sh: select ARCH_NO_SYSDEV_OPS.
[pandora-kernel.git] / Documentation / filesystems / path-lookup.txt
1 Path walking and name lookup locking
2 ====================================
3
4 Path resolution is the finding a dentry corresponding to a path name string, by
5 performing a path walk. Typically, for every open(), stat() etc., the path name
6 will be resolved. Paths are resolved by walking the namespace tree, starting
7 with the first component of the pathname (eg. root or cwd) with a known dentry,
8 then finding the child of that dentry, which is named the next component in the
9 path string. Then repeating the lookup from the child dentry and finding its
10 child with the next element, and so on.
11
12 Since it is a frequent operation for workloads like multiuser environments and
13 web servers, it is important to optimize this code.
14
15 Path walking synchronisation history:
16 Prior to 2.5.10, dcache_lock was acquired in d_lookup (dcache hash lookup) and
17 thus in every component during path look-up. Since 2.5.10 onwards, fast-walk
18 algorithm changed this by holding the dcache_lock at the beginning and walking
19 as many cached path component dentries as possible. This significantly
20 decreases the number of acquisition of dcache_lock. However it also increases
21 the lock hold time significantly and affects performance in large SMP machines.
22 Since 2.5.62 kernel, dcache has been using a new locking model that uses RCU to
23 make dcache look-up lock-free.
24
25 All the above algorithms required taking a lock and reference count on the
26 dentry that was looked up, so that may be used as the basis for walking the
27 next path element. This is inefficient and unscalable. It is inefficient
28 because of the locks and atomic operations required for every dentry element
29 slows things down. It is not scalable because many parallel applications that
30 are path-walk intensive tend to do path lookups starting from a common dentry
31 (usually, the root "/" or current working directory). So contention on these
32 common path elements causes lock and cacheline queueing.
33
34 Since 2.6.38, RCU is used to make a significant part of the entire path walk
35 (including dcache look-up) completely "store-free" (so, no locks, atomics, or
36 even stores into cachelines of common dentries). This is known as "rcu-walk"
37 path walking.
38
39 Path walking overview
40 =====================
41
42 A name string specifies a start (root directory, cwd, fd-relative) and a
43 sequence of elements (directory entry names), which together refer to a path in
44 the namespace. A path is represented as a (dentry, vfsmount) tuple. The name
45 elements are sub-strings, seperated by '/'.
46
47 Name lookups will want to find a particular path that a name string refers to
48 (usually the final element, or parent of final element). This is done by taking
49 the path given by the name's starting point (which we know in advance -- eg.
50 current->fs->cwd or current->fs->root) as the first parent of the lookup. Then
51 iteratively for each subsequent name element, look up the child of the current
52 parent with the given name and if it is not the desired entry, make it the
53 parent for the next lookup.
54
55 A parent, of course, must be a directory, and we must have appropriate
56 permissions on the parent inode to be able to walk into it.
57
58 Turning the child into a parent for the next lookup requires more checks and
59 procedures. Symlinks essentially substitute the symlink name for the target
60 name in the name string, and require some recursive path walking.  Mount points
61 must be followed into (thus changing the vfsmount that subsequent path elements
62 refer to), switching from the mount point path to the root of the particular
63 mounted vfsmount. These behaviours are variously modified depending on the
64 exact path walking flags.
65
66 Path walking then must, broadly, do several particular things:
67 - find the start point of the walk;
68 - perform permissions and validity checks on inodes;
69 - perform dcache hash name lookups on (parent, name element) tuples;
70 - traverse mount points;
71 - traverse symlinks;
72 - lookup and create missing parts of the path on demand.
73
74 Safe store-free look-up of dcache hash table
75 ============================================
76
77 Dcache name lookup
78 ------------------
79 In order to lookup a dcache (parent, name) tuple, we take a hash on the tuple
80 and use that to select a bucket in the dcache-hash table. The list of entries
81 in that bucket is then walked, and we do a full comparison of each entry
82 against our (parent, name) tuple.
83
84 The hash lists are RCU protected, so list walking is not serialised with
85 concurrent updates (insertion, deletion from the hash). This is a standard RCU
86 list application with the exception of renames, which will be covered below.
87
88 Parent and name members of a dentry, as well as its membership in the dcache
89 hash, and its inode are protected by the per-dentry d_lock spinlock. A
90 reference is taken on the dentry (while the fields are verified under d_lock),
91 and this stabilises its d_inode pointer and actual inode. This gives a stable
92 point to perform the next step of our path walk against.
