不揮発メモリ(NVDIMM)とLinuxの対応動向について

Copyright 2019 FUJITSU LIMITED
不揮発メモリ(NVDIMM)と
Linuxの対応動向について
2019/3/20
富士通株式会社
Linux開発統括部
五島康文 ( @YasunoriGoto1 )
0

 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し、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
 OSSの開発者を育てるのが個人的なライフワーク
• 社内でOSSコミュニティへの参加を推進
• プライベートでも若手を支援 ⇒ OSS Gateに参加
 Advent Calendar
• 元はクリスマスまでの日めくりカレンダー
• 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)
• 裏話は懇親会で（すでにある程度は公開されてますが、さらにその背景まで）
• ほかの日本の大手会社も続いてくれて大変嬉しい
• NVDIMMの記事も2016年よりAdvent Calendarの１記事として記載
自己紹介
Cross 2017
今回の講演のきっかけ
1

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
 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

背景

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 （3D Xpointを使った最有力ハード)
 SAP HANA（On Memory DB）：すでにマニュアルにNVDIMM対応を記載

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？

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
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

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
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

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
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

LinuxのNVDIMMアクセス方法

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.
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

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
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

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）
• kenrelコミュ二ティでは
まだEXPERIMENTAL
(開発中)のstatus
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

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
NVDIMM
user 空間
kernel 空間
device daxドライバ
/dev/dax
NVDIMM専用アプリ
mmap()PMDK
13

3つのアクセス方法比較
 比較
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
• 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

RegionとNamespace

 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

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)
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

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

ndctl使い方例(1/2)
 Filesystem DAXで利用する場合
$ 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

ndctl使い方例(2/2)
 Filesystem DAXの設定例
$ 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

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

開発ライブラリ（ツール）

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

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

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）

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/
 ライフサイクルの
状態遷移に応じた
コードを書く必要
 筆者は
触れていないが、
なかなか難しそう
な印象

 RAS=Reliability Availability Serviceability
 Fujitsuが開発した機能の紹介
NVDIMMのRAS

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
では、これで十分だろうか？
28

NVDIMMのRASの問題点
 NVDIMMが壊れたら、壊れたものを交換できるか？
 まずは、以下の弊社サーバの写真から手順をイメージしてほしい
 HDD/SSDと比べて困ることは無いか？

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
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

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

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
 以下の図でregion 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

Replacing broken NVDIMM (2/2)
 NVDIMMを交換するためには以下の情報が必要
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

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
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

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
いずれの機能もndctlにマージ済み
35

Linux kernelの現在の課題

Filesystem DAXの課題
 Filesystem DAXはまだ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
 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
1. メタデータ更新
• FileSystem DAX ではCPU cache flushだけでユーザのデータは更新可能なはず
⇒しかし実際には、ファイルシステムのメタデータも更新も必要となる
⇒kerneがメタデータを更新できるタイミングが存在しない
• 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
⇒ CPU cache flashだけでよいはずが、結局fsync()とか呼ばないといけないのでは？
• DMA/RDMAでNVDIMMに直接データ転送中の領域をtruncate()で削除してしまう可能性
2. XFSのreflink/dedup機能との両立
• 今は排他の関係（無理に両立させる必要も無い）
• しかし、コミュニティでは両立させたいという意見が主流

課題解決に向けた動き (1/3)
 解決した問題
 mmapの新フラグMAP_SYNC
• mmap()をするときに新規のフラグであるMAP_SYNCを指定する
• page単位で書き込み禁止にして、データ更新時に必ずpage faultを発生させる
• page faultの延長で常にmetadataを更新
• PMDKのmmapインタフェースを使うと、中でMAP_SYNCを指定
 暫定的な対処がされた問題
 truncate()とDMA/RDMAの両立
• 現在のupstream
• kernel/driver layerではDMA/RDMAによるデータ転送完了をtruncateが待つようにした
• user 空間に直接データ転送するドライバ(infinibandやvideo)は無限に待ってしまう恐れ
⇒ そういうドライバは、DAXで使用中の領域には転送できないように修正
• 将来（推測込み）
• ユーザプロセス向けのcall backができる（かも？）
• とはいえ、そもそもfileをmmapしている領域へのRDMA自体にバグがあり、その修正が先
https://linuxplumbersconf.org/event/2/contributions/126/attachments/136/168/LPC_2
018_gup_dma.pdf

 まだ今後の解決が必要な問題
 XFSのReflink/dedup機能とFilesystem DAXの両立（内容は推測込み）
• Reflink/dedupは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はCopy On Write
• あるファイルのオフセット１００のデータを違うファイルのオフセット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
• 一方、File System DAXではメモリ管理の処理が必要（DIMM故障時の処理）
• 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 (続く)
File A File B
offset 100 offset 200
39

