Linux 4.19.133
[linux/fpc-iii.git] / Documentation / filesystems / orangefs.txt
blobf4ba94950e3fbf27a4bad8794a93c499d8d8f93c
1 ORANGEFS
2 ========
4 OrangeFS is an LGPL userspace scale-out parallel storage system. It is ideal
5 for large storage problems faced by HPC, BigData, Streaming Video,
6 Genomics, Bioinformatics.
8 Orangefs, originally called PVFS, was first developed in 1993 by
9 Walt Ligon and Eric Blumer as a parallel file system for Parallel
10 Virtual Machine (PVM) as part of a NASA grant to study the I/O patterns
11 of parallel programs.
13 Orangefs features include:
15   * Distributes file data among multiple file servers
16   * Supports simultaneous access by multiple clients
17   * Stores file data and metadata on servers using local file system
18     and access methods
19   * Userspace implementation is easy to install and maintain
20   * Direct MPI support
21   * Stateless
24 MAILING LIST ARCHIVES
25 =====================
27 http://lists.orangefs.org/pipermail/devel_lists.orangefs.org/
30 MAILING LIST SUBMISSIONS
31 ========================
33 devel@lists.orangefs.org
36 DOCUMENTATION
37 =============
39 http://www.orangefs.org/documentation/
42 USERSPACE FILESYSTEM SOURCE
43 ===========================
45 http://www.orangefs.org/download
47 Orangefs versions prior to 2.9.3 would not be compatible with the
48 upstream version of the kernel client.
51 RUNNING ORANGEFS ON A SINGLE SERVER
52 ===================================
54 OrangeFS is usually run in large installations with multiple servers and
55 clients, but a complete filesystem can be run on a single machine for
56 development and testing.
58 On Fedora, install orangefs and orangefs-server.
60 dnf -y install orangefs orangefs-server
62 There is an example server configuration file in
63 /etc/orangefs/orangefs.conf.  Change localhost to your hostname if
64 necessary.
66 To generate a filesystem to run xfstests against, see below.
68 There is an example client configuration file in /etc/pvfs2tab.  It is a
69 single line.  Uncomment it and change the hostname if necessary.  This
70 controls clients which use libpvfs2.  This does not control the
71 pvfs2-client-core.
73 Create the filesystem.
75 pvfs2-server -f /etc/orangefs/orangefs.conf
77 Start the server.
79 systemctl start orangefs-server
81 Test the server.
83 pvfs2-ping -m /pvfsmnt
85 Start the client.  The module must be compiled in or loaded before this
86 point.
88 systemctl start orangefs-client
90 Mount the filesystem.
92 mount -t pvfs2 tcp://localhost:3334/orangefs /pvfsmnt
95 BUILDING ORANGEFS ON A SINGLE SERVER
96 ====================================
98 Where OrangeFS cannot be installed from distribution packages, it may be
99 built from source.
101 You can omit --prefix if you don't care that things are sprinkled around
102 in /usr/local.  As of version 2.9.6, OrangeFS uses Berkeley DB by
103 default, we will probably be changing the default to LMDB soon.
105 ./configure --prefix=/opt/ofs --with-db-backend=lmdb
107 make
109 make install
111 Create an orangefs config file.
113 /opt/ofs/bin/pvfs2-genconfig /etc/pvfs2.conf
115 Create an /etc/pvfs2tab file.
117 echo tcp://localhost:3334/orangefs /pvfsmnt pvfs2 defaults,noauto 0 0 > \
118     /etc/pvfs2tab
120 Create the mount point you specified in the tab file if needed.
122 mkdir /pvfsmnt
124 Bootstrap the server.
126 /opt/ofs/sbin/pvfs2-server -f /etc/pvfs2.conf
128 Start the server.
130 /opt/osf/sbin/pvfs2-server /etc/pvfs2.conf
132 Now the server should be running. Pvfs2-ls is a simple
133 test to verify that the server is running.
135 /opt/ofs/bin/pvfs2-ls /pvfsmnt
137 If stuff seems to be working, load the kernel module and
138 turn on the client core.
