不揮発メモリ(NVDIMM)とLinuxの対応動向について(for comsys 2019 ver.)

2. Copyright 2019 FUJITSU LIMITED  五島康文  Linuxの開発部門で、OSS（Kernelやその周辺)の機能開発を担当 • エンタープライズ向け機能を開発 • OSSのコミュニティに、新機能などのパッチを投稿 • upstreamのソースに機能をマージするまでがmission ⇒ビジネスとしてupstreamへのマージが必須 • 2016/7～2019/1 不揮発メモリ(NVDIMM)を担当  Advent Calendar • 技術者が技術記事をblogに書くのが年末の風物詩に • Fujitsu Advent Calendarを最初にQiitaに作った人の一人 (2016/12) • NVDIMMの記事を2016年より３年間Advent Calendarの１記事として記載自己紹介内容について講演依頼が来るように！ 1

3. 本日の内容  不揮発メモリ(NVDIMM)の特徴とLinuxの対応状況について概説  技術的な内容を、基礎的な事から現在の状況までざっと紹介  ３月からの状況変更もできるだけ反映  今日入りきらなかった話は、今年のFujitsu Advent Calendarに記載予定  目次  背景  LinuxにおけるNVDIMMアクセス方法  RegionとNamespace  開発ライブラリ(ツール) • PMDK  NVDIMMのRAS • Fujitsuで開発した機能の概略紹介  Linux Kernelの現在の課題  まとめ Copyright 2019 FUJITSU LIMITED2

5. NVDIMMとは  RAMのようにCPUから直接read/writeでき、かつシステム停止・再起動後もデータが残る”不揮発のメモリ”  従来のRAMのようなDIMM Slotに接続  Non Volatile の DIMM ⇒ NVDIMM • 今回はこのNVDIMMが対象 • NVMeなど、PCI expressなどに接続されるものについては今回は扱わない  データ保存の確定方法  今まで： RAMからディスク媒体まで書き出しが必要  NVDIMMなら：「理論上は」cpuのキャッシュフラッシュのみでOK!  性能  DIMM(RAM) と同程度か、若干遅い  製品  Intel Optane DC Persistent Memory  SAP HANA（On Memory DB）：すでにマニュアルにNVDIMM対応を記載 Copyright 2019 FUJITSU LIMITED4

6. ソフトがNVDIMMを扱う際の注意点  不揮発になると、RAMと同じ扱いにはできない  突然の電源断などへの考慮が要 • 再起動前に書き込むことができたデータを確認し、再起動後に継続処理を行う必要 • そもそもCPU内部のcacheはまだ揮発性  NVDIMM上のデータに互換性が必要 • 不揮発メモリ内のデータについてMW／アプリ側で互換性を確保する必要 • ソフトのアップデートしても、NVDIMM内のデータ構造を変更してはならない  対故障性の確保が必要 • ソフトのバグやハード故障に対するデータの耐久性 • ハードウェアによるmirroringの仕組みが（少なくとも今のところ）なく、ソフト側で担保する必要 • データが破壊された場合、それをソフトとして検出および復旧できることが必要  領域管理とセキュリティ • NVDIMM内の領域をどのように割り当てるか、割り当てた領域は正当な利用者か？ • 再起動前にNVDIMMの領域を使っていたプロセスと、再起動後のプロセスはホントに同じ？ Copyright 2019 FUJITSU LIMITED5

7. NVDIMMをストレージとして使うと楽  データを蓄積してきたストレージの技術は無視できない  突然の電源断などへの考慮 ⇒FilesystemのjournaringやCopy On Writeなどのしくみで、ある程度対処（少なくとも、ファイルシステムとしての整合性は担保）  互換性 ⇒Filesystem のフォーマットで互換性確保済み  対故障性の確保 ⇒fsckやcheck sumなどfilesystem自身である程度対応をしている  領域管理とセキュリティ ⇒Filesystemの権限チェックやSE Linuxなどの仕組みがすでに整っている Copyright 2019 FUJITSU LIMITED NVDIMMを簡単に使いたいなら、 Storageとして使う方法が一番簡単 6

8. ストレージアクセスは無駄が多い  既存のI/Oの仕組みは、速度の遅いストレージのための設計 ⇒NVDIMMには不要  Fileのメモリ上のキャッシュ（page cache) ⇒ NVDIMMでは無駄  デバイスドライバがI/O命令を発行 ⇒ NVDIMMではユーザプロセスが read/writeを直接すればよいはず。ドライバ経由で書き込む処理が無駄  ブロックデバイスとしての管理が無駄 ⇒ page単位／ブロック単位にI/Oを溜める／待ったり、I/Oの順序を変える処理も無駄  system call ⇒ ユーザーランドから書き込みできるのだから、user/kernel間の切り替えの時間すら無駄  sync()/fsync()/msync()を呼ぶのも無駄 ⇒ cpu cache flushでよいはず（前述の通り）  そもそも、せっかくCPUから直接触れるハードなんだから、NVDIMMをユーザプロセスのメモリ空間に直接マップすべき Copyright 2019 FUJITSU LIMITED NVDIMMのポテンシャルを引き出したいなら、特徴を踏まえたうえで、新たなアクセス方法が必要 7

