Quelle  btree_io.c   Sprache: C

// SPDX-License-Identifier: GPL-2.0

#include "bcachefs.h"
#include "async_objs.h"
#include "bkey_buf.h"
#include "bkey_methods.h"
#include "bkey_sort.h"
#include "btree_cache.h"
#include "btree_io.h"
#include "btree_iter.h"
#include "btree_locking.h"
#include "btree_update.h"
#include "btree_update_interior.h"
#include "buckets.h"
#include "checksum.h"
#include "debug.h"
#include "enumerated_ref.h"
#include "error.h"
#include "extents.h"
#include "io_write.h"
#include "journal_reclaim.h"
#include "journal_seq_blacklist.h"
#include "recovery.h"
#include "super-io.h"
#include "trace.h"

#include <linux/sched/mm.h>

static void bch2_btree_node_header_to_text(struct printbuf *out, struct btree_node *bn)
{
 bch2_btree_id_level_to_text(out, BTREE_NODE_ID(bn), BTREE_NODE_LEVEL(bn));
 prt_printf(out, " seq %llx %llu\n", bn->keys.seq, BTREE_NODE_SEQ(bn));
 prt_str(out, "min: ");
 bch2_bpos_to_text(out, bn->min_key);
 prt_newline(out);
 prt_str(out, "max: ");
 bch2_bpos_to_text(out, bn->max_key);
}

void bch2_btree_node_io_unlock(struct btree *b)
{
 EBUG_ON(!btree_node_write_in_flight(b));

 clear_btree_node_write_in_flight_inner(b);
 clear_btree_node_write_in_flight(b);
 smp_mb__after_atomic();
 wake_up_bit(&b->flags, BTREE_NODE_write_in_flight);
}

void bch2_btree_node_io_lock(struct btree *b)
{
 wait_on_bit_lock_io(&b->flags, BTREE_NODE_write_in_flight,
       TASK_UNINTERRUPTIBLE);
}

void __bch2_btree_node_wait_on_read(struct btree *b)
{
 wait_on_bit_io(&b->flags, BTREE_NODE_read_in_flight,
         TASK_UNINTERRUPTIBLE);
}

void __bch2_btree_node_wait_on_write(struct btree *b)
{
 wait_on_bit_io(&b->flags, BTREE_NODE_write_in_flight,
         TASK_UNINTERRUPTIBLE);
}

void bch2_btree_node_wait_on_read(struct btree *b)
{
 wait_on_bit_io(&b->flags, BTREE_NODE_read_in_flight,
         TASK_UNINTERRUPTIBLE);
}

void bch2_btree_node_wait_on_write(struct btree *b)
{
 wait_on_bit_io(&b->flags, BTREE_NODE_write_in_flight,
         TASK_UNINTERRUPTIBLE);
}

static void verify_no_dups(struct btree *b,
      struct bkey_packed *start,
      struct bkey_packed *end)
{
#ifdef CONFIG_BCACHEFS_DEBUG
 struct bkey_packed *k, *p;

 if (start == end)
  return;

 for (p = start, k = bkey_p_next(start);
      k != end;
      p = k, k = bkey_p_next(k)) {
  struct bkey l = bkey_unpack_key(b, p);
  struct bkey r = bkey_unpack_key(b, k);

  BUG_ON(bpos_ge(l.p, bkey_start_pos(&r)));
 }
#endif
}

static void set_needs_whiteout(struct bset *i, int v)
{
 struct bkey_packed *k;

 for (k = i->start; k != vstruct_last(i); k = bkey_p_next(k))
  k->needs_whiteout = v;
}

static void btree_bounce_free(struct bch_fs *c, size_t size,
         bool used_mempool, void *p)
{
 if (used_mempool)
  mempool_free(p, &c->btree_bounce_pool);
 else
  kvfree(p);
}

static void *btree_bounce_alloc(struct bch_fs *c, size_t size,
    bool *used_mempool)
{
 unsigned flags = memalloc_nofs_save();
 void *p;

 BUG_ON(size > c->opts.btree_node_size);

 *used_mempool = false;
 p = kvmalloc(size, __GFP_NOWARN|GFP_NOWAIT);
 if (!p) {
  *used_mempool = true;
  p = mempool_alloc(&c->btree_bounce_pool, GFP_NOFS);
 }
 memalloc_nofs_restore(flags);
 return p;
}

static void sort_bkey_ptrs(const struct btree *bt,
      struct bkey_packed **ptrs, unsigned nr)
{
 unsigned n = nr, a = nr / 2, b, c, d;

 if (!a)
  return;

 /* Heap sort: see lib/sort.c: */
 while (1) {
  if (a)
   a--;
  else if (--n)
   swap(ptrs[0], ptrs[n]);
  else
   break;

  for (b = a; c = 2 * b + 1, (d = c + 1) < n;)
   b = bch2_bkey_cmp_packed(bt,
         ptrs[c],
         ptrs[d]) >= 0 ? c : d;
  if (d == n)
   b = c;

  while (b != a &&
         bch2_bkey_cmp_packed(bt,
           ptrs[a],
           ptrs[b]) >= 0)
   b = (b - 1) / 2;
  c = b;
  while (b != a) {
   b = (b - 1) / 2;
   swap(ptrs[b], ptrs[c]);
  }
 }
}

static void bch2_sort_whiteouts(struct bch_fs *c, struct btree *b)
{
 struct bkey_packed *new_whiteouts, **ptrs, **ptrs_end, *k;
 bool used_mempool = false;
 size_t bytes = b->whiteout_u64s * sizeof(u64);

 if (!b->whiteout_u64s)
  return;

 new_whiteouts = btree_bounce_alloc(c, bytes, &used_mempool);

 ptrs = ptrs_end = ((void *) new_whiteouts + bytes);

 for (k = unwritten_whiteouts_start(b);
      k != unwritten_whiteouts_end(b);
      k = bkey_p_next(k))
  *--ptrs = k;

 sort_bkey_ptrs(b, ptrs, ptrs_end - ptrs);

 k = new_whiteouts;

 while (ptrs != ptrs_end) {
  bkey_p_copy(k, *ptrs);
  k = bkey_p_next(k);
  ptrs++;
 }

 verify_no_dups(b, new_whiteouts,
         (void *) ((u64 *) new_whiteouts + b->whiteout_u64s));

 memcpy_u64s(unwritten_whiteouts_start(b),
      new_whiteouts, b->whiteout_u64s);

 btree_bounce_free(c, bytes, used_mempool, new_whiteouts);
}

static bool should_compact_bset(struct btree *b, struct bset_tree *t,
    bool compacting, enum compact_mode mode)
{
 if (!bset_dead_u64s(b, t))
  return false;

 switch (mode) {
 case COMPACT_LAZY:
  return should_compact_bset_lazy(b, t) ||
   (compacting && !bset_written(b, bset(b, t)));
 case COMPACT_ALL:
  return true;
 default:
  BUG();
 }
}

static bool bch2_drop_whiteouts(struct btree *b, enum compact_mode mode)
{
 bool ret = false;

 for_each_bset(b, t) {
  struct bset *i = bset(b, t);
  struct bkey_packed *k, *n, *out, *start, *end;
  struct btree_node_entry *src = NULL, *dst = NULL;

  if (t != b->set && !bset_written(b, i)) {
   src = container_of(i, struct btree_node_entry, keys);
   dst = max(write_block(b),
      (void *) btree_bkey_last(b, t - 1));
  }

  if (src != dst)
   ret = true;

  if (!should_compact_bset(b, t, ret, mode)) {
   if (src != dst) {
    memmove(dst, src, sizeof(*src) +
     le16_to_cpu(src->keys.u64s) *
     sizeof(u64));
    i = &dst->keys;
    set_btree_bset(b, t, i);
   }
   continue;
  }

  start = btree_bkey_first(b, t);
  end = btree_bkey_last(b, t);

  if (src != dst) {
   memmove(dst, src, sizeof(*src));
   i = &dst->keys;
   set_btree_bset(b, t, i);
  }

  out = i->start;

  for (k = start; k != end; k = n) {
   n = bkey_p_next(k);

   if (!bkey_deleted(k)) {
    bkey_p_copy(out, k);
    out = bkey_p_next(out);
   } else {
    BUG_ON(k->needs_whiteout);
   }
  }

  i->u64s = cpu_to_le16((u64 *) out - i->_data);
  set_btree_bset_end(b, t);
  bch2_bset_set_no_aux_tree(b, t);
  ret = true;
 }

 bch2_verify_btree_nr_keys(b);

 bch2_btree_build_aux_trees(b);

 return ret;
}

bool bch2_compact_whiteouts(struct bch_fs *c, struct btree *b,
       enum compact_mode mode)
{
 return bch2_drop_whiteouts(b, mode);
}

static void btree_node_sort(struct bch_fs *c, struct btree *b,
       unsigned start_idx,
       unsigned end_idx)
{
 struct btree_node *out;
 struct sort_iter_stack sort_iter;
 struct bset_tree *t;
 struct bset *start_bset = bset(b, &b->set[start_idx]);
 bool used_mempool = false;
 u64 start_time, seq = 0;
 unsigned i, u64s = 0, bytes, shift = end_idx - start_idx - 1;
 bool sorting_entire_node = start_idx == 0 &&
  end_idx == b->nsets;

 sort_iter_stack_init(&sort_iter, b);

 for (t = b->set + start_idx;
      t < b->set + end_idx;
      t++) {
  u64s += le16_to_cpu(bset(b, t)->u64s);
  sort_iter_add(&sort_iter.iter,
         btree_bkey_first(b, t),
         btree_bkey_last(b, t));
 }

 bytes = sorting_entire_node
  ? btree_buf_bytes(b)
  : __vstruct_bytes(struct btree_node, u64s);

 out = btree_bounce_alloc(c, bytes, &used_mempool);

 start_time = local_clock();

 u64s = bch2_sort_keys(out->keys.start, &sort_iter.iter);

 out->keys.u64s = cpu_to_le16(u64s);

 BUG_ON(vstruct_end(&out->keys) > (void *) out + bytes);

 if (sorting_entire_node)
  bch2_time_stats_update(&c->times[BCH_TIME_btree_node_sort],
           start_time);

 /* Make sure we preserve bset journal_seq: */
 for (t = b->set + start_idx; t < b->set + end_idx; t++)
  seq = max(seq, le64_to_cpu(bset(b, t)->journal_seq));
 start_bset->journal_seq = cpu_to_le64(seq);

 if (sorting_entire_node) {
  u64s = le16_to_cpu(out->keys.u64s);

  BUG_ON(bytes != btree_buf_bytes(b));

