kernel/fork.c:copy_process(): consolidate the lockless CLONE_THREAD checks
[linux-2.6.git] / Documentation / bcache.txt
blobb3a7e7d384f6583ede08ffec4957c6f40c45172b
1 Say you've got a big slow raid 6, and an X-25E or three. Wouldn't it be
2 nice if you could use them as cache... Hence bcache.
4 Wiki and git repositories are at:
5   http://bcache.evilpiepirate.org
6   http://evilpiepirate.org/git/linux-bcache.git
7   http://evilpiepirate.org/git/bcache-tools.git
9 It's designed around the performance characteristics of SSDs - it only allocates
10 in erase block sized buckets, and it uses a hybrid btree/log to track cached
11 extants (which can be anywhere from a single sector to the bucket size). It's
12 designed to avoid random writes at all costs; it fills up an erase block
13 sequentially, then issues a discard before reusing it.
15 Both writethrough and writeback caching are supported. Writeback defaults to
16 off, but can be switched on and off arbitrarily at runtime. Bcache goes to
17 great lengths to protect your data - it reliably handles unclean shutdown. (It
18 doesn't even have a notion of a clean shutdown; bcache simply doesn't return
19 writes as completed until they're on stable storage).
21 Writeback caching can use most of the cache for buffering writes - writing
22 dirty data to the backing device is always done sequentially, scanning from the
23 start to the end of the index.
25 Since random IO is what SSDs excel at, there generally won't be much benefit
26 to caching large sequential IO. Bcache detects sequential IO and skips it;
27 it also keeps a rolling average of the IO sizes per task, and as long as the
28 average is above the cutoff it will skip all IO from that task - instead of
29 caching the first 512k after every seek. Backups and large file copies should
30 thus entirely bypass the cache.
32 In the event of a data IO error on the flash it will try to recover by reading
33 from disk or invalidating cache entries.  For unrecoverable errors (meta data
34 or dirty data), caching is automatically disabled; if dirty data was present
35 in the cache it first disables writeback caching and waits for all dirty data
36 to be flushed.
38 Getting started:
39 You'll need make-bcache from the bcache-tools repository. Both the cache device
40 and backing device must be formatted before use.
41   make-bcache -B /dev/sdb
42   make-bcache -C /dev/sdc
44 make-bcache has the ability to format multiple devices at the same time - if
45 you format your backing devices and cache device at the same time, you won't
46 have to manually attach:
47   make-bcache -B /dev/sda /dev/sdb -C /dev/sdc
49 To make bcache devices known to the kernel, echo them to /sys/fs/bcache/register:
51   echo /dev/sdb > /sys/fs/bcache/register
52   echo /dev/sdc > /sys/fs/bcache/register
54 To register your bcache devices automatically, you could add something like
55 this to an init script:
57   echo /dev/sd* > /sys/fs/bcache/register_quiet
59 It'll look for bcache superblocks and ignore everything that doesn't have one.
61 Registering the backing device makes the bcache show up in /dev; you can now
62 format it and use it as normal. But the first time using a new bcache device,
63 it'll be running in passthrough mode until you attach it to a cache. See the
64 section on attaching.
66 The devices show up at /dev/bcacheN, and can be controlled via sysfs from
67 /sys/block/bcacheN/bcache:
69   mkfs.ext4 /dev/bcache0
70   mount /dev/bcache0 /mnt
72 Cache devices are managed as sets; multiple caches per set isn't supported yet
73 but will allow for mirroring of metadata and dirty data in the future. Your new
74 cache set shows up as /sys/fs/bcache/<UUID>
76 ATTACHING:
78 After your cache device and backing device are registered, the backing device
79 must be attached to your cache set to enable caching. Attaching a backing
80 device to a cache set is done thusly, with the UUID of the cache set in
81 /sys/fs/bcache:
83   echo <UUID> > /sys/block/bcache0/bcache/attach
85 This only has to be done once. The next time you reboot, just reregister all
86 your bcache devices. If a backing device has data in a cache somewhere, the
87 /dev/bcache# device won't be created until the cache shows up - particularly
88 important if you have writeback caching turned on.
