x86/mm/pat: Don't report PAT on CPUs that don't support it
[linux/fpc-iii.git] / Documentation / filesystems / orangefs.txt
blob1dfdec7909464650acd7786db4368e03223c0765
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
25 ============
27 http://beowulf-underground.org/mailman/listinfo/pvfs2-users
30 DOCUMENTATION
31 =============
33 http://www.orangefs.org/documentation/
36 USERSPACE FILESYSTEM SOURCE
37 ===========================
39 http://www.orangefs.org/download
41 Orangefs versions prior to 2.9.3 would not be compatible with the
42 upstream version of the kernel client.
45 BUILDING THE USERSPACE FILESYSTEM ON A SINGLE SERVER
46 ====================================================
48 When Orangefs is upstream, "--with-kernel" shouldn't be needed, but
49 until then the path to where the kernel with the Orangefs kernel client
50 patch was built is needed to ensure that pvfs2-client-core (the bridge
51 between kernel space and user space) will build properly. You can omit
52 --prefix if you don't care that things are sprinkled around in
53 /usr/local.
55 ./configure --prefix=/opt/ofs --with-kernel=/path/to/orangefs/kernel
57 make
59 make install
61 Create an orangefs config file:
62 /opt/ofs/bin/pvfs2-genconfig /etc/pvfs2.conf
64   for "Enter hostnames", use the hostname, don't let it default to
65   localhost.
67 create a pvfs2tab file in /etc:
68 cat /etc/pvfs2tab
69 tcp://myhostname:3334/orangefs /mymountpoint pvfs2 defaults,noauto 0 0
71 create the mount point you specified in the tab file if needed:
72 mkdir /mymountpoint
74 bootstrap the server:
75 /opt/ofs/sbin/pvfs2-server /etc/pvfs2.conf -f
77 start the server:
78 /opt/osf/sbin/pvfs2-server /etc/pvfs2.conf
80 Now the server is running. At this point you might like to
81 prove things are working with:
83 /opt/osf/bin/pvfs2-ls /mymountpoint
85 You might not want to enforce selinux, it doesn't seem to matter by
86 linux 3.11...
88 If stuff seems to be working, turn on the client core:
89 /opt/osf/sbin/pvfs2-client -p /opt/osf/sbin/pvfs2-client-core
91 Mount your filesystem.
92 mount -t pvfs2 tcp://myhostname:3334/orangefs /mymountpoint
95 OPTIONS
96 =======
98 The following mount options are accepted:
100   acl
101     Allow the use of Access Control Lists on files and directories.
103   intr
104     Some operations between the kernel client and the user space
105     filesystem can be interruptible, such as changes in debug levels
106     and the setting of tunable parameters.
108   local_lock
109     Enable posix locking from the perspective of "this" kernel. The
110     default file_operations lock action is to return ENOSYS. Posix
111     locking kicks in if the filesystem is mounted with -o local_lock.
112     Distributed locking is being worked on for the future.
115 DEBUGGING
116 =========
118 If you want the debug (GOSSIP) statements in a particular
119 source file (inode.c for example) go to syslog:
121   echo inode > /sys/kernel/debug/orangefs/kernel-debug
123 No debugging (the default):
125   echo none > /sys/kernel/debug/orangefs/kernel-debug
127 Debugging from several source files:
129   echo inode,dir > /sys/kernel/debug/orangefs/kernel-debug
131 All debugging:
133   echo all > /sys/kernel/debug/orangefs/kernel-debug
135 Get a list of all debugging keywords:
137   cat /sys/kernel/debug/orangefs/debug-help
140 PROTOCOL BETWEEN KERNEL MODULE AND USERSPACE
141 ============================================
143 Orangefs is a user space filesystem and an associated kernel module.
144 We'll just refer to the user space part of Orangefs as "userspace"
145 from here on out. Orangefs descends from PVFS, and userspace code
146 still uses PVFS for function and variable names. Userspace typedefs
147 many of the important structures. Function and variable names in
148 the kernel module have been transitioned to "orangefs", and The Linux
149 Coding Style avoids typedefs, so kernel module structures that
150 correspond to userspace structures are not typedefed.
152 The kernel module implements a pseudo device that userspace
153 can read from and write to. Userspace can also manipulate the
154 kernel module through the pseudo device with ioctl.