93
94 These members are also protected by d_seq seqlock, although this offers
95 read-only protection and no durability of results, so care must be taken when
96 using d_seq for synchronisation (see seqcount based lookups, below).
97
98 Renames
99 -------
100 Back to the rename case. In usual RCU protected lists, the only operations that
101 will happen to an object is insertion, and then eventually removal from the
102 list. The object will not be reused until an RCU grace period is complete.
103 This ensures the RCU list traversal primitives can run over the object without
104 problems (see RCU documentation for how this works).
105
106 However when a dentry is renamed, its hash value can change, requiring it to be
107 moved to a new hash list. Allocating and inserting a new alias would be
108 expensive and also problematic for directory dentries. Latency would be far to
109 high to wait for a grace period after removing the dentry and before inserting
110 it in the new hash bucket. So what is done is to insert the dentry into the
111 new list immediately.
112
113 However, when the dentry's list pointers are updated to point to objects in the
114 new list before waiting for a grace period, this can result in a concurrent RCU
115 lookup of the old list veering off into the new (incorrect) list and missing
116 the remaining dentries on the list.
117
118 There is no fundamental problem with walking down the wrong list, because the
119 dentry comparisons will never match. However it is fatal to miss a matching
120 dentry. So a seqlock is used to detect when a rename has occurred, and so the
121 lookup can be retried.
122
123          1      2      3
124         +---+  +---+  +---+
125 hlist-->| N-+->| N-+->| N-+->
126 head <--+-P |<-+-P |<-+-P |
127         +---+  +---+  +---+
128
129 Rename of dentry 2 may require it deleted from the above list, and inserted
130 into a new list. Deleting 2 gives the following list.
131
132          1             3
133         +---+         +---+     (don't worry, the longer pointers do not
134 hlist-->| N-+-------->| N-+->    impose a measurable performance overhead
135 head <--+-P |<--------+-P |      on modern CPUs)
136         +---+         +---+
137           ^      2      ^
138           |    +---+    |
139           |    | N-+----+
140           +----+-P |
141                +---+
142
143 This is a standard RCU-list deletion, which leaves the deleted object's
144 pointers intact, so a concurrent list walker that is currently looking at
145 object 2 will correctly continue to object 3 when it is time to traverse the
146 next object.
147
148 However, when inserting object 2 onto a new list, we end up with this:
149
150          1             3
151         +---+         +---+
152 hlist-->| N-+-------->| N-+->
153 head <--+-P |<--------+-P |
154         +---+         +---+
155                  2
156                +---+
157                | N-+---->
158           <----+-P |
159                +---+
160
161 Because we didn't wait for a grace period, there may be a concurrent lookup
162 still at 2. Now when it follows 2's 'next' pointer, it will walk off into
163 another list without ever having checked object 3.
164
165 A related, but distinctly different, issue is that of rename atomicity versus
166 lookup operations. If a file is renamed from 'A' to 'B', a lookup must only
167 find either 'A' or 'B'. So if a lookup of 'A' returns NULL, a subsequent lookup
168 of 'B' must succeed (note the reverse is not true).
169
170 Between deleting the dentry from the old hash list, and inserting it on the new
171 hash list, a lookup may find neither 'A' nor 'B' matching the dentry. The same
172 rename seqlock is also used to cover this race in much the same way, by
173 retrying a negative lookup result if a rename was in progress.
174
175 Seqcount based lookups
176 ----------------------
177 In refcount based dcache lookups, d_lock is used to serialise access to
178 the dentry, stabilising it while comparing its name and parent and then
179 taking a reference count (the reference count then gives a stable place to
180 start the next part of the path walk from).
181
182 As explained above, we would like to do path walking without taking locks or
183 reference counts on intermediate dentries along the path. To do this, a per
184 dentry seqlock (d_seq) is used to take a "coherent snapshot" of what the dentry
185 looks like (its name, parent, and inode). That snapshot is then used to start
186 the next part of the path walk. When loading the coherent snapshot under d_seq,
187 care must be taken to load the members up-front, and use those pointers rather
188 than reloading from the dentry later on (otherwise we'd have interesting things
189 like d_inode going NULL underneath us, if the name was unlinked).
190
191 Also important is to avoid performing any destructive operations (pretty much:
192 no non-atomic stores to shared data), and to recheck the seqcount when we are
193 "done" with the operation. Retry or abort if the seqcount does not match.
194 Avoiding destructive or changing operations means we can easily unwind from
195 failure.
