Mention smart-make in a comment.
[rsync.git] / rsync3.txt
blobe21f19f6a64fc103b89074299da455e7f9d1d65e
1 -*- indented-text -*-
3 Notes towards a new version of rsync
4 Martin Pool <mbp@samba.org>, September 2001.
7 Good things about the current implementation:
9   - Widely known and adopted.
11   - Fast/efficient, especially for moderately small sets of files over
12     slow links (transoceanic or modem.)
14   - Fairly reliable.
16   - The choice of running over a plain TCP socket or tunneling over
17     ssh.
19   - rsync operations are idempotent: you can always run the same
20     command twice to make sure it worked properly without any fear.
21     (Are there any exceptions?)
23   - Small changes to files cause small deltas.
25   - There is a way to evolve the protocol to some extent.
27   - rdiff and rsync --write-batch allow generation of standalone patch
28     sets.  rsync+ is pretty cheesy, though.  xdelta seems cleaner.
30   - Process triangle is creative, but seems to provoke OS bugs.
32   - "Morning-after property": you don't need to know anything on the
33     local machine about the state of the remote machine, or about
34     transfers that have been done in the past.
36   - You can easily push or pull simply by switching the order of
37     files.
39   - The "modules" system has some neat features compared to
40     e.g. Apache's per-directory configuration.  In particular, because
41     you can set a userid and chroot directory, there is strong
42     protection between different modules.  I haven't seen any calls
43     for a more flexible system.
46 Bad things about the current implementation:
48   - Persistent and hard-to-diagnose hang bugs remain
50   - Protocol is sketchily documented, tied to this implementation, and
51     hard to modify/extend
53   - Both the program and the protocol assume a single non-interactive
54     one-way transfer
56   - A list of all files are held in memory for the entire transfer,
57     which cripples scalability to large file trees
59   - Opening a new socket for every operation causes problems,
60     especially when running over SSH with password authentication.
62   - Renamed files are not handled: the old file is removed, and the
63     new file created from scratch.
65   - The versioning approach assumes that future versions of the
66     program know about all previous versions, and will do the right
67     thing.
69   - People always get confused about ':' vs '::'
71   - Error messages can be cryptic.
73   - Default behaviour is not intuitive: in too many cases rsync will
74     happily do nothing.  Perhaps -a should be the default?
76   - People get confused by trailing slashes, though it's hard to think
77     of another reasonable way to make this necessary distinction
78     between a directory and its contents.
81 Protocol philosophy:
83    *The* big difference between protocols like HTTP, FTP, and NFS is
84     that their fundamental operations are "read this file", "delete
85     this file", and "make this directory", whereas rsync is "make this
86     directory like this one".
89 Questionable features:
91   These are neat, but not necessarily clean or worth preserving.
93   - The remote rsync can be wrapped by some other program, such as in
94     tridge's rsync-mail scripts.  The general feature of sending and
95     retrieving mail over rsync is good, but this is perhaps not the
96     right way to implement it.
99 Desirable features:
101   These don't really require architectural changes; they're just
102   something to keep in mind.
104   - Synchronize ACLs and extended attributes
106   - Anonymous servers should be efficient
108   - Code should be portable to non-UNIX systems
110   - Should be possible to document the protocol in RFC form
112   - --dry-run option
114   - IPv6 support.  Pretty straightforward.
116   - Allow the basis and destination files to be different.  For
117     example, you could use this when you have a CD-ROM and want to
118     download an updated image onto a hard drive.
120   - Efficiently interrupt and restart a transfer.  We can write a
121     checkpoint file that says where we're up to in the filesystem.
122     Alternatively, as long as transfers are idempotent, we can just
123     restart the whole thing.  [NFSv4]
125   - Scripting support.
127   - Propagate atimes and do not modify them.  This is very ugly on
128     Unix.  It might be better to try to add O_NOATIME to kernels, and
129     call that.
131   - Unicode.  Probably just use UTF-8 for everything.
133   - Open authentication system.  Can we use PAM?  Is SASL an adequate
134     mapping of PAM to the network, or useful in some other way?
136   - Resume interrupted transfers without the --partial flag.  We need
137     to leave the temporary file behind, and then know to use it.  This
138     leaves a risk of large temporary files accumulating, which is not
139     good.  Perhaps it should be off by default.
141   - tcpwrappers support.  Should be trivial; can already be done
142     through tcpd or inetd.
144   - Socks support built in.  It's not clear this is any better than
145     just linking against the socks library, though.