90 If you're booting up and your cache device is gone and never coming back, you
91 can force run the backing device:
93   echo 1 > /sys/block/sdb/bcache/running
95 (You need to use /sys/block/sdb (or whatever your backing device is called), not
96 /sys/block/bcache0, because bcache0 doesn't exist yet. If you're using a
97 partition, the bcache directory would be at /sys/block/sdb/sdb2/bcache)
99 The backing device will still use that cache set if it shows up in the future,
100 but all the cached data will be invalidated. If there was dirty data in the
101 cache, don't expect the filesystem to be recoverable - you will have massive
102 filesystem corruption, though ext4's fsck does work miracles.
104 ERROR HANDLING:
106 Bcache tries to transparently handle IO errors to/from the cache device without
107 affecting normal operation; if it sees too many errors (the threshold is
108 configurable, and defaults to 0) it shuts down the cache device and switches all
109 the backing devices to passthrough mode.
111  - For reads from the cache, if they error we just retry the read from the
112    backing device.
114  - For writethrough writes, if the write to the cache errors we just switch to
115    invalidating the data at that lba in the cache (i.e. the same thing we do for
116    a write that bypasses the cache)
118  - For writeback writes, we currently pass that error back up to the
119    filesystem/userspace. This could be improved - we could retry it as a write
120    that skips the cache so we don't have to error the write.
122  - When we detach, we first try to flush any dirty data (if we were running in
123    writeback mode). It currently doesn't do anything intelligent if it fails to
124    read some of the dirty data, though.
126 TROUBLESHOOTING PERFORMANCE:
128 Bcache has a bunch of config options and tunables. The defaults are intended to
129 be reasonable for typical desktop and server workloads, but they're not what you
130 want for getting the best possible numbers when benchmarking.
132  - Bad write performance
134    If write performance is not what you expected, you probably wanted to be
135    running in writeback mode, which isn't the default (not due to a lack of
136    maturity, but simply because in writeback mode you'll lose data if something
137    happens to your SSD)
139    # echo writeback > /sys/block/bcache0/cache_mode
141  - Bad performance, or traffic not going to the SSD that you'd expect
143    By default, bcache doesn't cache everything. It tries to skip sequential IO -
144    because you really want to be caching the random IO, and if you copy a 10
145    gigabyte file you probably don't want that pushing 10 gigabytes of randomly
146    accessed data out of your cache.
148    But if you want to benchmark reads from cache, and you start out with fio
149    writing an 8 gigabyte test file - so you want to disable that.
151    # echo 0 > /sys/block/bcache0/bcache/sequential_cutoff
153    To set it back to the default (4 mb), do
155    # echo 4M > /sys/block/bcache0/bcache/sequential_cutoff
157  - Traffic's still going to the spindle/still getting cache misses
159    In the real world, SSDs don't always keep up with disks - particularly with
160    slower SSDs, many disks being cached by one SSD, or mostly sequential IO. So
161    you want to avoid being bottlenecked by the SSD and having it slow everything
162    down.
164    To avoid that bcache tracks latency to the cache device, and gradually
165    throttles traffic if the latency exceeds a threshold (it does this by
166    cranking down the sequential bypass).
168    You can disable this if you need to by setting the thresholds to 0:
170    # echo 0 > /sys/fs/bcache/<cache set>/congested_read_threshold_us
171    # echo 0 > /sys/fs/bcache/<cache set>/congested_write_threshold_us
173    The default is 2000 us (2 milliseconds) for reads, and 20000 for writes.
175  - Still getting cache misses, of the same data
177    One last issue that sometimes trips people up is actually an old bug, due to
178    the way cache coherency is handled for cache misses. If a btree node is full,
179    a cache miss won't be able to insert a key for the new data and the data
180    won't be written to the cache.