9. CPU cacheのflushすらも効率化が必要  CPU cache flushも効率的に行わないと遅い  x86の従来のCPUキャッシュのフラッシュには問題があった • 実は同期型： clflush命令を実行すると、メモリに反映されるまで待つ ⇒ 遅い • 内容をinvalidateしていた： flushしたキャッシュの内容は無効化される • 同じデータにすぐにアクセスしたい場合でも、フラッシュ後はメモリからリロードする必要 ⇒ この遅延すらも問題（NVDIMMの性能がRAMよりも劣る場合、RAMより影響が大きい）  Intel CPUには現状の命令(clflush)に加え、新たに以下の二つが追加 • clflushopt : 非同期に複数のcache lineをflush可能 • clwb: さらにflushした内容をinvalidateせず、そのままcpu cacheに保持 • 非同期なので、いずれの命令もその後にメモリバリア(sfence）を行う必要がある Copyright 2019 FUJITSU LIMITED ソフトは（上記の命令が使えるかどうかを判別した上で）適切にCache のflushを行う必要 8

11. NVDIMMの3つのアクセス方法  NVDIMMの特徴を踏まえて、Linuxでは３つのアクセス方法を提供 1. 従来ストレージ(緑) 2. Filesystem DAX(青) 3. Device DAX(赤) • もともとはSNIAの定義がベースになっている  NVDIMMの性能を最大限活かすには、2,または3を使う必要  いずれのインタフェースも/dev経由でアクセス  管理コマンド(黄)も用意  アクセス方法の設定  ハードの状態取得  etc. Copyright 2019 FUJITSU LIMITED DAX 対応FS NVDIMM user 空間 kernel 空間 NVDIMMドライバpmem device daxドライバ /dev/dax NVDIMM専用アプリ mmap() BTT ドライバ filesystem 従来アプリ NVDIMM 対応アプリファイルアクセスファイルアクセス & mmap() PMDK mdドライバ管理コマンド sysfs ACPI driver firmware 次ページからそれぞれについて説明 10

12. NVDIMMの3つのアクセス方法  NVDIMMの特徴を踏まえて、Linuxでは３つのアクセス方法を提供 1. 従来ストレージ(緑) • NVDIMM上にFilesystemを構築して利用する（従来のソフトもそのまま使える） • 従来のmdドライバなどにより、SoftRAIDなどの利用も可能 • NVDIMM本来の性能は引き出せない (HDDなど既存の低速なストレージ向けのI/Oの仕組みを使うため） • 従来のストレージハードウェアとの互換性を保つため、BTTドライバを用意 ⇒ byte単位ではなく、HDD/SSDと同じようにブロック単位でデータ保存するための機構 Copyright 2019 FUJITSU LIMITED NVDIMM NVDIMMドライバpmem BTT ドライバ filesystem 従来アプリファイルアクセス mdドライバ 11

13. NVDIMMの3つのアクセス方法  NVDIMMの特徴を踏まえて、Linuxでは３つのアクセス方法を提供 2. Filesystem DAX(青) • 対応済みFilesystemでファイルをmmap()すると、ユーザプログラムからNVDIMMへ直接アクセス可能 • 現在はext4, xfsが対応 • ファイルシステムのmount時に、-o daxオプションをつける必要 • read()/write()システムコールなどの一般的なファイルインタフェースも利用可能 • この際もpage cacheのような従来の遅いストレージ向けの処理はスキップ • NVDIMM内の領域の管理やアクセス権限のチェックなどは Filesystemが行う • 使いこなすためにはソフトの改造が必要 • DAX経由でアクセスするためのライブラリ・ツール群も提供 • PMDK（後述） • kernelコミュ二ティではまだEXPERIMENTAL (開発中)のstatus Copyright 2019 FUJITSU LIMITED DAX 対応FS NVDIMM user 空間 kernel 空間 NVDIMMドライバpmem NVDIMM 対応アプリファイルアクセス & mmap() PMDK 12