147   - When run over SSH, invoke with predictable command-line arguments,
148     so that people can restrict what commands sshd will run.  (Is this
149     really required?)
151   - Comparison mode: give a list of which files are new, gone, or
152     different.  Set return code depending on whether anything has
153     changed.
155   - Internationalized messages (gettext?)
157   - Optionally use real regexps rather than globs?
159   - Show overall progress.  Pretty hard to do, especially if we insist
160     on not scanning the directory tree up front.
163 Regression testing:
165   - Support automatic testing.
167   - Have hard internal timeouts against hangs.
169   - Be deterministic.
171   - Measure performance.
174 Hard links:
176   At the moment, we can recreate hard links, but it's a bit
177   inefficient: it depends on holding a list of all files in the tree.
178   Every time we see a file with a linkcount >1, we need to search for
179   another known name that has the same (fsid,inum) tuple.  We could do
180   that more efficiently by keeping a list of only files with
181   linkcount>1, and removing files from that list as all their names
182   become known.
185 Command-line options:
187   We have rather a lot at the moment.  We might get more if the tool
188   becomes more flexible.  Do we need a .rc or configuration file?
189   That wouldn't really fit with its pattern of use: cp and tar don't
190   have them, though ssh does.
193 Scripting issues:
195   - Perhaps support multiple scripting languages: candidates include
196     Perl, Python, Tcl, Scheme (guile?), sh, ...
198   - Simply running a subprocess and looking at its stdout/exit code
199     might be sufficient, though it could also be pretty slow if it's
200     called often.
202   - There are security issues about running remote code, at least if
203     it's not running in the users own account.  So we can either
204     disallow it, or use some kind of sandbox system.
206   - Python is a good language, but the syntax is not so good for
207     giving small fragments on the command line.
209   - Tcl is broken Lisp.
211   - Lots of sysadmins know Perl, though Perl can give some bizarre or
212     confusing errors.  The built in stat operators and regexps might
213     be useful.
215   - Sadly probably not enough people know Scheme.
217   - sh is hard to embed.
220 Scripting hooks:
222   - Whether to transfer a file
224   - What basis file to use
226   - Logging
228   - Whether to allow transfers (for public servers)
230   - Authentication
232   - Locking
234   - Cache
236   - Generating backup path/name.
238   - Post-processing of backups, e.g. to do compression.
240   - After transfer, before replacement: so that we can spit out a diff
241     of what was changed, or kick off some kind of reconciliation
242     process.
245 VFS:
247   Rather than talking straight to the filesystem, rsyncd talks through
248   an internal API.  Samba has one.  Is it useful?
250   - Could be a tidy way to implement cached signatures.
252   - Keep files compressed on disk?
255 Interactive interface:
257   - Something like ncFTP, or integration into GNOME-vfs.  Probably
258     hold a single socket connection open.
260   - Can either call us as a separate process, or as a library.
262   - The standalone process needs to produce output in a form easily
263     digestible by a calling program, like the --emacs feature some
264     have.  Same goes for output: rpm outputs a series of hash symbols,
265     which are easier for a GUI to handle than "\r30% complete"
266     strings.
268   - Yow!  emacs support.  (You could probably build that already, of
269     course.)  I'd like to be able to write a simple script on a remote
270     machine that rsyncs it to my workstation, edits it there, then
271     pushes it back up.
274 Pie-in-the-sky features:
276   These might have a severe impact on the protocol, and are not
277   clearly in our core requirements.  It looks like in many of them
278   having scripting hooks will allow us
280   - Transport over UDP multicast.  The hard part is handling multiple
281     destinations which have different basis files.  We can look at
282     multicast-TFTP for inspiration.
284   - Conflict resolution.  Possibly general scripting support will be
285     sufficient.
287   - Integrate with locking.  It's hard to see a good general solution,
288     because Unix systems have several locking mechanisms, and grabbing
289     the lock from programs that don't expect it could cause deadlocks,
290     timeouts, or other problems.  Scripting support might help.
292   - Replicate in place, rather than to a temporary file.  This is
293     dangerous in the case of interruption, and it also means that the
294     delta can't refer to blocks that have already been overwritten.
295     On the other hand we could semi-trivially do this at first by
296     simply generating a delta with no copy instructions.
298   - Replicate block devices.  Most of the difficulties here are to do
299     with replication in place, though on some systems we will also
300     have to do I/O on block boundaries.