182    In practice this isn't an issue because as soon as a write comes along it'll
183    cause the btree node to be split, and you need almost no write traffic for
184    this to not show up enough to be noticable (especially since bcache's btree
185    nodes are huge and index large regions of the device). But when you're
186    benchmarking, if you're trying to warm the cache by reading a bunch of data
187    and there's no other traffic - that can be a problem.
189    Solution: warm the cache by doing writes, or use the testing branch (there's
190    a fix for the issue there).
192 SYSFS - BACKING DEVICE:
194 attach
195   Echo the UUID of a cache set to this file to enable caching.
197 cache_mode
198   Can be one of either writethrough, writeback, writearound or none.
200 clear_stats
201   Writing to this file resets the running total stats (not the day/hour/5 minute
202   decaying versions).
204 detach
205   Write to this file to detach from a cache set. If there is dirty data in the
206   cache, it will be flushed first.
208 dirty_data
209   Amount of dirty data for this backing device in the cache. Continuously
210   updated unlike the cache set's version, but may be slightly off.
212 label
213   Name of underlying device.
215 readahead
216   Size of readahead that should be performed.  Defaults to 0.  If set to e.g.
217   1M, it will round cache miss reads up to that size, but without overlapping
218   existing cache entries.
220 running
221   1 if bcache is running (i.e. whether the /dev/bcache device exists, whether
222   it's in passthrough mode or caching).
224 sequential_cutoff
225   A sequential IO will bypass the cache once it passes this threshhold; the
226   most recent 128 IOs are tracked so sequential IO can be detected even when
227   it isn't all done at once.
229 sequential_merge
230   If non zero, bcache keeps a list of the last 128 requests submitted to compare
231   against all new requests to determine which new requests are sequential
232   continuations of previous requests for the purpose of determining sequential
233   cutoff. This is necessary if the sequential cutoff value is greater than the
234   maximum acceptable sequential size for any single request. 
236 state
237   The backing device can be in one of four different states:
239   no cache: Has never been attached to a cache set.
241   clean: Part of a cache set, and there is no cached dirty data.
243   dirty: Part of a cache set, and there is cached dirty data.
245   inconsistent: The backing device was forcibly run by the user when there was
246   dirty data cached but the cache set was unavailable; whatever data was on the
247   backing device has likely been corrupted.
249 stop
250   Write to this file to shut down the bcache device and close the backing
251   device.
253 writeback_delay
254   When dirty data is written to the cache and it previously did not contain
255   any, waits some number of seconds before initiating writeback. Defaults to
256   30.
258 writeback_percent
259   If nonzero, bcache tries to keep around this percentage of the cache dirty by
260   throttling background writeback and using a PD controller to smoothly adjust
261   the rate.
263 writeback_rate
264   Rate in sectors per second - if writeback_percent is nonzero, background
265   writeback is throttled to this rate. Continuously adjusted by bcache but may
266   also be set by the user.
268 writeback_running
269   If off, writeback of dirty data will not take place at all. Dirty data will
270   still be added to the cache until it is mostly full; only meant for
271   benchmarking. Defaults to on.
273 SYSFS - BACKING DEVICE STATS:
275 There are directories with these numbers for a running total, as well as
276 versions that decay over the past day, hour and 5 minutes; they're also
277 aggregated in the cache set directory as well.
279 bypassed
280   Amount of IO (both reads and writes) that has bypassed the cache
282 cache_hits
283 cache_misses
284 cache_hit_ratio
285   Hits and misses are counted per individual IO as bcache sees them; a
286   partial hit is counted as a miss.
288 cache_bypass_hits
289 cache_bypass_misses
290   Hits and misses for IO that is intended to skip the cache are still counted,
291   but broken out here.