14. NVDIMMの3つのアクセス方法  NVDIMMの特徴を踏まえて、Linuxでは３つのアクセス方法を提供 3. Device DAX(赤) • /dev/dax を直接アプリ／MWがopen() + mmap() して利用 • 内部の領域管理などは原則、利用者責任 • ただし、後述のPMDKの高機能ライブラリを使えば、ライブラリ側で内部のpool管理も可能 • open()/mmap()/close()以外のシステムコールは利用不可 • read()/write()などもできない • /dev/daxにはddコマンドも利用不可 • PMDKはこちらもOK • ddの代わりにPMDKは daxioコマンドを用意 Copyright 2019 FUJITSU LIMITED NVDIMM user 空間 kernel 空間 device daxドライバ /dev/dax NVDIMM専用アプリ mmap()PMDK 13

15. 3つのアクセス方法比較  比較 Copyright 2019 FUJITSU LIMITED 従来ストレージ Filesystem DAX Device DAX 用途例従来のソフトをそのまま利用 • 従来のソフトをNVDIMM向けに改版 • 旧来のソフトとNVDIMM向けソフトの共存 • 新ソフトの開発 NVDIMMにあわせた新型ソフトの開発対応ファイルシステムサポートされているFS 全て xfs, ext4 なしデータの保存保障 sync(), fsync(), msync() • (後述) CPU cache flush のみで OK 性能 ×： OSの処理に無駄が多いため３つの方式の中ではもっとも遅い △～○： read()/write()でもpage cache をスキップ Fileをmmap()すればNVDIMM を直接割り当てるため高速 ◎： OSの余計な処理が一切無いため、最速 NVDIMMの領域管理 FileSystemが管理 Filesystemが管理 kernel/driverは管理しない (PMDKのpool管理を頼るか、自前でやるか？) 冗長性の確保 mdドライバ／LVMなどのしくみでmirroringは可能ハード・OSでは不可能。アプリ・MWによる冗長性の確保が必要ハード・OSでは不可能。アプリ・MWによる冗長性の確保が必要 14

17.  RAMと異なる概念が新たに２つ導入されている  NVDIMMを利用できるようにするには、この２つの設定を行う必要がある 1. region • （CPUの中にある）メモリコントローラにより、NVDIMMの領域を区切る • 複数のNVDIMMモジュールをまとめてinterleaveした領域にすることが可能（注：DIMM３つでinterleaveすることは無い気もするが、概念図なのでご容赦） • 基本的にはファームで設定する領域 NVDIMMの/devファイルへの見え方(1/2) region 1 region 2 region 0 (This is Interleaved region) System Board NVDIMM module1 NVDIMM module2 NVDIMM module 3 16

18. 2. namespace • regionをnamespaceとして切り分けて、名前をつけて管理 • SCSIのLUNに相当すると説明される • namespaceで名前(namespaceX.X)をつけると、それに対応するデバイスファイル（/dev/pmemYYY or /dev/daxZZZ）も割り当てられる • 1つのregionを複数のnamespaceに分けることも可能 • 従来ストレージのとき ⇒ /dev/pmem##s • Filesystem DAXのとき ⇒ /dev/pmem## • Device DAXのとき ⇒ /dev/dax## NVDIMMの/devファイルへの見え方(2/2) Copyright 2019 FUJITSU LIMITED region 1 region 2 System Board NVDIMM module1 (nmem1) NVDIMM module2 (nmem2) NVDIMM module 3 (nmem3) namespace0.0 /dev/pmem0 namespace1.0 /dev/pmem1s namespace1.1 /dev/pmem1.1 namespac2.0 /dev/dax2 (region 0) 17

19. NVDIMMのLinuxの管理コマンド  ipmctl: regionの設定  Intel Optane DC Persistent memory 専用  regionの設定をファームの画面からではなく、Linuxのshellから実行できる • 仕組み上、regionの設定後は再起動が必要 • https://github.com/intel/ipmctl • （ファームの設定を行うツールなので、後述のエミュレーション環境ではおそらく動作不可）  ndctl ： namespaceの設定・管理やDIMMの状態表示  Linux汎用で、Intel以外のHPEのNVDIMM-Nにも対応 • sysfsからACPIに問い合わせてファームとやり取り • NVDIMMの状態表示、regionの表示やnamespaceの作成・管理ができる • 3種類のアクセス方法の指定 • 従来ストレージ/ Filesystem DAX / Device DAX ⇒ 後述のnamespace設定時にオプションで指定 • 状態表示などの出力はJSONフォーマットで出力 • https://github.com/pmem/ndctl Copyright 2019 FUJITSU LIMITED18