302   - Peer to peer features.  Flavour of the year.  Can we think about
303     ways for clients to smoothly and voluntarily become servers for
304     content they receive?
306   - Imagine a situation where the destination has a much faster link
307     to the cloud than the source.  In this case, Mojo Nation downloads
308     interleaved blocks from several slower servers.  The general
309     situation might be a way for a master rsync process to farm out
310     tasks to several subjobs.  In this particular case they'd need
311     different sockets.  This might be related to multicast.
314 Unlikely features:
316   - Allow remote source and destination.  If this can be cleanly
317     designed into the protocol, perhaps with the remote machine acting
318     as a kind of echo, then it's good.  It's uncommon enough that we
319     don't want to shape the whole protocol around it, though.
321     In fact, in a triangle of machines there are two possibilities:
322     all traffic passes from remote1 to remote2 through local, or local
323     just sets up the transfer and then remote1 talks to remote2.  FTP
324     supports the second but it's not clearly good.  There are some
325     security problems with being able to instruct one machine to open
326     a connection to another.
329 In favour of evolving the protocol:
331   - Keeping compatibility with existing rsync servers will help with
332     adoption and testing.
334   - We should at the very least be able to fall back to the new
335     protocol.
337   - Error handling is not so good.
340 In favour of using a new protocol:
342   - Maintaining compatibility might soak up development time that
343     would better go into improving a new protocol.
345   - If we start from scratch, it can be documented as we go, and we
346     can avoid design decisions that make the protocol complex or
347     implementation-bound.
350 Error handling:
352   - Errors should come back reliably, and be clearly associated with
353     the particular file that caused the problem.
355   - Some errors ought to cause the whole transfer to abort; some are
356     just warnings.  If any errors have occurred, then rsync ought to
357     return an error.
360 Concurrency:
362   - We want to keep the CPU, filesystem, and network as full as
363     possible as much of the time as possible.
365   - We can do nonblocking network IO, but not so for disk.
367   - It makes sense to on the destination be generating signatures and
368     applying patches at the same time.
370   - Can structure this with nonblocking, threads, separate processes,
371     etc.
374 Uses:
376   - Mirroring software distributions:
378   - Synchronizing laptop and desktop
380   - NFS filesystem migration/replication.  See
381     http://www.ietf.org/proceedings/00jul/00july-133.htm#P24510_1276764
383   - Sync with PDA
385   - Network backup systems
387   - CVS filemover
390 Conflict resolution:
392   - Requires application-specific knowledge.  We want to provide
393     policy, rather than mechanism.
395   - Possibly allowing two-way migration across a single connection
396     would be useful.
399 Moved files:
401   - There's no trivial way to detect renamed files, especially if they
402     move between directories.
404   - If we had a picture of the remote directory from last time on
405     either machine, then the inode numbers might give us a hint about
406     files which may have been renamed.
408   - Files that are renamed and not modified can be detected by
409     examining the directory listing, looking for files with the same
410     size/date as the origin.
413 Filesystem migration:
415   NFSv4 probably wants to migrate file locks, but that's not really
416   our problem.
419 Atomic updates:
421   The NFSv4 working group wants atomic migration.  Most of the
422   responsibility for this lies on the NFS server or OS.
424   If migrating a whole tree, then we could do a nearly-atomic rename
425   at the end.  This ties in to having separate basis and destination
426   files.
428   There's no way in Unix to replace a whole set of files atomically.
429   However, if we get them all onto the destination machine and then do
430   the updates quickly it would greatly reduce the window.
433 Scalability:
435   We should aim to work well on machines in use in a year or two.
436   That probably means transfers of many millions of files in one
437   batch, and gigabytes or terabytes of data.
439   For argument's sake: at the low end, we want to sync ten files for a
440   total of 10kb across a 1kB/s link.  At the high end, we want to sync
441   1e9 files for 1TB of data across a 1GB/s link.
443   On the whole CPU usage is not normally a limiting factor, if only
444   because running over SSH burns a lot of cycles on encryption.
446   Perhaps have resource throttling without relying on rlimit.
449 Streaming:
451   A big attraction of rsync is that there are few round-trip delays:
452   basically only one to get started, and then everything is
453   pipelined.  This is a problem with FTP, and NFS (at least up to
454   v3).  NFSv4 can pipeline operations, but building on that is
455   probably a bit complicated.
458 Related work:
460   - mirror.pl
462   - ProFTPd
464   - Apache
466   - BitTorrent -- p2p mirroring
467     http://bitconjurer.org/BitTorrent/