156 THE BUFMAP:
158 At startup userspace allocates two page-size-aligned (posix_memalign)
159 mlocked memory buffers, one is used for IO and one is used for readdir
160 operations. The IO buffer is 41943040 bytes and the readdir buffer is
161 4194304 bytes. Each buffer contains logical chunks, or partitions, and
162 a pointer to each buffer is added to its own PVFS_dev_map_desc structure
163 which also describes its total size, as well as the size and number of
164 the partitions.
166 A pointer to the IO buffer's PVFS_dev_map_desc structure is sent to a
167 mapping routine in the kernel module with an ioctl. The structure is
168 copied from user space to kernel space with copy_from_user and is used
169 to initialize the kernel module's "bufmap" (struct orangefs_bufmap), which
170 then contains:
172   * refcnt - a reference counter
173   * desc_size - PVFS2_BUFMAP_DEFAULT_DESC_SIZE (4194304) - the IO buffer's
174     partition size, which represents the filesystem's block size and
175     is used for s_blocksize in super blocks.
176   * desc_count - PVFS2_BUFMAP_DEFAULT_DESC_COUNT (10) - the number of
177     partitions in the IO buffer.
178   * desc_shift - log2(desc_size), used for s_blocksize_bits in super blocks.
179   * total_size - the total size of the IO buffer.
180   * page_count - the number of 4096 byte pages in the IO buffer.
181   * page_array - a pointer to page_count * (sizeof(struct page*)) bytes
182     of kcalloced memory. This memory is used as an array of pointers
183     to each of the pages in the IO buffer through a call to get_user_pages.
184   * desc_array - a pointer to desc_count * (sizeof(struct orangefs_bufmap_desc))
185     bytes of kcalloced memory. This memory is further intialized:
187       user_desc is the kernel's copy of the IO buffer's ORANGEFS_dev_map_desc
188       structure. user_desc->ptr points to the IO buffer.
190       pages_per_desc = bufmap->desc_size / PAGE_SIZE
191       offset = 0
193         bufmap->desc_array[0].page_array = &bufmap->page_array[offset]
194         bufmap->desc_array[0].array_count = pages_per_desc = 1024
195         bufmap->desc_array[0].uaddr = (user_desc->ptr) + (0 * 1024 * 4096)
196         offset += 1024
197                            .
198                            .
199                            .
200         bufmap->desc_array[9].page_array = &bufmap->page_array[offset]
201         bufmap->desc_array[9].array_count = pages_per_desc = 1024
202         bufmap->desc_array[9].uaddr = (user_desc->ptr) +
203                                                (9 * 1024 * 4096)
204         offset += 1024
206   * buffer_index_array - a desc_count sized array of ints, used to
207     indicate which of the IO buffer's partitions are available to use.
208   * buffer_index_lock - a spinlock to protect buffer_index_array during update.
209   * readdir_index_array - a five (ORANGEFS_READDIR_DEFAULT_DESC_COUNT) element
210     int array used to indicate which of the readdir buffer's partitions are
211     available to use.
212   * readdir_index_lock - a spinlock to protect readdir_index_array during
213     update.
215 OPERATIONS:
217 The kernel module builds an "op" (struct orangefs_kernel_op_s) when it
218 needs to communicate with userspace. Part of the op contains the "upcall"
219 which expresses the request to userspace. Part of the op eventually
220 contains the "downcall" which expresses the results of the request.
222 The slab allocator is used to keep a cache of op structures handy.
224 At init time the kernel module defines and initializes a request list
225 and an in_progress hash table to keep track of all the ops that are
226 in flight at any given time.
228 Ops are stateful:
230  * unknown  - op was just initialized
231  * waiting  - op is on request_list (upward bound)
232  * inprogr  - op is in progress (waiting for downcall)
233  * serviced - op has matching downcall; ok
234  * purged   - op has to start a timer since client-core
235               exited uncleanly before servicing op
236  * given up - submitter has given up waiting for it
238 When some arbitrary userspace program needs to perform a
239 filesystem operation on Orangefs (readdir, I/O, create, whatever)
240 an op structure is initialized and tagged with a distinguishing ID
241 number. The upcall part of the op is filled out, and the op is
242 passed to the "service_operation" function.
244 Service_operation changes the op's state to "waiting", puts
245 it on the request list, and signals the Orangefs file_operations.poll
246 function through a wait queue. Userspace is polling the pseudo-device
247 and thus becomes aware of the upcall request that needs to be read.
