Documentation/md-cluster.txt

   1 The cluster MD is a shared-device RAID for a cluster.
   2
   3
   4 1. On-disk format
   5
   6 Separate write-intent-bitmaps are used for each cluster node.
   7 The bitmaps record all writes that may have been started on that node,
   8 and may not yet have finished. The on-disk layout is:
   9
  10 0                    4k                     8k                    12k
  11 -------------------------------------------------------------------
  12 | idle                | md super            | bm super [0] + bits |
  13 | bm bits[0, contd]   | bm super[1] + bits  | bm bits[1, contd]   |
  14 | bm super[2] + bits  | bm bits [2, contd]  | bm super[3] + bits  |
  15 | bm bits [3, contd]  |                     |                     |
  16
  17 During "normal" functioning we assume the filesystem ensures that only
  18 one node writes to any given block at a time, so a write request will
  19
  20  - set the appropriate bit (if not already set)
  21  - commit the write to all mirrors
  22  - schedule the bit to be cleared after a timeout.
  23
  24 Reads are just handled normally. It is up to the filesystem to ensure
  25 one node doesn't read from a location where another node (or the same
  26 node) is writing.
  27
  28
  29 2. DLM Locks for management
  30
  31 There are three groups of locks for managing the device:
  32
  33 2.1 Bitmap lock resource (bm_lockres)
  34
  35  The bm_lockres protects individual node bitmaps. They are named in
  36  the form bitmap000 for node 1, bitmap001 for node 2 and so on. When a
  37  node joins the cluster, it acquires the lock in PW mode and it stays
  38  so during the lifetime the node is part of the cluster. The lock
  39  resource number is based on the slot number returned by the DLM
  40  subsystem. Since DLM starts node count from one and bitmap slots
  41  start from zero, one is subtracted from the DLM slot number to arrive
  42  at the bitmap slot number.
  43
  44  The LVB of the bitmap lock for a particular node records the range
  45  of sectors that are being re-synced by that node.  No other
  46  node may write to those sectors.  This is used when a new nodes
  47  joins the cluster.
  48
  49 2.2 Message passing locks
  50
  51  Each node has to communicate with other nodes when starting or ending
  52  resync, and for metadata superblock updates.  This communication is
  53  managed through three locks: "token", "message", and "ack", together
  54  with the Lock Value Block (LVB) of one of the "message" lock.
  55
  56 2.3 new-device management
  57
  58  A single lock: "no-new-dev" is used to co-ordinate the addition of
  59  new devices - this must be synchronized across the array.
  60  Normally all nodes hold a concurrent-read lock on this device.
  61
  62 3. Communication
  63
  64  Messages can be broadcast to all nodes, and the sender waits for all
  65  other nodes to acknowledge the message before proceeding.  Only one
  66  message can be processed at a time.
  67
  68 3.1 Message Types
  69
  70  There are six types of messages which are passed:
  71
  72  3.1.1 METADATA_UPDATED: informs other nodes that the metadata has
  73    been updated, and the node must re-read the md superblock. This is
  74    performed synchronously. It is primarily used to signal device
  75    failure.
  76
  77  3.1.2 RESYNCING: informs other nodes that a resync is initiated or
  78    ended so that each node may suspend or resume the region.  Each
  79    RESYNCING message identifies a range of the devices that the
  80    sending node is about to resync. This over-rides any pervious
  81    notification from that node: only one ranged can be resynced at a
  82    time per-node.
  83
  84  3.1.3 NEWDISK: informs other nodes that a device is being added to
  85    the array. Message contains an identifier for that device.  See
  86    below for further details.
  87
  88  3.1.4 REMOVE: A failed or spare device is being removed from the
  89    array. The slot-number of the device is included in the message.
  90
  91  3.1.5 RE_ADD: A failed device is being re-activated - the assumption
  92    is that it has been determined to be working again.
  93
  94  3.1.6 BITMAP_NEEDS_SYNC: if a node is stopped locally but the bitmap
  95    isn't clean, then another node is informed to take the ownership of
  96    resync.
  97
  98 3.2 Communication mechanism
  99
 100  The DLM LVB is used to communicate within nodes of the cluster. There
 101  are three resources used for the purpose:
 102
 103   3.2.1 token: The resource which protects the entire communication
 104    system. The node having the token resource is allowed to
 105    communicate.
 106
 107   3.2.2 message: The lock resource which carries the data to
 108    communicate.
