s390x/pci: drive ISM reset from subsystem reset
[qemu/kevin.git] / docs / rdma.txt
blobbd8dd799a9ebed182a10e8935228323abbed254a
1 (RDMA: Remote Direct Memory Access)
2 RDMA Live Migration Specification, Version # 1
3 ==============================================
4 Wiki: https://wiki.qemu.org/Features/RDMALiveMigration
5 Github: git@github.com:hinesmr/qemu.git, 'rdma' branch
7 Copyright (C) 2013 Michael R. Hines <mrhines@us.ibm.com>
9 An *exhaustive* paper (2010) shows additional performance details
10 linked on the QEMU wiki above.
12 Contents:
13 =========
14 * Introduction
15 * Before running
16 * Running
17 * Performance
18 * RDMA Migration Protocol Description
19 * Versioning and Capabilities
20 * QEMUFileRDMA Interface
21 * Migration of VM's ram
22 * Error handling
23 * TODO
25 Introduction:
26 =============
28 RDMA helps make your migration more deterministic under heavy load because
29 of the significantly lower latency and higher throughput over TCP/IP. This is
30 because the RDMA I/O architecture reduces the number of interrupts and
31 data copies by bypassing the host networking stack. In particular, a TCP-based
32 migration, under certain types of memory-bound workloads, may take a more
33 unpredictable amount of time to complete the migration if the amount of
34 memory tracked during each live migration iteration round cannot keep pace
35 with the rate of dirty memory produced by the workload.
37 RDMA currently comes in two flavors: both Ethernet based (RoCE, or RDMA
38 over Converged Ethernet) as well as Infiniband-based. This implementation of
39 migration using RDMA is capable of using both technologies because of
40 the use of the OpenFabrics OFED software stack that abstracts out the
41 programming model irrespective of the underlying hardware.
43 Refer to openfabrics.org or your respective RDMA hardware vendor for
44 an understanding on how to verify that you have the OFED software stack
45 installed in your environment. You should be able to successfully link
46 against the "librdmacm" and "libibverbs" libraries and development headers
47 for a working build of QEMU to run successfully using RDMA Migration.
49 BEFORE RUNNING:
50 ===============
52 Use of RDMA during migration requires pinning and registering memory
53 with the hardware. This means that memory must be physically resident
54 before the hardware can transmit that memory to another machine.
55 If this is not acceptable for your application or product, then the use
56 of RDMA migration may in fact be harmful to co-located VMs or other
57 software on the machine if there is not sufficient memory available to
58 relocate the entire footprint of the virtual machine. If so, then the
59 use of RDMA is discouraged and it is recommended to use standard TCP migration.
61 Experimental: Next, decide if you want dynamic page registration.
62 For example, if you have an 8GB RAM virtual machine, but only 1GB
63 is in active use, then enabling this feature will cause all 8GB to
64 be pinned and resident in memory. This feature mostly affects the
65 bulk-phase round of the migration and can be enabled for extremely
66 high-performance RDMA hardware using the following command:
68 QEMU Monitor Command:
69 $ migrate_set_capability rdma-pin-all on # disabled by default
71 Performing this action will cause all 8GB to be pinned, so if that's
72 not what you want, then please ignore this step altogether.
74 On the other hand, this will also significantly speed up the bulk round
75 of the migration, which can greatly reduce the "total" time of your migration.
76 Example performance of this using an idle VM in the previous example
77 can be found in the "Performance" section.
79 Note: for very large virtual machines (hundreds of GBs), pinning all
80 *all* of the memory of your virtual machine in the kernel is very expensive
81 may extend the initial bulk iteration time by many seconds,
82 and thus extending the total migration time. However, this will not
83 affect the determinism or predictability of your migration you will
84 still gain from the benefits of advanced pinning with RDMA.
86 RUNNING:
87 ========
89 First, set the migration speed to match your hardware's capabilities:
91 QEMU Monitor Command:
92 $ migrate_set_parameter max-bandwidth 40g # or whatever is the MAX of your RDMA device
94 Next, on the destination machine, add the following to the QEMU command line:
96 qemu ..... -incoming rdma:host:port
98 Finally, perform the actual migration on the source machine:
100 QEMU Monitor Command:
101 $ migrate -d rdma:host:port
103 PERFORMANCE
104 ===========
106 Here is a brief summary of total migration time and downtime using RDMA:
107 Using a 40gbps infiniband link performing a worst-case stress test,
108 using an 8GB RAM virtual machine:
110 Using the following command:
111 $ apt-get install stress
112 $ stress --vm-bytes 7500M --vm 1 --vm-keep
114 1. Migration throughput: 26 gigabits/second.