249 When the Orangefs file_operations.read function is triggered, the
250 request list is searched for an op that seems ready-to-process.
251 The op is removed from the request list. The tag from the op and
252 the filled-out upcall struct are copy_to_user'ed back to userspace.
254 If any of these (and some additional protocol) copy_to_users fail,
255 the op's state is set to "waiting" and the op is added back to
256 the request list. Otherwise, the op's state is changed to "in progress",
257 and the op is hashed on its tag and put onto the end of a list in the
258 in_progress hash table at the index the tag hashed to.
260 When userspace has assembled the response to the upcall, it
261 writes the response, which includes the distinguishing tag, back to
262 the pseudo device in a series of io_vecs. This triggers the Orangefs
263 file_operations.write_iter function to find the op with the associated
264 tag and remove it from the in_progress hash table. As long as the op's
265 state is not "canceled" or "given up", its state is set to "serviced".
266 The file_operations.write_iter function returns to the waiting vfs,
267 and back to service_operation through wait_for_matching_downcall.
269 Service operation returns to its caller with the op's downcall
270 part (the response to the upcall) filled out.
272 The "client-core" is the bridge between the kernel module and
273 userspace. The client-core is a daemon. The client-core has an
274 associated watchdog daemon. If the client-core is ever signaled
275 to die, the watchdog daemon restarts the client-core. Even though
276 the client-core is restarted "right away", there is a period of
277 time during such an event that the client-core is dead. A dead client-core
278 can't be triggered by the Orangefs file_operations.poll function.
279 Ops that pass through service_operation during a "dead spell" can timeout
280 on the wait queue and one attempt is made to recycle them. Obviously,
281 if the client-core stays dead too long, the arbitrary userspace processes
282 trying to use Orangefs will be negatively affected. Waiting ops
283 that can't be serviced will be removed from the request list and
284 have their states set to "given up". In-progress ops that can't
285 be serviced will be removed from the in_progress hash table and
286 have their states set to "given up".
288 Readdir and I/O ops are atypical with respect to their payloads.
290   - readdir ops use the smaller of the two pre-allocated pre-partitioned
291     memory buffers. The readdir buffer is only available to userspace.
292     The kernel module obtains an index to a free partition before launching
293     a readdir op. Userspace deposits the results into the indexed partition
294     and then writes them to back to the pvfs device.
296   - io (read and write) ops use the larger of the two pre-allocated
297     pre-partitioned memory buffers. The IO buffer is accessible from
298     both userspace and the kernel module. The kernel module obtains an
299     index to a free partition before launching an io op. The kernel module
300     deposits write data into the indexed partition, to be consumed
301     directly by userspace. Userspace deposits the results of read
302     requests into the indexed partition, to be consumed directly
303     by the kernel module.
305 Responses to kernel requests are all packaged in pvfs2_downcall_t
306 structs. Besides a few other members, pvfs2_downcall_t contains a
307 union of structs, each of which is associated with a particular
308 response type.
310 The several members outside of the union are:
311  - int32_t type - type of operation.
312  - int32_t status - return code for the operation.
313  - int64_t trailer_size - 0 unless readdir operation.
314  - char *trailer_buf - initialized to NULL, used during readdir operations.
316 The appropriate member inside the union is filled out for any
317 particular response.
319   PVFS2_VFS_OP_FILE_IO
320     fill a pvfs2_io_response_t
322   PVFS2_VFS_OP_LOOKUP
323     fill a PVFS_object_kref
325   PVFS2_VFS_OP_CREATE
326     fill a PVFS_object_kref
328   PVFS2_VFS_OP_SYMLINK
329     fill a PVFS_object_kref
331   PVFS2_VFS_OP_GETATTR
332     fill in a PVFS_sys_attr_s (tons of stuff the kernel doesn't need)
333     fill in a string with the link target when the object is a symlink.
335   PVFS2_VFS_OP_MKDIR
336     fill a PVFS_object_kref
338   PVFS2_VFS_OP_STATFS
339     fill a pvfs2_statfs_response_t with useless info <g>. It is hard for
340     us to know, in a timely fashion, these statistics about our
341     distributed network filesystem.
343   PVFS2_VFS_OP_FS_MOUNT
344     fill a pvfs2_fs_mount_response_t which is just like a PVFS_object_kref
345     except its members are in a different order and "__pad1" is replaced
346     with "id".