20. ndctl使い方例(1/2)  Filesystem DAXで利用する場合 Copyright 2019 FUJITSU LIMITED $ sudo ndctl create-namespace -e "namespace0.0" -m fsdax -f { "dev":"namespace0.0", "mode":"memory", "size":"5.90 GiB (6.34 GB)", "uuid":"dc47d0d7-7d8f-473e-9db4-1c2e473dbc8f", "blockdev":"pmem0", "numa_node":0 } $ sudo parted /dev/pmem0 (parted) mklabel gpt (parted) mkpart パーティションの名前? []? nvdimm ファイルシステムの種類? [ext2]? xfs 開始? 1M 終了? 6G $ ls /dev/pmem* /dev/pmem0 /dev/pmem0p1 namespaceの設定 -m fsdaxで fsdaxで使うことを指定 -m fsdaxだと、 partitionは普通に作成できる 19

21. ndctl使い方例(2/2)  Filesystem DAXの設定例 Copyright 2019 FUJITSU LIMITED $ sudo mkfs.xfs /dev/pmem0p1 meta-data=/dev/pmem0p1 isize=512 agcount=4, agsize=386816 : : realtime =none extsz=4096 blocks=0, rtextents=0 $ sudo mount -o dax /dev/pmem0p1 /mnt/pmem mkfsも通常と同様（ただし、xfsの場合、-m reflink=1でreflink機能を有効にすると、 Filesystem DAXを有効にできない（2019年1月現在：後述) mount時にoptionでFilesystem DAXとして使うことを指定以後、/mnt/pmem配下のファイルをmmapすると直接NVDIMMにアクセスできる 20

22. NVDIMMのエミュレーション  RAMの一部をNVDIMMとして扱うエミュレーション  RAMしかないマシンでも、NVDIMMのインタフェースを試すことが可能 • RAMの一部をNVDIMMのnamespace としてndctlで定義できる • 前述の、mkfsやmount –o daxは同じように実行できる  kernelのboot optionを指定 • memmap = XXG!YYG • 物理アドレスYYGbyteのアドレスを先頭にXXGbyteのRAM領域をNVDIMMとして扱える • カーネル起動時に、ファームから教えてもらうメモリマップのテーブル(e820)をカスタム  後述のPMDKのインタフェースを試してみるというレベルなら、これでも十分 • お手軽なお試し環境としてお勧め Copyright 2019 FUJITSU LIMITED21

24. PMDK (1/3)  PMDK (Persistent Memory Development Kit)  https://github.com/pmem/pmdk  Filesystem DAX / Device DAXのためのライブラリ群 • libpmem ：低レイヤライブラリ（キャッシュのフラッシュ命令やsync()の実行） • DAXのファイル・デバイスをmmapしたり、cpu cache flushなどのインタフェースを用意 • 前述のようなcpuのcache flushなどの機械語命令を直接呼び出すのは扱いづらい ⇒clflushopt, clwbが使える環境かどうかを、ライブラリ側で判定して適切に使ってくれる • libpmemobj ：トランザクションをサポートした高機能オブジェクトデータライブラリ • データの保存時に逐一トランザクションを管理 • その他にも、libpmemlog, libpmemblkが、トランザクションをサポート • ファイルにpoolを作って管理 ⇒ 利用にはpool名の指定が必要 • libpmemcto : 起動・終了時にのみNVDIMMにデータを保存、復旧 • libvmem : 不揮発メモリを広大な揮発メモリとして使うためのライブラリ • libvmemmalloc: mallocを呼び出すと、RAMの代わりにNVDIMM側を揮発メモリとして利用 • 環境変数LD_PRELOADの設定が必要 • librpmem: RDMAによるデータ転送のためのライブラリ (まだexperimental) Copyright 2019 FUJITSU LIMITED23

25. PMDK(2/3)  ライブラリ以外のツール群も含まれる  pmempool • Filesystem DAX上のファイルや、Device DAXの/dev/daxにpoolを作成・管理 • このpoolを使うのはlibpmemobj, libpmemblk, libpmemlog  daxio • Device DAXではddコマンドが使えない(read(2) / write(2)できない)ため、その代替  その他 • pmreorder, pmdk-convert  実は、Windowsでも利用可能  https://github.com/pmem/pmdk/tree/master/src/windows Copyright 2019 FUJITSU LIMITED24

26. PMDK(3/3)  現状  Intelとしてはlibpmemobjがとにかくイチオシ  libpmemctoは品質不十分で、結局depricatedに  巨大な揮発メモリとして使いたい場合、PMDKのlibvmemよりもlibmemkindの利用を推奨するようになった • http://memkind.github.io/memkind/  librpmemはexperimental • Kernel側のDMA/RDMAの問題に起因すると思われる（後述） Copyright 2019 FUJITSU LIMITED25

