Adjust newsyslog(8) and pkill(1) for the new PID_MAX.
[dragonfly.git] / sys / kern / vfs_journal.c
index 68f6101..a8083d7 100644 (file)
@@ -1,5 +1,5 @@
 /*
- * Copyright (c) 2004 The DragonFly Project.  All rights reserved.
+ * Copyright (c) 2004-2006 The DragonFly Project.  All rights reserved.
  * 
  * This code is derived from software contributed to The DragonFly Project
  * by Matthew Dillon <dillon@backplane.com>
  * OF THE USE OF THIS SOFTWARE, EVEN IF ADVISED OF THE POSSIBILITY OF
  * SUCH DAMAGE.
  *
- * $DragonFly: src/sys/kern/vfs_journal.c,v 1.3 2004/12/29 02:40:02 dillon Exp $
+ * $DragonFly: src/sys/kern/vfs_journal.c,v 1.33 2007/05/09 00:53:34 dillon Exp $
  */
 /*
- * Each mount point may have zero or more independantly configured journals
- * attached to it.  Each journal is represented by a memory FIFO and worker
- * thread.  Journal events are streamed through the FIFO to the thread,
- * batched up (typically on one-second intervals), and written out by the
- * thread. 
- *
- * Journal vnode ops are executed instead of mnt_vn_norm_ops when one or
- * more journals have been installed on a mount point.  It becomes the
- * responsibility of the journal op to call the underlying normal op as
- * appropriate.
- *
  * The journaling protocol is intended to evolve into a two-way stream
  * whereby transaction IDs can be acknowledged by the journaling target
  * when the data has been committed to hard storage.  Both implicit and
@@ -56,7 +45,7 @@
  * well as to allow such filesystems to take direct advantage of the kernel's
  * journaling layer so they don't have to roll their own.
  *
- * In addition, the journaling thread will have access to much larger 
+ * In addition, the worker thread will have access to much larger 
  * spooling areas then the memory buffer is able to provide by e.g. 
  * reserving swap space, in order to absorb potentially long interruptions
  * of off-site journaling streams, and to prevent 'slow' off-site linkages
  * possible, reducing the number of gratuitous thread switches and taking
  * advantage of cpu caches through the use of shorter batched code paths
  * rather then trying to do everything in the context of the process
- * originating the filesystem op.  
+ * originating the filesystem op.  In the future the memory FIFO can be
+ * made per-cpu to remove BGL or other locking requirements.
  */
-
 #include <sys/param.h>
 #include <sys/systm.h>
 #include <sys/buf.h>
 #include <sys/conf.h>
 #include <sys/kernel.h>
+#include <sys/queue.h>
 #include <sys/lock.h>
 #include <sys/malloc.h>
 #include <sys/mount.h>
 #include <sys/vnode.h>
 #include <sys/poll.h>
 #include <sys/mountctl.h>
+#include <sys/journal.h>
 #include <sys/file.h>
+#include <sys/proc.h>
+#include <sys/xio.h>
+#include <sys/socket.h>
+#include <sys/socketvar.h>
 
 #include <machine/limits.h>
 
 
 #include <sys/file2.h>
 #include <sys/thread2.h>
+#include <sys/mplock2.h>
+#include <sys/spinlock2.h>
+
+static void journal_wthread(void *info);
+static void journal_rthread(void *info);
+
+static void *journal_reserve(struct journal *jo,
+                        struct journal_rawrecbeg **rawpp,
+                        int16_t streamid, int bytes);
+static void *journal_extend(struct journal *jo,
+                        struct journal_rawrecbeg **rawpp,
+                        int truncbytes, int bytes, int *newstreamrecp);
+static void journal_abort(struct journal *jo,
+                        struct journal_rawrecbeg **rawpp);
+static void journal_commit(struct journal *jo,
+                        struct journal_rawrecbeg **rawpp,
+                        int bytes, int closeout);
+static void jrecord_data(struct jrecord *jrec,
+                       void *buf, int bytes, int dtype);
+
 
-static int journal_attach(struct mount *mp);
-static void journal_detach(struct mount *mp);
-static int journal_install_vfs_journal(struct mount *mp, struct file *fp,
-                           const struct mountctl_install_journal *info);
-static int journal_remove_vfs_journal(struct mount *mp,
-                           const struct mountctl_remove_journal *info);
-static int journal_resync_vfs_journal(struct mount *mp, const void *ctl);
-static void journal_thread(void *info);
-static void journal_write_record(struct journal *jo, const char *ctl,
-                           const char *buf, int bytes);
-static void journal_write(struct journal *jo, const char *buf, int bytes);
-
-static int journal_nmkdir(struct vop_nmkdir_args *ap);
-
-static struct vnodeopv_entry_desc journal_vnodeop_entries[] = {
-    { &vop_default_desc,               vop_journal_operate_ap },
-    { &vop_mountctl_desc,              (void *)journal_mountctl },
-    { &vop_nmkdir_desc,                        (void *)journal_nmkdir },
-    { NULL, NULL }
-};
-
-static MALLOC_DEFINE(M_JOURNAL, "journal", "Journaling structure");
-static MALLOC_DEFINE(M_JFIFO, "journal-fifo", "Journal FIFO");
-
-int
-journal_mountctl(struct vop_mountctl_args *ap)
+MALLOC_DEFINE(M_JOURNAL, "journal", "Journaling structures");
+MALLOC_DEFINE(M_JFIFO, "journal-fifo", "Journal FIFO");
+
+void
+journal_create_threads(struct journal *jo)
 {
-    struct mount *mp;
-    int error = 0;
-
-    mp = ap->a_head.a_ops->vv_mount;
-    KKASSERT(mp);
-
-    if (mp->mnt_vn_journal_ops == NULL) {
-       switch(ap->a_op) {
-       case MOUNTCTL_INSTALL_VFS_JOURNAL:
-           error = journal_attach(mp);
-           if (error == 0 && ap->a_ctllen != sizeof(struct mountctl_install_journal))
-               error = EINVAL;
-           if (error == 0 && ap->a_fp == NULL)
-               error = EBADF;
-           if (error == 0)
-               error = journal_install_vfs_journal(mp, ap->a_fp, ap->a_ctl);
-           if (TAILQ_EMPTY(&mp->mnt_jlist))
-               journal_detach(mp);
-           break;
-       case MOUNTCTL_REMOVE_VFS_JOURNAL:
-       case MOUNTCTL_RESYNC_VFS_JOURNAL:
-           error = EINVAL;
-           break;
-       default:
-           error = EOPNOTSUPP;
-           break;
+       jo->flags &= ~(MC_JOURNAL_STOP_REQ | MC_JOURNAL_STOP_IMM);
+       jo->flags |= MC_JOURNAL_WACTIVE;
+       lwkt_create(journal_wthread, jo, NULL, &jo->wthread,
+                   TDF_NOSTART, -1,
+                   "journal w:%.*s", JIDMAX, jo->id);
+       lwkt_setpri(&jo->wthread, TDPRI_KERN_DAEMON);
+       lwkt_schedule(&jo->wthread);
+
+       if (jo->flags & MC_JOURNAL_WANT_FULLDUPLEX) {
+           jo->flags |= MC_JOURNAL_RACTIVE;
+           lwkt_create(journal_rthread, jo, NULL, &jo->rthread,
+                       TDF_NOSTART, -1,
+                       "journal r:%.*s", JIDMAX, jo->id);
+           lwkt_setpri(&jo->rthread, TDPRI_KERN_DAEMON);
+           lwkt_schedule(&jo->rthread);
        }
-    } else {
-       switch(ap->a_op) {
-       case MOUNTCTL_INSTALL_VFS_JOURNAL:
-           if (ap->a_ctllen != sizeof(struct mountctl_install_journal))
-               error = EINVAL;
-           if (error == 0 && ap->a_fp == NULL)
-               error = EBADF;
-           if (error == 0)
-               error = journal_install_vfs_journal(mp, ap->a_fp, ap->a_ctl);
-           break;
-       case MOUNTCTL_REMOVE_VFS_JOURNAL:
-           if (ap->a_ctllen != sizeof(struct mountctl_remove_journal))
-               error = EINVAL;
-           if (error == 0)
-               error = journal_remove_vfs_journal(mp, ap->a_ctl);
-           if (TAILQ_EMPTY(&mp->mnt_jlist))
-               journal_detach(mp);
-           break;
-       case MOUNTCTL_RESYNC_VFS_JOURNAL:
-           if (ap->a_ctllen != 0)
-               error = EINVAL;
-           error = journal_resync_vfs_journal(mp, ap->a_ctl);
-           break;
-       default:
-           error = EOPNOTSUPP;
-           break;
+}
+
+void
+journal_destroy_threads(struct journal *jo, int flags)
+{
+    int wcount;
+
+    jo->flags |= MC_JOURNAL_STOP_REQ | (flags & MC_JOURNAL_STOP_IMM);
+    wakeup(&jo->fifo);
+    wcount = 0;
+    while (jo->flags & (MC_JOURNAL_WACTIVE | MC_JOURNAL_RACTIVE)) {
+       tsleep(jo, 0, "jwait", hz);
+       if (++wcount % 10 == 0) {
+           kprintf("Warning: journal %s waiting for descriptors to close\n",
+               jo->id);
        }
     }
-    return (error);
+
+    /*
+     * XXX SMP - threads should move to cpu requesting the restart or
+     * termination before finishing up to properly interlock.
+     */
+    tsleep(jo, 0, "jwait", hz);
+    lwkt_free_thread(&jo->wthread);
+    if (jo->flags & MC_JOURNAL_WANT_FULLDUPLEX)
+       lwkt_free_thread(&jo->rthread);
 }
 