  /*
 * Our temporary buffer is the same size as the btree node's
 * buffer, we can just swap buffers instead of doing a big
 * memcpy()
 */
  *out = *b->data;
  out->keys.u64s = cpu_to_le16(u64s);
  swap(out, b->data);
  set_btree_bset(b, b->set, &b->data->keys);
 } else {
  start_bset->u64s = out->keys.u64s;
  memcpy_u64s(start_bset->start,
       out->keys.start,
       le16_to_cpu(out->keys.u64s));
 }

 for (i = start_idx + 1; i < end_idx; i++)
  b->nr.bset_u64s[start_idx] +=
   b->nr.bset_u64s[i];

 b->nsets -= shift;

 for (i = start_idx + 1; i < b->nsets; i++) {
  b->nr.bset_u64s[i] = b->nr.bset_u64s[i + shift];
  b->set[i]  = b->set[i + shift];
 }

 for (i = b->nsets; i < MAX_BSETS; i++)
  b->nr.bset_u64s[i] = 0;

 set_btree_bset_end(b, &b->set[start_idx]);
 bch2_bset_set_no_aux_tree(b, &b->set[start_idx]);

 btree_bounce_free(c, bytes, used_mempool, out);

 bch2_verify_btree_nr_keys(b);
}

void bch2_btree_sort_into(struct bch_fs *c,
    struct btree *dst,
    struct btree *src)
{
 struct btree_nr_keys nr;
 struct btree_node_iter src_iter;
 u64 start_time = local_clock();

 BUG_ON(dst->nsets != 1);

 bch2_bset_set_no_aux_tree(dst, dst->set);

 bch2_btree_node_iter_init_from_start(&src_iter, src);

 nr = bch2_sort_repack(btree_bset_first(dst),
   src, &src_iter,
   &dst->format,
   true);

 bch2_time_stats_update(&c->times[BCH_TIME_btree_node_sort],
          start_time);

 set_btree_bset_end(dst, dst->set);

 dst->nr.live_u64s += nr.live_u64s;
 dst->nr.bset_u64s[0] += nr.bset_u64s[0];
 dst->nr.packed_keys += nr.packed_keys;
 dst->nr.unpacked_keys += nr.unpacked_keys;

 bch2_verify_btree_nr_keys(dst);
}

/*
 * We're about to add another bset to the btree node, so if there's currently
 * too many bsets - sort some of them together:
 */
static bool btree_node_compact(struct bch_fs *c, struct btree *b)
{
 unsigned unwritten_idx;
 bool ret = false;

 for (unwritten_idx = 0;
      unwritten_idx < b->nsets;
      unwritten_idx++)
  if (!bset_written(b, bset(b, &b->set[unwritten_idx])))
   break;

 if (b->nsets - unwritten_idx > 1) {
  btree_node_sort(c, b, unwritten_idx, b->nsets);
  ret = true;
 }

 if (unwritten_idx > 1) {
  btree_node_sort(c, b, 0, unwritten_idx);
  ret = true;
 }

 return ret;
}

void bch2_btree_build_aux_trees(struct btree *b)
{
 for_each_bset(b, t)
  bch2_bset_build_aux_tree(b, t,
    !bset_written(b, bset(b, t)) &&
    t == bset_tree_last(b));
}

/*
 * If we have MAX_BSETS (3) bsets, should we sort them all down to just one?
 *
 * The first bset is going to be of similar order to the size of the node, the
 * last bset is bounded by btree_write_set_buffer(), which is set to keep the
 * memmove on insert from being too expensive: the middle bset should, ideally,
 * be the geometric mean of the first and the last.
 *
 * Returns true if the middle bset is greater than that geometric mean:
 */
static inline bool should_compact_all(struct bch_fs *c, struct btree *b)
{
 unsigned mid_u64s_bits =
  (ilog2(btree_max_u64s(c)) + BTREE_WRITE_SET_U64s_BITS) / 2;

 return bset_u64s(&b->set[1]) > 1U << mid_u64s_bits;
}

/*
 * @bch_btree_init_next - initialize a new (unwritten) bset that can then be
 * inserted into
 *
 * Safe to call if there already is an unwritten bset - will only add a new bset
 * if @b doesn't already have one.
 *
 * Returns true if we sorted (i.e. invalidated iterators
 */
void bch2_btree_init_next(struct btree_trans *trans, struct btree *b)
{
 struct bch_fs *c = trans->c;
 struct btree_node_entry *bne;
 bool reinit_iter = false;

 EBUG_ON(!six_lock_counts(&b->c.lock).n[SIX_LOCK_write]);
 BUG_ON(bset_written(b, bset(b, &b->set[1])));
 BUG_ON(btree_node_just_written(b));

 if (b->nsets == MAX_BSETS &&
     !btree_node_write_in_flight(b) &&
     should_compact_all(c, b)) {
  bch2_btree_node_write_trans(trans, b, SIX_LOCK_write,
         BTREE_WRITE_init_next_bset);
  reinit_iter = true;
 }

 if (b->nsets == MAX_BSETS &&
     btree_node_compact(c, b))
  reinit_iter = true;

 BUG_ON(b->nsets >= MAX_BSETS);

 bne = want_new_bset(c, b);
 if (bne)
  bch2_bset_init_next(b, bne);

 bch2_btree_build_aux_trees(b);

 if (reinit_iter)
  bch2_trans_node_reinit_iter(trans, b);
}

static void btree_err_msg(struct printbuf *out, struct bch_fs *c,
     struct bch_dev *ca,
     bool print_pos,
     struct btree *b, struct bset *i, struct bkey_packed *k,
     unsigned offset, int rw)
{
 if (print_pos) {
  prt_str(out, rw == READ
   ? "error validating btree node "
   : "corrupt btree node before write ");
  prt_printf(out, "at btree ");
  bch2_btree_pos_to_text(out, c, b);
  prt_newline(out);
 }

 if (ca)
  prt_printf(out, "%s ", ca->name);

 prt_printf(out, "node offset %u/%u",
     b->written, btree_ptr_sectors_written(bkey_i_to_s_c(&b->key)));
 if (i)
  prt_printf(out, " bset u64s %u", le16_to_cpu(i->u64s));
 if (k)
  prt_printf(out, " bset byte offset %lu",
      (unsigned long)(void *)k -
      ((unsigned long)(void *)i & ~511UL));
 prt_str(out, ": ");
}

__printf(11, 12)
static int __btree_err(int ret,
         struct bch_fs *c,
         struct bch_dev *ca,
         struct btree *b,
         struct bset *i,
         struct bkey_packed *k,
         int rw,
         enum bch_sb_error_id err_type,
         struct bch_io_failures *failed,
         struct printbuf *err_msg,
         const char *fmt, ...)
{
 if (c->recovery.curr_pass == BCH_RECOVERY_PASS_scan_for_btree_nodes)
  return ret == -BCH_ERR_btree_node_read_err_fixable
   ? bch_err_throw(c, fsck_fix)
   : ret;

 bool have_retry = false;
 int ret2;

 if (ca) {
  bch2_mark_btree_validate_failure(failed, ca->dev_idx);

  struct extent_ptr_decoded pick;
  have_retry = bch2_bkey_pick_read_device(c,
     bkey_i_to_s_c(&b->key),
     failed, &pick, -1) == 1;
 }

 if (!have_retry && ret == -BCH_ERR_btree_node_read_err_want_retry)
  ret = bch_err_throw(c, btree_node_read_err_fixable);
 if (!have_retry && ret == -BCH_ERR_btree_node_read_err_must_retry)
  ret = bch_err_throw(c, btree_node_read_err_bad_node);

 bch2_sb_error_count(c, err_type);

 bool print_deferred = err_msg &&
  rw == READ &&
  !(test_bit(BCH_FS_in_fsck, &c->flags) &&
    c->opts.fix_errors == FSCK_FIX_ask);

 struct printbuf out = PRINTBUF;
 bch2_log_msg_start(c, &out);

 if (!print_deferred)
  err_msg = &out;

 btree_err_msg(err_msg, c, ca, !print_deferred, b, i, k, b->written, rw);

 va_list args;
 va_start(args, fmt);
 prt_vprintf(err_msg, fmt, args);
 va_end(args);

 if (print_deferred) {
  prt_newline(err_msg);

  switch (ret) {
  case -BCH_ERR_btree_node_read_err_fixable:
   ret2 = bch2_fsck_err_opt(c, FSCK_CAN_FIX, err_type);
   if (!bch2_err_matches(ret2, BCH_ERR_fsck_fix) &&
       !bch2_err_matches(ret2, BCH_ERR_fsck_ignore)) {
    ret = ret2;
    goto fsck_err;
   }

   if (!have_retry)
    ret = bch_err_throw(c, fsck_fix);
   goto out;
  case -BCH_ERR_btree_node_read_err_bad_node:
   prt_str(&out, ", ");
   break;
  }

  goto out;
 }

 if (rw == WRITE) {
  prt_str(&out, ", ");
  ret = __bch2_inconsistent_error(c, &out)
   ? -BCH_ERR_fsck_errors_not_fixed
   : 0;
  goto print;
 }

 switch (ret) {
 case -BCH_ERR_btree_node_read_err_fixable:
  ret2 = __bch2_fsck_err(c, NULL, FSCK_CAN_FIX, err_type, "%s", out.buf);
  if (!bch2_err_matches(ret2, BCH_ERR_fsck_fix) &&
      !bch2_err_matches(ret2, BCH_ERR_fsck_ignore)) {
   ret = ret2;
   goto fsck_err;
  }

  if (!have_retry)
   ret = bch_err_throw(c, fsck_fix);
  goto out;
 case -BCH_ERR_btree_node_read_err_bad_node:
  prt_str(&out, ", ");
  break;
 }
print:
 bch2_print_str(c, KERN_ERR, out.buf);
out:
fsck_err:
 printbuf_exit(&out);
 return ret;
}

#define btree_err(type, c, ca, b, i, k, _err_type, msg, ...)  \
({         \
 int _ret = __btree_err(type, c, ca, b, i, k, write,  \
          BCH_FSCK_ERR_##_err_type,  \
          failed, err_msg,    \
          msg, ##__VA_ARGS__);   \
         \
 if (!bch2_err_matches(_ret, BCH_ERR_fsck_fix)) {  \
  ret = _ret;      \
  goto fsck_err;      \
 }        \
         \
 true;        \
})

#define btree_err_on(cond, ...) ((cond) ? btree_err(__VA_ARGS__) : false)