27. libpmemobjの使い方  チュートリアルが記載されているので、詳しくはそちらを参照  http://pmem.io/pmdk/libpmemobj/  とはいえ、ライフサイクルの状態遷移（右図）に応じたコードを書く必要があり、いささかとっつきにくいかも  以下の解説がお勧め  「電源を切っても消えないメモリとの付き合い方 (Naomasa Matsubayashi さん)」 • https://speakerdeck.com/fadis/dian-yuan-woqie-tutemoxiao- enaimemoritofalsefu-kihe-ifang  Copyright 2019 FUJITSU LIMITED26

29. 仕様に記載されている既存のRAS機能  ACPIなどのファーム仕様で定義され、Linuxも対応済み  それぞれNVDIMMモジュールのSMART情報取得 • HDD/SSDの状態監視のようにNVDIMM用のSMARTを定義 • 以下のような情報が取得・出力・通知が可能 • NVDIMMのspare block の使用率（SSDと同じく、故障したブロックのための予備がある） • 温度監視 (素子 or コントローラなど) • unsafe shutdown した回数（これを検出したらデータの復元機能をkickする想定か？）  Address Range Scrub • そもそもMemoryというのは1bit errorが発生していてもそれに気づかない可能性 • 当該メモリにアクセスするまで1bit errorに気がつかない • メモリアクセスは局所性があるので、しばらくアクセスせず放置されることがある • さらに別のビットがerrorになると 2bit errorでエラー訂正不能に • Scrub ⇒ メモリを一旦readして、1 bit errorがあれば訂正してデータを再書き込み • ファームが実施（ソフトからもファームをkickできる） • 実行中は、CPUパワーを使うと予想  error injectionも定義 • ハード故障時の動作をテストできる Copyright 2019 FUJITSU LIMITED では、これで十分だろうか？ 28

31. NVDIMMのRASの問題点  NVDIMMは交換が難しい  そもそも、以下のようにHDD/SSDのような仕組みがない Copyright 2019 FUJITSU LIMITED HDD/SSD • スロットがあるので、ディスク単位を外から交換できる • 機械の構造として、Hotplugが可能 NVDIMM • RAMと同じく筐体の箱を開けないと交換できない • Hotplugのための仕組みが無い 30

32. NVDIMMの交換を難しくする要因  前述の通り、交換するためのハードの機能が無い  mirroringの機能がない  Filesystem DAX/ Device DAXでは、SoftRAIDによるmirrorもできない • 仮に将来ハード的にmirrorが可能になったとしても、ペアは筐体内のNVDIMM ⇒ 結局システム停止させて筐体をあける必要  交換の前にbackup が必須 ⇒ データが壊れる前の予防保守が必要  region/namespaceの存在が一層面倒に  次項以降で説明 Copyright 2019 FUJITSU LIMITED31

33. NVDIMMの交換を難しくする要因(2/2)  Region/namespaceのため、交換手順がさらに煩雑に  以下の図のnamespace 0.0のどこかのblockが壊れた場合、ユーザは NVDIMMを交換するために何をすればよいか? Copyright 2019 FUJITSU LIMITEDCopyright 2018 FUJITSU LIMITEDCopyright 2018 FUJITSU LIMITED region 1 region 2 System Board NVDIMM module1 (nmem1) NVDIMM module2 (nmem2) NVDIMM module 3 (nmem3) namespace0.0 /dev/pmem0 namespace1.0 /dev/pmem1s namespace1.1 /dev/pmem1.1 namespac2.0 /dev/dax2broken (region 0) 32

34. Replacing broken NVDIMM (2/2)  NVDIMMを交換するためには以下の情報が必要 Copyright 2019 FUJITSU LIMITED region 1 region 2 System Board NVDIMM module1 (nmem1) NVDIMM module2 (nmem2) NVDIMM module 3 (nmem3) namespac0.0 /dev/pmem0 namespace1.0 /dev/pmem1s namespace1.1 /dev/pmem1.1 namespac2.0 /dev/dax2broken (region 0) 3. NVDIMMに含まれる他のnamespaceの判別が必要（データをバックアップしないと、交換するとこちらも消える） 1. どのNVDIMMモジュールが壊れたのか判別できる必要 (特にinterleaveしている時は判別できるのはファームだけ) 2. 交換・及びデータを退避するために NVDIMMのモジュールのマザーボード上の物理的な位置（基板上のシルクプリントなど）と /dev/xxxxの関係がわかる必要 33

35. 予防保守のための機能  せめて、完全に壊れてアクセスできなくなる前に交換したい  mirrorも無いなら、壊れてからでは遅い  NVDIMMのSMART情報にはSpare blockの使用率の情報もある  ACPIの機能により、閾値より値が悪化したら、即座にユーザーランドへ通知することもできる Copyright 2019 FUJITSU LIMITED NVDIMM will be broken !!! Spare block ratio is low !!! blocks spares 5% ACPIの通知を拾って、カーネルレイヤーからユーザーランド「壊れそうだ」って教える存在(daemon)が必要 34