 /*
- * High level mount point setup.  When a 
+ * The per-journal worker thread is responsible for writing out the
+ * journal's FIFO to the target stream.
  */
-static int
-journal_attach(struct mount *mp)
+static void
+journal_wthread(void *info)
 {
-    vfs_add_vnodeops(mp, &mp->mnt_vn_journal_ops, journal_vnodeop_entries);
-    return(0);
+    struct journal *jo = info;
+    struct journal_rawrecbeg *rawp;
+    int error;
+    size_t avail;
+    size_t bytes;
+    size_t res;
+
+    /* not MPSAFE yet */
+    get_mplock();
+
+    for (;;) {
+       /*
+        * Calculate the number of bytes available to write.  This buffer
+        * area may contain reserved records so we can't just write it out
+        * without further checks.
+        */
+       bytes = jo->fifo.windex - jo->fifo.rindex;
+
+       /*
+        * sleep if no bytes are available or if an incomplete record is
+        * encountered (it needs to be filled in before we can write it
+        * out), and skip any pad records that we encounter.
+        */
+       if (bytes == 0) {
+           if (jo->flags & MC_JOURNAL_STOP_REQ)
+               break;
+           tsleep(&jo->fifo, 0, "jfifo", hz);
+           continue;
+       }
+
+       /*
+        * Sleep if we can not go any further due to hitting an incomplete
+        * record.  This case should occur rarely but may have to be better
+        * optimized XXX.
+        */
+       rawp = (void *)(jo->fifo.membase + (jo->fifo.rindex & jo->fifo.mask));
+       if (rawp->begmagic == JREC_INCOMPLETEMAGIC) {
+           tsleep(&jo->fifo, 0, "jpad", hz);
+           continue;
+       }
+
+       /*
+        * Skip any pad records.  We do not write out pad records if we can
+        * help it. 
+        */
+       if (rawp->streamid == JREC_STREAMID_PAD) {
+           if ((jo->flags & MC_JOURNAL_WANT_FULLDUPLEX) == 0) {
+               if (jo->fifo.rindex == jo->fifo.xindex) {
+                   jo->fifo.xindex += (rawp->recsize + 15) & ~15;
+                   jo->total_acked += (rawp->recsize + 15) & ~15;
+               }
+           }
+           jo->fifo.rindex += (rawp->recsize + 15) & ~15;
+           jo->total_acked += bytes;
+           KKASSERT(jo->fifo.windex - jo->fifo.rindex >= 0);
+           continue;
+       }
+
+       /*
+        * 'bytes' is the amount of data that can potentially be written out.  
+        * Calculate 'res', the amount of data that can actually be written
+        * out.  res is bounded either by hitting the end of the physical
+        * memory buffer or by hitting an incomplete record.  Incomplete
+        * records often occur due to the way the space reservation model
+        * works.
+        */
+       res = 0;
+       avail = jo->fifo.size - (jo->fifo.rindex & jo->fifo.mask);
+       while (res < bytes && rawp->begmagic == JREC_BEGMAGIC) {
+           res += (rawp->recsize + 15) & ~15;
+           if (res >= avail) {
+               KKASSERT(res == avail);
+               break;
+           }
+           rawp = (void *)((char *)rawp + ((rawp->recsize + 15) & ~15));
+       }
+
+       /*
+        * Issue the write and deal with any errors or other conditions.
+        * For now assume blocking I/O.  Since we are record-aware the
+        * code cannot yet handle partial writes.
+        *
+        * We bump rindex prior to issuing the write to avoid racing
+        * the acknowledgement coming back (which could prevent the ack
+        * from bumping xindex).  Restarts are always based on xindex so
+        * we do not try to undo the rindex if an error occurs.
+        *
+        * XXX EWOULDBLOCK/NBIO
+        * XXX notification on failure
+        * XXX permanent verses temporary failures
+        * XXX two-way acknowledgement stream in the return direction / xindex
+        */
+       bytes = res;
+       jo->fifo.rindex += bytes;
+       error = fp_write(jo->fp, 
+                       jo->fifo.membase +
+                        ((jo->fifo.rindex - bytes) & jo->fifo.mask),
+                       bytes, &res, UIO_SYSSPACE);
+       if (error) {
+           kprintf("journal_thread(%s) write, error %d\n", jo->id, error);
+           /* XXX */
+       } else {
+           KKASSERT(res == bytes);
+       }
+
+       /*
+        * Advance rindex.  If the journal stream is not full duplex we also
+        * advance xindex, otherwise the rjournal thread is responsible for
+        * advancing xindex.
+        */
+       if ((jo->flags & MC_JOURNAL_WANT_FULLDUPLEX) == 0) {
+           jo->fifo.xindex += bytes;
+           jo->total_acked += bytes;
+       }
+       KKASSERT(jo->fifo.windex - jo->fifo.rindex >= 0);
+       if ((jo->flags & MC_JOURNAL_WANT_FULLDUPLEX) == 0) {
+           if (jo->flags & MC_JOURNAL_WWAIT) {
+               jo->flags &= ~MC_JOURNAL_WWAIT; /* XXX hysteresis */
+               wakeup(&jo->fifo.windex);
+           }
+       }
+    }
+    fp_shutdown(jo->fp, SHUT_WR);
+    jo->flags &= ~MC_JOURNAL_WACTIVE;
+    wakeup(jo);
+    wakeup(&jo->fifo.windex);
+    rel_mplock();
 }
 