140 /opt/ofs/sbin/pvfs2-client -p /opt/osf/sbin/pvfs2-client-core
142 Mount your filesystem.
144 mount -t pvfs2 tcp://localhost:3334/orangefs /pvfsmnt
147 RUNNING XFSTESTS
148 ================
150 It is useful to use a scratch filesystem with xfstests.  This can be
151 done with only one server.
153 Make a second copy of the FileSystem section in the server configuration
154 file, which is /etc/orangefs/orangefs.conf.  Change the Name to scratch.
155 Change the ID to something other than the ID of the first FileSystem
156 section (2 is usually a good choice).
158 Then there are two FileSystem sections: orangefs and scratch.
160 This change should be made before creating the filesystem.
162 pvfs2-server -f /etc/orangefs/orangefs.conf
164 To run xfstests, create /etc/xfsqa.config.
166 TEST_DIR=/orangefs
167 TEST_DEV=tcp://localhost:3334/orangefs
168 SCRATCH_MNT=/scratch
169 SCRATCH_DEV=tcp://localhost:3334/scratch
171 Then xfstests can be run
173 ./check -pvfs2
176 OPTIONS
177 =======
179 The following mount options are accepted:
181   acl
182     Allow the use of Access Control Lists on files and directories.
184   intr
185     Some operations between the kernel client and the user space
186     filesystem can be interruptible, such as changes in debug levels
187     and the setting of tunable parameters.
189   local_lock
190     Enable posix locking from the perspective of "this" kernel. The
191     default file_operations lock action is to return ENOSYS. Posix
192     locking kicks in if the filesystem is mounted with -o local_lock.
193     Distributed locking is being worked on for the future.
196 DEBUGGING
197 =========
199 If you want the debug (GOSSIP) statements in a particular
200 source file (inode.c for example) go to syslog:
202   echo inode > /sys/kernel/debug/orangefs/kernel-debug
204 No debugging (the default):
206   echo none > /sys/kernel/debug/orangefs/kernel-debug
208 Debugging from several source files:
210   echo inode,dir > /sys/kernel/debug/orangefs/kernel-debug
212 All debugging:
214   echo all > /sys/kernel/debug/orangefs/kernel-debug
216 Get a list of all debugging keywords:
218   cat /sys/kernel/debug/orangefs/debug-help
221 PROTOCOL BETWEEN KERNEL MODULE AND USERSPACE
222 ============================================
224 Orangefs is a user space filesystem and an associated kernel module.
225 We'll just refer to the user space part of Orangefs as "userspace"
226 from here on out. Orangefs descends from PVFS, and userspace code
227 still uses PVFS for function and variable names. Userspace typedefs
228 many of the important structures. Function and variable names in
229 the kernel module have been transitioned to "orangefs", and The Linux
230 Coding Style avoids typedefs, so kernel module structures that
231 correspond to userspace structures are not typedefed.
233 The kernel module implements a pseudo device that userspace
234 can read from and write to. Userspace can also manipulate the
235 kernel module through the pseudo device with ioctl.
237 THE BUFMAP:
239 At startup userspace allocates two page-size-aligned (posix_memalign)
240 mlocked memory buffers, one is used for IO and one is used for readdir
241 operations. The IO buffer is 41943040 bytes and the readdir buffer is
242 4194304 bytes. Each buffer contains logical chunks, or partitions, and
243 a pointer to each buffer is added to its own PVFS_dev_map_desc structure
244 which also describes its total size, as well as the size and number of
245 the partitions.
247 A pointer to the IO buffer's PVFS_dev_map_desc structure is sent to a
248 mapping routine in the kernel module with an ioctl. The structure is
249 copied from user space to kernel space with copy_from_user and is used
250 to initialize the kernel module's "bufmap" (struct orangefs_bufmap), which
251 then contains:
253   * refcnt - a reference counter
254   * desc_size - PVFS2_BUFMAP_DEFAULT_DESC_SIZE (4194304) - the IO buffer's
255     partition size, which represents the filesystem's block size and
256     is used for s_blocksize in super blocks.