115 2. Downtime (stop time) varies between 15 and 100 milliseconds.
117 EFFECTS of memory registration on bulk phase round:
119 For example, in the same 8GB RAM example with all 8GB of memory in
120 active use and the VM itself is completely idle using the same 40 gbps
121 infiniband link:
123 1. rdma-pin-all disabled total time: approximately 7.5 seconds @ 9.5 Gbps
124 2. rdma-pin-all enabled total time: approximately 4 seconds @ 26 Gbps
126 These numbers would of course scale up to whatever size virtual machine
127 you have to migrate using RDMA.
129 Enabling this feature does *not* have any measurable affect on
130 migration *downtime*. This is because, without this feature, all of the
131 memory will have already been registered already in advance during
132 the bulk round and does not need to be re-registered during the successive
133 iteration rounds.
135 RDMA Protocol Description:
136 ==========================
138 Migration with RDMA is separated into two parts:
140 1. The transmission of the pages using RDMA
141 2. Everything else (a control channel is introduced)
143 "Everything else" is transmitted using a formal
144 protocol now, consisting of infiniband SEND messages.
146 An infiniband SEND message is the standard ibverbs
147 message used by applications of infiniband hardware.
148 The only difference between a SEND message and an RDMA
149 message is that SEND messages cause notifications
150 to be posted to the completion queue (CQ) on the
151 infiniband receiver side, whereas RDMA messages (used
152 for VM's ram) do not (to behave like an actual DMA).
154 Messages in infiniband require two things:
156 1. registration of the memory that will be transmitted
157 2. (SEND only) work requests to be posted on both
158    sides of the network before the actual transmission
159    can occur.
161 RDMA messages are much easier to deal with. Once the memory
162 on the receiver side is registered and pinned, we're
163 basically done. All that is required is for the sender
164 side to start dumping bytes onto the link.
166 (Memory is not released from pinning until the migration
167 completes, given that RDMA migrations are very fast.)
169 SEND messages require more coordination because the
170 receiver must have reserved space (using a receive
171 work request) on the receive queue (RQ) before QEMUFileRDMA
172 can start using them to carry all the bytes as
173 a control transport for migration of device state.
175 To begin the migration, the initial connection setup is
176 as follows (migration-rdma.c):
178 1. Receiver and Sender are started (command line or libvirt):
179 2. Both sides post two RQ work requests
180 3. Receiver does listen()
181 4. Sender does connect()
182 5. Receiver accept()
183 6. Check versioning and capabilities (described later)
185 At this point, we define a control channel on top of SEND messages
186 which is described by a formal protocol. Each SEND message has a
187 header portion and a data portion (but together are transmitted
188 as a single SEND message).
190 Header:
191     * Length               (of the data portion, uint32, network byte order)
192     * Type                 (what command to perform, uint32, network byte order)
193     * Repeat               (Number of commands in data portion, same type only)
195 The 'Repeat' field is here to support future multiple page registrations
196 in a single message without any need to change the protocol itself
197 so that the protocol is compatible against multiple versions of QEMU.
198 Version #1 requires that all server implementations of the protocol must
199 check this field and register all requests found in the array of commands located
200 in the data portion and return an equal number of results in the response.
201 The maximum number of repeats is hard-coded to 4096. This is a conservative
202 limit based on the maximum size of a SEND message along with empirical
203 observations on the maximum future benefit of simultaneous page registrations.
205 The 'type' field has 12 different command values:
206      1. Unused
207      2. Error                      (sent to the source during bad things)
208      3. Ready                      (control-channel is available)
209      4. QEMU File                  (for sending non-live device state)
210      5. RAM Blocks request         (used right after connection setup)
211      6. RAM Blocks result          (used right after connection setup)
212      7. Compress page              (zap zero page and skip registration)
213      8. Register request           (dynamic chunk registration)
214      9. Register result            ('rkey' to be used by sender)
215     10. Register finished          (registration for current iteration finished)
216     11. Unregister request         (unpin previously registered memory)
217     12. Unregister finished        (confirmation that unpin completed)
219 A single control message, as hinted above, can contain within the data
220 portion an array of many commands of the same type. If there is more than
221 one command, then the 'repeat' field will be greater than 1.