/*
 * When btree topology repair changes the start or end of a node, that might
 * mean we have to drop keys that are no longer inside the node:
 */
__cold
void bch2_btree_node_drop_keys_outside_node(struct btree *b)
{
 for_each_bset(b, t) {
  struct bset *i = bset(b, t);
  struct bkey_packed *k;

  for (k = i->start; k != vstruct_last(i); k = bkey_p_next(k))
   if (bkey_cmp_left_packed(b, k, &b->data->min_key) >= 0)
    break;

  if (k != i->start) {
   unsigned shift = (u64 *) k - (u64 *) i->start;

   memmove_u64s_down(i->start, k,
       (u64 *) vstruct_end(i) - (u64 *) k);
   i->u64s = cpu_to_le16(le16_to_cpu(i->u64s) - shift);
   set_btree_bset_end(b, t);
  }

  for (k = i->start; k != vstruct_last(i); k = bkey_p_next(k))
   if (bkey_cmp_left_packed(b, k, &b->data->max_key) > 0)
    break;

  if (k != vstruct_last(i)) {
   i->u64s = cpu_to_le16((u64 *) k - (u64 *) i->start);
   set_btree_bset_end(b, t);
  }
 }

 /*
 * Always rebuild search trees: eytzinger search tree nodes directly
 * depend on the values of min/max key:
 */
 bch2_bset_set_no_aux_tree(b, b->set);
 bch2_btree_build_aux_trees(b);
 b->nr = bch2_btree_node_count_keys(b);

 struct bkey_s_c k;
 struct bkey unpacked;
 struct btree_node_iter iter;
 for_each_btree_node_key_unpack(b, k, &iter, &unpacked) {
  BUG_ON(bpos_lt(k.k->p, b->data->min_key));
  BUG_ON(bpos_gt(k.k->p, b->data->max_key));
 }
}

static int validate_bset(struct bch_fs *c, struct bch_dev *ca,
    struct btree *b, struct bset *i,
    unsigned offset, int write,
    struct bch_io_failures *failed,
    struct printbuf *err_msg)
{
 unsigned version = le16_to_cpu(i->version);
 struct printbuf buf1 = PRINTBUF;
 struct printbuf buf2 = PRINTBUF;
 int ret = 0;

 btree_err_on(!bch2_version_compatible(version),
       -BCH_ERR_btree_node_read_err_incompatible,
       c, ca, b, i, NULL,
       btree_node_unsupported_version,
       "unsupported bset version %u.%u",
       BCH_VERSION_MAJOR(version),
       BCH_VERSION_MINOR(version));

 if (c->recovery.curr_pass != BCH_RECOVERY_PASS_scan_for_btree_nodes &&
     btree_err_on(version < c->sb.version_min,
    -BCH_ERR_btree_node_read_err_fixable,
    c, NULL, b, i, NULL,
    btree_node_bset_older_than_sb_min,
    "bset version %u older than superblock version_min %u",
    version, c->sb.version_min)) {
  if (bch2_version_compatible(version)) {
   mutex_lock(&c->sb_lock);
   c->disk_sb.sb->version_min = cpu_to_le16(version);
   bch2_write_super(c);
   mutex_unlock(&c->sb_lock);
  } else {
   /* We have no idea what's going on: */
   i->version = cpu_to_le16(c->sb.version);
  }
 }

 if (btree_err_on(BCH_VERSION_MAJOR(version) >
    BCH_VERSION_MAJOR(c->sb.version),
    -BCH_ERR_btree_node_read_err_fixable,
    c, NULL, b, i, NULL,
    btree_node_bset_newer_than_sb,
    "bset version %u newer than superblock version %u",
    version, c->sb.version)) {
  mutex_lock(&c->sb_lock);
  c->disk_sb.sb->version = cpu_to_le16(version);
  bch2_write_super(c);
  mutex_unlock(&c->sb_lock);
 }

 btree_err_on(BSET_SEPARATE_WHITEOUTS(i),
       -BCH_ERR_btree_node_read_err_incompatible,
       c, ca, b, i, NULL,
       btree_node_unsupported_version,
       "BSET_SEPARATE_WHITEOUTS no longer supported");

 btree_err_on(offset && !i->u64s,
       -BCH_ERR_btree_node_read_err_fixable,
       c, ca, b, i, NULL,
       bset_empty,
       "empty bset");

 btree_err_on(BSET_OFFSET(i) && BSET_OFFSET(i) != offset,
       -BCH_ERR_btree_node_read_err_want_retry,
       c, ca, b, i, NULL,
       bset_wrong_sector_offset,
       "bset at wrong sector offset");

 if (!offset) {
  struct btree_node *bn =
   container_of(i, struct btree_node, keys);
  /* These indicate that we read the wrong btree node: */

  if (b->key.k.type == KEY_TYPE_btree_ptr_v2) {
   struct bch_btree_ptr_v2 *bp =
    &bkey_i_to_btree_ptr_v2(&b->key)->v;

   /* XXX endianness */
   btree_err_on(bp->seq != bn->keys.seq,
         -BCH_ERR_btree_node_read_err_must_retry,
         c, ca, b, NULL, NULL,
         bset_bad_seq,
         "incorrect sequence number (wrong btree node)");
  }

  btree_err_on(BTREE_NODE_ID(bn) != b->c.btree_id,
        -BCH_ERR_btree_node_read_err_must_retry,
        c, ca, b, i, NULL,
        btree_node_bad_btree,
        "incorrect btree id");

  btree_err_on(BTREE_NODE_LEVEL(bn) != b->c.level,
        -BCH_ERR_btree_node_read_err_must_retry,
        c, ca, b, i, NULL,
        btree_node_bad_level,
        "incorrect level");

  if (!write)
   compat_btree_node(b->c.level, b->c.btree_id, version,
       BSET_BIG_ENDIAN(i), write, bn);

  if (b->key.k.type == KEY_TYPE_btree_ptr_v2) {
   struct bch_btree_ptr_v2 *bp =
    &bkey_i_to_btree_ptr_v2(&b->key)->v;

   if (BTREE_PTR_RANGE_UPDATED(bp)) {
    b->data->min_key = bp->min_key;
    b->data->max_key = b->key.k.p;
   }

   btree_err_on(!bpos_eq(b->data->min_key, bp->min_key),
         -BCH_ERR_btree_node_read_err_must_retry,
         c, ca, b, NULL, NULL,
         btree_node_bad_min_key,
         "incorrect min_key: got %s should be %s",
         (printbuf_reset(&buf1),
          bch2_bpos_to_text(&buf1, bn->min_key), buf1.buf),
         (printbuf_reset(&buf2),
          bch2_bpos_to_text(&buf2, bp->min_key), buf2.buf));
  }

  btree_err_on(!bpos_eq(bn->max_key, b->key.k.p),
        -BCH_ERR_btree_node_read_err_must_retry,
        c, ca, b, i, NULL,
        btree_node_bad_max_key,
        "incorrect max key %s",
        (printbuf_reset(&buf1),
         bch2_bpos_to_text(&buf1, bn->max_key), buf1.buf));

  if (write)
   compat_btree_node(b->c.level, b->c.btree_id, version,
       BSET_BIG_ENDIAN(i), write, bn);

  btree_err_on(bch2_bkey_format_invalid(c, &bn->format, write, &buf1),
        -BCH_ERR_btree_node_read_err_bad_node,
        c, ca, b, i, NULL,
        btree_node_bad_format,
        "invalid bkey format: %s\n%s", buf1.buf,
        (printbuf_reset(&buf2),
         bch2_bkey_format_to_text(&buf2, &bn->format), buf2.buf));
  printbuf_reset(&buf1);

  compat_bformat(b->c.level, b->c.btree_id, version,
          BSET_BIG_ENDIAN(i), write,
          &bn->format);
 }
fsck_err:
 printbuf_exit(&buf2);
 printbuf_exit(&buf1);
 return ret;
}

static int btree_node_bkey_val_validate(struct bch_fs *c, struct btree *b,
     struct bkey_s_c k,
     enum bch_validate_flags flags)
{
 return bch2_bkey_val_validate(c, k, (struct bkey_validate_context) {
  .from = BKEY_VALIDATE_btree_node,
  .level = b->c.level,
  .btree = b->c.btree_id,
  .flags = flags
 });
}

static int bset_key_validate(struct bch_fs *c, struct btree *b,
        struct bkey_s_c k,
        bool updated_range,
        enum bch_validate_flags flags)
{
 struct bkey_validate_context from = (struct bkey_validate_context) {
  .from = BKEY_VALIDATE_btree_node,
  .level = b->c.level,
  .btree = b->c.btree_id,
  .flags = flags,
 };
 return __bch2_bkey_validate(c, k, from) ?:
  (!updated_range ? bch2_bkey_in_btree_node(c, b, k, from) : 0) ?:
  (flags & BCH_VALIDATE_write ? btree_node_bkey_val_validate(c, b, k, flags) : 0);
}

static bool bkey_packed_valid(struct bch_fs *c, struct btree *b,
    struct bset *i, struct bkey_packed *k)
{
 if (bkey_p_next(k) > vstruct_last(i))
  return false;

 if (k->format > KEY_FORMAT_CURRENT)
  return false;

 if (!bkeyp_u64s_valid(&b->format, k))
  return false;

 struct bkey tmp;
 struct bkey_s u = __bkey_disassemble(b, k, &tmp);
 return !__bch2_bkey_validate(c, u.s_c,
         (struct bkey_validate_context) {
     .from = BKEY_VALIDATE_btree_node,
     .level = b->c.level,
     .btree = b->c.btree_id,
     .flags = BCH_VALIDATE_silent
         });
}

static inline int btree_node_read_bkey_cmp(const struct btree *b,
    const struct bkey_packed *l,
    const struct bkey_packed *r)
{
 return bch2_bkey_cmp_packed(b, l, r)
  ?: (int) bkey_deleted(r) - (int) bkey_deleted(l);
}

static int validate_bset_keys(struct bch_fs *c, struct btree *b,
    struct bset *i, int write,
    struct bch_io_failures *failed,
    struct printbuf *err_msg)
{
 unsigned version = le16_to_cpu(i->version);
 struct bkey_packed *k, *prev = NULL;
 struct printbuf buf = PRINTBUF;
 bool updated_range = b->key.k.type == KEY_TYPE_btree_ptr_v2 &&
  BTREE_PTR_RANGE_UPDATED(&bkey_i_to_btree_ptr_v2(&b->key)->v);
 int ret = 0;

 for (k = i->start;
      k != vstruct_last(i);) {
  struct bkey_s u;
  struct bkey tmp;
  unsigned next_good_key;

  if (btree_err_on(bkey_p_next(k) > vstruct_last(i),
     -BCH_ERR_btree_node_read_err_fixable,
     c, NULL, b, i, k,
     btree_node_bkey_past_bset_end,
     "key extends past end of bset")) {
   i->u64s = cpu_to_le16((u64 *) k - i->_data);
   break;
  }