+/*
+ * A second per-journal worker thread is created for two-way journaling
+ * streams to deal with the return acknowledgement stream.
+ */
 static void
-journal_detach(struct mount *mp)
+journal_rthread(void *info)
+{
+    struct journal_rawrecbeg *rawp;
+    struct journal_ackrecord ack;
+    struct journal *jo = info;
+    int64_t transid;
+    int error;
+    size_t count;
+    size_t bytes;
+
+    transid = 0;
+    error = 0;
+
+    /* not MPSAFE yet */
+    get_mplock();
+
+    for (;;) {
+       /*
+        * We have been asked to stop
+        */
+       if (jo->flags & MC_JOURNAL_STOP_REQ)
+               break;
+
+       /*
+        * If we have no active transaction id, get one from the return
+        * stream.
+        */
+       if (transid == 0) {
+           error = fp_read(jo->fp, &ack, sizeof(ack), &count, 
+                           1, UIO_SYSSPACE);
+#if 0
+           kprintf("fp_read ack error %d count %d\n", error, count);
+#endif
+           if (error || count != sizeof(ack))
+               break;
+           if (error) {
+               kprintf("read error %d on receive stream\n", error);
+               break;
+           }
+           if (ack.rbeg.begmagic != JREC_BEGMAGIC ||
+               ack.rend.endmagic != JREC_ENDMAGIC
+           ) {
+               kprintf("bad begmagic or endmagic on receive stream\n");
+               break;
+           }
+           transid = ack.rbeg.transid;
+       }
+
+       /*
+        * Calculate the number of unacknowledged bytes.  If there are no
+        * unacknowledged bytes then unsent data was acknowledged, report,
+        * sleep a bit, and loop in that case.  This should not happen 
+        * normally.  The ack record is thrown away.
+        */
+       bytes = jo->fifo.rindex - jo->fifo.xindex;
+
+       if (bytes == 0) {
+           kprintf("warning: unsent data acknowledged transid %08llx\n",
+                   (long long)transid);
+           tsleep(&jo->fifo.xindex, 0, "jrseq", hz);
+           transid = 0;
+           continue;
+       }
+
+       /*
+        * Since rindex has advanced, the record pointed to by xindex
+        * must be a valid record.
+        */
+       rawp = (void *)(jo->fifo.membase + (jo->fifo.xindex & jo->fifo.mask));
+       KKASSERT(rawp->begmagic == JREC_BEGMAGIC);
+       KKASSERT(rawp->recsize <= bytes);
+
+       /*
+        * The target can acknowledge several records at once.
+        */
+       if (rawp->transid < transid) {
+#if 1
+           kprintf("ackskip %08llx/%08llx\n",
+                   (long long)rawp->transid,
+                   (long long)transid);
+#endif
+           jo->fifo.xindex += (rawp->recsize + 15) & ~15;
+           jo->total_acked += (rawp->recsize + 15) & ~15;
+           if (jo->flags & MC_JOURNAL_WWAIT) {
+               jo->flags &= ~MC_JOURNAL_WWAIT; /* XXX hysteresis */
+               wakeup(&jo->fifo.windex);
+           }
+           continue;
+       }
+       if (rawp->transid == transid) {
+#if 1
+           kprintf("ackskip %08llx/%08llx\n",
+                   (long long)rawp->transid,
+                   (long long)transid);
+#endif
+           jo->fifo.xindex += (rawp->recsize + 15) & ~15;
+           jo->total_acked += (rawp->recsize + 15) & ~15;
+           if (jo->flags & MC_JOURNAL_WWAIT) {
+               jo->flags &= ~MC_JOURNAL_WWAIT; /* XXX hysteresis */
+               wakeup(&jo->fifo.windex);
+           }
+           transid = 0;
+           continue;
+       }
+       kprintf("warning: unsent data(2) acknowledged transid %08llx\n",
+               (long long)transid);
+       transid = 0;
+    }
+    jo->flags &= ~MC_JOURNAL_RACTIVE;
+    wakeup(jo);
+    wakeup(&jo->fifo.windex);
+    rel_mplock();
+}
+
+/*
+ * This builds a pad record which the journaling thread will skip over.  Pad
+ * records are required when we are unable to reserve sufficient stream space
+ * due to insufficient space at the end of the physical memory fifo.
+ *
+ * Even though the record is not transmitted, a normal transid must be 
+ * assigned to it so link recovery operations after a failure work properly.
+ */
+static
+void
+journal_build_pad(struct journal_rawrecbeg *rawp, int recsize, int64_t transid)
 {
-    if (mp->mnt_vn_journal_ops)
-       vfs_rm_vnodeops(&mp->mnt_vn_journal_ops);
+    struct journal_rawrecend *rendp;
+    
+    KKASSERT((recsize & 15) == 0 && recsize >= 16);
+
+    rawp->streamid = JREC_STREAMID_PAD;
+    rawp->recsize = recsize;   /* must be 16-byte aligned */
+    rawp->transid = transid;
+    /*
+     * WARNING, rendp may overlap rawp->transid.  This is necessary to
+     * allow PAD records to fit in 16 bytes.  Use cpu_ccfence() to
+     * hopefully cause the compiler to not make any assumptions.
+     */
+    rendp = (void *)((char *)rawp + rawp->recsize - sizeof(*rendp));
+    rendp->endmagic = JREC_ENDMAGIC;
+    rendp->check = 0;
+    rendp->recsize = rawp->recsize;
+
+    /*
+     * Set the begin magic last.  This is what will allow the journal
+     * thread to write the record out.  Use a store fence to prevent
+     * compiler and cpu reordering of the writes.
+     */
+    cpu_sfence();
+    rawp->begmagic = JREC_BEGMAGIC;
 }
 
 /*
- * Install a journal on a mount point
+ * Wake up the worker thread if the FIFO is more then half full or if
+ * someone is waiting for space to be freed up.  Otherwise let the 
+ * heartbeat deal with it.  Being able to avoid waking up the worker
+ * is the key to the journal's cpu performance.
  */
-static int
-journal_install_vfs_journal(struct mount *mp, struct file *fp, 
-                           const struct mountctl_install_journal *info)
+static __inline
+void
+journal_commit_wakeup(struct journal *jo)
 {
-    struct journal *jo;
-    int error = 0;
-    int size;
+    int avail;
 
-    jo = malloc(sizeof(struct journal), M_JOURNAL, M_WAITOK|M_ZERO);
-    bcopy(info->id, jo->id, sizeof(jo->id));
-    jo->flags = info->flags & ~(MC_JOURNAL_ACTIVE | MC_JOURNAL_STOP_REQ);
+    avail = jo->fifo.size - (jo->fifo.windex - jo->fifo.xindex);
+    KKASSERT(avail >= 0);
+    if ((avail < (jo->fifo.size >> 1)) || (jo->flags & MC_JOURNAL_WWAIT))
+       wakeup(&jo->fifo);
+}
+
+/*
+ * Create a new BEGIN stream record with the specified streamid and the
+ * specified amount of payload space.  *rawpp will be set to point to the
+ * base of the new stream record and a pointer to the base of the payload
+ * space will be returned.  *rawpp does not need to be pre-NULLd prior to
+ * making this call.  The raw record header will be partially initialized.
+ *
+ * A stream can be extended, aborted, or committed by other API calls
+ * below.  This may result in a sequence of potentially disconnected
+ * stream records to be output to the journaling target.  The first record
+ * (the one created by this function) will be marked JREC_STREAMCTL_BEGIN,
+ * while the last record on commit or abort will be marked JREC_STREAMCTL_END
+ * (and possibly also JREC_STREAMCTL_ABORTED).  The last record could wind
+ * up being the same as the first, in which case the bits are all set in
+ * the first record.
+ *
+ * The stream record is created in an incomplete state by setting the begin
+ * magic to JREC_INCOMPLETEMAGIC.  This prevents the worker thread from
+ * flushing the fifo past our record until we have finished populating it.
+ * Other threads can reserve and operate on their own space without stalling
+ * but the stream output will stall until we have completed operations.  The
+ * memory FIFO is intended to be large enough to absorb such situations
+ * without stalling out other threads.
+ */
+static
+void *
+journal_reserve(struct journal *jo, struct journal_rawrecbeg **rawpp,
+               int16_t streamid, int bytes)
+{
+    struct journal_rawrecbeg *rawp;
+    int avail;
+    int availtoend;
+    int req;
 