257   * desc_count - PVFS2_BUFMAP_DEFAULT_DESC_COUNT (10) - the number of
258     partitions in the IO buffer.
259   * desc_shift - log2(desc_size), used for s_blocksize_bits in super blocks.
260   * total_size - the total size of the IO buffer.
261   * page_count - the number of 4096 byte pages in the IO buffer.
262   * page_array - a pointer to page_count * (sizeof(struct page*)) bytes
263     of kcalloced memory. This memory is used as an array of pointers
264     to each of the pages in the IO buffer through a call to get_user_pages.
265   * desc_array - a pointer to desc_count * (sizeof(struct orangefs_bufmap_desc))
266     bytes of kcalloced memory. This memory is further intialized:
268       user_desc is the kernel's copy of the IO buffer's ORANGEFS_dev_map_desc
269       structure. user_desc->ptr points to the IO buffer.
271       pages_per_desc = bufmap->desc_size / PAGE_SIZE
272       offset = 0
274         bufmap->desc_array[0].page_array = &bufmap->page_array[offset]
275         bufmap->desc_array[0].array_count = pages_per_desc = 1024
276         bufmap->desc_array[0].uaddr = (user_desc->ptr) + (0 * 1024 * 4096)
277         offset += 1024
278                            .
279                            .
280                            .
281         bufmap->desc_array[9].page_array = &bufmap->page_array[offset]
282         bufmap->desc_array[9].array_count = pages_per_desc = 1024
283         bufmap->desc_array[9].uaddr = (user_desc->ptr) +
284                                                (9 * 1024 * 4096)
285         offset += 1024
287   * buffer_index_array - a desc_count sized array of ints, used to
288     indicate which of the IO buffer's partitions are available to use.
289   * buffer_index_lock - a spinlock to protect buffer_index_array during update.
290   * readdir_index_array - a five (ORANGEFS_READDIR_DEFAULT_DESC_COUNT) element
291     int array used to indicate which of the readdir buffer's partitions are
292     available to use.
293   * readdir_index_lock - a spinlock to protect readdir_index_array during
294     update.
296 OPERATIONS:
298 The kernel module builds an "op" (struct orangefs_kernel_op_s) when it
299 needs to communicate with userspace. Part of the op contains the "upcall"
300 which expresses the request to userspace. Part of the op eventually
301 contains the "downcall" which expresses the results of the request.
303 The slab allocator is used to keep a cache of op structures handy.
305 At init time the kernel module defines and initializes a request list
306 and an in_progress hash table to keep track of all the ops that are
307 in flight at any given time.
309 Ops are stateful:
311  * unknown  - op was just initialized
312  * waiting  - op is on request_list (upward bound)
313  * inprogr  - op is in progress (waiting for downcall)
314  * serviced - op has matching downcall; ok
315  * purged   - op has to start a timer since client-core
316               exited uncleanly before servicing op
317  * given up - submitter has given up waiting for it
319 When some arbitrary userspace program needs to perform a
320 filesystem operation on Orangefs (readdir, I/O, create, whatever)
321 an op structure is initialized and tagged with a distinguishing ID
322 number. The upcall part of the op is filled out, and the op is
323 passed to the "service_operation" function.
325 Service_operation changes the op's state to "waiting", puts
326 it on the request list, and signals the Orangefs file_operations.poll
327 function through a wait queue. Userspace is polling the pseudo-device
328 and thus becomes aware of the upcall request that needs to be read.
330 When the Orangefs file_operations.read function is triggered, the
331 request list is searched for an op that seems ready-to-process.
332 The op is removed from the request list. The tag from the op and
333 the filled-out upcall struct are copy_to_user'ed back to userspace.
335 If any of these (and some additional protocol) copy_to_users fail,
336 the op's state is set to "waiting" and the op is added back to
337 the request list. Otherwise, the op's state is changed to "in progress",
338 and the op is hashed on its tag and put onto the end of a list in the
339 in_progress hash table at the index the tag hashed to.