  if (btree_err_on(k->format > KEY_FORMAT_CURRENT,
     -BCH_ERR_btree_node_read_err_fixable,
     c, NULL, b, i, k,
     btree_node_bkey_bad_format,
     "invalid bkey format %u", k->format))
   goto drop_this_key;

  if (btree_err_on(!bkeyp_u64s_valid(&b->format, k),
     -BCH_ERR_btree_node_read_err_fixable,
     c, NULL, b, i, k,
     btree_node_bkey_bad_u64s,
     "bad k->u64s %u (min %u max %zu)", k->u64s,
     bkeyp_key_u64s(&b->format, k),
     U8_MAX - BKEY_U64s + bkeyp_key_u64s(&b->format, k)))
   goto drop_this_key;

  if (!write)
   bch2_bkey_compat(b->c.level, b->c.btree_id, version,
        BSET_BIG_ENDIAN(i), write,
        &b->format, k);

  u = __bkey_disassemble(b, k, &tmp);

  ret = bset_key_validate(c, b, u.s_c, updated_range, write);
  if (ret == -BCH_ERR_fsck_delete_bkey)
   goto drop_this_key;
  if (ret)
   goto fsck_err;

  if (write)
   bch2_bkey_compat(b->c.level, b->c.btree_id, version,
        BSET_BIG_ENDIAN(i), write,
        &b->format, k);

  if (prev && btree_node_read_bkey_cmp(b, prev, k) >= 0) {
   struct bkey up = bkey_unpack_key(b, prev);

   printbuf_reset(&buf);
   prt_printf(&buf, "keys out of order: ");
   bch2_bkey_to_text(&buf, &up);
   prt_printf(&buf, " > ");
   bch2_bkey_to_text(&buf, u.k);

   if (btree_err(-BCH_ERR_btree_node_read_err_fixable,
          c, NULL, b, i, k,
          btree_node_bkey_out_of_order,
          "%s", buf.buf))
    goto drop_this_key;
  }

  prev = k;
  k = bkey_p_next(k);
  continue;
drop_this_key:
  next_good_key = k->u64s;

  if (!next_good_key ||
      (BSET_BIG_ENDIAN(i) == CPU_BIG_ENDIAN &&
       version >= bcachefs_metadata_version_snapshot)) {
   /*
 * only do scanning if bch2_bkey_compat() has nothing to
 * do
 */

   if (!bkey_packed_valid(c, b, i, (void *) ((u64 *) k + next_good_key))) {
    for (next_good_key = 1;
         next_good_key < (u64 *) vstruct_last(i) - (u64 *) k;
         next_good_key++)
     if (bkey_packed_valid(c, b, i, (void *) ((u64 *) k + next_good_key)))
      goto got_good_key;
   }

   /*
 * didn't find a good key, have to truncate the rest of
 * the bset
 */
   next_good_key = (u64 *) vstruct_last(i) - (u64 *) k;
  }
got_good_key:
  le16_add_cpu(&i->u64s, -next_good_key);
  memmove_u64s_down(k, (u64 *) k + next_good_key, (u64 *) vstruct_end(i) - (u64 *) k);
  set_btree_node_need_rewrite(b);
  set_btree_node_need_rewrite_error(b);
 }
fsck_err:
 printbuf_exit(&buf);
 return ret;
}

int bch2_btree_node_read_done(struct bch_fs *c, struct bch_dev *ca,
         struct btree *b,
         struct bch_io_failures *failed,
         struct printbuf *err_msg)
{
 struct btree_node_entry *bne;
 struct sort_iter *iter;
 struct btree_node *sorted;
 struct bkey_packed *k;
 struct bset *i;
 bool used_mempool, blacklisted;
 bool updated_range = b->key.k.type == KEY_TYPE_btree_ptr_v2 &&
  BTREE_PTR_RANGE_UPDATED(&bkey_i_to_btree_ptr_v2(&b->key)->v);
 unsigned ptr_written = btree_ptr_sectors_written(bkey_i_to_s_c(&b->key));
 u64 max_journal_seq = 0;
 struct printbuf buf = PRINTBUF;
 int ret = 0, write = READ;
 u64 start_time = local_clock();

 b->version_ondisk = U16_MAX;
 /* We might get called multiple times on read retry: */
 b->written = 0;

 iter = mempool_alloc(&c->fill_iter, GFP_NOFS);
 sort_iter_init(iter, b, (btree_blocks(c) + 1) * 2);

 if (bch2_meta_read_fault("btree"))
  btree_err(-BCH_ERR_btree_node_read_err_must_retry,
     c, ca, b, NULL, NULL,
     btree_node_fault_injected,
     "dynamic fault");

 btree_err_on(le64_to_cpu(b->data->magic) != bset_magic(c),
       -BCH_ERR_btree_node_read_err_must_retry,
       c, ca, b, NULL, NULL,
       btree_node_bad_magic,
       "bad magic: want %llx, got %llx",
       bset_magic(c), le64_to_cpu(b->data->magic));

 if (b->key.k.type == KEY_TYPE_btree_ptr_v2) {
  struct bch_btree_ptr_v2 *bp =
   &bkey_i_to_btree_ptr_v2(&b->key)->v;

  bch2_bpos_to_text(&buf, b->data->min_key);
  prt_str(&buf, "-");
  bch2_bpos_to_text(&buf, b->data->max_key);

  btree_err_on(b->data->keys.seq != bp->seq,
        -BCH_ERR_btree_node_read_err_must_retry,
        c, ca, b, NULL, NULL,
        btree_node_bad_seq,
        "got wrong btree node: got\n%s",
        (printbuf_reset(&buf),
         bch2_btree_node_header_to_text(&buf, b->data),
         buf.buf));
 } else {
  btree_err_on(!b->data->keys.seq,
        -BCH_ERR_btree_node_read_err_must_retry,
        c, ca, b, NULL, NULL,
        btree_node_bad_seq,
        "bad btree header: seq 0\n%s",
        (printbuf_reset(&buf),
         bch2_btree_node_header_to_text(&buf, b->data),
         buf.buf));
 }

 while (b->written < (ptr_written ?: btree_sectors(c))) {
  unsigned sectors;
  bool first = !b->written;

  if (first) {
   bne = NULL;
   i = &b->data->keys;
  } else {
   bne = write_block(b);
   i = &bne->keys;

   if (i->seq != b->data->keys.seq)
    break;
  }

  struct nonce nonce = btree_nonce(i, b->written << 9);
  bool good_csum_type = bch2_checksum_type_valid(c, BSET_CSUM_TYPE(i));

  btree_err_on(!good_csum_type,
        bch2_csum_type_is_encryption(BSET_CSUM_TYPE(i))
        ? -BCH_ERR_btree_node_read_err_must_retry
        : -BCH_ERR_btree_node_read_err_want_retry,
        c, ca, b, i, NULL,
        bset_unknown_csum,
        "unknown checksum type %llu", BSET_CSUM_TYPE(i));

  if (first) {
   sectors = vstruct_sectors(b->data, c->block_bits);
   if (btree_err_on(b->written + sectors > (ptr_written ?: btree_sectors(c)),
      -BCH_ERR_btree_node_read_err_fixable,
      c, ca, b, i, NULL,
      bset_past_end_of_btree_node,
      "bset past end of btree node (offset %u len %u but written %zu)",
      b->written, sectors, ptr_written ?: btree_sectors(c)))
    i->u64s = 0;
   if (good_csum_type) {
    struct bch_csum csum = csum_vstruct(c, BSET_CSUM_TYPE(i), nonce, b->data);
    bool csum_bad = bch2_crc_cmp(b->data->csum, csum);
    if (csum_bad)
     bch2_io_error(ca, BCH_MEMBER_ERROR_checksum);

    btree_err_on(csum_bad,
          -BCH_ERR_btree_node_read_err_want_retry,
          c, ca, b, i, NULL,
          bset_bad_csum,
          "%s",
          (printbuf_reset(&buf),
           bch2_csum_err_msg(&buf, BSET_CSUM_TYPE(i), b->data->csum, csum),
           buf.buf));

    ret = bset_encrypt(c, i, b->written << 9);
    if (bch2_fs_fatal_err_on(ret, c,
        "decrypting btree node: %s", bch2_err_str(ret)))
     goto fsck_err;
   }

   btree_err_on(btree_node_type_is_extents(btree_node_type(b)) &&
         !BTREE_NODE_NEW_EXTENT_OVERWRITE(b->data),
         -BCH_ERR_btree_node_read_err_incompatible,
         c, NULL, b, NULL, NULL,
         btree_node_unsupported_version,
         "btree node does not have NEW_EXTENT_OVERWRITE set");
  } else {
   sectors = vstruct_sectors(bne, c->block_bits);
   if (btree_err_on(b->written + sectors > (ptr_written ?: btree_sectors(c)),
      -BCH_ERR_btree_node_read_err_fixable,
      c, ca, b, i, NULL,
      bset_past_end_of_btree_node,
      "bset past end of btree node (offset %u len %u but written %zu)",
      b->written, sectors, ptr_written ?: btree_sectors(c)))
    i->u64s = 0;
   if (good_csum_type) {
    struct bch_csum csum = csum_vstruct(c, BSET_CSUM_TYPE(i), nonce, bne);
    bool csum_bad = bch2_crc_cmp(bne->csum, csum);
    if (ca && csum_bad)
     bch2_io_error(ca, BCH_MEMBER_ERROR_checksum);

    btree_err_on(csum_bad,
          -BCH_ERR_btree_node_read_err_want_retry,
          c, ca, b, i, NULL,
          bset_bad_csum,
          "%s",
          (printbuf_reset(&buf),
           bch2_csum_err_msg(&buf, BSET_CSUM_TYPE(i), bne->csum, csum),
           buf.buf));

    ret = bset_encrypt(c, i, b->written << 9);
    if (bch2_fs_fatal_err_on(ret, c,
      "decrypting btree node: %s", bch2_err_str(ret)))
     goto fsck_err;
   }
  }

  b->version_ondisk = min(b->version_ondisk,
     le16_to_cpu(i->version));

  ret = validate_bset(c, ca, b, i, b->written, READ, failed, err_msg);
  if (ret)
   goto fsck_err;

  if (!b->written)
   btree_node_set_format(b, b->data->format);

  ret = validate_bset_keys(c, b, i, READ, failed, err_msg);
  if (ret)
   goto fsck_err;