     /*
-     * Memory FIFO size, round to nearest power of 2
+     * Add header and trailer overheads to the passed payload.  Note that
+     * the passed payload size need not be aligned in any way.
      */
-    if (info->flags & MC_JOURNAL_MBSIZE_PROVIDED) {
-       if (info->membufsize < 65536)
-           size = 65536;
-       else if (info->membufsize > 128 * 1024 * 1024)
-           size = 128 * 1024 * 1024;
+    bytes += sizeof(struct journal_rawrecbeg);
+    bytes += sizeof(struct journal_rawrecend);
+
+    for (;;) {
+       /*
+        * First, check boundary conditions.  If the request would wrap around
+        * we have to skip past the ending block and return to the beginning
+        * of the FIFO's buffer.  Calculate 'req' which is the actual number
+        * of bytes being reserved, including wrap-around dead space.
+        *
+        * Neither 'bytes' or 'req' are aligned.
+        *
+        * Note that availtoend is not truncated to avail and so cannot be
+        * used to determine whether the reservation is possible by itself.
+        * Also, since all fifo ops are 16-byte aligned, we can check
+        * the size before calculating the aligned size.
+        */
+       availtoend = jo->fifo.size - (jo->fifo.windex & jo->fifo.mask);
+       KKASSERT((availtoend & 15) == 0);
+       if (bytes > availtoend) 
+           req = bytes + availtoend;   /* add pad to end */
        else
-           size = (int)info->membufsize;
-    } else {
-       size = 1024 * 1024;
+           req = bytes;
+
+       /*
+        * Next calculate the total available space and see if it is
+        * sufficient.  We cannot overwrite previously buffered data
+        * past xindex because otherwise we would not be able to restart
+        * a broken link at the target's last point of commit.
+        */
+       avail = jo->fifo.size - (jo->fifo.windex - jo->fifo.xindex);
+       KKASSERT(avail >= 0 && (avail & 15) == 0);
+
+       if (avail < req) {
+           /* XXX MC_JOURNAL_STOP_IMM */
+           jo->flags |= MC_JOURNAL_WWAIT;
+           ++jo->fifostalls;
+           tsleep(&jo->fifo.windex, 0, "jwrite", 0);
+           continue;
+       }
+
+       /*
+        * Create a pad record for any dead space and create an incomplete
+        * record for the live space, then return a pointer to the
+        * contiguous buffer space that was requested.
+        *
+        * NOTE: The worker thread will not flush past an incomplete
+        * record, so the reserved space can be filled in at-will.  The
+        * journaling code must also be aware the reserved sections occuring
+        * after this one will also not be written out even if completed
+        * until this one is completed.
+        *
+        * The transaction id must accomodate real and potential pad creation.
+        */
+       rawp = (void *)(jo->fifo.membase + (jo->fifo.windex & jo->fifo.mask));
+       if (req != bytes) {
+           journal_build_pad(rawp, availtoend, jo->transid);
+           ++jo->transid;
+           rawp = (void *)jo->fifo.membase;
+       }
+       rawp->begmagic = JREC_INCOMPLETEMAGIC;  /* updated by abort/commit */
+       rawp->recsize = bytes;                  /* (unaligned size) */
+       rawp->streamid = streamid | JREC_STREAMCTL_BEGIN;
+       rawp->transid = jo->transid;
+       jo->transid += 2;
+
+       /*
+        * Issue a memory barrier to guarentee that the record data has been
+        * properly initialized before we advance the write index and return
+        * a pointer to the reserved record.  Otherwise the worker thread
+        * could accidently run past us.
+        *
+        * Note that stream records are always 16-byte aligned.
+        */
+       cpu_sfence();
+       jo->fifo.windex += (req + 15) & ~15;
+       *rawpp = rawp;
+       return(rawp + 1);
     }
-    jo->fifo.size = 1;
-    while (jo->fifo.size < size)
-       jo->fifo.size <<= 1;
+    /* not reached */
+    *rawpp = NULL;
+    return(NULL);
+}
+
+/*
+ * Attempt to extend the stream record by <bytes> worth of payload space.
+ *
+ * If it is possible to extend the existing stream record no truncation
+ * occurs and the record is extended as specified.  A pointer to the 
+ * truncation offset within the payload space is returned.
+ *
+ * If it is not possible to do this the existing stream record is truncated
+ * and committed, and a new stream record of size <bytes> is created.  A
+ * pointer to the base of the new stream record's payload space is returned.
+ *
+ * *rawpp is set to the new reservation in the case of a new record but
+ * the caller cannot depend on a comparison with the old rawp to determine if
+ * this case occurs because we could end up using the same memory FIFO
+ * offset for the new stream record.  Use *newstreamrecp instead.
+ */
+static void *
+journal_extend(struct journal *jo, struct journal_rawrecbeg **rawpp, 
+               int truncbytes, int bytes, int *newstreamrecp)
+{
+    struct journal_rawrecbeg *rawp;
+    int16_t streamid;
+    int availtoend;
+    int avail;
+    int osize;
+    int nsize;
+    int wbase;
+    void *rptr;
+
+    *newstreamrecp = 0;
+    rawp = *rawpp;
+    osize = (rawp->recsize + 15) & ~15;
+    nsize = (rawp->recsize + bytes + 15) & ~15;
+    wbase = (char *)rawp - jo->fifo.membase;
 
     /*
-     * Other parameters.  If not specified the starting transaction id
-     * will be the current date.
+     * If the aligned record size does not change we can trivially adjust
+     * the record size.
      */
-    if (info->flags & MC_JOURNAL_TRANSID_PROVIDED) {
-       jo->transid = info->transid;
-    } else {
-       struct timespec ts;
-       getnanotime(&ts);
-       jo->transid = ((int64_t)ts.tv_sec << 30) | ts.tv_nsec;
+    if (nsize == osize) {
+       rawp->recsize += bytes;
+       return((char *)(rawp + 1) + truncbytes);
     }
 
-    jo->fp = fp;
+    /*
+     * If the fifo's write index hasn't been modified since we made the
+     * reservation and we do not hit any boundary conditions, we can 
+     * trivially make the record smaller or larger.
+     */
+    if ((jo->fifo.windex & jo->fifo.mask) == wbase + osize) {
+       availtoend = jo->fifo.size - wbase;
+       avail = jo->fifo.size - (jo->fifo.windex - jo->fifo.xindex) + osize;
+       KKASSERT((availtoend & 15) == 0);
+       KKASSERT((avail & 15) == 0);
+       if (nsize <= avail && nsize <= availtoend) {
+           jo->fifo.windex += nsize - osize;
+           rawp->recsize += bytes;
+           return((char *)(rawp + 1) + truncbytes);
+       }
+    }
 
     /*
-     * Allocate the memory FIFO
+     * It was not possible to extend the buffer.  Commit the current
+     * buffer and create a new one.  We manually clear the BEGIN mark that
+     * journal_reserve() creates (because this is a continuing record, not
+     * the start of a new stream).
      */
-    jo->fifo.mask = jo->fifo.size - 1;
-    jo->fifo.membase = malloc(jo->fifo.size, M_JFIFO, M_WAITOK|M_ZERO|M_NULLOK);
-    if (jo->fifo.membase == NULL)
-       error = ENOMEM;
+    streamid = rawp->streamid & JREC_STREAMID_MASK;
+    journal_commit(jo, rawpp, truncbytes, 0);
+    rptr = journal_reserve(jo, rawpp, streamid, bytes);
+    rawp = *rawpp;
+    rawp->streamid &= ~JREC_STREAMCTL_BEGIN;
+    *newstreamrecp = 1;
+    return(rptr);
+}
+
+/*
+ * Abort a journal record.  If the transaction record represents a stream
+ * BEGIN and we can reverse the fifo's write index we can simply reverse
+ * index the entire record, as if it were never reserved in the first place.
+ *
+ * Otherwise we set the JREC_STREAMCTL_ABORTED bit and commit the record
+ * with the payload truncated to 0 bytes.
+ */
+static void
+journal_abort(struct journal *jo, struct journal_rawrecbeg **rawpp)
+{
+    struct journal_rawrecbeg *rawp;
+    int osize;
+
+    rawp = *rawpp;
+    osize = (rawp->recsize + 15) & ~15;
 
-    if (error) {
-       free(jo, M_JOURNAL);
+    if ((rawp->streamid & JREC_STREAMCTL_BEGIN) &&
+       (jo->fifo.windex & jo->fifo.mask) == 
+        (char *)rawp - jo->fifo.membase + osize)
+    {
+       jo->fifo.windex -= osize;
+       *rawpp = NULL;
     } else {
-       fhold(fp);
-       jo->flags |= MC_JOURNAL_ACTIVE;
-       lwkt_create(journal_thread, jo, NULL, &jo->thread,
-                       TDF_STOPREQ, -1, "journal %.*s", JIDMAX, jo->id);
-       lwkt_setpri(&jo->thread, TDPRI_KERN_DAEMON);
-       lwkt_schedule(&jo->thread);
-       journal_write_record(jo, "INSTALL", NULL, 0);
-
-       TAILQ_INSERT_TAIL(&mp->mnt_jlist, jo, jentry);
+       rawp->streamid |= JREC_STREAMCTL_ABORTED;
+       journal_commit(jo, rawpp, 0, 1);
     }
-    return(error);
 }
 
-static int
-journal_remove_vfs_journal(struct mount *mp, const struct mountctl_remove_journal *info)
+/*
+ * Commit a journal record and potentially truncate it to the specified
+ * number of payload bytes.  If you do not want to truncate the record,
+ * simply pass -1 for the bytes parameter.  Do not pass rawp->recsize, that
+ * field includes header and trailer and will not be correct.  Note that
+ * passing 0 will truncate the entire data payload of the record.
+ *
+ * The logical stream is terminated by this function.
+ *
+ * If truncation occurs, and it is not possible to physically optimize the
+ * memory FIFO due to other threads having reserved space after ours,
+ * the remaining reserved space will be covered by a pad record.
+ */
+static void
+journal_commit(struct journal *jo, struct journal_rawrecbeg **rawpp,
+               int bytes, int closeout)
 {
-    struct journal *jo;
-    int error;
+    struct journal_rawrecbeg *rawp;
+    struct journal_rawrecend *rendp;
+    int osize;
+    int nsize;
 
