~bzr-pqm/bzr/bzr.dev

« back to all changes in this revision

Viewing changes to doc/developers/directory-fingerprints.txt

  • Committer: Jelmer Vernooij
  • Date: 2011-01-19 06:13:58 UTC
  • mfrom: (5619 +trunk)
  • mto: This revision was merged to the branch mainline in revision 5620.
  • Revision ID: jelmer@samba.org-20110119061358-qm58pzvcp2l9cdx4
merge bzr.dev.

Show diffs side-by-side

added added

removed removed

Lines of Context:
 
1
Directory fingerprints
 
2
======================
 
3
 
 
4
.. contents:: :local:
 
5
 
 
6
Introduction
 
7
------------
 
8
 
 
9
The basic idea is that for a directory in a tree (committed or otherwise), we
 
10
will have a single scalar value.  If these values are the same, the contents of
 
11
the subtree under that directory are necessarily the same.
 
12
 
 
13
This is intended to help with these use cases, by allowing them to quickly skip
 
14
over directories with no relevant changes, and to detect when a directory has
 
15
changed:
 
16
 
 
17
* diff/status (both local trees and historical trees)
 
18
* merge
 
19
* log -v
 
20
* log on a directory
 
21
* commit
 
22
 
 
23
 
 
24
Use-case oriented APIs
 
25
----------------------
 
26
 
 
27
Most of this will be hidden behind the Tree interface.  This should cover
 
28
``log -v``, ``diff``, ``status``, ``merge`` (and implicit merge during
 
29
push, pull, update)::
 
30
 
 
31
  tree.iter_changes(other_tree)
 
32
  tree.get_file_lines(file_id)   # and get_file, get_file_text
 
33
 
 
34
``commit``
 
35
~~~~~~~~~~
 
36
 
 
37
Commit is similar to ``iter_changes``, but different because it needs to
 
38
compare to all the trees.  Commit currently needs to compare the working
 
39
tree to all the parent trees, which is needed to update the last_modified
 
40
field and would be unnecessary if we removed that field (for both files
 
41
and directories) and did not store per-file graphs.
 
42
This would potentially speed up commit after merge.
 
43
 
 
44
Verbose commit also displays the merged files, which does
 
45
require looking at all parents of files that aren't identical
 
46
to the left-hand parent.
 
47
 
 
48
``log``
 
49
~~~~~~~
 
50
 
 
51
Log is interested in two operations: finding the revisions that touched
 
52
anything inside a directory, and getting the differences between
 
53
consecutive revisions (possibly filtered to a directory)::
 
54
 
 
55
  find_touching_revisions(branch, file_id) # should be on Branch?
 
56
 
 
57
Log shows the revisions that merged a change.  At the moment that is not
 
58
included in the per-file graph, and it would also not be visible if the
 
59
directories were hashed.
 
60
 
 
61
 
 
62
 
 
63
 
 
64
Open questions
 
65
--------------
 
66
 
 
67
* Is this a good idea at all?
 
68
 
 
69
  If changing a file changes all its parent directories up to the root it
 
70
  will cause more churn on commit.  (We currently update the all-in-one
 
71
  inventory, but only have to update one line of it.)
 
72
 
 
73
  Every time a child changes, we'll get a new node in the per-directory
 
74
  graph.  This is generally useful: it allows bzr log to do the default
 
75
  mode easily, which is to show all changes under that directory.  The
 
76
  less common operation, ``log --no-recursive`` is still possible by
 
77
  looking only at when the directory itself was renamed, added or removed.
 
78
  (That is what the directory graph describes in bzr 0.18 and it is rarely
 
79
  useful.)
 
80
 
 
81
 
 
82
* Should these be hashes or revision ids or something else?
 
83
 
 
84
  Pros of using hashes: hashes are easy to generate by a foreign branch
 
85
  plugin (e.g. bzr-svn).  They don't need to get recursive last-changed
 
86
  from the foreign branch, or to walk back through history.  They just
 
87
  need the relevant directory state, which any system we support can
 
88
  answer.
 
