~bzr-pqm/bzr/bzr.dev

« back to all changes in this revision

Viewing changes to doc/developers/planned-performance-changes.txt

Don't encode unicode messages to UTF-8 in mutter() (the stream writer does it).

Use a codec wrapped log file in tests to match the real environment.

Show diffs side-by-side

added added

removed removed

Lines of Context:
1
 
Planned changes to the bzr core
2
 
===============================
3
 
 
4
 
Delivering the best possible performance requires changing the bzr core design
5
 
from that present in 0.16. Some of these changes are incremental and can be
6
 
done with no impact on disk format. Many of them however do require changes to
7
 
the disk format, and these can be broken into two sets of changes, those which
8
 
are sufficiently close to the model bzr uses today to interoperate with the
9
 
0.16 disk formats, and those that are not able to interoperate with the 0.16
10
 
disk formats - specifically some planned changes may result in data which
11
 
cannot be exported to bzr 0.16's disk formats and then imported back to the new
12
 
format without losing critical information. If/when this takes place it will be
13
 
essentially a migration for users to switch from their bzr 0.16 repository to a
14
 
bzr that supports them. We plan to batch all such changes into one large
15
 
'experimental' repository format, which will be complete stable and usable
16
 
before we migrate it to become a supported format. Getting new versions of bzr
17
 
in widespread use at that time will be very important, otherwise the user base
18
 
may be split in two - users that have upgraded and users that have not.
19
 
 
20
 
The following changes are grouped according to their compatability impact:
21
 
library only, disk format but interoperable, disk format interoperability
22
 
unknown, and disk format, not interoperable.
23
 
 
24
 
Library changes
25
 
---------------
26
 
 
27
 
These changes will change bzrlib's API but will not affect the disk format and
28
 
thus do not pose a significant migration issue.
29
 
 
30
 
 * For our 20 core use cases, we plan to add targeted API's to bzrlib that are
31
 
   repository-representation agnostic. These will instead reflect the shape of
32
 
   data access most optimal for that case.
33
 
 
34
 
 * Deprecate 'versioned files' as a library concept. Instead of asking for
35
 
   information about a file-over-time as a special case, we will move to an API
36
 
   that assumes less coupling between the historical information and the
37
 
   ability to obtain texts/deltas etc. Specifically, we need to remove all
38
 
   API's that act in terms of on disk representation except those within a
39
 
   given repository implementation.
40
 
 
41
 
 * Create a validator for revisions that is more amenable to use by other parts
42
 
   of the code base than just the gpg signing facility. This can be done today
43
 
   without changing disk, possibly with a performance hit until the disk
44
 
   formats match the validatory logic. It will be hard to tell if we have the
45
 
   right routine for that until all the disk changes are complete, so while
46
 
   this is a library only change, its likely one that will be delayed to near
47
 
   the end of the process.
48
 
 
49
 
 * Add an explicit API for managing cached annotations. While annotations are
50
 
   considered a cache this is not exposed in such a way that cache operations
51
 
   like 'drop the cache' can be performed. On current disk formats the cache is
52
 
   mandatory, but an API to manage would allow refreshing of the cache (e.g.
53
 
   after ghosts are filled in in baz conversions).
54
 
 
55
 
 * Use the _iter_changes API to perform merges. This is a small change that may
56
 
   remove the need to use inventories in merge, making a dramatic difference to
57
 
   merge performance once the tree shape comparison optimisations are
58
 
   implemented.
59
 
 
60
 
 * Create a network-efficient revision graph API. This is the logic at the
61
 
   start of push and pull operations, which currently scales O(graph size).
62
 
   Fixing the scaling can be done, but there are tradeoffs to latency and
63
 
   performance to consider, making it a little tricky to get right.
64
 
 
65
 
 * Working tree disk operation ordering. We plan to change the order in which
66
 
   some operations are done (specifically TreeTransform ones) to improve
67
 
   performance. There is already a 66% performance boost in that area going
68
 
   through review.
69
 
 
70
 
 * Stop requiring full memory copies of files. Currently bzr requires that it
71
 
   can hold 3 copies of any file its versioning in memory. Solving this is
72
 
   tricky, particularly without performance regressions on small files, but
73
 
   without solving it versioning of .iso and other large objects will continue
74
 
   to be extremely painful.
75
 
 
76
 
 * Add an API for per-file graph access that alllows incremental access and is
77
 
   suitable for on-demand generation if desired.
78
 
 
79
 
 * Repository stacking API. Allowing multiple databases to be stacked to give a
80
 