36. Fujitsuで開発したRAS機能  NVDIMMのRASの問題点を緩和する機能の開発  ndctlに交換が必要なNVDIMMを判別するための機能を追加 1. NVDIMMモジュール (nmemX)のハードウェアID出力 ⇒ SMBIOSのhandleなどを出力 ( dmidecodeコマンドでLocationを識別可能 ) 2. 故障したブロックがどこのNVDIMMモジュールに所属するのかの情報を表示 ⇒ Interleaveしている場合は、OSでは分からない ⇒ ACPI ver6.2の新仕様を使ってファームに問い合わせ  データが壊れる前に交換を促すため、NVDIMMの状態監視daemonを追加 • spareの利用率や温度などが閾値を超えたときに通知 ⇒ ログの出力／他のプログラムをkick（予定） • Intelとの議論で、以下のような通知のためのフレームワークとしても開発 • NVDIMMの設定変更の検出 • Address Range Scrubの完了通知 • unclean shutdown の検出など  詳しくは以下の資料参照 • https://www.slideshare.net/ygotokernel/the-ideal-and-reality-of-nvdimm-ras- newer-version Copyright 2019 FUJITSU LIMITED いずれの機能もndctlにマージ済み 35

38. Filesystem DAXの課題とは  Filesystem DAXはまだ開発中(Experimental)のステータス  Upstream kernelでもFilesystem DAXをmountするとExperimental と表示  大きな要因 1. ストレージとメモリの両方の特徴を持つ ⇒今まで想定されていなかったコーナーケースが存在（コーナーケースを知っていてそれを避けて使うなら、利用は可能） 2. 今年に入って実現したい機能が増えた (new!) A) inodeごと（つまり、file や directoryごと)にDAXのon/offを切り替え B) btrfsがまさかのFilesystem DAX対応に参戦 • FilesystemのCopy on Write(以後CoW)との両立が必須に！ Copyright 2019 FUJITSU LIMITED37

39. コーナーケースの問題と解決(1/2)  メタデータ更新タイミング  問題 • FileSystem DAX ではユーザアプリがCPU cacheのflushだけでデータは更新可能なはず…だった ⇒kernelがファイルシステムのメタデータを更新できるタイミングが無い • ファイルの更新時間が反映されない • truncate()によるデータブロックの削除を認識・調整するタイミングがない • DMA/RDMAでNVDIMMにデータ転送中の領域をtruncate()で削除する可能性が！  メタデータ更新のための対策 • kernelに、mmap()の新フラグMAP_SYNCの機能が追加された • mmap()呼び出し時にこれを指定する • kernrelはpage単位で書き込み禁止にして、データ更新時に必ずpage faultを発生 • page faultの延長で常にmetadataを更新  PMDKのインタフェースを使うと、内部でMAP_SYNCを指定 Copyright 2019 FUJITSU LIMITED 結局 fsync() とかを呼ばないといけないのでは…？ 38

40. コーナーケースの問題と解決(2/2)  truncate()とDMA/RDMAの両立  今は暫定対処 • kernel/driver layerではDMA/RDMAによるデータ転送完了をtruncateが待つ • user 空間に直接データ転送するドライバ(infinibandやvideo)は無限に待つ恐れ ⇒ そういうドライバは、DAXで使用中の領域にはデータ転送できないようにガードが入った  将来（推測込み） • user空間に転送完了が終わったことを通知するcall backができる（かも？） • ただし、以下のバグの解決のためのインタフェース確定が先 Copyright 2019 FUJITSU LIMITED 言い換えると、user空間へのDMA転送を “使わない” と割りきってしまえば現状でもＯＫ • get_user_pages()を使って(R)DMA転送中の領域に対して、メモリ回収処理が誤った動作 ⇒ 転送中の領域を示すためのインタフェースとしては不十分 • DMA/RDMA転送中の領域を”明示”するため以下のinterfaceの作成が検討中 • pin_user_pages() / unpin_user_pages() そもそも user空間へのDMA/RDMA自体にrace condition bugが存在 39

41. inode単位のFS-DAX on/off切り替え  用途  以下のような用途を想定  状況  Linux Storage Filesystem & MM Summit(2019/5)で実装することに決定  実現するためには非常に多くの課題あり Copyright 2019 FUJITSU LIMITED • DAXをonにしたとき、それまでのpage cacheの扱いをどうするのか？ • page cacheのためのメソッドとDAX向けのメソッドの切り替え方法（排他の仕組みが必要） • 今どのファイル／ディレクトリがDAXを使っているのかが判別できるインタフェース • アプリ向けのon/off切り替えインタフェースはそもそも可能なのか？ • mount 時の-o daxオプションはそのうち無くなる？ ⇒ 非互換発生？指定する粒度を細かくしたい（ファイルによって切り替えたい）アプリ主導で on/off したい page cache経由に切り替えたい（write時の性能チューニング）問題があったときの緊急回避 40