89
 
 
90
  Hashes converge: if you modify and then modify back, you get the same
 
91
  hash.  This is a pro because you can detect that there were ultimately
 
92
  no significant changes.  And also a con: you cannot use these hashes to form a graph
 
93
  because they get cycles.
 
94
 
 
95
 
 
96
* Are the values unique across the whole tree, or only when comparing
 
97
  different versions of the same object?
 
98
 
 
99
  If we use last-changed revisions, then they will be very not unique
 
100
  across the whole tree.  To look up the contents, you must pass a
 
101
  composite key like ``(file_id, last_changed)``.
 
102
 
 
103
  If we use hashes they will be same only when the two contain the same
 
104
  contents.  Since we say that file ids must be unique, this
 
105
  means they will match if and only if they are empty.  We might relax
 
106
  that in future when we introduce path tokens.
 
107
 
 
108
 
 
109
* Is it reasonable to assume hashes won't collide?
 
110
 
 
111
  The odds of SHA-1 hashes colliding "accidentally" are vanishingly small.
 
112
 
 
113
  It is possible that a `preimage attack`_ against SHA-1 may be discovered
 
114
  in the future.  Since we're not proposing in this document to make
 
115
  revision-ids be SHA-1, if SHA-1 was obsoleted then we could rewrite the
 
116
  contents of revisions but would not need to rename revisions.  So the
 
117
  impact of such a migration should just be a format upgrade, and a
 
118
  recommendation (but not requirement) to re-sign revisions.
 
119
 
 
120
.. _`preimage attack`: http://tools.ietf.org/html/rfc4270
 
121
 
 
122
 
 
123
* If we use hashes, should it be the hash of the
 
124
  representation stored for a directory?
 
125
 
 
126
  In other words, should we pun the representation of the directory with
 
127
  the form used for validation.
 
128
 
 
129
  If there's some data stored that's not in the hash it's problematic.
 
130
  The hash in no longer (effectively) uniquely identifies the
 
131
  representation.
 
132
 
 
133
  It is desirable that we have a hash that covers all data, to guard
 
134
  against bugs, transmission errors, or users trying to hand-hack files.
 
135
  Since we need one hash of everything in the tree, perhaps we should also
 
136
  use it for the fingerprint.
 
137
 
 
138
  Testaments explicitly separate the form used for hashing/signing from
 
139
  the form used for storage.  This allows us to change the storage form
 
140
  without breaking existing GPG signatures.  The downside is that we need
 
141
  to do work O(tree) to make a testament, and this slows down signing,
 
142
  verifying and generating bundles.  It also means that there is some
 
143
  stored data which is not protected by the signature: this data is less
 
144
  important, but corruption of it would still cause problems.
 
145
  We have encountered some specific problems with disagreement between
 
146
  inventories as to the last-change of files, which is currently unsigned.
 
147
  These problems can be introduced by ghosts.
 
148
 
 
149
  If we hash the representation, there is still a way to support old
 
150
  signatures, assuming that we never discard irreplaceable information.
 
151
  The signature should say what format it applies to (similar to
 
152
  testaments), and we could transform in memory the tree back to that
 
153
  format.
 
154
 
 
155
 
 
156
* Is hashing substantially slower than other possible approaches?
 
157
 
 
158
  We already hash all the plain files.  Except in unusual cases, the
 
159
  directory metadata will be substantially smaller: perhaps 200:1 as a
 
160
  rule of thumb.
 
161
 
 
162
  When building a bzr tree, we spend on the order of 100ms hashing all the
 
163
  source lines to validate them (about 13MB of source).
 
164
 
 
165
 
 
166
* Can you calculate one from a directory in the working tree?  Without a basis?
 