   single 'repository' will allow implementation of some long desired features
81
 
   like history horizons, and bundle usage where the bundle is not added to the
82
 
   local repository just to examine its contents.
83
 
 
84
 
 * Revision data manipulation API. We need a single streaming API for adding
85
 
   data to or getting it from a repository. This will need to allow hints such
86
 
   as 'optimise for size', or 'optimise for fast-addition' to meet the various
87
 
   users planned, but it is a core part of the library today, and its not
88
 
   sufficiently clean to let us simplify/remove a lot of related code today.
89
 
 
90
 
Interoperable disk changes
91
 
--------------------------
92
 
 
93
 
 * New container format to allow single-file description of multiple named
94
 
   objects. This will provide the basis for transmission of revisions over the
95
 
   network, the new bundle format, and possibly a new repository format as
96
 
   well.
97
 
 
98
 
 * Separate the annotation cache from the storage of actual file texts and make
99
 
   the annotation style, and when to do it, configurable. This will reduce data
100
 
   sent over the wire when repositories have had 'needs-annotations' turned
101
 
   off, which very large trees may choose to do - generating just-in-time
102
 
   annotations may be desirable for those trees (even when performing
103
 
   annotation based merges).
104
 
 
105
 
 * Repository disk operation ordering. The order that tasks access data within
106
 
   the repository and the layout of the data should be harmonised. This will
107
 
   require disk format changes but does not inherently alter the model, so its
108
 
   straight forward to export from a repository that has been optimised in this
109
 
   way to a 0.16 based repository.
110
 
 
111
 
 * Inventory representation. An inventory is a logical description of the shape
112
 
   of a version controlled tree. Currently we operate on the whole inventory as
113
 
   a tree broken down per directory, but we store it as a flat file. This scale
114
 
   very poorly as even a minor change between inventories requires us to scan
115
 
   the entire file, and in large trees this is many megabytes of data to
116
 
   consider. We are investigating the exact form, but the intent is to change
117
 
   the serialisation of inventories so that comparing two inventories can be
118
 
   done in some smaller time - e.g. O(log N) scaling. Whatever form this takes,
119
 
   a repository that can export it directly will be able to perform operations
120
 
   between two historical trees much more efficiently than the current
121
 
   repositories.
122
 
 
123
 
 * Delta storage optimisation. We plan to change the delta storage logic to use
124
 
   a binary delta like xdelta rather than using line based deltas from python.
125
 
   These binary deltas could be done along ancestry ordering, or other
126
 
   arbitrary patterns chosen for their intended use. Line based deltas will
127
 
   still be created for cached annotations. This is still under some discussion.
128
 
   http://bazaar-vcs.org/PerformanceRoadmap/Xdelta
129
 
 
130
 
 * Greatest distance from origin cache. This is a possible change to introduce,
131
 
   but it may be unnecessary - listed here for completeness till it has been
132
 
   established as [un]needed.
133
 
 
134
 
Possibly non-interoperable disk changes
135
 
---------------------------------------
136
 
 
137
 
 * Removing of derivable data from the core of bzr. Much of the data that bzr
138
 
   stores is derivable from the users source files. For instance the
139
 
   annotations that record who introduced a line. Given the full history for a
140
 
   repository we can recreate that at any time. We want to remove the
141
 
   dependence of the core of bzr on any data that is derivable, because doing
142
 
   this will give us the freedom to:
143
 
 
144
 
   * Improve the derivation algorithm over time.
145
 
   * Deal with bugs in the derivation algorithms without having 'corrupt
146
 
     repositories' or such things.
147
 
 
148
 
   However, some of the data that is technically derived, like the per-file
149
 
   merge graph, is both considered core, and can be generated differently when
150
 
   certain circumstances arive, by bzr 0.16. Any change to the 'core' status of
151
 
   that data will discard data that cannot be recreated and thus lead to the
152
 
   inability to export from a format where that is derived data to bzr 0.16's
153
 
   formats without errors occuring in those circumstances. Some of the data
154
 
   that may be considered for this includes:
155
 
 
156
 
   * Per file merge graphs
157
 
   * Annotations
158
 
 
159
 
Non-interoperable disk changes
160
 
------------------------------
161
 
 
162
 
 * Drop the per-file merge graph 'cache' currently held in the FILE-ID.kndx
163
 
   files. A specific case of removing derivable data, this may allow smaller
164
 
   inventory metadata and also make it easier to allow two different trees (in
165
 
   terms of last-change made, e.g. if one is a working tree) to be compared
166
 
   using a hash-tree style approach.
167
 
 
168
 
 * Use hash based names for some objects in the bzr database. Because it would force
169
 
   total-knowledge-of-history on the graph revision objects will not be namable
170
 
   via hash's and neither will revisio signatures. Other than that though we
171
 
   can in principle use hash's e.g. SHA1 for everything else. There are many
172
 
   unanswered questions about hash based naming related to locality of
173
 
   reference impacts, which need to be answered before this becomes a definite
174
 
   item.