223 After connection setup, message 5 & 6 are used to exchange ram block
224 information and optionally pin all the memory if requested by the user.
226 After ram block exchange is completed, we have two protocol-level
227 functions, responsible for communicating control-channel commands
228 using the above list of values:
230 Logically:
232 qemu_rdma_exchange_recv(header, expected command type)
234 1. We transmit a READY command to let the sender know that
235    we are *ready* to receive some data bytes on the control channel.
236 2. Before attempting to receive the expected command, we post another
237    RQ work request to replace the one we just used up.
238 3. Block on a CQ event channel and wait for the SEND to arrive.
239 4. When the send arrives, librdmacm will unblock us.
240 5. Verify that the command-type and version received matches the one we expected.
242 qemu_rdma_exchange_send(header, data, optional response header & data):
244 1. Block on the CQ event channel waiting for a READY command
245    from the receiver to tell us that the receiver
246    is *ready* for us to transmit some new bytes.
247 2. Optionally: if we are expecting a response from the command
248    (that we have not yet transmitted), let's post an RQ
249    work request to receive that data a few moments later.
250 3. When the READY arrives, librdmacm will
251    unblock us and we immediately post a RQ work request
252    to replace the one we just used up.
253 4. Now, we can actually post the work request to SEND
254    the requested command type of the header we were asked for.
255 5. Optionally, if we are expecting a response (as before),
256    we block again and wait for that response using the additional
257    work request we previously posted. (This is used to carry
258    'Register result' commands #6 back to the sender which
259    hold the rkey need to perform RDMA. Note that the virtual address
260    corresponding to this rkey was already exchanged at the beginning
261    of the connection (described below).
263 All of the remaining command types (not including 'ready')
264 described above all use the aforementioned two functions to do the hard work:
266 1. After connection setup, RAMBlock information is exchanged using
267    this protocol before the actual migration begins. This information includes
268    a description of each RAMBlock on the server side as well as the virtual addresses
269    and lengths of each RAMBlock. This is used by the client to determine the
270    start and stop locations of chunks and how to register them dynamically
271    before performing the RDMA operations.
272 2. During runtime, once a 'chunk' becomes full of pages ready to
273    be sent with RDMA, the registration commands are used to ask the
274    other side to register the memory for this chunk and respond
275    with the result (rkey) of the registration.
276 3. Also, the QEMUFile interfaces also call these functions (described below)
277    when transmitting non-live state, such as devices or to send
278    its own protocol information during the migration process.
279 4. Finally, zero pages are only checked if a page has not yet been registered
280    using chunk registration (or not checked at all and unconditionally
281    written if chunk registration is disabled. This is accomplished using
282    the "Compress" command listed above. If the page *has* been registered
283    then we check the entire chunk for zero. Only if the entire chunk is
284    zero, then we send a compress command to zap the page on the other side.
286 Versioning and Capabilities
287 ===========================
288 Current version of the protocol is version #1.
290 The same version applies to both for protocol traffic and capabilities
291 negotiation. (i.e. There is only one version number that is referred to
292 by all communication).
294 librdmacm provides the user with a 'private data' area to be exchanged
295 at connection-setup time before any infiniband traffic is generated.
297 Header:
298     * Version (protocol version validated before send/recv occurs),
299                                                uint32, network byte order
300     * Flags   (bitwise OR of each capability),
301                                                uint32, network byte order
303 There is no data portion of this header right now, so there is
304 no length field. The maximum size of the 'private data' section
305 is only 192 bytes per the Infiniband specification, so it's not
306 very useful for data anyway. This structure needs to remain small.
308 This private data area is a convenient place to check for protocol
309 versioning because the user does not need to register memory to
310 transmit a few bytes of version information.
312 This is also a convenient place to negotiate capabilities
313 (like dynamic page registration).