167
 
 
168
  This seems possible with either hashes or revision ids.
 
169
 
 
170
  Using last_changed means that calculating the fingerprint from a working
 
171
  tree necessarily requires reading the inventory for the basis
 
172
  revision, so that we know when unchanged files were last changed.  With
 
173
  hashes we could calculate them using the working tree information alone.
 
174
  It's true that we will often then compare that information to the basis
 
175
  tree (e.g. for simple ``bzr diff``), but we may only have to compare at
 
176
  the top level, and sometimes we're comparing to a
 
177
  different tree.  This also touches on whether we should store
 
178
  ``last_modified`` for files, rather than directories.
 
179
 
 
180
  For revision ids we need to assign a value to use for uncommitted
 
181
  changes, but see below about the problems of this.
 
182
 
 
183
  In some ways it would be elegant to say (hypothetical)::
 
184
 
 
185
    wt.get_root().get_last_modified() == branch.get_last_revision()
 
186
 
 
187
  to know that nothing was changed; but this may not be much better than
 
188
  ::
 
189
 
 
190
    wt.get_root().get_hash() ==
 
191
      branch.get_basis().get_root().get_hash()
 
192
 
 
193
 
 
194
* Can you use this to compare (directories from) two working trees?
 
195
 
 
196
  If you can generate it from a working tree, you should be able to use it
 
197
  to compare them.
 
198
 
 
199
  This does rule out for example using ``last_modified=None`` or
 
200
  ``='current:'`` to mean "changed in the working tree."  Even if this is
 
201
  not supported there seems some risk that we would get the same
 
202
  fingerprint for trees that are actually different.
 
203
 
 
204
  We could assign a
 
205
  hypothetical revision id to the tree for uncommitted files.  In that
 
206
  case there is some risk that the not-yet-committed id would become
 
207
  visible or committed.
 
208
 
 
209
 
 
210
* Can we use an "approximate basis"?
 
211
 
 
212
  When using radix trees, you may need context beyond the specific
 
213
  directory being compared.
 
214
 
 
215
 
 
216
* Can you get the fingerprint of parents directories with only selected file ids
 
217
  taken from the working tree?
 
218
 
 
219
  With hashes, we'd want to carry through the unselected files and
 
220
  directories from the values they had in the parent revision.
 
221
 
 
222
 
 
223
* Are unbalanced trees a significant problem?  Trees can be unbalanced by having
 
224
  many directories (deep or wide), or many files per directory.
 
225
 
 
226
  For small trees like bzr, 744 of 874 are in the bzrlib subtree.  In
 
227
  general, larger trees are more balanced, because humans, editors and
 
228
  other tools have trouble managing very unbalanced trees.  But there are
 
229
  exceptions: Aaron has one tree with 20,000 generated but versioned
 
230
  entries in one directory.
 
231
 
 
232
 
 
233
* Should we use a radix tree approach where fingerprints are calculated on a synthetic
 
234
  tree that is by definition balanced, even when the actual tree is unbalanced?
 
235
 
 
236
 
 
237
* What are the specific advantages of using recursive-last-modified rather than
 
238
  hashes?
 
239
 
 
240
  It may be a smaller step change.
 
241
 
 
242
  It's a bidirectional link: given a directory text identifier ``(file_id,
 
243
  last_changed)`` you can look up the revision that last changed it.
 
244
 
 
245
  From the preceding, even without the per-file graph you can skip through
 
246
  the history of this file: go to the last-changed revision, look at all
 
247
  its parents and repeat.
 
248
 
 
249
 
 
250
* Is it a smaller change to use recursive-last-modified on directories?
 
251
 
 
252
  Probably yes:
 
253
 
 
254
  1. We can just put it into the current inventory format without changing
 
255
     anything else.
 
256
 
 
257
     By contrast to use a hash we'd have to either split up the inventory
 
258
     as stored, or change the sort order for the inventory, or synthesize
 
259
     per-directory inventories in memory for hashing.
 