-    TAILQ_FOREACH(jo, &mp->mnt_jlist, jentry) {
-       if (bcmp(jo->id, info->id, sizeof(jo->id)) == 0)
-           break;
+    rawp = *rawpp;
+    *rawpp = NULL;
+
+    KKASSERT((char *)rawp >= jo->fifo.membase &&
+            (char *)rawp + rawp->recsize <= jo->fifo.membase + jo->fifo.size);
+    KKASSERT(((intptr_t)rawp & 15) == 0);
+
+    /*
+     * Truncate the record if necessary.  If the FIFO write index as still
+     * at the end of our record we can optimally backindex it.  Otherwise
+     * we have to insert a pad record to cover the dead space.
+     *
+     * We calculate osize which is the 16-byte-aligned original recsize.
+     * We calculate nsize which is the 16-byte-aligned new recsize.
+     *
+     * Due to alignment issues or in case the passed truncation bytes is
+     * the same as the original payload, nsize may be equal to osize even
+     * if the committed bytes is less then the originally reserved bytes.
+     */
+    if (bytes >= 0) {
+       KKASSERT(bytes >= 0 && bytes <= rawp->recsize - sizeof(struct journal_rawrecbeg) - sizeof(struct journal_rawrecend));
+       osize = (rawp->recsize + 15) & ~15;
+       rawp->recsize = bytes + sizeof(struct journal_rawrecbeg) +
+                       sizeof(struct journal_rawrecend);
+       nsize = (rawp->recsize + 15) & ~15;
+       KKASSERT(nsize <= osize);
+       if (osize == nsize) {
+           /* do nothing */
+       } else if ((jo->fifo.windex & jo->fifo.mask) == (char *)rawp - jo->fifo.membase + osize) {
+           /* we are able to backindex the fifo */
+           jo->fifo.windex -= osize - nsize;
+       } else {
+           /* we cannot backindex the fifo, emplace a pad in the dead space */
+           journal_build_pad((void *)((char *)rawp + nsize), osize - nsize,
+                               rawp->transid + 1);
+       }
     }
-    if (jo) {
-       error = 0;
-       TAILQ_REMOVE(&mp->mnt_jlist, jo, jentry);
-       journal_write_record(jo, "REMOVE", NULL, 0); /* XXX sequencing */
-       jo->flags |= MC_JOURNAL_STOP_REQ | (info->flags & MC_JOURNAL_STOP_IMM);
-       wakeup(&jo->fifo);
-       while (jo->flags & MC_JOURNAL_ACTIVE) {
-           tsleep(jo, 0, "jwait", 0);
+
+    /*
+     * Fill in the trailer.  Note that unlike pad records, the trailer will
+     * never overlap the header.
+     */
+    rendp = (void *)((char *)rawp + 
+           ((rawp->recsize + 15) & ~15) - sizeof(*rendp));
+    rendp->endmagic = JREC_ENDMAGIC;
+    rendp->recsize = rawp->recsize;
+    rendp->check = 0;          /* XXX check word, disabled for now */
+
+    /*
+     * Fill in begmagic last.  This will allow the worker thread to proceed.
+     * Use a memory barrier to guarentee write ordering.  Mark the stream
+     * as terminated if closeout is set.  This is the typical case.
+     */
+    if (closeout)
+       rawp->streamid |= JREC_STREAMCTL_END;
+    cpu_sfence();              /* memory and compiler barrier */
+    rawp->begmagic = JREC_BEGMAGIC;
+
+    journal_commit_wakeup(jo);
+}
+
+/************************************************************************
+ *                     TRANSACTION SUPPORT ROUTINES                    *
+ ************************************************************************
+ *
+ * JRECORD_*() - routines to create subrecord transactions and embed them
+ *              in the logical streams managed by the journal_*() routines.
+ */
+
+/*
+ * Initialize the passed jrecord structure and start a new stream transaction
+ * by reserving an initial build space in the journal's memory FIFO.
+ */
+void
+jrecord_init(struct journal *jo, struct jrecord *jrec, int16_t streamid)
+{
+    bzero(jrec, sizeof(*jrec));
+    jrec->jo = jo;
+    jrec->streamid = streamid;
+    jrec->stream_residual = JREC_DEFAULTSIZE;
+    jrec->stream_reserved = jrec->stream_residual;
+    jrec->stream_ptr = 
+       journal_reserve(jo, &jrec->rawp, streamid, jrec->stream_reserved);
+}
+
+/*
+ * Push a recursive record type.  All pushes should have matching pops.
+ * The old parent is returned and the newly pushed record becomes the
+ * new parent.  Note that the old parent's pointer may already be invalid
+ * or may become invalid if jrecord_write() had to build a new stream
+ * record, so the caller should not mess with the returned pointer in
+ * any way other then to save it.
+ */
+struct journal_subrecord *
+jrecord_push(struct jrecord *jrec, int16_t rectype)
+{
+    struct journal_subrecord *save;
+
+    save = jrec->parent;
+    jrec->parent = jrecord_write(jrec, rectype|JMASK_NESTED, 0);
+    jrec->last = NULL;
+    KKASSERT(jrec->parent != NULL);
+    ++jrec->pushcount;
+    ++jrec->pushptrgood;       /* cleared on flush */
+    return(save);
+}
+
+/*
+ * Pop a previously pushed sub-transaction.  We must set JMASK_LAST
+ * on the last record written within the subtransaction.  If the last 
+ * record written is not accessible or if the subtransaction is empty,
+ * we must write out a pad record with JMASK_LAST set before popping.
+ *
+ * When popping a subtransaction the parent record's recsize field
+ * will be properly set.  If the parent pointer is no longer valid
+ * (which can occur if the data has already been flushed out to the
+ * stream), the protocol spec allows us to leave it 0.
+ *
+ * The saved parent pointer which we restore may or may not be valid,
+ * and if not valid may or may not be NULL, depending on the value
+ * of pushptrgood.
+ */
+void
+jrecord_pop(struct jrecord *jrec, struct journal_subrecord *save)
+{
+    struct journal_subrecord *last;
+
+    KKASSERT(jrec->pushcount > 0);
+    KKASSERT(jrec->residual == 0);
+
+    /*
+     * Set JMASK_LAST on the last record we wrote at the current
+     * level.  If last is NULL we either no longer have access to the
+     * record or the subtransaction was empty and we must write out a pad
+     * record.
+     */
+    if ((last = jrec->last) == NULL) {
+       jrecord_write(jrec, JLEAF_PAD|JMASK_LAST, 0);
+       last = jrec->last;      /* reload after possible flush */
+    } else {
+       last->rectype |= JMASK_LAST;
+    }
+
+    /*
+     * pushptrgood tells us how many levels of parent record pointers
+     * are valid.  The jrec only stores the current parent record pointer
+     * (and it is only valid if pushptrgood != 0).  The higher level parent
+     * record pointers are saved by the routines calling jrecord_push() and
+     * jrecord_pop().  These pointers may become stale and we determine
+     * that fact by tracking the count of valid parent pointers with 
+     * pushptrgood.  Pointers become invalid when their related stream
+     * record gets pushed out.
+     *
+     * If no pointer is available (the data has already been pushed out),
+     * then no fixup of e.g. the length field is possible for non-leaf
+     * nodes.  The protocol allows for this situation by placing a larger
+     * burden on the program scanning the stream on the other end.
+     *
+     * [parentA]
+     *   [node X]
+     *    [parentB]
+     *      [node Y]
+     *      [node Z]
+     *    (pop B)      see NOTE B
+     * (pop A)         see NOTE A
+     *
+     * NOTE B: This pop sets LAST in node Z if the node is still accessible,
+     *         else a PAD record is appended and LAST is set in that.
+     *
+     *         This pop sets the record size in parentB if parentB is still
+     *         accessible, else the record size is left 0 (the scanner must
+     *         deal with that).
+     *
+     *         This pop sets the new 'last' record to parentB, the pointer
+     *         to which may or may not still be accessible.
+     *
+     * NOTE A: This pop sets LAST in parentB if the node is still accessible,
+     *         else a PAD record is appended and LAST is set in that.
+     *
+     *         This pop sets the record size in parentA if parentA is still
+     *         accessible, else the record size is left 0 (the scanner must
+     *         deal with that).
+     *
+     *         This pop sets the new 'last' record to parentA, the pointer
+     *         to which may or may not still be accessible.
+     *
+     * Also note that the last record in the stream transaction, which in
+     * the above example is parentA, does not currently have the LAST bit
+     * set.
+     *
+     * The current parent becomes the last record relative to the
+     * saved parent passed into us.  It's validity is based on 
+     * whether pushptrgood is non-zero prior to decrementing.  The saved
+     * parent becomes the new parent, and its validity is based on whether
+     * pushptrgood is non-zero after decrementing.
+     *
+     * The old jrec->parent may be NULL if it is no longer accessible.
+     * If pushptrgood is non-zero, however, it is guarenteed to not
+     * be NULL (since no flush occured).
+     */
+    jrec->last = jrec->parent;
+    --jrec->pushcount;
+    if (jrec->pushptrgood) {
+       KKASSERT(jrec->last != NULL && last != NULL);
+       if (--jrec->pushptrgood == 0) {
+           jrec->parent = NULL;        /* 'save' contains garbage or NULL */
+       } else {
+           KKASSERT(save != NULL);
+           jrec->parent = save;        /* 'save' must not be NULL */
        }
-       lwkt_free_thread(&jo->thread); /* XXX SMP */
-       if (jo->fp)
-           fdrop(jo->fp, curthread);
-       if (jo->fifo.membase)
-           free(jo->fifo.membase, M_JFIFO);
-       free(jo, M_JOURNAL);
+
+       /*
+        * Set the record size in the old parent.  'last' still points to
+        * the original last record in the subtransaction being popped,
+        * jrec->last points to the old parent (which became the last
+        * record relative to the new parent being popped into).
+        */
+       jrec->last->recsize = (char *)last + last->recsize - (char *)jrec->last;
     } else {
-       error = EINVAL;
+       jrec->parent = NULL;
+       KKASSERT(jrec->last == NULL);
+    }
+}
+
+/*
+ * Write out a leaf record, including associated data.
+ */
+void
+jrecord_leaf(struct jrecord *jrec, int16_t rectype, void *ptr, int bytes)
+{
+    jrecord_write(jrec, rectype, bytes);
+    jrecord_data(jrec, ptr, bytes, JDATA_KERN);
+}
+
+void
+jrecord_leaf_uio(struct jrecord *jrec, int16_t rectype,
+                struct uio *uio)
+{
+    struct iovec *iov;
+    int i;
+
+    for (i = 0; i < uio->uio_iovcnt; ++i) {
+       iov = &uio->uio_iov[i];
+       if (iov->iov_len == 0)
+           continue;
+       if (uio->uio_segflg == UIO_SYSSPACE) {
+           jrecord_write(jrec, rectype, iov->iov_len);
+           jrecord_data(jrec, iov->iov_base, iov->iov_len, JDATA_KERN);
+       } else { /* UIO_USERSPACE */
+           jrecord_write(jrec, rectype, iov->iov_len);
+           jrecord_data(jrec, iov->iov_base, iov->iov_len, JDATA_USER);
+       }
     }
-    return (error);
 }
 