  SET_BSET_BIG_ENDIAN(i, CPU_BIG_ENDIAN);

  blacklisted = bch2_journal_seq_is_blacklisted(c,
     le64_to_cpu(i->journal_seq),
     true);

  btree_err_on(blacklisted && first,
        -BCH_ERR_btree_node_read_err_fixable,
        c, ca, b, i, NULL,
        bset_blacklisted_journal_seq,
        "first btree node bset has blacklisted journal seq (%llu)",
        le64_to_cpu(i->journal_seq));

  btree_err_on(blacklisted && ptr_written,
        -BCH_ERR_btree_node_read_err_fixable,
        c, ca, b, i, NULL,
        first_bset_blacklisted_journal_seq,
        "found blacklisted bset (journal seq %llu) in btree node at offset %u-%u/%u",
        le64_to_cpu(i->journal_seq),
        b->written, b->written + sectors, ptr_written);

  b->written = min(b->written + sectors, btree_sectors(c));

  if (blacklisted && !first)
   continue;

  sort_iter_add(iter,
         vstruct_idx(i, 0),
         vstruct_last(i));

  max_journal_seq = max(max_journal_seq, le64_to_cpu(i->journal_seq));
 }

 if (ptr_written) {
  btree_err_on(b->written < ptr_written,
        -BCH_ERR_btree_node_read_err_want_retry,
        c, ca, b, NULL, NULL,
        btree_node_data_missing,
        "btree node data missing: expected %u sectors, found %u",
        ptr_written, b->written);
 } else {
  for (bne = write_block(b);
       bset_byte_offset(b, bne) < btree_buf_bytes(b);
       bne = (void *) bne + block_bytes(c))
   btree_err_on(bne->keys.seq == b->data->keys.seq &&
         !bch2_journal_seq_is_blacklisted(c,
              le64_to_cpu(bne->keys.journal_seq),
              true),
         -BCH_ERR_btree_node_read_err_want_retry,
         c, ca, b, NULL, NULL,
         btree_node_bset_after_end,
         "found bset signature after last bset");
 }

 sorted = btree_bounce_alloc(c, btree_buf_bytes(b), &used_mempool);
 sorted->keys.u64s = 0;

 b->nr = bch2_key_sort_fix_overlapping(c, &sorted->keys, iter);
 memset((uint8_t *)(sorted + 1) + b->nr.live_u64s * sizeof(u64), 0,
   btree_buf_bytes(b) -
   sizeof(struct btree_node) -
   b->nr.live_u64s * sizeof(u64));

 b->data->keys.u64s = sorted->keys.u64s;
 *sorted = *b->data;
 swap(sorted, b->data);
 set_btree_bset(b, b->set, &b->data->keys);
 b->nsets = 1;
 b->data->keys.journal_seq = cpu_to_le64(max_journal_seq);

 BUG_ON(b->nr.live_u64s != le16_to_cpu(b->data->keys.u64s));

 btree_bounce_free(c, btree_buf_bytes(b), used_mempool, sorted);

 i = &b->data->keys;
 for (k = i->start; k != vstruct_last(i);) {
  struct bkey tmp;
  struct bkey_s u = __bkey_disassemble(b, k, &tmp);

  ret = btree_node_bkey_val_validate(c, b, u.s_c, READ);
  if (ret == -BCH_ERR_fsck_delete_bkey ||
      (static_branch_unlikely(&bch2_inject_invalid_keys) &&
       !bversion_cmp(u.k->bversion, MAX_VERSION))) {
   btree_keys_account_key_drop(&b->nr, 0, k);

   i->u64s = cpu_to_le16(le16_to_cpu(i->u64s) - k->u64s);
   memmove_u64s_down(k, bkey_p_next(k),
       (u64 *) vstruct_end(i) - (u64 *) k);
   set_btree_bset_end(b, b->set);
   set_btree_node_need_rewrite(b);
   set_btree_node_need_rewrite_error(b);
   continue;
  }
  if (ret)
   goto fsck_err;

  if (u.k->type == KEY_TYPE_btree_ptr_v2) {
   struct bkey_s_btree_ptr_v2 bp = bkey_s_to_btree_ptr_v2(u);

   bp.v->mem_ptr = 0;
  }

  k = bkey_p_next(k);
 }

 bch2_bset_build_aux_tree(b, b->set, false);

 set_needs_whiteout(btree_bset_first(b), true);

 btree_node_reset_sib_u64s(b);

 if (updated_range)
  bch2_btree_node_drop_keys_outside_node(b);

 /*
 * XXX:
 *
 * We deadlock if too many btree updates require node rewrites while
 * we're still in journal replay.
 *
 * This is because btree node rewrites generate more updates for the
 * interior updates (alloc, backpointers), and if those updates touch
 * new nodes and generate more rewrites - well, you see the problem.
 *
 * The biggest cause is that we don't use the btree write buffer (for
 * the backpointer updates - this needs some real thought on locking in
 * order to fix.
 *
 * The problem with this workaround (not doing the rewrite for degraded
 * nodes in journal replay) is that those degraded nodes persist, and we
 * don't want that (this is a real bug when a btree node write completes
 * with fewer replicas than we wanted and leaves a degraded node due to
 * device _removal_, i.e. the device went away mid write).
 *
 * It's less of a bug here, but still a problem because we don't yet
 * have a way of tracking degraded data - we another index (all
 * extents/btree nodes, by replicas entry) in order to fix properly
 * (re-replicate degraded data at the earliest possible time).
 */
 if (c->recovery.passes_complete & BIT_ULL(BCH_RECOVERY_PASS_journal_replay)) {
  scoped_guard(rcu)
   bkey_for_each_ptr(bch2_bkey_ptrs(bkey_i_to_s(&b->key)), ptr) {
    struct bch_dev *ca2 = bch2_dev_rcu(c, ptr->dev);

    if (!ca2 || ca2->mi.state != BCH_MEMBER_STATE_rw) {
     set_btree_node_need_rewrite(b);
     set_btree_node_need_rewrite_degraded(b);
    }
   }
 }

 if (!ptr_written) {
  set_btree_node_need_rewrite(b);
  set_btree_node_need_rewrite_ptr_written_zero(b);
 }
fsck_err:
 mempool_free(iter, &c->fill_iter);
 printbuf_exit(&buf);
 bch2_time_stats_update(&c->times[BCH_TIME_btree_node_read_done], start_time);
 return ret;
}

static void btree_node_read_work(struct work_struct *work)
{
 struct btree_read_bio *rb =
  container_of(work, struct btree_read_bio, work);
 struct bch_fs *c = rb->c;
 struct bch_dev *ca = rb->have_ioref ? bch2_dev_have_ref(c, rb->pick.ptr.dev) : NULL;
 struct btree *b  = rb->b;
 struct bio *bio  = &rb->bio;
 struct bch_io_failures failed = { .nr = 0 };
 int ret = 0;

 struct printbuf buf = PRINTBUF;
 bch2_log_msg_start(c, &buf);

 prt_printf(&buf, "btree node read error at btree ");
 bch2_btree_pos_to_text(&buf, c, b);
 prt_newline(&buf);

 goto start;
 while (1) {
  ret = bch2_bkey_pick_read_device(c,
     bkey_i_to_s_c(&b->key),
     &failed, &rb->pick, -1);
  if (ret <= 0) {
   set_btree_node_read_error(b);
   break;
  }

  ca = bch2_dev_get_ioref(c, rb->pick.ptr.dev, READ, BCH_DEV_READ_REF_btree_node_read);
  rb->have_ioref  = ca != NULL;
  rb->start_time  = local_clock();
  bio_reset(bio, NULL, REQ_OP_READ|REQ_SYNC|REQ_META);
  bio->bi_iter.bi_sector = rb->pick.ptr.offset;
  bio->bi_iter.bi_size = btree_buf_bytes(b);

  if (rb->have_ioref) {
   bio_set_dev(bio, ca->disk_sb.bdev);
   submit_bio_wait(bio);
  } else {
   bio->bi_status = BLK_STS_REMOVED;
  }

  bch2_account_io_completion(ca, BCH_MEMBER_ERROR_read,
        rb->start_time, !bio->bi_status);
start:
  if (rb->have_ioref)
   enumerated_ref_put(&ca->io_ref[READ], BCH_DEV_READ_REF_btree_node_read);
  rb->have_ioref = false;

  if (bio->bi_status) {
   bch2_mark_io_failure(&failed, &rb->pick, false);
   continue;
  }

  ret = bch2_btree_node_read_done(c, ca, b, &failed, &buf);
  if (ret == -BCH_ERR_btree_node_read_err_want_retry ||
      ret == -BCH_ERR_btree_node_read_err_must_retry)
   continue;

  if (ret)
   set_btree_node_read_error(b);

  break;
 }

 bch2_io_failures_to_text(&buf, c, &failed);

 if (btree_node_read_error(b))
  bch2_btree_lost_data(c, &buf, b->c.btree_id);

 /*
 * only print retry success if we read from a replica with no errors
 */
 if (btree_node_read_error(b))
  prt_printf(&buf, "ret %s", bch2_err_str(ret));
 else if (failed.nr) {
  if (!bch2_dev_io_failures(&failed, rb->pick.ptr.dev))
   prt_printf(&buf, "retry success");
  else
   prt_printf(&buf, "repair success");
 }

 if ((failed.nr ||
      btree_node_need_rewrite(b)) &&
     !btree_node_read_error(b) &&
     c->recovery.curr_pass != BCH_RECOVERY_PASS_scan_for_btree_nodes) {
  prt_printf(&buf, " (rewriting node)");
  bch2_btree_node_rewrite_async(c, b);
 }
 prt_newline(&buf);

 if (failed.nr)
  bch2_print_str_ratelimited(c, KERN_ERR, buf.buf);

 async_object_list_del(c, btree_read_bio, rb->list_idx);
 bch2_time_stats_update(&c->times[BCH_TIME_btree_node_read],
          rb->start_time);
 bio_put(&rb->bio);
 printbuf_exit(&buf);
 clear_btree_node_read_in_flight(b);
 smp_mb__after_atomic();
 wake_up_bit(&b->flags, BTREE_NODE_read_in_flight);
}

static void btree_node_read_endio(struct bio *bio)
{
 struct btree_read_bio *rb =
  container_of(bio, struct btree_read_bio, bio);
 struct bch_fs *c = rb->c;
 struct bch_dev *ca = rb->have_ioref
  ? bch2_dev_have_ref(c, rb->pick.ptr.dev) : NULL;

 bch2_account_io_completion(ca, BCH_MEMBER_ERROR_read,
       rb->start_time, !bio->bi_status);

 queue_work(c->btree_read_complete_wq, &rb->work);
}

void bch2_btree_read_bio_to_text(struct printbuf *out, struct btree_read_bio *rbio)
{
 bch2_bio_to_text(out, &rbio->bio);
}

struct btree_node_read_all {
 struct closure  cl;
 struct bch_fs  *c;
 struct btree  *b;
 unsigned  nr;
 void   *buf[BCH_REPLICAS_MAX];
 struct bio  *bio[BCH_REPLICAS_MAX];
 blk_status_t  err[BCH_REPLICAS_MAX];
};