42. ファイルシステムのCoWとFilesystem DAX  １年前  もともとファイルシステムのCoWとFilesystem DAXは相性が良くなかった • XFSのrelink/dedup機能とFilesystem DAXは排他の関係だった • mkfs時のoptionで、reflink/dedupをonにすると、mount –o daxはreject  現在  btrfsもFilesystem DAXに対応する方向に ⇒ 上記と一緒に取り組む必要ができた  課題 • delayed allocation対策が必要 ⇒ 一時的にpage cacheに保存する(？) • メモリ管理機構の対応が必要 ⇒ 後述 • iomapインタフェースの拡張が必要 ⇒ 後述 Copyright 2019 FUJITSU LIMITED CoWはフラグメントしやすい特性 XFSはDelayed Allocationで対応 FS-DAXは即座にblockを割り当てたい 41

43. ファイルシステムのCoWとメモリ管理機構  FilesystemのCoW （XFSではreflink/dedup機能） • 異なるファイルでもデータの内容が同じブロックなら共有 • 共有されたブロックのデータ更新の際にCopy On Write • あるfileのoffset 100のデータを違うfileのoffset 200のデータとして共有可能 • ファイルシステムの中だけで処理が完結  File System DAXにより • DIMM故障時にメモリ管理機構側のリカバリ処理が必要に • kernelの物理メモリ管理のデータ構造(struct page)は、同じpageに「複数のファイルの異なるoffset」の情報を持つことを想定していない • struct pageのほかのどこかに、複数offsetの情報を記録する必要ができた • いまのところ、ここについてはまだ未開発 Copyright 2019 FUJITSU LIMITED File A File B offset 100 offset 200 42

44. ファイルシステムのCoWとiomap  Filesystem DAXではiomapという機構が利用されている  iomapのCoW対応インタフェース • Write時にCopyするためのsource とtargetを指定 • データが重複していたしてたときのdedupをiomap でも対応 • etc. • この開発には、南京富士通南大軟件技術有限公司も協力  btrfsのiomap対応も同時に開発中 Copyright 2019 FUJITSU LIMITED 旧来のblock層の構造体 buffer_head iomap • I/Oのサイズは1 page 以内で、 512byteなどを想定 • NVDIMMには当然非効率 • 複数pageの処理を一度に実施可能 • まとめてpageをロックする機構を Filesystem共通IFとして実現 • XFSは対応済み • btrfsは非対応 • CoWのためのインタフェースが必要 43

46. まとめ、所感 Copyright 2019 FUJITSU LIMITED  Linuxの動向について概略を話した  NVDIMMの３つのアクセス方法  Region/namespace  PMDK  RAS  現在の課題  LinuxのNVDIMMのrealな実装が進んだ  storageとしての使い方やDevice DAXについては、ほぼ固まった印象  Filesystem DAXについては、現状が分かっている人なら利用可能しかし、より良い機能・汎用的な機能にするための議論・開発が活発に進められている 45

48. 関連規格  SNIA NVM Programming Model  NVDIMMのインタフェースについて概念的に定義 • https://www.snia.org/sites/default/files/technical_work/final/NVMProgramming Model_v1.2.pdf  ファーム  ACPI https://uefi.org/sites/default/files/resources/ACPI_6_3_final_Jan30.pdf  EFI http://www.uefi.org/sites/default/files/resources/UEFI%20Spec%202_7_A%20Se pt%206.pdf • 共にNVDIMMのための仕様が追加されている  NVDIMM DSM Interface • NVDIMMに対する固有のインタフェースを規定 • NVDIMMのSMART情報などの定義 • 各社、異なる定義をしている (HPEのNVDIMM-N向けの仕様など） • Intel ： http://pmem.io/documents/NVDIMM_DSM_Interface-V1.8.pdf  namespace  NVDIMM Namespace Interface: • http://pmem.io/documents/NVDIMM_Namespace_Spec.pdf Copyright 2019 FUJITSU LIMITED47

49. NFIT (NVDIMM Firmware Interface Table)  OS起動時にNVDIMMの領域を認識するために必要なテーブル  以下が取得できる • SPA(NVDIMMのシステム上の物理アドレス） • region 情報 • interleave • etc  かなり大きく、複雑 • これを実装するのはかなり大変  kernel sourceにエミュレータが実装 • nfit_test.ko • ndctlのテスト用 • 理解するにはこれを読むほうが楽（よく出来てる） Copyright 2018 FUJITSU LIMITED48