-static int
-journal_resync_vfs_journal(struct mount *mp, const void *ctl)
+void
+jrecord_leaf_xio(struct jrecord *jrec, int16_t rectype, xio_t xio)
+{
+    int bytes = xio->xio_npages * PAGE_SIZE;
+
+    jrecord_write(jrec, rectype, bytes);
+    jrecord_data(jrec, xio, bytes, JDATA_XIO);
+}
+
+/*
+ * Write a leaf record out and return a pointer to its base.  The leaf
+ * record may contain potentially megabytes of data which is supplied
+ * in jrecord_data() calls.  The exact amount must be specified in this
+ * call.
+ *
+ * THE RETURNED SUBRECORD POINTER IS ONLY VALID IMMEDIATELY AFTER THE
+ * CALL AND MAY BECOME INVALID AT ANY TIME.  ONLY THE PUSH/POP CODE SHOULD
+ * USE THE RETURN VALUE.
+ */
+struct journal_subrecord *
+jrecord_write(struct jrecord *jrec, int16_t rectype, int bytes)
 {
-    return(EINVAL);
+    struct journal_subrecord *last;
+    int pusheditout;
+
+    /*
+     * Try to catch some obvious errors.  Nesting records must specify a
+     * size of 0, and there should be no left-overs from previous operations
+     * (such as incomplete data writeouts).
+     */
+    KKASSERT(bytes == 0 || (rectype & JMASK_NESTED) == 0);
+    KKASSERT(jrec->residual == 0);
+
+    /*
+     * Check to see if the current stream record has enough room for
+     * the new subrecord header.  If it doesn't we extend the current
+     * stream record.
+     *
+     * This may have the side effect of pushing out the current stream record
+     * and creating a new one.  We must adjust our stream tracking fields
+     * accordingly.
+     */
+    if (jrec->stream_residual < sizeof(struct journal_subrecord)) {
+       jrec->stream_ptr = journal_extend(jrec->jo, &jrec->rawp,
+                               jrec->stream_reserved - jrec->stream_residual,
+                               JREC_DEFAULTSIZE, &pusheditout);
+       if (pusheditout) {
+           /*
+            * If a pushout occured, the pushed out stream record was
+            * truncated as specified and the new record is exactly the
+            * extension size specified.
+            */
+           jrec->stream_reserved = JREC_DEFAULTSIZE;
+           jrec->stream_residual = JREC_DEFAULTSIZE;
+           jrec->parent = NULL;        /* no longer accessible */
+           jrec->pushptrgood = 0;      /* restored parents in pops no good */
+       } else {
+           /*
+            * If no pushout occured the stream record is NOT truncated and
+            * IS extended.
+            */
+           jrec->stream_reserved += JREC_DEFAULTSIZE;
+           jrec->stream_residual += JREC_DEFAULTSIZE;
+       }
+    }
+    last = (void *)jrec->stream_ptr;
+    last->rectype = rectype;
+    last->reserved = 0;
+
+    /*
+     * We may not know the record size for recursive records and the 
+     * header may become unavailable due to limited FIFO space.  Write
+     * -1 to indicate this special case.
+     */
+    if ((rectype & JMASK_NESTED) && bytes == 0)
+       last->recsize = -1;
+    else
+       last->recsize = sizeof(struct journal_subrecord) + bytes;
+    jrec->last = last;
+    jrec->residual = bytes;            /* remaining data to be posted */
+    jrec->residual_align = -bytes & 7; /* post-data alignment required */
+    jrec->stream_ptr += sizeof(*last); /* current write pointer */
+    jrec->stream_residual -= sizeof(*last); /* space remaining in stream */
+    return(last);
 }
 
+/*
+ * Write out the data associated with a leaf record.  Any number of calls
+ * to this routine may be made as long as the byte count adds up to the
+ * amount originally specified in jrecord_write().
+ *
+ * The act of writing out the leaf data may result in numerous stream records
+ * being pushed out.   Callers should be aware that even the associated
+ * subrecord header may become inaccessible due to stream record pushouts.
+ */
 static void
-journal_thread(void *info)
+jrecord_data(struct jrecord *jrec, void *buf, int bytes, int dtype)
 {
-    struct journal *jo = info;
-    int bytes;
-    int error;
-    int res;
+    int pusheditout;
+    int extsize;
+    int xio_offset = 0;
 
