Merge branch 'kb/maint-diff-ws-check' into maint
[git] / Documentation / technical / racy-git.txt
1 Use of index and Racy git problem
2 =================================
3
4 Background
5 ----------
6
7 The index is one of the most important data structures in git.
8 It represents a virtual working tree state by recording list of
9 paths and their object names and serves as a staging area to
10 write out the next tree object to be committed.  The state is
11 "virtual" in the sense that it does not necessarily have to, and
12 often does not, match the files in the working tree.
13
14 There are cases git needs to examine the differences between the
15 virtual working tree state in the index and the files in the
16 working tree.  The most obvious case is when the user asks `git
17 diff` (or its low level implementation, `git diff-files`) or
18 `git-ls-files --modified`.  In addition, git internally checks
19 if the files in the working tree are different from what are
20 recorded in the index to avoid stomping on local changes in them
21 during patch application, switching branches, and merging.
22
23 In order to speed up this comparison between the files in the
24 working tree and the index entries, the index entries record the
25 information obtained from the filesystem via `lstat(2)` system
26 call when they were last updated.  When checking if they differ,
27 git first runs `lstat(2)` on the files and compares the result
28 with this information (this is what was originally done by the
29 `ce_match_stat()` function, but the current code does it in
30 `ce_match_stat_basic()` function).  If some of these "cached
31 stat information" fields do not match, git can tell that the
32 files are modified without even looking at their contents.
33
34 Note: not all members in `struct stat` obtained via `lstat(2)`
35 are used for this comparison.  For example, `st_atime` obviously
36 is not useful.  Currently, git compares the file type (regular
37 files vs symbolic links) and executable bits (only for regular
38 files) from `st_mode` member, `st_mtime` and `st_ctime`
39 timestamps, `st_uid`, `st_gid`, `st_ino`, and `st_size` members.
40 With a `USE_STDEV` compile-time option, `st_dev` is also
41 compared, but this is not enabled by default because this member
42 is not stable on network filesystems.  With `USE_NSEC`
43 compile-time option, `st_mtim.tv_nsec` and `st_ctim.tv_nsec`
44 members are also compared, but this is not enabled by default
45 because in-core timestamps can have finer granularity than
46 on-disk timestamps, resulting in meaningless changes when an
47 inode is evicted from the inode cache.  See commit 8ce13b0
48 of git://git.kernel.org/pub/scm/linux/kernel/git/tglx/history.git
49 ([PATCH] Sync in core time granuality with filesystems,
50 2005-01-04).
51
52 Racy git
53 --------
54
55 There is one slight problem with the optimization based on the
56 cached stat information.  Consider this sequence:
57
58   : modify 'foo'
59   $ git update-index 'foo'
60   : modify 'foo' again, in-place, without changing its size
61
62 The first `update-index` computes the object name of the
63 contents of file `foo` and updates the index entry for `foo`
64 along with the `struct stat` information.  If the modification
65 that follows it happens very fast so that the file's `st_mtime`
66 timestamp does not change, after this sequence, the cached stat
67 information the index entry records still exactly match what you
68 would see in the filesystem, even though the file `foo` is now
69 different.
70 This way, git can incorrectly think files in the working tree
71 are unmodified even though they actually are.  This is called
72 the "racy git" problem (discovered by Pasky), and the entries
73 that appear clean when they may not be because of this problem
74 are called "racily clean".
75
76 To avoid this problem, git does two things:
77
78 . When the cached stat information says the file has not been
79   modified, and the `st_mtime` is the same as (or newer than)
80   the timestamp of the index file itself (which is the time `git
81   update-index foo` finished running in the above example), it
82   also compares the contents with the object registered in the
83   index entry to make sure they match.
84
85 . When the index file is updated that contains racily clean
86   entries, cached `st_size` information is truncated to zero
87   before writing a new version of the index file.
88
89 Because the index file itself is written after collecting all
90 the stat information from updated paths, `st_mtime` timestamp of
91 it is usually the same as or newer than any of the paths the
92 index contains.  And no matter how quick the modification that
93 follows `git update-index foo` finishes, the resulting
94 `st_mtime` timestamp on `foo` cannot get a value earlier
95 than the index file.  Therefore, index entries that can be
96 racily clean are limited to the ones that have the same
97 timestamp as the index file itself.