static unsigned btree_node_sectors_written(struct bch_fs *c, void *data)
{
 struct btree_node *bn = data;
 struct btree_node_entry *bne;
 unsigned offset = 0;

 if (le64_to_cpu(bn->magic) !=  bset_magic(c))
  return 0;

 while (offset < btree_sectors(c)) {
  if (!offset) {
   offset += vstruct_sectors(bn, c->block_bits);
  } else {
   bne = data + (offset << 9);
   if (bne->keys.seq != bn->keys.seq)
    break;
   offset += vstruct_sectors(bne, c->block_bits);
  }
 }

 return offset;
}

static bool btree_node_has_extra_bsets(struct bch_fs *c, unsigned offset, void *data)
{
 struct btree_node *bn = data;
 struct btree_node_entry *bne;

 if (!offset)
  return false;

 while (offset < btree_sectors(c)) {
  bne = data + (offset << 9);
  if (bne->keys.seq == bn->keys.seq)
   return true;
  offset++;
 }

 return false;
 return offset;
}

static CLOSURE_CALLBACK(btree_node_read_all_replicas_done)
{
 closure_type(ra, struct btree_node_read_all, cl);
 struct bch_fs *c = ra->c;
 struct btree *b = ra->b;
 struct printbuf buf = PRINTBUF;
 bool dump_bset_maps = false;
 int ret = 0, best = -1, write = READ;
 unsigned i, written = 0, written2 = 0;
 __le64 seq = b->key.k.type == KEY_TYPE_btree_ptr_v2
  ? bkey_i_to_btree_ptr_v2(&b->key)->v.seq : 0;
 bool _saw_error = false, *saw_error = &_saw_error;
 struct printbuf *err_msg = NULL;
 struct bch_io_failures *failed = NULL;

 for (i = 0; i < ra->nr; i++) {
  struct btree_node *bn = ra->buf[i];

  if (ra->err[i])
   continue;

  if (le64_to_cpu(bn->magic) != bset_magic(c) ||
      (seq && seq != bn->keys.seq))
   continue;

  if (best < 0) {
   best = i;
   written = btree_node_sectors_written(c, bn);
   continue;
  }

  written2 = btree_node_sectors_written(c, ra->buf[i]);
  if (btree_err_on(written2 != written, -BCH_ERR_btree_node_read_err_fixable,
     c, NULL, b, NULL, NULL,
     btree_node_replicas_sectors_written_mismatch,
     "btree node sectors written mismatch: %u != %u",
     written, written2) ||
      btree_err_on(btree_node_has_extra_bsets(c, written2, ra->buf[i]),
     -BCH_ERR_btree_node_read_err_fixable,
     c, NULL, b, NULL, NULL,
     btree_node_bset_after_end,
     "found bset signature after last bset") ||
      btree_err_on(memcmp(ra->buf[best], ra->buf[i], written << 9),
     -BCH_ERR_btree_node_read_err_fixable,
     c, NULL, b, NULL, NULL,
     btree_node_replicas_data_mismatch,
     "btree node replicas content mismatch"))
   dump_bset_maps = true;

  if (written2 > written) {
   written = written2;
   best = i;
  }
 }
fsck_err:
 if (dump_bset_maps) {
  for (i = 0; i < ra->nr; i++) {
   struct btree_node *bn = ra->buf[i];
   struct btree_node_entry *bne = NULL;
   unsigned offset = 0, sectors;
   bool gap = false;

   if (ra->err[i])
    continue;

   printbuf_reset(&buf);

   while (offset < btree_sectors(c)) {
    if (!offset) {
     sectors = vstruct_sectors(bn, c->block_bits);
    } else {
     bne = ra->buf[i] + (offset << 9);
     if (bne->keys.seq != bn->keys.seq)
      break;
     sectors = vstruct_sectors(bne, c->block_bits);
    }

    prt_printf(&buf, " %u-%u", offset, offset + sectors);
    if (bne && bch2_journal_seq_is_blacklisted(c,
       le64_to_cpu(bne->keys.journal_seq), false))
     prt_printf(&buf, "*");
    offset += sectors;
   }

   while (offset < btree_sectors(c)) {
    bne = ra->buf[i] + (offset << 9);
    if (bne->keys.seq == bn->keys.seq) {
     if (!gap)
      prt_printf(&buf, " GAP");
     gap = true;

     sectors = vstruct_sectors(bne, c->block_bits);
     prt_printf(&buf, " %u-%u", offset, offset + sectors);
     if (bch2_journal_seq_is_blacklisted(c,
       le64_to_cpu(bne->keys.journal_seq), false))
      prt_printf(&buf, "*");
    }
    offset++;
   }

   bch_err(c, "replica %u:%s", i, buf.buf);
  }
 }

 if (best >= 0) {
  memcpy(b->data, ra->buf[best], btree_buf_bytes(b));
  ret = bch2_btree_node_read_done(c, NULL, b, NULL, NULL);
 } else {
  ret = -1;
 }

 if (ret) {
  set_btree_node_read_error(b);

  struct printbuf buf = PRINTBUF;
  bch2_btree_lost_data(c, &buf, b->c.btree_id);
  if (buf.pos)
   bch_err(c, "%s", buf.buf);
  printbuf_exit(&buf);
 } else if (*saw_error)
  bch2_btree_node_rewrite_async(c, b);

 for (i = 0; i < ra->nr; i++) {
  mempool_free(ra->buf[i], &c->btree_bounce_pool);
  bio_put(ra->bio[i]);
 }

 closure_debug_destroy(&ra->cl);
 kfree(ra);
 printbuf_exit(&buf);

 clear_btree_node_read_in_flight(b);
 smp_mb__after_atomic();
 wake_up_bit(&b->flags, BTREE_NODE_read_in_flight);
}

static void btree_node_read_all_replicas_endio(struct bio *bio)
{
 struct btree_read_bio *rb =
  container_of(bio, struct btree_read_bio, bio);
 struct bch_fs *c = rb->c;
 struct btree_node_read_all *ra = rb->ra;

 if (rb->have_ioref) {
  struct bch_dev *ca = bch2_dev_have_ref(c, rb->pick.ptr.dev);

  bch2_latency_acct(ca, rb->start_time, READ);
  enumerated_ref_put(&ca->io_ref[READ],
   BCH_DEV_READ_REF_btree_node_read_all_replicas);
 }

 ra->err[rb->idx] = bio->bi_status;
 closure_put(&ra->cl);
}

/*
 * XXX This allocates multiple times from the same mempools, and can deadlock
 * under sufficient memory pressure (but is only a debug path)
 */
static int btree_node_read_all_replicas(struct bch_fs *c, struct btree *b, bool sync)
{
 struct bkey_s_c k = bkey_i_to_s_c(&b->key);
 struct bkey_ptrs_c ptrs = bch2_bkey_ptrs_c(k);
 const union bch_extent_entry *entry;
 struct extent_ptr_decoded pick;
 struct btree_node_read_all *ra;
 unsigned i;

 ra = kzalloc(sizeof(*ra), GFP_NOFS);
 if (!ra)
  return bch_err_throw(c, ENOMEM_btree_node_read_all_replicas);

 closure_init(&ra->cl, NULL);
 ra->c = c;
 ra->b = b;
 ra->nr = bch2_bkey_nr_ptrs(k);

 for (i = 0; i < ra->nr; i++) {
  ra->buf[i] = mempool_alloc(&c->btree_bounce_pool, GFP_NOFS);
  ra->bio[i] = bio_alloc_bioset(NULL,
           buf_pages(ra->buf[i], btree_buf_bytes(b)),
           REQ_OP_READ|REQ_SYNC|REQ_META,
           GFP_NOFS,
           &c->btree_bio);
 }

 i = 0;
 bkey_for_each_ptr_decode(k.k, ptrs, pick, entry) {
  struct bch_dev *ca = bch2_dev_get_ioref(c, pick.ptr.dev, READ,
     BCH_DEV_READ_REF_btree_node_read_all_replicas);
  struct btree_read_bio *rb =
   container_of(ra->bio[i], struct btree_read_bio, bio);
  rb->c   = c;
  rb->b   = b;
  rb->ra   = ra;
  rb->start_time  = local_clock();
  rb->have_ioref  = ca != NULL;
  rb->idx   = i;
  rb->pick  = pick;
  rb->bio.bi_iter.bi_sector = pick.ptr.offset;
  rb->bio.bi_end_io = btree_node_read_all_replicas_endio;
  bch2_bio_map(&rb->bio, ra->buf[i], btree_buf_bytes(b));

  if (rb->have_ioref) {
   this_cpu_add(ca->io_done->sectors[READ][BCH_DATA_btree],
         bio_sectors(&rb->bio));
   bio_set_dev(&rb->bio, ca->disk_sb.bdev);

   closure_get(&ra->cl);
   submit_bio(&rb->bio);
  } else {
   ra->err[i] = BLK_STS_REMOVED;
  }

  i++;
 }

 if (sync) {
  closure_sync(&ra->cl);
  btree_node_read_all_replicas_done(&ra->cl.work);
 } else {
  continue_at(&ra->cl, btree_node_read_all_replicas_done,
       c->btree_read_complete_wq);
 }

 return 0;
}

void bch2_btree_node_read(struct btree_trans *trans, struct btree *b,
     bool sync)
{
 struct bch_fs *c = trans->c;
 struct extent_ptr_decoded pick;
 struct btree_read_bio *rb;
 struct bch_dev *ca;
 struct bio *bio;
 int ret;

 trace_and_count(c, btree_node_read, trans, b);

 if (static_branch_unlikely(&bch2_verify_all_btree_replicas) &&
     !btree_node_read_all_replicas(c, b, sync))
  return;

 ret = bch2_bkey_pick_read_device(c, bkey_i_to_s_c(&b->key),
      NULL, &pick, -1);

 if (ret <= 0) {
  bool ratelimit = true;
  struct printbuf buf = PRINTBUF;
  bch2_log_msg_start(c, &buf);

  prt_str(&buf, "btree node read error: no device to read from\n at ");
  bch2_btree_pos_to_text(&buf, c, b);
  prt_newline(&buf);
  bch2_btree_lost_data(c, &buf, b->c.btree_id);

  if (c->recovery.passes_complete & BIT_ULL(BCH_RECOVERY_PASS_check_topology) &&
      bch2_fs_emergency_read_only2(c, &buf))
   ratelimit = false;

  static DEFINE_RATELIMIT_STATE(rs,
           DEFAULT_RATELIMIT_INTERVAL,
           DEFAULT_RATELIMIT_BURST);
  if (!ratelimit || __ratelimit(&rs))
   bch2_print_str(c, KERN_ERR, buf.buf);
  printbuf_exit(&buf);

