct rds_statistics
296     non-transport-specific statistics
297   struct rds_cong_map
298     wraps the raw congestion bitmap, contains rbnode, waitq, etc.
300 Connection management
301 =====================
303   Connections may be in UP, DOWN, CONNECTING, DISCONNECTING, and
304   ERROR states.
306   The first time an attempt is made by an RDS socket to send data to
307   a node, a connection is allocated and connected. That connection is
308   then maintained forever -- if there are transport errors, the
309   connection will be dropped and re-established.
311   Dropping a connection while packets are queued will cause queued or
312   partially-sent datagrams to be retransmitted when the connection is
313   re-established.
316 The send path
317 =============
319   rds_sendmsg()
320     struct rds_message built from incoming data
321     CMSGs parsed (e.g. RDMA ops)
322     transport connection alloced and connected if not already
323     rds_message placed on send queue
324     send worker awoken
325   rds_send_worker()
326     calls rds_send_xmit() until queue is empty
327   rds_send_xmit()
328     transmits congestion map if one is pending
329     may set ACK_REQUIRED
330     calls transport to send either non-RDMA or RDMA message
331     (RDMA ops never retransmitted)
332   rds_ib_xmit()
333     allocs work requests from send ring
334     adds any new send credits available to peer (h_credits)
335     maps the rds_message's sg list
336     piggybacks ack
337     populates work requests
338     post send to connection's queue pair
340 The recv path
341 =============
343   rds_ib_recv_cq_comp_handler()
344     looks at write completions
345     unmaps recv buffer from device
346     no errors, call rds_ib_process_recv()
347     refill recv ring
348   rds_ib_process_recv()
349     validate header checksum
350     copy header to rds_ib_incoming struct if start of a new datagram
351     add to ibinc's fraglist
352     if competed datagram:
353       update cong map if datagram was cong update
354       call rds_recv_incoming() otherwise
355       note if ack is required
356   rds_recv_incoming()
357     drop duplicate packets
358     respond to pings
359     find the sock associated with this datagram
360     add to sock queue
361     wake up sock
362     do some congestion calculations
363   rds_recvmsg
364     copy data into user iovec
365     handle CMSGs
366     return to application
368 Multipath RDS (mprds)
369 =====================
370   Mprds is multipathed-RDS, primarily intended for RDS-over-TCP
371   (though the concept can be extended to other transports). The classical
372   implementation of RDS-over-TCP is implemented by demultiplexing multiple
373   PF_RDS sockets between any 2 endpoints (where endpoint == [IP address,
374   port]) over a single TCP socket between the 2 IP addresses involved. This
375   has the limitation that it ends up funneling multiple RDS flows over a
376   single TCP flow, thus it is
377   (a) upper-bounded to the single-flow bandwidth,
378   (b) suffers from head-of-line blocking for all the RDS sockets.
380   Better throughput (for a fixed small packet size, MTU) can be achieved
381   by having multiple TCP/IP flows per rds/tcp connection, i.e., multipathed
382   RDS (mprds).  Each such TCP/IP flow constitutes a path for the rds/tcp
383   connection. RDS sockets will be attached to a path based on some hash
384   (e.g., of local address and RDS port number) and packets for that RDS
385   socket will be sent over the attached path using TCP to segment/reassemble
386   RDS datagrams on that path.
388   Multipathed RDS is implemented by splitting the struct rds_connection into
389   a common (to all paths) part, and a per-path struct rds_conn_path. All
390   I/O workqs and reconnect threads are driven from the rds_conn_path.
391   Transports such as TCP that are multipath capable may then set up a
392   TPC socket per rds_conn_path, and this is managed by the transport via
393   the transport privatee cp_transport_data pointer.
395   Transports announce themselves as multipath capable by setting the
396   t_mp_capable bit during registration with the rds core module. When the
397   transport is multipath-capable, rds_sendmsg() hashes outgoing traffic
398   across multiple paths. The outgoing hash is computed based on the
399   local address and port that the PF_RDS socket is bound to.
401   Additionally, even if the transport is MP capable, we may be
402   peering with some node that does not support mprds, or supports
403   a different number of paths. As a result, the peering nodes need
404   to agree on the number of paths to be used for the connection.
405   This is done by sending out a control packet exchange before the
406   first data packet. The control packet exchange must have completed
407   prior to outgoing hash completion in rds_sendmsg() when the transport
408   is mutlipath capable.
410   The control packet is an RDS ping packet (i.e., packet to rds dest
411   port 0) with the ping packet having a rds extension header option  of
412   type RDS_EXTHDR_NPATHS, length 2 bytes, and the value is the
413   number of paths supported by the sender. The "probe" ping packet will
414   get sent from some reserved port, RDS_FLAG_PROBE_PORT (in <linux/rds.h>)
415   The receiver of a ping from RDS_FLAG_PROBE_PORT will thus immediately
416   be able to compute the min(sender_paths, rcvr_paths). The pong
417   sent in response to a probe-ping should contain the rcvr's npaths
418   when the rcvr is mprds-capable.
420   If the rcvr is not mprds-capable, the exthdr in the ping will be
421   ignored.  In this case the pong will not have any exthdrs, so the sender
422   of the probe-ping can default to single-path mprds.