 まだこれからの問題
 XFSのReflink/dedup機能との両立
• ReflinkのCOWに対しての対処が必要
• フラグメントを防ぐため、Delayed allocationの機能を利用
• 一方、Filesystem DAXは即座に領域を確保する機能⇒両立させるにはまだ工夫が必要
• COWでは一時的にRAMにデータを配置し、Delayed AllocationやMAP_SYNCでの書き
込み時にデータをNVDIMMに移すような処理が必要か？
（Dave Chinner の主張、“MAP_SYNC is guarantee, MAP_DIRECT is hint”）
 その他の細かい話
• ファイルシステム全体ではなく、inode単位でDAXにできないか？
• XFSで実装しかけたが、未解決（具体的なユースケースがあれば進むかも？）
• DAX可能かをユーザプロセスから簡単に見分けられる方法が欲しくなる
• ndctlでFS-DAXのモードにしているのに、mount時の-o daxオプション必要？
• DAX可能なデバイスなら、mount無しでもデフォルトでDAXを有効にしたら？
• じゃあ、強制的にDAX disableにするオプション作る？
• etc.
完成度を高めていく努力がされている
40

DMA/RDMA
 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

まとめ

まとめ、所感
 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
 具体的で細かい題が見えている
⇒ そこまで開発が進んできた証
43

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

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）

 筆者もあまり使ってないので、参考程度
PMDKを使ったプログラム

libpmemの使用サンプル(open/mmap)
#include <libpmem.h>
#define PMEM_LEN 4096
int main(int argc, char *argv[])
{
int fd;
char *pmemaddr;
int is_pmem;
/* create a pmem file */
if ((fd = open("/pmem-fs/myfile", O_CREAT|O_RDWR, 0666)) < 0) {
perror("open");
exit(1);
}
/* allocate the pmem */
if ((errno = posix_fallocate(fd, 0, PMEM_LEN)) != 0) {
perror("posix_fallocate");
exit(1);
}
/* memory map it */
if ((pmemaddr = pmem_map(fd)) == NULL) {
perror("pmem_map");
exit(1);
}
/* pmemaddrに読み書き */
close(fd);
}

libpmemの使用サンプル(cpu cache flush)
:
/* determine if range is true pmem */
is_pmem = pmem_is_pmem(pmemaddr, PMEM_LEN);
/* store a string to the persistent memory */
strcpy(pmemaddr, "hello, persistent memory");
/* flush above strcpy to persistence */
if (is_pmem)
pmem_persist(pmemaddr, PMEM_LEN);
else
pmem_msync(pmemaddr, PMEM_LEN);

libpmemobjの使用例 (create/open)
int main(int argc, char *argv[])
{
const char path[] = "/pmem-fs/myfile";
PMEMobjpool *pop;
/* create the pmemobj pool or open it if it already exists */
pop = pmemobj_create(path, LAYOUT_NAME, POOL_SIZE, 0666);
if (pop == NULL)
pop = pmemobj_open(path, LAYOUT_NAME);
if (pop == NULL) {
perror(path);
exit(1);
}
/* ... */
pmemobj_close(pop);
}

libpmemobjの使用例(objectの操作)
/* リストのへのアクセス例 */
struct listbase {
POBJ_LIST_HEAD(foo, struct foo_el) foo_list;
POBJ_LIST_HEAD(bar, struct bar_el) bar_list;
};
static void
list_insert(PMEMobjpool *pop, struct listbase *base, enum list_type type, int value)
{
struct list_constr_args args = {type, value};
switch (type) {
case LIST_FOO:
POBJ_LIST_INSERT_NEW_HEAD(pop, &base->foo_list, entries,
sizeof(struct foo_el), list_element_constr, &args);
break;
case LIST_BAR:
POBJ_LIST_INSERT_NEW_HEAD(pop, &base->bar_list, entries,
sizeof(struct bar_el), list_element_constr, &args);
break;
default:
assert(0);
}
}

ndctl出力例

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)
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)
53

display bad block information (2/2)
:
],
"badblock_count":1,
"badblocks":[
{
"offset":65536,
"length":1,
"dimms":[
"nmem0"
]
}
],
:
:
#
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)
54

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
}
]
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)
55

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)
SMBIOS handle of DIMM
Locator: shows the place of the DIMM
56

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

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？

不揮発メモリ(NVDIMM)とLinuxの対応動向について

Recommended

More Related Content

What's hot (20)

Similar to 不揮発メモリ(NVDIMM)とLinuxの対応動向について (20)

Recently uploaded (6)

不揮発メモリ(NVDIMM)とLinuxの対応動向について