  set_btree_node_read_error(b);
  clear_btree_node_read_in_flight(b);
  smp_mb__after_atomic();
  wake_up_bit(&b->flags, BTREE_NODE_read_in_flight);
  return;
 }

 ca = bch2_dev_get_ioref(c, pick.ptr.dev, READ, BCH_DEV_READ_REF_btree_node_read);

 bio = bio_alloc_bioset(NULL,
          buf_pages(b->data, btree_buf_bytes(b)),
          REQ_OP_READ|REQ_SYNC|REQ_META,
          GFP_NOFS,
          &c->btree_bio);
 rb = container_of(bio, struct btree_read_bio, bio);
 rb->c   = c;
 rb->b   = b;
 rb->ra   = NULL;
 rb->start_time  = local_clock();
 rb->have_ioref  = ca != NULL;
 rb->pick  = pick;
 INIT_WORK(&rb->work, btree_node_read_work);
 bio->bi_iter.bi_sector = pick.ptr.offset;
 bio->bi_end_io  = btree_node_read_endio;
 bch2_bio_map(bio, b->data, btree_buf_bytes(b));

 async_object_list_add(c, btree_read_bio, rb, &rb->list_idx);

 if (rb->have_ioref) {
  this_cpu_add(ca->io_done->sectors[READ][BCH_DATA_btree],
        bio_sectors(bio));
  bio_set_dev(bio, ca->disk_sb.bdev);

  if (sync) {
   submit_bio_wait(bio);
   bch2_latency_acct(ca, rb->start_time, READ);
   btree_node_read_work(&rb->work);
  } else {
   submit_bio(bio);
  }
 } else {
  bio->bi_status = BLK_STS_REMOVED;

  if (sync)
   btree_node_read_work(&rb->work);
  else
   queue_work(c->btree_read_complete_wq, &rb->work);
 }
}

static int __bch2_btree_root_read(struct btree_trans *trans, enum btree_id id,
      const struct bkey_i *k, unsigned level)
{
 struct bch_fs *c = trans->c;
 struct closure cl;
 struct btree *b;
 int ret;

 closure_init_stack(&cl);

 do {
  ret = bch2_btree_cache_cannibalize_lock(trans, &cl);
  closure_sync(&cl);
 } while (ret);

 b = bch2_btree_node_mem_alloc(trans, level != 0);
 bch2_btree_cache_cannibalize_unlock(trans);

 BUG_ON(IS_ERR(b));

 bkey_copy(&b->key, k);
 BUG_ON(bch2_btree_node_hash_insert(&c->btree_cache, b, level, id));

 set_btree_node_read_in_flight(b);

 /* we can't pass the trans to read_done() for fsck errors, so it must be unlocked */
 bch2_trans_unlock(trans);
 bch2_btree_node_read(trans, b, true);

 if (btree_node_read_error(b)) {
  mutex_lock(&c->btree_cache.lock);
  bch2_btree_node_hash_remove(&c->btree_cache, b);
  mutex_unlock(&c->btree_cache.lock);

  ret = bch_err_throw(c, btree_node_read_error);
  goto err;
 }

 bch2_btree_set_root_for_read(c, b);
err:
 six_unlock_write(&b->c.lock);
 six_unlock_intent(&b->c.lock);

 return ret;
}

int bch2_btree_root_read(struct bch_fs *c, enum btree_id id,
   const struct bkey_i *k, unsigned level)
{
 return bch2_trans_run(c, __bch2_btree_root_read(trans, id, k, level));
}

struct btree_node_scrub {
 struct bch_fs  *c;
 struct bch_dev  *ca;
 void   *buf;
 bool   used_mempool;
 unsigned  written;

 enum btree_id  btree;
 unsigned  level;
 struct bkey_buf  key;
 __le64   seq;

 struct work_struct work;
 struct bio  bio;
};

static bool btree_node_scrub_check(struct bch_fs *c, struct btree_node *data, unsigned ptr_written,
       struct printbuf *err)
{
 unsigned written = 0;

 if (le64_to_cpu(data->magic) != bset_magic(c)) {
  prt_printf(err, "bad magic: want %llx, got %llx",
      bset_magic(c), le64_to_cpu(data->magic));
  return false;
 }

 while (written < (ptr_written ?: btree_sectors(c))) {
  struct btree_node_entry *bne;
  struct bset *i;
  bool first = !written;

  if (first) {
   bne = NULL;
   i = &data->keys;
  } else {
   bne = (void *) data + (written << 9);
   i = &bne->keys;

   if (!ptr_written && i->seq != data->keys.seq)
    break;
  }

  struct nonce nonce = btree_nonce(i, written << 9);
  bool good_csum_type = bch2_checksum_type_valid(c, BSET_CSUM_TYPE(i));

  if (first) {
   if (good_csum_type) {
    struct bch_csum csum = csum_vstruct(c, BSET_CSUM_TYPE(i), nonce, data);
    if (bch2_crc_cmp(data->csum, csum)) {
     bch2_csum_err_msg(err, BSET_CSUM_TYPE(i), data->csum, csum);
     return false;
    }
   }

   written += vstruct_sectors(data, c->block_bits);
  } else {
   if (good_csum_type) {
    struct bch_csum csum = csum_vstruct(c, BSET_CSUM_TYPE(i), nonce, bne);
    if (bch2_crc_cmp(bne->csum, csum)) {
     bch2_csum_err_msg(err, BSET_CSUM_TYPE(i), bne->csum, csum);
     return false;
    }
   }

   written += vstruct_sectors(bne, c->block_bits);
  }
 }

 return true;
}

static void btree_node_scrub_work(struct work_struct *work)
{
 struct btree_node_scrub *scrub = container_of(work, struct btree_node_scrub, work);
 struct bch_fs *c = scrub->c;
 struct printbuf err = PRINTBUF;

 __bch2_btree_pos_to_text(&err, c, scrub->btree, scrub->level,
     bkey_i_to_s_c(scrub->key.k));
 prt_newline(&err);

 if (!btree_node_scrub_check(c, scrub->buf, scrub->written, &err)) {
  int ret = bch2_trans_do(c,
   bch2_btree_node_rewrite_key(trans, scrub->btree, scrub->level - 1,
          scrub->key.k, 0));
  if (!bch2_err_matches(ret, ENOENT) &&
      !bch2_err_matches(ret, EROFS))
   bch_err_fn_ratelimited(c, ret);
 }

 printbuf_exit(&err);
 bch2_bkey_buf_exit(&scrub->key, c);;
 btree_bounce_free(c, c->opts.btree_node_size, scrub->used_mempool, scrub->buf);
 enumerated_ref_put(&scrub->ca->io_ref[READ], BCH_DEV_READ_REF_btree_node_scrub);
 kfree(scrub);
 enumerated_ref_put(&c->writes, BCH_WRITE_REF_btree_node_scrub);
}

static void btree_node_scrub_endio(struct bio *bio)
{
 struct btree_node_scrub *scrub = container_of(bio, struct btree_node_scrub, bio);

 queue_work(scrub->c->btree_read_complete_wq, &scrub->work);
}

int bch2_btree_node_scrub(struct btree_trans *trans,
     enum btree_id btree, unsigned level,
     struct bkey_s_c k, unsigned dev)
{
 if (k.k->type != KEY_TYPE_btree_ptr_v2)
  return 0;

 struct bch_fs *c = trans->c;

 if (!enumerated_ref_tryget(&c->writes, BCH_WRITE_REF_btree_node_scrub))
  return bch_err_throw(c, erofs_no_writes);

 struct extent_ptr_decoded pick;
 int ret = bch2_bkey_pick_read_device(c, k, NULL, &pick, dev);
 if (ret <= 0)
  goto err;

 struct bch_dev *ca = bch2_dev_get_ioref(c, pick.ptr.dev, READ,
      BCH_DEV_READ_REF_btree_node_scrub);
 if (!ca) {
  ret = bch_err_throw(c, device_offline);
  goto err;
 }

 bool used_mempool = false;
 void *buf = btree_bounce_alloc(c, c->opts.btree_node_size, &used_mempool);

 unsigned vecs = buf_pages(buf, c->opts.btree_node_size);

 struct btree_node_scrub *scrub =
  kzalloc(sizeof(*scrub) + sizeof(struct bio_vec) * vecs, GFP_KERNEL);
 if (!scrub) {
  ret = -ENOMEM;
  goto err_free;
 }

 scrub->c  = c;
 scrub->ca  = ca;
 scrub->buf  = buf;
 scrub->used_mempool = used_mempool;
 scrub->written  = btree_ptr_sectors_written(k);

 scrub->btree  = btree;
 scrub->level  = level;
 bch2_bkey_buf_init(&scrub->key);
 bch2_bkey_buf_reassemble(&scrub->key, c, k);
 scrub->seq  = bkey_s_c_to_btree_ptr_v2(k).v->seq;

 INIT_WORK(&scrub->work, btree_node_scrub_work);

 bio_init(&scrub->bio, ca->disk_sb.bdev, scrub->bio.bi_inline_vecs, vecs, REQ_OP_READ);
 bch2_bio_map(&scrub->bio, scrub->buf, c->opts.btree_node_size);
 scrub->bio.bi_iter.bi_sector = pick.ptr.offset;
 scrub->bio.bi_end_io  = btree_node_scrub_endio;
 submit_bio(&scrub->bio);
 return 0;
err_free:
 btree_bounce_free(c, c->opts.btree_node_size, used_mempool, buf);
 enumerated_ref_put(&ca->io_ref[READ], BCH_DEV_READ_REF_btree_node_scrub);
err:
 enumerated_ref_put(&c->writes, BCH_WRITE_REF_btree_node_scrub);
 return ret;
}

static void bch2_btree_complete_write(struct bch_fs *c, struct btree *b,
          struct btree_write *w)
{
 unsigned long old, new;

 old = READ_ONCE(b->will_make_reachable);
 do {
  new = old;
  if (!(old & 1))
   break;

  new &= ~1UL;
 } while (!try_cmpxchg(&b->will_make_reachable, &old, new));

 if (old & 1)
  closure_put(&((struct btree_update *) new)->cl);

 bch2_journal_pin_drop(&c->journal, &w->journal);
}

static void __btree_node_write_done(struct bch_fs *c, struct btree *b, u64 start_time)
{
 struct btree_write *w = btree_prev_write(b);
 unsigned long old, new;
 unsigned type = 0;

 bch2_btree_complete_write(c, b, w);

 if (start_time)
  bch2_time_stats_update(&c->times[BCH_TIME_btree_node_write], start_time);

 old = READ_ONCE(b->flags);
 do {
  new = old;

  if ((old & (1U << BTREE_NODE_dirty)) &&
      (old & (1U << BTREE_NODE_need_write)) &&
      !(old & (1U << BTREE_NODE_never_write)) &&
      !(old & (1U << BTREE_NODE_write_blocked)) &&
      !(old & (1U << BTREE_NODE_will_make_reachable))) {
   new &= ~(1U << BTREE_NODE_dirty);
   new &= ~(1U << BTREE_NODE_need_write);
   new |=  (1U << BTREE_NODE_write_in_flight);
   new |=  (1U << BTREE_NODE_write_in_flight_inner);
   new |=  (1U << BTREE_NODE_just_written);
   new ^=  (1U << BTREE_NODE_write_idx);

   type = new & BTREE_WRITE_TYPE_MASK;
   new &= ~BTREE_WRITE_TYPE_MASK;
  } else {
   new &= ~(1U << BTREE_NODE_write_in_flight);
   new &= ~(1U << BTREE_NODE_write_in_flight_inner);
  }
 } while (!try_cmpxchg(&b->flags, &old, new));

 if (new & (1U << BTREE_NODE_write_in_flight))
  __bch2_btree_node_write(c, b, BTREE_WRITE_ALREADY_STARTED|type);
 else {
  smp_mb__after_atomic();
  wake_up_bit(&b->flags, BTREE_NODE_write_in_flight);
 }
}

static void btree_node_write_done(struct bch_fs *c, struct btree *b, u64 start_time)
{
 struct btree_trans *trans = bch2_trans_get(c);

 btree_node_lock_nopath_nofail(trans, &b->c, SIX_LOCK_read);