 109
 110   3.2.3 ack: The resource, acquiring which means the message has been
 111    acknowledged by all nodes in the cluster. The BAST of the resource
 112    is used to inform the receiving node that a node wants to
 113    communicate.
 114
 115 The algorithm is:
 116
 117  1. receive status - all nodes have concurrent-reader lock on "ack".
 118
 119    sender                         receiver                 receiver
 120    "ack":CR                       "ack":CR                 "ack":CR
 121
 122  2. sender get EX on "token"
 123     sender get EX on "message"
 124     sender                        receiver                 receiver
 125     "token":EX                    "ack":CR                 "ack":CR
 126     "message":EX
 127     "ack":CR
 128
 129     Sender checks that it still needs to send a message. Messages
 130     received or other events that happened while waiting for the
 131     "token" may have made this message inappropriate or redundant.
 132
 133  3. sender writes LVB.
 134     sender down-convert "message" from EX to CW
 135     sender try to get EX of "ack"
 136     [ wait until all receivers have *processed* the "message" ]
 137
 138                                      [ triggered by bast of "ack" ]
 139                                      receiver get CR on "message"
 140                                      receiver read LVB
 141                                      receiver processes the message
 142                                      [ wait finish ]
 143                                      receiver releases "ack"
 144                                      receiver tries to get PR on "message"
 145
 146    sender                         receiver                  receiver
 147    "token":EX                     "message":CR              "message":CR
 148    "message":CW
 149    "ack":EX
 150
 151  4. triggered by grant of EX on "ack" (indicating all receivers
 152     have processed message)
 153     sender down-converts "ack" from EX to CR
 154     sender releases "message"
 155     sender releases "token"
 156                                receiver upconvert to PR on "message"
 157                                receiver get CR of "ack"
 158                                receiver release "message"
 159
 160    sender                      receiver                   receiver
 161    "ack":CR                    "ack":CR                   "ack":CR
 162
 163
 164 4. Handling Failures
 165
 166 4.1 Node Failure
 167
 168  When a node fails, the DLM informs the cluster with the slot
 169  number. The node starts a cluster recovery thread. The cluster
 170  recovery thread:
 171
 172         - acquires the bitmap<number> lock of the failed node
 173         - opens the bitmap
 174         - reads the bitmap of the failed node
 175         - copies the set bitmap to local node
 176         - cleans the bitmap of the failed node
 177         - releases bitmap<number> lock of the failed node
 178         - initiates resync of the bitmap on the current node
 179                 md_check_recovery is invoked within recover_bitmaps,
 180                 then md_check_recovery -> metadata_update_start/finish,
 181                 it will lock the communication by lock_comm.
 182                 Which means when one node is resyncing it blocks all
 183                 other nodes from writing anywhere on the array.
 184
 185  The resync process is the regular md resync. However, in a clustered
 186  environment when a resync is performed, it needs to tell other nodes
 187  of the areas which are suspended. Before a resync starts, the node
 188  send out RESYNCING with the (lo,hi) range of the area which needs to
 189  be suspended. Each node maintains a suspend_list, which contains the
 190  list of ranges which are currently suspended. On receiving RESYNCING,
 191  the node adds the range to the suspend_list. Similarly, when the node
 192  performing resync finishes, it sends RESYNCING with an empty range to
 193  other nodes and other nodes remove the corresponding entry from the
 194  suspend_list.
 195
 196  A helper function, ->area_resyncing() can be used to check if a
 197  particular I/O range should be suspended or not.
 198
 199 4.2 Device Failure
 200
 201  Device failures are handled and communicated with the metadata update
 202  routine.  When a node detects a device failure it does not allow
 203  any further writes to that device until the failure has been
 204  acknowledged by all other nodes.