341 When userspace has assembled the response to the upcall, it
342 writes the response, which includes the distinguishing tag, back to
343 the pseudo device in a series of io_vecs. This triggers the Orangefs
344 file_operations.write_iter function to find the op with the associated
345 tag and remove it from the in_progress hash table. As long as the op's
346 state is not "canceled" or "given up", its state is set to "serviced".
347 The file_operations.write_iter function returns to the waiting vfs,
348 and back to service_operation through wait_for_matching_downcall.
350 Service operation returns to its caller with the op's downcall
351 part (the response to the upcall) filled out.
353 The "client-core" is the bridge between the kernel module and
354 userspace. The client-core is a daemon. The client-core has an
355 associated watchdog daemon. If the client-core is ever signaled
356 to die, the watchdog daemon restarts the client-core. Even though
357 the client-core is restarted "right away", there is a period of
358 time during such an event that the client-core is dead. A dead client-core
359 can't be triggered by the Orangefs file_operations.poll function.
360 Ops that pass through service_operation during a "dead spell" can timeout
361 on the wait queue and one attempt is made to recycle them. Obviously,
362 if the client-core stays dead too long, the arbitrary userspace processes
363 trying to use Orangefs will be negatively affected. Waiting ops
364 that can't be serviced will be removed from the request list and
365 have their states set to "given up". In-progress ops that can't
366 be serviced will be removed from the in_progress hash table and
367 have their states set to "given up".
369 Readdir and I/O ops are atypical with respect to their payloads.
371   - readdir ops use the smaller of the two pre-allocated pre-partitioned
372     memory buffers. The readdir buffer is only available to userspace.
373     The kernel module obtains an index to a free partition before launching
374     a readdir op. Userspace deposits the results into the indexed partition
375     and then writes them to back to the pvfs device.
377   - io (read and write) ops use the larger of the two pre-allocated
378     pre-partitioned memory buffers. The IO buffer is accessible from
379     both userspace and the kernel module. The kernel module obtains an
380     index to a free partition before launching an io op. The kernel module
381     deposits write data into the indexed partition, to be consumed
382     directly by userspace. Userspace deposits the results of read
383     requests into the indexed partition, to be consumed directly
384     by the kernel module.
386 Responses to kernel requests are all packaged in pvfs2_downcall_t
387 structs. Besides a few other members, pvfs2_downcall_t contains a
388 union of structs, each of which is associated with a particular
389 response type.
391 The several members outside of the union are:
392  - int32_t type - type of operation.
393  - int32_t status - return code for the operation.
394  - int64_t trailer_size - 0 unless readdir operation.
395  - char *trailer_buf - initialized to NULL, used during readdir operations.
397 The appropriate member inside the union is filled out for any
398 particular response.
400   PVFS2_VFS_OP_FILE_IO
401     fill a pvfs2_io_response_t
403   PVFS2_VFS_OP_LOOKUP
404     fill a PVFS_object_kref
406   PVFS2_VFS_OP_CREATE
407     fill a PVFS_object_kref
409   PVFS2_VFS_OP_SYMLINK
410     fill a PVFS_object_kref
412   PVFS2_VFS_OP_GETATTR
413     fill in a PVFS_sys_attr_s (tons of stuff the kernel doesn't need)
414     fill in a string with the link target when the object is a symlink.
416   PVFS2_VFS_OP_MKDIR
417     fill a PVFS_object_kref
419   PVFS2_VFS_OP_STATFS
420     fill a pvfs2_statfs_response_t with useless info <g>. It is hard for
421     us to know, in a timely fashion, these statistics about our
422     distributed network filesystem.
424   PVFS2_VFS_OP_FS_MOUNT
425     fill a pvfs2_fs_mount_response_t which is just like a PVFS_object_kref
426     except its members are in a different order and "__pad1" is replaced
427     with "id".
429   PVFS2_VFS_OP_GETXATTR
430     fill a pvfs2_getxattr_response_t
432   PVFS2_VFS_OP_LISTXATTR
433     fill a pvfs2_listxattr_response_t
435   PVFS2_VFS_OP_PARAM
436     fill a pvfs2_param_response_t
438   PVFS2_VFS_OP_PERF_COUNT
439     fill a pvfs2_perf_count_response_t
441   PVFS2_VFS_OP_FSKEY
442     file a pvfs2_fs_key_response_t
444   PVFS2_VFS_OP_READDIR
445     jamb everything needed to represent a pvfs2_readdir_response_t into
446     the readdir buffer descriptor specified in the upcall.