196
197 What this means is that a caller, provided they are holding RCU lock to
198 protect the dentry object from disappearing, can perform a seqcount based
199 lookup which does not increment the refcount on the dentry or write to
200 it in any way. This returned dentry can be used for subsequent operations,
201 provided that d_seq is rechecked after that operation is complete.
202
203 Inodes are also rcu freed, so the seqcount lookup dentry's inode may also be
204 queried for permissions.
205
206 With this two parts of the puzzle, we can do path lookups without taking
207 locks or refcounts on dentry elements.
208
209 RCU-walk path walking design
210 ============================
211
212 Path walking code now has two distinct modes, ref-walk and rcu-walk. ref-walk
213 is the traditional[*] way of performing dcache lookups using d_lock to
214 serialise concurrent modifications to the dentry and take a reference count on
215 it. ref-walk is simple and obvious, and may sleep, take locks, etc while path
216 walking is operating on each dentry. rcu-walk uses seqcount based dentry
217 lookups, and can perform lookup of intermediate elements without any stores to
218 shared data in the dentry or inode. rcu-walk can not be applied to all cases,
219 eg. if the filesystem must sleep or perform non trivial operations, rcu-walk
220 must be switched to ref-walk mode.
221
222 [*] RCU is still used for the dentry hash lookup in ref-walk, but not the full
223     path walk.
224
225 Where ref-walk uses a stable, refcounted ``parent'' to walk the remaining
226 path string, rcu-walk uses a d_seq protected snapshot. When looking up a
227 child of this parent snapshot, we open d_seq critical section on the child
228 before closing d_seq critical section on the parent. This gives an interlocking
229 ladder of snapshots to walk down.
230
231
232      proc 101
233       /----------------\
234      / comm:    "vi"    \
235     /  fs.root: dentry0  \
236     \  fs.cwd:  dentry2  /
237      \                  /
238       \----------------/
239
240 So when vi wants to open("/home/npiggin/test.c", O_RDWR), then it will
241 start from current->fs->root, which is a pinned dentry. Alternatively,
242 "./test.c" would start from cwd; both names refer to the same path in
243 the context of proc101.
244
245      dentry 0
246     +---------------------+   rcu-walk begins here, we note d_seq, check the
247     | name:    "/"        |   inode's permission, and then look up the next
248     | inode:   10         |   path element which is "home"...
249     | children:"home", ...|
250     +---------------------+
251               |
252      dentry 1 V
253     +---------------------+   ... which brings us here. We find dentry1 via
254     | name:    "home"     |   hash lookup, then note d_seq and compare name
255     | inode:   678        |   string and parent pointer. When we have a match,
256     | children:"npiggin"  |   we now recheck the d_seq of dentry0. Then we
257     +---------------------+   check inode and look up the next element.
258               |
259      dentry2  V
260     +---------------------+   Note: if dentry0 is now modified, lookup is
261     | name:    "npiggin"  |   not necessarily invalid, so we need only keep a
262     | inode:   543        |   parent for d_seq verification, and grandparents
263     | children:"a.c", ... |   can be forgotten.
264     +---------------------+
265               |
266      dentry3  V
267     +---------------------+   At this point we have our destination dentry.
268     | name:    "a.c"      |   We now take its d_lock, verify d_seq of this
269     | inode:   14221      |   dentry. If that checks out, we can increment
270     | children:NULL       |   its refcount because we're holding d_lock.
271     +---------------------+
272
273 Taking a refcount on a dentry from rcu-walk mode, by taking its d_lock,
274 re-checking its d_seq, and then incrementing its refcount is called
275 "dropping rcu" or dropping from rcu-walk into ref-walk mode.
276
277 It is, in some sense, a bit of a house of cards. If the seqcount check of the
278 parent snapshot fails, the house comes down, because we had closed the d_seq
279 section on the grandparent, so we have nothing left to stand on. In that case,
280 the path walk must be fully restarted (which we do in ref-walk mode, to avoid
281 live locks). It is costly to have a full restart, but fortunately they are
282 quite rare.
283
284 When we reach a point where sleeping is required, or a filesystem callout
285 requires ref-walk, then instead of restarting the walk, we attempt to drop rcu
286 at the last known good dentry we have. Avoiding a full restart in ref-walk in
287 these cases is fundamental for performance and scalability because blocking
288 operations such as creates and unlinks are not uncommon.