51. display bad block information (1/2) # ndctl list -DRHMu { "regions":[ { "dev":"region0", "size":"250.00 GiB (268.44 GB)", : "mappings":[ { "dimm":"nmem1", : }, { "dimm":"nmem0", : } ], : (cont) Copyright 2018 FUJITSU LIMITED region 0 is interleaved region by nmem1 and nmem0 command to show region info with dimm, health and bad block info (output is JSON format) 50

52. display bad block information (2/2) : ], "badblock_count":1, "badblocks":[ { "offset":65536, "length":1, "dimms":[ "nmem0" ] } ], : : # Copyright 2018 FUJITSU LIMITED Current ndctl displays which DIMM has badblock in this region In this example, nmem0 has broken block badblock info in the region (the previous ndctl showed only this information) 51

53. Example of SMBIOS Handle of ndctl # ndctl list -Du [ { "dev":"nmem1", "id":"XXXX-XX-XXXX-XXXXXXXX", "handle":"0x120", "phys_id":"0x1c" }, { "dev":"nmem0", "id":"XXXX-XX-XXXX-XXXXXXXX", "handle":"0x20", "phys_id":"0x10", "flag_failed_flush":true, "flag_smart_event":true } ] Copyright 2018 FUJITSU LIMITED display DIMM infomation with human readable format (phys_id becomes Hexadecimal) phys_id is SMBIOS handle of these DIMM 0x10 is broken DIMM’s handle in this example (The nmem0 included broken block in previous result) 52

54. dmidecode can show the location of DIMM # demidecode : Handle 0x0010, DMI type 17, 40 bytes Memory Device Array Handle: 0x0004 : : Locator: DIMM-Location-example-Slot-A : Type Detail: Non-Volatile Registered (Buffered) Copyright 2018 FUJITSU LIMITED SMBIOS handle of DIMM Locator: shows the place of the DIMM 53

55. メモリのアクセス速度についての新仕様(1/2)  ACPI v6.2で新たに追加された仕様 • 個人的にちょっと注目  Memory Side Cache • 遅いメモリに対してアクセス速度の速いメモリがcache • 遅いメモリ側が不揮発なら、spec上は電源断時にプラットフォーム（ハード）でデータを保存する責任 ⇒ DIMM内でデータ保存する方向から変わってきた  HMAT ：Heterogeneous Memory Attribute Table • メモリの具体的なレイテンシやバンド幅の値をファームから OSに通知 • 従来のSLITは最速からの相対値のみ Copyright 2018 FUJITSU LIMITED54

56. メモリのアクセス速度についての新仕様(2/2)  HMATに対する動き  IntelはACPI v6.2の仕様公開(2017/5)と同時に、NVDIMM 開発コミュ二ティにパッチ投稿して機能提案 • つまり、仕様公開にあわせて周到に準備していた可能性大 • ただ、あまり急ぐ理由がないのか、upstreamへのマージはのんびりペース ⇒とはいえ、さすがにそろそろ nvdimmのサブツリーに入りそうに見える • sysfs経由でユーザ空間にこの値を提示しており、現在のところ、カーネル側ではこの値は使っていない ⇒ 性能測定の参考とか、ワークロードの管理などを想定か？ Copyright 2018 FUJITSU LIMITED55

57. DMA/RDMAのPMDKのライブラリ  他のノードへの高速なデータの転送機能はやっぱり欲しい  データの配布・レプリケーションとして  クラウドでScale outしていくため  PMDKライブラリにはRDMAのためのライブラリも用意  librpmem(再掲) • 他のnodeにデータをDMAで転送するための低レイヤライブラリ • libfabricを利用しており、 RDMA転送が可能なRNIC利用が前提（？） • 私もまだ動かせていません • ステータスはExperimental • 前述の通りKernel側の問題が残存のため（？） • 昨年調べた段階では、接続のためにsshのkeyを各ノードへ設定が必要だった ⇒ 数が増えると設定が面倒かも（今後に期待か？） • 低レイヤライブラリであるため、直接の利用は推奨されていない • libpmemobjのような高機能ライブラリ経由を使うことが推奨されている模様 • pmempoolコマンド • manによると、librpmemで設定したターゲットにレプリカも作れる模様 Copyright 2019 FUJITSU LIMITED56

不揮発メモリ(NVDIMM)とLinuxの対応動向について(for comsys 2019 ver.)

Yasunori Goto

不揮発メモリ(NVDIMM)とLinuxの対応動向について(for comsys 2019 ver.)