348   PVFS2_VFS_OP_GETXATTR
349     fill a pvfs2_getxattr_response_t
351   PVFS2_VFS_OP_LISTXATTR
352     fill a pvfs2_listxattr_response_t
354   PVFS2_VFS_OP_PARAM
355     fill a pvfs2_param_response_t
357   PVFS2_VFS_OP_PERF_COUNT
358     fill a pvfs2_perf_count_response_t
360   PVFS2_VFS_OP_FSKEY
361     file a pvfs2_fs_key_response_t
363   PVFS2_VFS_OP_READDIR
364     jamb everything needed to represent a pvfs2_readdir_response_t into
365     the readdir buffer descriptor specified in the upcall.
367 Userspace uses writev() on /dev/pvfs2-req to pass responses to the requests
368 made by the kernel side.
370 A buffer_list containing:
371   - a pointer to the prepared response to the request from the
372     kernel (struct pvfs2_downcall_t).
373   - and also, in the case of a readdir request, a pointer to a
374     buffer containing descriptors for the objects in the target
375     directory.
376 ... is sent to the function (PINT_dev_write_list) which performs
377 the writev.
379 PINT_dev_write_list has a local iovec array: struct iovec io_array[10];
381 The first four elements of io_array are initialized like this for all
382 responses:
384   io_array[0].iov_base = address of local variable "proto_ver" (int32_t)
385   io_array[0].iov_len = sizeof(int32_t)
387   io_array[1].iov_base = address of global variable "pdev_magic" (int32_t)
388   io_array[1].iov_len = sizeof(int32_t)
390   io_array[2].iov_base = address of parameter "tag" (PVFS_id_gen_t)
391   io_array[2].iov_len = sizeof(int64_t)
393   io_array[3].iov_base = address of out_downcall member (pvfs2_downcall_t)
394                          of global variable vfs_request (vfs_request_t)
395   io_array[3].iov_len = sizeof(pvfs2_downcall_t)
397 Readdir responses initialize the fifth element io_array like this:
399   io_array[4].iov_base = contents of member trailer_buf (char *)
400                          from out_downcall member of global variable
401                          vfs_request
402   io_array[4].iov_len = contents of member trailer_size (PVFS_size)
403                         from out_downcall member of global variable
404                         vfs_request
406 Orangefs exploits the dcache in order to avoid sending redundant
407 requests to userspace. We keep object inode attributes up-to-date with
408 orangefs_inode_getattr. Orangefs_inode_getattr uses two arguments to
409 help it decide whether or not to update an inode: "new" and "bypass".
410 Orangefs keeps private data in an object's inode that includes a short
411 timeout value, getattr_time, which allows any iteration of
412 orangefs_inode_getattr to know how long it has been since the inode was
413 updated. When the object is not new (new == 0) and the bypass flag is not
414 set (bypass == 0) orangefs_inode_getattr returns without updating the inode
415 if getattr_time has not timed out. Getattr_time is updated each time the
416 inode is updated.
418 Creation of a new object (file, dir, sym-link) includes the evaluation of
419 its pathname, resulting in a negative directory entry for the object.
420 A new inode is allocated and associated with the dentry, turning it from
421 a negative dentry into a "productive full member of society". Orangefs
422 obtains the new inode from Linux with new_inode() and associates
423 the inode with the dentry by sending the pair back to Linux with
424 d_instantiate().
426 The evaluation of a pathname for an object resolves to its corresponding
427 dentry. If there is no corresponding dentry, one is created for it in
428 the dcache. Whenever a dentry is modified or verified Orangefs stores a
429 short timeout value in the dentry's d_time, and the dentry will be trusted
430 for that amount of time. Orangefs is a network filesystem, and objects
431 can potentially change out-of-band with any particular Orangefs kernel module
432 instance, so trusting a dentry is risky. The alternative to trusting
433 dentries is to always obtain the needed information from userspace - at
434 least a trip to the client-core, maybe to the servers. Obtaining information
435 from a dentry is cheap, obtaining it from userspace is relatively expensive,
436 hence the motivation to use the dentry when possible.
438 The timeout values d_time and getattr_time are jiffy based, and the
439 code is designed to avoid the jiffy-wrap problem:
441 "In general, if the clock may have wrapped around more than once, there
442 is no way to tell how much time has elapsed. However, if the times t1
443 and t2 are known to be fairly close, we can reliably compute the
444 difference in a way that takes into account the possibility that the
445 clock may have wrapped between times."
447                       from course notes by instructor Andy Wang