-    for (;;) {
-       bytes = (jo->fifo.windex - jo->fifo.rindex) & jo->fifo.mask;
-       if (bytes == 0 || (jo->flags & MC_JOURNAL_STOP_IMM)) {
-           if (jo->flags & MC_JOURNAL_STOP_REQ)
-               break;
-           tsleep(&jo->fifo, 0, "jfifo", 0); /* XXX add heartbeat */
+    KKASSERT(bytes >= 0 && bytes <= jrec->residual);
+
+    /*
+     * Push out stream records as long as there is insufficient room to hold
+     * the remaining data.
+     */
+    while (jrec->stream_residual < bytes) {
+       /*
+        * Fill in any remaining space in the current stream record.
+        */
+       switch (dtype) {
+       case JDATA_KERN:
+           bcopy(buf, jrec->stream_ptr, jrec->stream_residual);
+           break;
+       case JDATA_USER:
+           copyin(buf, jrec->stream_ptr, jrec->stream_residual);
+           break;
+       case JDATA_XIO:
+           xio_copy_xtok((xio_t)buf, xio_offset, jrec->stream_ptr,
+                         jrec->stream_residual);
+           xio_offset += jrec->stream_residual;
+           break;
        }
-       if (bytes > jo->fifo.size - jo->fifo.windex)
-           bytes = jo->fifo.size - jo->fifo.windex;
-       error = fp_write(jo->fp, jo->fifo.membase + jo->fifo.rindex, bytes, &res);
-       if (error) {
-           printf("journal_thread(%s) write, error %d\n", jo->id, error);
-           jo->fifo.rindex = jo->fifo.windex; /* XXX flag out-of-sync */
+       if (dtype != JDATA_XIO)
+           buf = (char *)buf + jrec->stream_residual;
+       bytes -= jrec->stream_residual;
+       /*jrec->stream_ptr += jrec->stream_residual;*/
+       jrec->residual -= jrec->stream_residual;
+       jrec->stream_residual = 0;
+
+       /*
+        * Try to extend the current stream record, but no more then 1/4
+        * the size of the FIFO.
+        */
+       extsize = jrec->jo->fifo.size >> 2;
+       if (extsize > bytes)
+           extsize = (bytes + 15) & ~15;
+
+       jrec->stream_ptr = journal_extend(jrec->jo, &jrec->rawp,
+                               jrec->stream_reserved - jrec->stream_residual,
+                               extsize, &pusheditout);
+       if (pusheditout) {
+           jrec->stream_reserved = extsize;
+           jrec->stream_residual = extsize;
+           jrec->parent = NULL;        /* no longer accessible */
+           jrec->last = NULL;          /* no longer accessible */
+           jrec->pushptrgood = 0;      /* restored parents in pops no good */
        } else {
-           printf("journal_thread(%s) write %d\n", jo->id, res);
-           jo->fifo.rindex = (jo->fifo.rindex + res) & jo->fifo.mask;
-           if (jo->flags & MC_JOURNAL_WWAIT) {
-               jo->flags &= ~MC_JOURNAL_WWAIT; /* XXX hysteresis */
-               wakeup(&jo->fifo.windex);
-           }
+           jrec->stream_reserved += extsize;
+           jrec->stream_residual += extsize;
        }
     }
-    jo->flags &= ~MC_JOURNAL_ACTIVE;
-    wakeup(jo);
-    wakeup(&jo->fifo.windex);
+
+    /*
+     * Push out any remaining bytes into the current stream record.
+     */
+    if (bytes) {
+       switch (dtype) {
+       case JDATA_KERN:
+           bcopy(buf, jrec->stream_ptr, bytes);
+           break;
+       case JDATA_USER:
+           copyin(buf, jrec->stream_ptr, bytes);
+           break;
+       case JDATA_XIO:
+           xio_copy_xtok((xio_t)buf, xio_offset, jrec->stream_ptr, bytes);
+           break;
+       }
+       jrec->stream_ptr += bytes;
+       jrec->stream_residual -= bytes;
+       jrec->residual -= bytes;
+    }
+
+    /*
+     * Handle data alignment requirements for the subrecord.  Because the
+     * stream record's data space is more strictly aligned, it must already
+     * have sufficient space to hold any subrecord alignment slop.
+     */
+    if (jrec->residual == 0 && jrec->residual_align) {
+       KKASSERT(jrec->residual_align <= jrec->stream_residual);
+       bzero(jrec->stream_ptr, jrec->residual_align);
+       jrec->stream_ptr += jrec->residual_align;
+       jrec->stream_residual -= jrec->residual_align;
+       jrec->residual_align = 0;
+    }
 }
 
-static 
-void 
-journal_write_record(struct journal *jo, const char *ctl, 
-                    const char *buf, int bytes)
+/*
+ * We are finished with the transaction.  This closes the transaction created
+ * by jrecord_init().
+ *
+ * NOTE: If abortit is not set then we must be at the top level with no
+ *      residual subrecord data left to output.
+ *
+ *      If abortit is set then we can be in any state, all pushes will be 
+ *      popped and it is ok for there to be residual data.  This works 
+ *      because the virtual stream itself is truncated.  Scanners must deal
+ *      with this situation.
+ *
+ * The stream record will be committed or aborted as specified and jrecord
+ * resources will be cleaned up.
+ */
+void
+jrecord_done(struct jrecord *jrec, int abortit)
 {
-    char head[64];
-
-    if (jo->flags & MC_JOURNAL_STOP_REQ)
-       return;
-    snprintf(head, sizeof(head), "%016llx %s\n", jo->transid, ctl);
-    /* XXX locking (token) or cmpexgl space reservation */
-    ++jo->transid;     /* XXX embed nanotime, force monotonic */
-    journal_write(jo, head, strlen(head));
-    if (bytes)
-       journal_write(jo, buf, bytes);
+    KKASSERT(jrec->rawp != NULL);
+
+    if (abortit) {
+       journal_abort(jrec->jo, &jrec->rawp);
+    } else {
+       KKASSERT(jrec->pushcount == 0 && jrec->residual == 0);
+       journal_commit(jrec->jo, &jrec->rawp, 
+                       jrec->stream_reserved - jrec->stream_residual, 1);
+    }
+
+    /*
+     * jrec should not be used beyond this point without another init,
+     * but clean up some fields to ensure that we panic if it is.
+     *
+     * Note that jrec->rawp is NULLd out by journal_abort/journal_commit.
+     */
+    jrec->jo = NULL;
+    jrec->stream_ptr = NULL;
 }
 
-static
+/************************************************************************
+ *                     LOW LEVEL RECORD SUPPORT ROUTINES               *
+ ************************************************************************
+ *
+ * These routine create low level recursive and leaf subrecords representing
+ * common filesystem structures.
+ */
+
+/*
+ * Write out a filename path relative to the base of the mount point.
+ * rectype is typically JLEAF_PATH{1,2,3,4}.
+ */
 void
-journal_write(struct journal *jo, const char *buf, int bytes)
+jrecord_write_path(struct jrecord *jrec, int16_t rectype, struct namecache *ncp)
 {
-    int avail;
+    char buf[64];      /* local buffer if it fits, else malloced */
+    char *base;
+    int pathlen;
+    int index;
+    struct namecache *scan;
 
-    while (bytes && (jo->flags & MC_JOURNAL_ACTIVE)) {
-       avail = (jo->fifo.windex - jo->fifo.rindex) & jo->fifo.mask;
-       avail = jo->fifo.size - avail - 1;
-       if (avail == 0) {
-           if (jo->flags & MC_JOURNAL_STOP_IMM)
-               break;
-           jo->flags |= MC_JOURNAL_WWAIT;
-           tsleep(&jo->fifo.windex, 0, "jwrite", 0);
+    /*
+     * Pass 1 - figure out the number of bytes required.  Include terminating
+     *                \0 on last element and '/' separator on other elements.
+     *
+     * The namecache topology terminates at the root of the filesystem
+     * (the normal lookup code would then continue by using the mount
+     * structure to figure out what it was mounted on).
+     */
+again:
+    pathlen = 0;
+    for (scan = ncp; scan; scan = scan->nc_parent) {
+       if (scan->nc_nlen > 0)
+           pathlen += scan->nc_nlen + 1;
+    }
+
+    if (pathlen <= sizeof(buf))
+       base = buf;
+    else
+       base = kmalloc(pathlen, M_TEMP, M_INTWAIT);
+
+    /*
+     * Pass 2 - generate the path buffer
+     */
+    index = pathlen;
+    for (scan = ncp; scan; scan = scan->nc_parent) {
+       if (scan->nc_nlen == 0)
            continue;
+       if (scan->nc_nlen >= index) {
+           if (base != buf)
+               kfree(base, M_TEMP);
+           goto again;
        }
-       if (avail > jo->fifo.size - jo->fifo.windex)
-           avail = jo->fifo.size - jo->fifo.windex;
-       if (avail > bytes)
-           avail = bytes;
-       bcopy(buf, jo->fifo.membase + jo->fifo.windex, avail);
-       bytes -= avail;
-       jo->fifo.windex = (jo->fifo.windex + avail) & jo->fifo.mask;
-       tsleep(&jo->fifo, 0, "jfifo", 0);       /* XXX hysteresis */
+       if (index == pathlen)
+           base[--index] = 0;
+       else
+           base[--index] = '/';
+       index -= scan->nc_nlen;
+       bcopy(scan->nc_name, base + index, scan->nc_nlen);
     }
+    jrecord_leaf(jrec, rectype, base + index, pathlen - index);
+    if (base != buf)
+       kfree(base, M_TEMP);
 }
 
-/************************************************************************
- *                     JOURNAL VNOPS                                   *
- ************************************************************************/
+/*
+ * Write out a file attribute structure.  While somewhat inefficient, using
+ * a recursive data structure is the most portable and extensible way.
+ */
+void
+jrecord_write_vattr(struct jrecord *jrec, struct vattr *vat)
+{
+    void *save;
 