289
290 The detailed design for rcu-walk is like this:
291 * LOOKUP_RCU is set in nd->flags, which distinguishes rcu-walk from ref-walk.
292 * Take the RCU lock for the entire path walk, starting with the acquiring
293   of the starting path (eg. root/cwd/fd-path). So now dentry refcounts are
294   not required for dentry persistence.
295 * synchronize_rcu is called when unregistering a filesystem, so we can
296   access d_ops and i_ops during rcu-walk.
297 * Similarly take the vfsmount lock for the entire path walk. So now mnt
298   refcounts are not required for persistence. Also we are free to perform mount
299   lookups, and to assume dentry mount points and mount roots are stable up and
300   down the path.
301 * Have a per-dentry seqlock to protect the dentry name, parent, and inode,
302   so we can load this tuple atomically, and also check whether any of its
303   members have changed.
304 * Dentry lookups (based on parent, candidate string tuple) recheck the parent
305   sequence after the child is found in case anything changed in the parent
306   during the path walk.
307 * inode is also RCU protected so we can load d_inode and use the inode for
308   limited things.
309 * i_mode, i_uid, i_gid can be tested for exec permissions during path walk.
310 * i_op can be loaded.
311 * When the destination dentry is reached, drop rcu there (ie. take d_lock,
312   verify d_seq, increment refcount).
313 * If seqlock verification fails anywhere along the path, do a full restart
314   of the path lookup in ref-walk mode. -ECHILD tends to be used (for want of
315   a better errno) to signal an rcu-walk failure.
316
317 The cases where rcu-walk cannot continue are:
318 * NULL dentry (ie. any uncached path element)
319 * Following links
320
321 It may be possible eventually to make following links rcu-walk aware.
322
323 Uncached path elements will always require dropping to ref-walk mode, at the
324 very least because i_mutex needs to be grabbed, and objects allocated.
325
326 Final note:
327 "store-free" path walking is not strictly store free. We take vfsmount lock
328 and refcounts (both of which can be made per-cpu), and we also store to the
329 stack (which is essentially CPU-local), and we also have to take locks and
330 refcount on final dentry.
331
332 The point is that shared data, where practically possible, is not locked
333 or stored into. The result is massive improvements in performance and
334 scalability of path resolution.
335
336
337 Interesting statistics
338 ======================
339
340 The following table gives rcu lookup statistics for a few simple workloads
341 (2s12c24t Westmere, debian non-graphical system). Ungraceful are attempts to
342 drop rcu that fail due to d_seq failure and requiring the entire path lookup
343 again. Other cases are successful rcu-drops that are required before the final
344 element, nodentry for missing dentry, revalidate for filesystem revalidate
345 routine requiring rcu drop, permission for permission check requiring drop,
346 and link for symlink traversal requiring drop.
347
348      rcu-lookups     restart  nodentry          link  revalidate  permission
349 bootup     47121           0      4624          1010       10283        7852
350 dbench  25386793           0   6778659(26.7%)     55         549        1156
351 kbuild   2696672          10     64442(2.3%)  108764(4.0%)     1        1590
352 git diff   39605           0        28             2           0         106
353 vfstest 24185492        4945    708725(2.9%) 1076136(4.4%)     0        2651
354
355 What this shows is that failed rcu-walk lookups, ie. ones that are restarted
356 entirely with ref-walk, are quite rare. Even the "vfstest" case which
357 specifically has concurrent renames/mkdir/rmdir/ creat/unlink/etc to excercise
358 such races is not showing a huge amount of restarts.
359
360 Dropping from rcu-walk to ref-walk mean that we have encountered a dentry where
361 the reference count needs to be taken for some reason. This is either because
362 we have reached the target of the path walk, or because we have encountered a
363 condition that can't be resolved in rcu-walk mode.  Ideally, we drop rcu-walk
364 only when we have reached the target dentry, so the other statistics show where
365 this does not happen.
366
367 Note that a graceful drop from rcu-walk mode due to something such as the
368 dentry not existing (which can be common) is not necessarily a failure of
369 rcu-walk scheme, because some elements of the path may have been walked in
370 rcu-walk mode. The further we get from common path elements (such as cwd or
371 root), the less contended the dentry is likely to be. The closer we are to
372 common path elements, the more likely they will exist in dentry cache.
373
374
375 Papers and other documentation on dcache locking
376 ================================================
377
378 1. Scaling dcache with RCU (http://linuxjournal.com/article.php?sid=7124).
379
380 2. http://lse.sourceforge.net/locking/dcache/dcache.html
381
382