315 If the version is invalid, we throw an error.
317 If the version is new, we only negotiate the capabilities that the
318 requested version is able to perform and ignore the rest.
320 Currently there is only one capability in Version #1: dynamic page registration
322 Finally: Negotiation happens with the Flags field: If the primary-VM
323 sets a flag, but the destination does not support this capability, it
324 will return a zero-bit for that flag and the primary-VM will understand
325 that as not being an available capability and will thus disable that
326 capability on the primary-VM side.
328 QEMUFileRDMA Interface:
329 =======================
331 QEMUFileRDMA introduces a couple of new functions:
333 1. qemu_rdma_get_buffer()               (QEMUFileOps rdma_read_ops)
334 2. qemu_rdma_put_buffer()               (QEMUFileOps rdma_write_ops)
336 These two functions are very short and simply use the protocol
337 describe above to deliver bytes without changing the upper-level
338 users of QEMUFile that depend on a bytestream abstraction.
340 Finally, how do we handoff the actual bytes to get_buffer()?
342 Again, because we're trying to "fake" a bytestream abstraction
343 using an analogy not unlike individual UDP frames, we have
344 to hold on to the bytes received from control-channel's SEND
345 messages in memory.
347 Each time we receive a complete "QEMU File" control-channel
348 message, the bytes from SEND are copied into a small local holding area.
350 Then, we return the number of bytes requested by get_buffer()
351 and leave the remaining bytes in the holding area until get_buffer()
352 comes around for another pass.
354 If the buffer is empty, then we follow the same steps
355 listed above and issue another "QEMU File" protocol command,
356 asking for a new SEND message to re-fill the buffer.
358 Migration of VM's ram:
359 ====================
361 At the beginning of the migration, (migration-rdma.c),
362 the sender and the receiver populate the list of RAMBlocks
363 to be registered with each other into a structure.
364 Then, using the aforementioned protocol, they exchange a
365 description of these blocks with each other, to be used later
366 during the iteration of main memory. This description includes
367 a list of all the RAMBlocks, their offsets and lengths, virtual
368 addresses and possibly includes pre-registered RDMA keys in case dynamic
369 page registration was disabled on the server-side, otherwise not.
371 Main memory is not migrated with the aforementioned protocol,
372 but is instead migrated with normal RDMA Write operations.
374 Pages are migrated in "chunks" (hard-coded to 1 Megabyte right now).
375 Chunk size is not dynamic, but it could be in a future implementation.
376 There's nothing to indicate that this is useful right now.
378 When a chunk is full (or a flush() occurs), the memory backed by
379 the chunk is registered with librdmacm is pinned in memory on
380 both sides using the aforementioned protocol.
381 After pinning, an RDMA Write is generated and transmitted
382 for the entire chunk.
384 Chunks are also transmitted in batches: This means that we
385 do not request that the hardware signal the completion queue
386 for the completion of *every* chunk. The current batch size
387 is about 64 chunks (corresponding to 64 MB of memory).
388 Only the last chunk in a batch must be signaled.
389 This helps keep everything as asynchronous as possible
390 and helps keep the hardware busy performing RDMA operations.
392 Error-handling:
393 ===============
395 Infiniband has what is called a "Reliable, Connected"
396 link (one of 4 choices). This is the mode in which
397 we use for RDMA migration.
399 If a *single* message fails,
400 the decision is to abort the migration entirely and
401 cleanup all the RDMA descriptors and unregister all
402 the memory.
404 After cleanup, the Virtual Machine is returned to normal
405 operation the same way that would happen if the TCP
406 socket is broken during a non-RDMA based migration.
408 TODO:
409 =====
410 1. Currently, 'ulimit -l' mlock() limits as well as cgroups swap limits
411    are not compatible with infiniband memory pinning and will result in
412    an aborted migration (but with the source VM left unaffected).
413 2. Use of the recent /proc/<pid>/pagemap would likely speed up
414    the use of KSM and ballooning while using RDMA.
415 3. Also, some form of balloon-device usage tracking would also
416    help alleviate some issues.
417 4. Use LRU to provide more fine-grained direction of UNREGISTER
418    requests for unpinning memory in an overcommitted environment.
419 5. Expose UNREGISTER support to the user by way of workload-specific
420    hints about application behavior.