98
99 The callers that want to check if an index entry matches the
100 corresponding file in the working tree continue to call
101 `ce_match_stat()`, but with this change, `ce_match_stat()` uses
102 `ce_modified_check_fs()` to see if racily clean ones are
103 actually clean after comparing the cached stat information using
104 `ce_match_stat_basic()`.
105
106 The problem the latter solves is this sequence:
107
108   $ git update-index 'foo'
109   : modify 'foo' in-place without changing its size
110   : wait for enough time
111   $ git update-index 'bar'
112
113 Without the latter, the timestamp of the index file gets a newer
114 value, and falsely clean entry `foo` would not be caught by the
115 timestamp comparison check done with the former logic anymore.
116 The latter makes sure that the cached stat information for `foo`
117 would never match with the file in the working tree, so later
118 checks by `ce_match_stat_basic()` would report that the index entry
119 does not match the file and git does not have to fall back on more
120 expensive `ce_modified_check_fs()`.
121
122
123 Runtime penalty
124 ---------------
125
126 The runtime penalty of falling back to `ce_modified_check_fs()`
127 from `ce_match_stat()` can be very expensive when there are many
128 racily clean entries.  An obvious way to artificially create
129 this situation is to give the same timestamp to all the files in
130 the working tree in a large project, run `git update-index` on
131 them, and give the same timestamp to the index file:
132
133   $ date >.datestamp
134   $ git ls-files | xargs touch -r .datestamp
135   $ git ls-files | git update-index --stdin
136   $ touch -r .datestamp .git/index
137
138 This will make all index entries racily clean.  The linux-2.6
139 project, for example, there are over 20,000 files in the working
140 tree.  On my Athlon 64 X2 3800+, after the above:
141
142   $ /usr/bin/time git diff-files
143   1.68user 0.54system 0:02.22elapsed 100%CPU (0avgtext+0avgdata 0maxresident)k
144   0inputs+0outputs (0major+67111minor)pagefaults 0swaps
145   $ git update-index MAINTAINERS
146   $ /usr/bin/time git diff-files
147   0.02user 0.12system 0:00.14elapsed 100%CPU (0avgtext+0avgdata 0maxresident)k
148   0inputs+0outputs (0major+935minor)pagefaults 0swaps
149
150 Running `git update-index` in the middle checked the racily
151 clean entries, and left the cached `st_mtime` for all the paths
152 intact because they were actually clean (so this step took about
153 the same amount of time as the first `git diff-files`).  After
154 that, they are not racily clean anymore but are truly clean, so
155 the second invocation of `git diff-files` fully took advantage
156 of the cached stat information.
157
158
159 Avoiding runtime penalty
160 ------------------------
161
162 In order to avoid the above runtime penalty, post 1.4.2 git used
163 to have a code that made sure the index file
164 got timestamp newer than the youngest files in the index when
165 there are many young files with the same timestamp as the
166 resulting index file would otherwise would have by waiting
167 before finishing writing the index file out.
168
169 I suspected that in practice the situation where many paths in the
170 index are all racily clean was quite rare.  The only code paths
171 that can record recent timestamp for large number of paths are:
172
173 . Initial `git add .` of a large project.
174
175 . `git checkout` of a large project from an empty index into an
176   unpopulated working tree.
177
178 Note: switching branches with `git checkout` keeps the cached
179 stat information of existing working tree files that are the
180 same between the current branch and the new branch, which are
181 all older than the resulting index file, and they will not
182 become racily clean.  Only the files that are actually checked
183 out can become racily clean.
184
185 In a large project where raciness avoidance cost really matters,
186 however, the initial computation of all object names in the
187 index takes more than one second, and the index file is written
188 out after all that happens.  Therefore the timestamp of the
189 index file will be more than one seconds later than the
190 youngest file in the working tree.  This means that in these
191 cases there actually will not be any racily clean entry in
192 the resulting index.
193
194 Based on this discussion, the current code does not use the
195 "workaround" to avoid the runtime penalty that does not exist in
196 practice anymore.  This was done with commit 0fc82cff on Aug 15,
197 2006.