293 cache_miss_collisions
294   Counts instances where data was going to be inserted into the cache from a
295   cache miss, but raced with a write and data was already present (usually 0
296   since the synchronization for cache misses was rewritten)
298 cache_readaheads
299   Count of times readahead occured.
301 SYSFS - CACHE SET:
303 average_key_size
304   Average data per key in the btree.
306 bdev<0..n>
307   Symlink to each of the attached backing devices.
309 block_size
310   Block size of the cache devices.
312 btree_cache_size
313   Amount of memory currently used by the btree cache
315 bucket_size
316   Size of buckets
318 cache<0..n>
319   Symlink to each of the cache devices comprising this cache set. 
321 cache_available_percent
322   Percentage of cache device which doesn't contain dirty data, and could
323   potentially be used for writeback.  This doesn't mean this space isn't used
324   for clean cached data; the unused statistic (in priority_stats) is typically
325   much lower.
327 clear_stats
328   Clears the statistics associated with this cache
330 dirty_data
331   Amount of dirty data is in the cache (updated when garbage collection runs).
333 flash_vol_create
334   Echoing a size to this file (in human readable units, k/M/G) creates a thinly
335   provisioned volume backed by the cache set.
337 io_error_halflife
338 io_error_limit
339   These determines how many errors we accept before disabling the cache.
340   Each error is decayed by the half life (in # ios).  If the decaying count
341   reaches io_error_limit dirty data is written out and the cache is disabled.
343 journal_delay_ms
344   Journal writes will delay for up to this many milliseconds, unless a cache
345   flush happens sooner. Defaults to 100.
347 root_usage_percent
348   Percentage of the root btree node in use.  If this gets too high the node
349   will split, increasing the tree depth.
351 stop
352   Write to this file to shut down the cache set - waits until all attached
353   backing devices have been shut down.
355 tree_depth
356   Depth of the btree (A single node btree has depth 0).
358 unregister
359   Detaches all backing devices and closes the cache devices; if dirty data is
360   present it will disable writeback caching and wait for it to be flushed.
362 SYSFS - CACHE SET INTERNAL:
364 This directory also exposes timings for a number of internal operations, with
365 separate files for average duration, average frequency, last occurence and max
366 duration: garbage collection, btree read, btree node sorts and btree splits.
368 active_journal_entries
369   Number of journal entries that are newer than the index.
371 btree_nodes
372   Total nodes in the btree.
374 btree_used_percent
375   Average fraction of btree in use.
377 bset_tree_stats
378   Statistics about the auxiliary search trees
380 btree_cache_max_chain
381   Longest chain in the btree node cache's hash table
383 cache_read_races
384   Counts instances where while data was being read from the cache, the bucket
385   was reused and invalidated - i.e. where the pointer was stale after the read
386   completed. When this occurs the data is reread from the backing device.
388 trigger_gc
389   Writing to this file forces garbage collection to run.
391 SYSFS - CACHE DEVICE:
393 block_size
394   Minimum granularity of writes - should match hardware sector size.
396 btree_written
397   Sum of all btree writes, in (kilo/mega/giga) bytes
399 bucket_size
400   Size of buckets
402 cache_replacement_policy
403   One of either lru, fifo or random.
405 discard
406   Boolean; if on a discard/TRIM will be issued to each bucket before it is
407   reused. Defaults to off, since SATA TRIM is an unqueued command (and thus
408   slow).
410 freelist_percent
411   Size of the freelist as a percentage of nbuckets. Can be written to to
412   increase the number of buckets kept on the freelist, which lets you
413   artificially reduce the size of the cache at runtime. Mostly for testing
414   purposes (i.e. testing how different size caches affect your hit rate), but
415   since buckets are discarded when they move on to the freelist will also make
416   the SSD's garbage collection easier by effectively giving it more reserved
417   space.
419 io_errors
420   Number of errors that have occured, decayed by io_error_halflife.
422 metadata_written
423   Sum of all non data writes (btree writes and all other metadata).
425 nbuckets
426   Total buckets in this cache
428 priority_stats
429   Statistics about how recently data in the cache has been accessed.
430   This can reveal your working set size.  Unused is the percentage of
431   the cache that doesn't contain any data.  Metadata is bcache's
432   metadata overhead.  Average is the average priority of cache buckets.
433   Next is a list of quantiles with the priority threshold of each.
435 written
436   Sum of all data that has been written to the cache; comparison with
437   btree_written gives the amount of write inflation in bcache.