 205
 206 5. Adding a new Device
 207
 208  For adding a new device, it is necessary that all nodes "see" the new
 209  device to be added. For this, the following algorithm is used:
 210
 211     1. Node 1 issues mdadm --manage /dev/mdX --add /dev/sdYY which issues
 212        ioctl(ADD_NEW_DISK with disc.state set to MD_DISK_CLUSTER_ADD)
 213     2. Node 1 sends a NEWDISK message with uuid and slot number
 214     3. Other nodes issue kobject_uevent_env with uuid and slot number
 215        (Steps 4,5 could be a udev rule)
 216     4. In userspace, the node searches for the disk, perhaps
 217        using blkid -t SUB_UUID=""
 218     5. Other nodes issue either of the following depending on whether
 219        the disk was found:
 220        ioctl(ADD_NEW_DISK with disc.state set to MD_DISK_CANDIDATE and
 221              disc.number set to slot number)
 222        ioctl(CLUSTERED_DISK_NACK)
 223     6. Other nodes drop lock on "no-new-devs" (CR) if device is found
 224     7. Node 1 attempts EX lock on "no-new-dev"
 225     8. If node 1 gets the lock, it sends METADATA_UPDATED after
 226        unmarking the disk as SpareLocal
 227     9. If not (get "no-new-dev" lock), it fails the operation and sends
 228        METADATA_UPDATED.
 229    10. Other nodes get the information whether a disk is added or not
 230        by the following METADATA_UPDATED.
 231
 232 6. Module interface.
 233
 234  There are 17 call-backs which the md core can make to the cluster
 235  module.  Understanding these can give a good overview of the whole
 236  process.
 237
 238 6.1 join(nodes) and leave()
 239
 240  These are called when an array is started with a clustered bitmap,
 241  and when the array is stopped.  join() ensures the cluster is
 242  available and initializes the various resources.
 243  Only the first 'nodes' nodes in the cluster can use the array.
 244
 245 6.2 slot_number()
 246
 247  Reports the slot number advised by the cluster infrastructure.
 248  Range is from 0 to nodes-1.
 249
 250 6.3 resync_info_update()
 251
 252  This updates the resync range that is stored in the bitmap lock.
 253  The starting point is updated as the resync progresses.  The
 254  end point is always the end of the array.
 255  It does *not* send a RESYNCING message.
 256
 257 6.4 resync_start(), resync_finish()
 258
 259  These are called when resync/recovery/reshape starts or stops.
 260  They update the resyncing range in the bitmap lock and also
 261  send a RESYNCING message.  resync_start reports the whole
 262  array as resyncing, resync_finish reports none of it.
 263
 264  resync_finish() also sends a BITMAP_NEEDS_SYNC message which
 265  allows some other node to take over.
 266
 267 6.5 metadata_update_start(), metadata_update_finish(),
 268     metadata_update_cancel().
 269
 270  metadata_update_start is used to get exclusive access to
 271  the metadata.  If a change is still needed once that access is
 272  gained, metadata_update_finish() will send a METADATA_UPDATE
 273  message to all other nodes, otherwise metadata_update_cancel()
 274  can be used to release the lock.
 275
 276 6.6 area_resyncing()
 277
 278  This combines two elements of functionality.
 279
 280  Firstly, it will check if any node is currently resyncing
 281  anything in a given range of sectors.  If any resync is found,
 282  then the caller will avoid writing or read-balancing in that
 283  range.
 284
 285  Secondly, while node recovery is happening it reports that
 286  all areas are resyncing for READ requests.  This avoids races
 287  between the cluster-filesystem and the cluster-RAID handling
 288  a node failure.
 289
 290 6.7 add_new_disk_start(), add_new_disk_finish(), new_disk_ack()
 291
 292  These are used to manage the new-disk protocol described above.
 293  When a new device is added, add_new_disk_start() is called before
 294  it is bound to the array and, if that succeeds, add_new_disk_finish()
 295  is called the device is fully added.
 296
 297  When a device is added in acknowledgement to a previous
 298  request, or when the device is declared "unavailable",
 299  new_disk_ack() is called.
 300
 301 6.8 remove_disk()
 302
 303  This is called when a spare or failed device is removed from
 304  the array.  It causes a REMOVE message to be send to other nodes.
 305
 306 6.9 gather_bitmaps()
 307
 308  This sends a RE_ADD message to all other nodes and then
 309  gathers bitmap information from all bitmaps.  This combined
 310  bitmap is then used to recovery the re-added device.
 311
 312 6.10 lock_all_bitmaps() and unlock_all_bitmaps()
 313
 314  These are called when change bitmap to none. If a node plans
 315  to clear the cluster raid's bitmap, it need to make sure no other
 316  nodes are using the raid which is achieved by lock all bitmap
 317  locks within the cluster, and also those locks are unlocked
 318  accordingly.
 319
 320 7. Unsupported features
 321
 322 There are somethings which are not supported by cluster MD yet.
 323
 324 - update size and change array_sectors.