 /* we don't need transaction context anymore after we got the lock. */
 bch2_trans_put(trans);
 __btree_node_write_done(c, b, start_time);
 six_unlock_read(&b->c.lock);
}

static void btree_node_write_work(struct work_struct *work)
{
 struct btree_write_bio *wbio =
  container_of(work, struct btree_write_bio, work);
 struct bch_fs *c = wbio->wbio.c;
 struct btree *b  = wbio->wbio.bio.bi_private;
 u64 start_time  = wbio->start_time;
 int ret = 0;

 btree_bounce_free(c,
  wbio->data_bytes,
  wbio->wbio.used_mempool,
  wbio->data);

 bch2_bkey_drop_ptrs(bkey_i_to_s(&wbio->key), ptr,
  bch2_dev_list_has_dev(wbio->wbio.failed, ptr->dev));

 if (!bch2_bkey_nr_ptrs(bkey_i_to_s_c(&wbio->key))) {
  ret = bch_err_throw(c, btree_node_write_all_failed);
  goto err;
 }

 if (wbio->wbio.first_btree_write) {
  if (wbio->wbio.failed.nr) {

  }
 } else {
  ret = bch2_trans_do(c,
   bch2_btree_node_update_key_get_iter(trans, b, &wbio->key,
     BCH_WATERMARK_interior_updates|
     BCH_TRANS_COMMIT_journal_reclaim|
     BCH_TRANS_COMMIT_no_enospc|
     BCH_TRANS_COMMIT_no_check_rw,
     !wbio->wbio.failed.nr));
  if (ret)
   goto err;
 }
out:
 async_object_list_del(c, btree_write_bio, wbio->list_idx);
 bio_put(&wbio->wbio.bio);
 btree_node_write_done(c, b, start_time);
 return;
err:
 set_btree_node_noevict(b);

 if (!bch2_err_matches(ret, EROFS)) {
  struct printbuf buf = PRINTBUF;
  prt_printf(&buf, "writing btree node: %s\n ", bch2_err_str(ret));
  bch2_btree_pos_to_text(&buf, c, b);
  bch2_fs_fatal_error(c, "%s", buf.buf);
  printbuf_exit(&buf);
 }
 goto out;
}

static void btree_node_write_endio(struct bio *bio)
{
 struct bch_write_bio *wbio = to_wbio(bio);
 struct bch_write_bio *parent = wbio->split ? wbio->parent : NULL;
 struct bch_write_bio *orig = parent ?: wbio;
 struct btree_write_bio *wb = container_of(orig, struct btree_write_bio, wbio);
 struct bch_fs *c  = wbio->c;
 struct btree *b   = wbio->bio.bi_private;
 struct bch_dev *ca  = wbio->have_ioref ? bch2_dev_have_ref(c, wbio->dev) : NULL;

 bch2_account_io_completion(ca, BCH_MEMBER_ERROR_write,
       wbio->submit_time, !bio->bi_status);

 if (ca && bio->bi_status) {
  struct printbuf buf = PRINTBUF;
  buf.atomic++;
  prt_printf(&buf, "btree write error: %s\n ",
      bch2_blk_status_to_str(bio->bi_status));
  bch2_btree_pos_to_text(&buf, c, b);
  bch_err_dev_ratelimited(ca, "%s", buf.buf);
  printbuf_exit(&buf);
 }

 if (bio->bi_status) {
  unsigned long flags;
  spin_lock_irqsave(&c->btree_write_error_lock, flags);
  bch2_dev_list_add_dev(&orig->failed, wbio->dev);
  spin_unlock_irqrestore(&c->btree_write_error_lock, flags);
 }

 /*
 * XXX: we should be using io_ref[WRITE], but we aren't retrying failed
 * btree writes yet (due to device removal/ro):
 */
 if (wbio->have_ioref)
  enumerated_ref_put(&ca->io_ref[READ],
       BCH_DEV_READ_REF_btree_node_write);

 if (parent) {
  bio_put(bio);
  bio_endio(&parent->bio);
  return;
 }

 clear_btree_node_write_in_flight_inner(b);
 smp_mb__after_atomic();
 wake_up_bit(&b->flags, BTREE_NODE_write_in_flight_inner);
 INIT_WORK(&wb->work, btree_node_write_work);
 queue_work(c->btree_write_complete_wq, &wb->work);
}

static int validate_bset_for_write(struct bch_fs *c, struct btree *b,
       struct bset *i)
{
 int ret = bch2_bkey_validate(c, bkey_i_to_s_c(&b->key),
         (struct bkey_validate_context) {
     .from = BKEY_VALIDATE_btree_node,
     .level = b->c.level + 1,
     .btree = b->c.btree_id,
     .flags = BCH_VALIDATE_write,
         });
 if (ret) {
  bch2_fs_inconsistent(c, "invalid btree node key before write");
  return ret;
 }

 ret = validate_bset_keys(c, b, i, WRITE, NULL, NULL) ?:
  validate_bset(c, NULL, b, i, b->written, WRITE, NULL, NULL);
 if (ret) {
  bch2_inconsistent_error(c);
  dump_stack();
 }

 return ret;
}

static void btree_write_submit(struct work_struct *work)
{
 struct btree_write_bio *wbio = container_of(work, struct btree_write_bio, work);
 BKEY_PADDED_ONSTACK(k, BKEY_BTREE_PTR_VAL_U64s_MAX) tmp;

 bkey_copy(&tmp.k, &wbio->key);

 bkey_for_each_ptr(bch2_bkey_ptrs(bkey_i_to_s(&tmp.k)), ptr)
  ptr->offset += wbio->sector_offset;

 bch2_submit_wbio_replicas(&wbio->wbio, wbio->wbio.c, BCH_DATA_btree,
      &tmp.k, false);
}

void __bch2_btree_node_write(struct bch_fs *c, struct btree *b, unsigned flags)
{
 struct btree_write_bio *wbio;
 struct bset *i;
 struct btree_node *bn = NULL;
 struct btree_node_entry *bne = NULL;
 struct sort_iter_stack sort_iter;
 struct nonce nonce;
 unsigned bytes_to_write, sectors_to_write, bytes, u64s;
 u64 seq = 0;
 bool used_mempool;
 unsigned long old, new;
 bool validate_before_checksum = false;
 enum btree_write_type type = flags & BTREE_WRITE_TYPE_MASK;
 void *data;
 u64 start_time = local_clock();
 int ret;

 if (flags & BTREE_WRITE_ALREADY_STARTED)
  goto do_write;

 /*
 * We may only have a read lock on the btree node - the dirty bit is our
 * "lock" against racing with other threads that may be trying to start
 * a write, we do a write iff we clear the dirty bit. Since setting the
 * dirty bit requires a write lock, we can't race with other threads
 * redirtying it:
 */
 old = READ_ONCE(b->flags);
 do {
  new = old;

  if (!(old & (1 << BTREE_NODE_dirty)))
   return;

  if ((flags & BTREE_WRITE_ONLY_IF_NEED) &&
      !(old & (1 << BTREE_NODE_need_write)))
   return;

  if (old &
      ((1 << BTREE_NODE_never_write)|
       (1 << BTREE_NODE_write_blocked)))
   return;

  if (b->written &&
      (old & (1 << BTREE_NODE_will_make_reachable)))
   return;

  if (old & (1 << BTREE_NODE_write_in_flight))
   return;

  if (flags & BTREE_WRITE_ONLY_IF_NEED)
   type = new & BTREE_WRITE_TYPE_MASK;
  new &= ~BTREE_WRITE_TYPE_MASK;

  new &= ~(1 << BTREE_NODE_dirty);
  new &= ~(1 << BTREE_NODE_need_write);
  new |=  (1 << BTREE_NODE_write_in_flight);
  new |=  (1 << BTREE_NODE_write_in_flight_inner);
  new |=  (1 << BTREE_NODE_just_written);
  new ^=  (1 << BTREE_NODE_write_idx);
 } while (!try_cmpxchg_acquire(&b->flags, &old, new));

 if (new & (1U << BTREE_NODE_need_write))
  return;
do_write:
 BUG_ON((type == BTREE_WRITE_initial) != (b->written == 0));

 atomic_long_dec(&c->btree_cache.nr_dirty);

 BUG_ON(btree_node_fake(b));
 BUG_ON((b->will_make_reachable != 0) != !b->written);

 BUG_ON(b->written >= btree_sectors(c));
 BUG_ON(b->written & (block_sectors(c) - 1));
 BUG_ON(bset_written(b, btree_bset_last(b)));
 BUG_ON(le64_to_cpu(b->data->magic) != bset_magic(c));
 BUG_ON(memcmp(&b->data->format, &b->format, sizeof(b->format)));

 bch2_sort_whiteouts(c, b);

 sort_iter_stack_init(&sort_iter, b);

 bytes = !b->written
  ? sizeof(struct btree_node)
  : sizeof(struct btree_node_entry);

 bytes += b->whiteout_u64s * sizeof(u64);

 for_each_bset(b, t) {
  i = bset(b, t);

  if (bset_written(b, i))
   continue;

  bytes += le16_to_cpu(i->u64s) * sizeof(u64);
--> --------------------

--> maximum size reached

--> --------------------