260
 
 
261
     However, XML is somewhat redundant and slow to parse/generate; and
 
262
     reading the whole thing before comparing some sections is only a
 
263
     partial win.  It may be a smaller change but we'd be preserving
 
264
     things we want to change.
 
265
 
 
266
  1. At present we rarely hash storage representations, only file texts.
 
267
     This is not a large technical change, but it is a conceptual change.
 
268
     This has some consequences for how we can upgrade it in future: all
 
269
     the changed directories need to be rewritten up to the revision level.
 
270
 
 
271
  1. If we address directories by hash we need hash-addressed
 
272
     storage.
 
273
 
 
274
  1. If we address directories by hash then for consistency we'd probably
 
275
     (not necessarily) want to address file texts by hash.
 
276
 
 
277
  1. The per-file graph can't be indexed by hash because they can converge, so we
 
278
     need to either rework or dispose of the per-file graph.
 
279
 
 
280
 
 
281
* Any possibilities for avoiding hashes recurring?
 
282
 
 
283
  1. Hash along with an identification of the parents (as in hg).  Then you
 
284
     can't convert a tree without all its basis trees, and there is still
 
285
     convergence when the same merge is done by two people, and you can't
 
286
     create it directly from the working tree.
 
287
 
 
288
  1. Include last-modified revision id in the hash.
 
289
 
 
290
  1. Index by ``(revision, hash)`` or vice versa.
 
291
 
 
292
  1. Store a per-file graph and allow it to have repeated keys.  The graph
 
293
     would tell you about all the parent texts ever seen; you would need
 
294
     to use revision graph information to resolve ambiguities.
 
295
 
 
296
 
 
297
* What are the specific disadvantages of using recursive-last-modified rather than
 
298
  hashes?
 
299
 
 
300
  To calculate the last-changed revision, given the last-changed
 
301
  information of the contained files, you need to look at the revision
 
302
  graph.  They're not enough because you need to know the relations
 
303
  between the mentioned revisions.  In a merge it's possible the correct
 
304
  directory last-modified will not be the same as that of any of the files
 
305
  within it.  This can also happen when a file is removed (deleted or
 
306
  renamed) from a directory.
 
307
 
 
308
 
 
309
* Should we split up storage of the inventories?
 
310
 
 
311
  This is not quite the same but connected.
 
312
 
 
313
 
 
314
* How does this relate to per-file/per-directory hashes?
 
315
 
 
316
  If the version of a file or directory is identified by a hash, we can't
 
317
  use that to point into a per-file graph.  We can have a graph indexed by
 
318
  ``(file_id, hash, revision_id)``.  The last-modified could be stored as
 
319
  part of this graph.
 
320
 
 
321
  The graph would no longer be core data; it could be always present but
 
322
  might be rebuilt.  Treating it as non-core data may make some changes
 
323
  like shallow branches easier?
 
324
 
 
325
 
 
326
* How do you ask a tree for a given text?
 
327
 
 
328
  Right now we say ::
 
329
 
 
330
    revision_tree.get_file_lines(file_id)
 
331
 
 
332
  so the choice of storage is hidden behind the revision tree: it could be
 
333
  accessed by ``(file_id, last_changed)`` or by hash or otherwise.
 
334
 
 
335
  At the moment the Repository exports a friend api to RevisionTree,
 
336
  currently usually talking in VersionedFiles.
 
337
 
 
338
  We probably wouldn't want Repository to expose a ``get_text_for_sha1()``
 
339
  interface because that would be very difficult to support on old
 
340
  repositories or on foreign branches.
 
341
 
 
342
 
 
343
Conclusions
 
344
-----------
 
345
 
 
346
 
 
347
Design changes
 
348
--------------
 
349
 
 
350
 
 
351
 
 
352
 
 
353
API changes
 
354
-----------
 
355
 
 
356
 
 
357
..
 
358
  vim: filetype=rst textwidth=78 expandtab spelllang=en spell
 
359