448 Userspace uses writev() on /dev/pvfs2-req to pass responses to the requests
449 made by the kernel side.
451 A buffer_list containing:
452   - a pointer to the prepared response to the request from the
453     kernel (struct pvfs2_downcall_t).
454   - and also, in the case of a readdir request, a pointer to a
455     buffer containing descriptors for the objects in the target
456     directory.
457 ... is sent to the function (PINT_dev_write_list) which performs
458 the writev.
460 PINT_dev_write_list has a local iovec array: struct iovec io_array[10];
462 The first four elements of io_array are initialized like this for all
463 responses:
465   io_array[0].iov_base = address of local variable "proto_ver" (int32_t)
466   io_array[0].iov_len = sizeof(int32_t)
468   io_array[1].iov_base = address of global variable "pdev_magic" (int32_t)
469   io_array[1].iov_len = sizeof(int32_t)
471   io_array[2].iov_base = address of parameter "tag" (PVFS_id_gen_t)
472   io_array[2].iov_len = sizeof(int64_t)
474   io_array[3].iov_base = address of out_downcall member (pvfs2_downcall_t)
475                          of global variable vfs_request (vfs_request_t)
476   io_array[3].iov_len = sizeof(pvfs2_downcall_t)
478 Readdir responses initialize the fifth element io_array like this:
480   io_array[4].iov_base = contents of member trailer_buf (char *)
481                          from out_downcall member of global variable
482                          vfs_request
483   io_array[4].iov_len = contents of member trailer_size (PVFS_size)
484                         from out_downcall member of global variable
485                         vfs_request
487 Orangefs exploits the dcache in order to avoid sending redundant
488 requests to userspace. We keep object inode attributes up-to-date with
489 orangefs_inode_getattr. Orangefs_inode_getattr uses two arguments to
490 help it decide whether or not to update an inode: "new" and "bypass".
491 Orangefs keeps private data in an object's inode that includes a short
492 timeout value, getattr_time, which allows any iteration of
493 orangefs_inode_getattr to know how long it has been since the inode was
494 updated. When the object is not new (new == 0) and the bypass flag is not
495 set (bypass == 0) orangefs_inode_getattr returns without updating the inode
496 if getattr_time has not timed out. Getattr_time is updated each time the
497 inode is updated.
499 Creation of a new object (file, dir, sym-link) includes the evaluation of
500 its pathname, resulting in a negative directory entry for the object.
501 A new inode is allocated and associated with the dentry, turning it from
502 a negative dentry into a "productive full member of society". Orangefs
503 obtains the new inode from Linux with new_inode() and associates
504 the inode with the dentry by sending the pair back to Linux with
505 d_instantiate().
507 The evaluation of a pathname for an object resolves to its corresponding
508 dentry. If there is no corresponding dentry, one is created for it in
509 the dcache. Whenever a dentry is modified or verified Orangefs stores a
510 short timeout value in the dentry's d_time, and the dentry will be trusted
511 for that amount of time. Orangefs is a network filesystem, and objects
512 can potentially change out-of-band with any particular Orangefs kernel module
513 instance, so trusting a dentry is risky. The alternative to trusting
514 dentries is to always obtain the needed information from userspace - at
515 least a trip to the client-core, maybe to the servers. Obtaining information
516 from a dentry is cheap, obtaining it from userspace is relatively expensive,
517 hence the motivation to use the dentry when possible.
519 The timeout values d_time and getattr_time are jiffy based, and the
520 code is designed to avoid the jiffy-wrap problem:
522 "In general, if the clock may have wrapped around more than once, there
523 is no way to tell how much time has elapsed. However, if the times t1
524 and t2 are known to be fairly close, we can reliably compute the
525 difference in a way that takes into account the possibility that the
526 clock may have wrapped between times."
528                       from course notes by instructor Andy Wang