-static
-int
-journal_nmkdir(struct vop_nmkdir_args *ap)
+    save = jrecord_push(jrec, JTYPE_VATTR);
+    if (vat->va_type != VNON)
+       jrecord_leaf(jrec, JLEAF_VTYPE, &vat->va_type, sizeof(vat->va_type));
+    if (vat->va_mode != (mode_t)VNOVAL)
+       jrecord_leaf(jrec, JLEAF_MODES, &vat->va_mode, sizeof(vat->va_mode));
+    if (vat->va_nlink != VNOVAL)
+       jrecord_leaf(jrec, JLEAF_NLINK, &vat->va_nlink, sizeof(vat->va_nlink));
+    if (vat->va_uid != VNOVAL)
+       jrecord_leaf(jrec, JLEAF_UID, &vat->va_uid, sizeof(vat->va_uid));
+    if (vat->va_gid != VNOVAL)
+       jrecord_leaf(jrec, JLEAF_GID, &vat->va_gid, sizeof(vat->va_gid));
+    if (vat->va_fsid != VNOVAL)
+       jrecord_leaf(jrec, JLEAF_FSID, &vat->va_fsid, sizeof(vat->va_fsid));
+    if (vat->va_fileid != VNOVAL)
+       jrecord_leaf(jrec, JLEAF_INUM, &vat->va_fileid, sizeof(vat->va_fileid));
+    if (vat->va_size != VNOVAL)
+       jrecord_leaf(jrec, JLEAF_SIZE, &vat->va_size, sizeof(vat->va_size));
+    if (vat->va_atime.tv_sec != VNOVAL)
+       jrecord_leaf(jrec, JLEAF_ATIME, &vat->va_atime, sizeof(vat->va_atime));
+    if (vat->va_mtime.tv_sec != VNOVAL)
+       jrecord_leaf(jrec, JLEAF_MTIME, &vat->va_mtime, sizeof(vat->va_mtime));
+    if (vat->va_ctime.tv_sec != VNOVAL)
+       jrecord_leaf(jrec, JLEAF_CTIME, &vat->va_ctime, sizeof(vat->va_ctime));
+    if (vat->va_gen != VNOVAL)
+       jrecord_leaf(jrec, JLEAF_GEN, &vat->va_gen, sizeof(vat->va_gen));
+    if (vat->va_flags != VNOVAL)
+       jrecord_leaf(jrec, JLEAF_FLAGS, &vat->va_flags, sizeof(vat->va_flags));
+    if (vat->va_rmajor != VNOVAL) {
+       udev_t rdev = makeudev(vat->va_rmajor, vat->va_rminor);
+       jrecord_leaf(jrec, JLEAF_UDEV, &rdev, sizeof(rdev));
+       jrecord_leaf(jrec, JLEAF_UMAJOR, &vat->va_rmajor, sizeof(vat->va_rmajor));
+       jrecord_leaf(jrec, JLEAF_UMINOR, &vat->va_rminor, sizeof(vat->va_rminor));
+    }
+#if 0
+    if (vat->va_filerev != VNOVAL)
+       jrecord_leaf(jrec, JLEAF_FILEREV, &vat->va_filerev, sizeof(vat->va_filerev));
+#endif
+    jrecord_pop(jrec, save);
+}
+
+/*
+ * Write out the creds used to issue a file operation.  If a process is
+ * available write out additional tracking information related to the 
+ * process.
+ *
+ * XXX additional tracking info
+ * XXX tty line info
+ */
+void
+jrecord_write_cred(struct jrecord *jrec, struct thread *td, struct ucred *cred)
 {
+    void *save;
+    struct proc *p;
+
+    save = jrecord_push(jrec, JTYPE_CRED);
+    jrecord_leaf(jrec, JLEAF_UID, &cred->cr_uid, sizeof(cred->cr_uid));
+    jrecord_leaf(jrec, JLEAF_GID, &cred->cr_gid, sizeof(cred->cr_gid));
+    if (td && (p = td->td_proc) != NULL) {
+       jrecord_leaf(jrec, JLEAF_PID, &p->p_pid, sizeof(p->p_pid));
+       jrecord_leaf(jrec, JLEAF_COMM, p->p_comm, sizeof(p->p_comm));
+    }
+    jrecord_pop(jrec, save);
+}
+
+/*
+ * Write out information required to identify a vnode
+ *
+ * XXX this needs work.  We should write out the inode number as well,
+ * and in fact avoid writing out the file path for seqential writes
+ * occuring within e.g. a certain period of time.
+ */
+void
+jrecord_write_vnode_ref(struct jrecord *jrec, struct vnode *vp)
+{
+    struct nchandle nch;
+
+    nch.mount = vp->v_mount;
+    spin_lock(&vp->v_spin);
+    TAILQ_FOREACH(nch.ncp, &vp->v_namecache, nc_vnode) {
+       if ((nch.ncp->nc_flag & (NCF_UNRESOLVED|NCF_DESTROYED)) == 0)
+           break;
+    }
+    if (nch.ncp) {
+       cache_hold(&nch);
+       spin_unlock(&vp->v_spin);
+       jrecord_write_path(jrec, JLEAF_PATH_REF, nch.ncp);
+       cache_drop(&nch);
+    } else {
+       spin_unlock(&vp->v_spin);
+    }
+}
+
+void
+jrecord_write_vnode_link(struct jrecord *jrec, struct vnode *vp, 
+                        struct namecache *notncp)
+{
+    struct nchandle nch;
+
+    nch.mount = vp->v_mount;
+    spin_lock(&vp->v_spin);
+    TAILQ_FOREACH(nch.ncp, &vp->v_namecache, nc_vnode) {
+       if (nch.ncp == notncp)
+           continue;
+       if ((nch.ncp->nc_flag & (NCF_UNRESOLVED|NCF_DESTROYED)) == 0)
+           break;
+    }
+    if (nch.ncp) {
+       cache_hold(&nch);
+       spin_unlock(&vp->v_spin);
+       jrecord_write_path(jrec, JLEAF_PATH_REF, nch.ncp);
+       cache_drop(&nch);
+    } else {
+       spin_unlock(&vp->v_spin);
+    }
+}
+
+/*
+ * Write out the data represented by a pagelist
+ */
+void
+jrecord_write_pagelist(struct jrecord *jrec, int16_t rectype,
+                       struct vm_page **pglist, int *rtvals, int pgcount,
+                       off_t offset)
+{
+    struct xio xio;
     int error;
+    int b;
+    int i;
 
-    printf("JMKDIR %s\n", ap->a_ncp->nc_name);
-    error = vop_journal_operate_ap(&ap->a_head);
-    return (error);
+    i = 0;
+    xio_init(&xio);
+    while (i < pgcount) {
+       /*
+        * Find the next valid section.  Skip any invalid elements
+        */
+       if (rtvals[i] != VM_PAGER_OK) {
+           ++i;
+           offset += PAGE_SIZE;
+           continue;
+       }
+
+       /*
+        * Figure out how big the valid section is, capping I/O at what the
+        * MSFBUF can represent.
+        */
+       b = i;
+       while (i < pgcount && i - b != XIO_INTERNAL_PAGES && 
+              rtvals[i] == VM_PAGER_OK
+       ) {
+           ++i;
+       }
+
+       /*
+        * And write it out.
+        */
+       if (i - b) {
+           error = xio_init_pages(&xio, pglist + b, i - b, XIOF_READ);
+           if (error == 0) {
+               jrecord_leaf(jrec, JLEAF_SEEKPOS, &offset, sizeof(offset));
+               jrecord_leaf_xio(jrec, rectype, &xio);
+           } else {
+               kprintf("jrecord_write_pagelist: xio init failure\n");
+           }
+           xio_release(&xio);
+           offset += (off_t)(i - b) << PAGE_SHIFT;
+       }
+    }
+}
+
+/*
+ * Write out the data represented by a UIO.
+ */
+void
+jrecord_write_uio(struct jrecord *jrec, int16_t rectype, struct uio *uio)
+{
+    if (uio->uio_segflg != UIO_NOCOPY) {
+       jrecord_leaf(jrec, JLEAF_SEEKPOS, &uio->uio_offset, 
+                    sizeof(uio->uio_offset));
+       jrecord_leaf_uio(jrec, rectype, uio);
+    }
+}
+
+void
+jrecord_file_data(struct jrecord *jrec, struct vnode *vp, 
+                 off_t off, off_t bytes)
+{
+    const int bufsize = 8192;
+    char *buf;
+    int error;
+    int n;
+
+    buf = kmalloc(bufsize, M_JOURNAL, M_WAITOK);
+    jrecord_leaf(jrec, JLEAF_SEEKPOS, &off, sizeof(off));
+    while (bytes) {
+       n = (bytes > bufsize) ? bufsize : (int)bytes;
+       error = vn_rdwr(UIO_READ, vp, buf, n, off, UIO_SYSSPACE, IO_NODELOCKED,
+                       proc0.p_ucred, NULL);
+       if (error) {
+           jrecord_leaf(jrec, JLEAF_ERROR, &error, sizeof(error));
+           break;
+       }
+       jrecord_leaf(jrec, JLEAF_FILEDATA, buf, n);
+       bytes -= n;
+       off += n;
+    }
+    kfree(buf, M_JOURNAL);
 }