oom: badness heuristic rewrite
authorDavid Rientjes <rientjes@google.com>
Tue, 10 Aug 2010 00:19:46 +0000 (17:19 -0700)
committerLinus Torvalds <torvalds@linux-foundation.org>
Tue, 10 Aug 2010 03:45:02 +0000 (20:45 -0700)
This a complete rewrite of the oom killer's badness() heuristic which is
used to determine which task to kill in oom conditions.  The goal is to
make it as simple and predictable as possible so the results are better
understood and we end up killing the task which will lead to the most
memory freeing while still respecting the fine-tuning from userspace.

Instead of basing the heuristic on mm->total_vm for each task, the task's
rss and swap space is used instead.  This is a better indication of the
amount of memory that will be freeable if the oom killed task is chosen
and subsequently exits.  This helps specifically in cases where KDE or
GNOME is chosen for oom kill on desktop systems instead of a memory
hogging task.

The baseline for the heuristic is a proportion of memory that each task is
currently using in memory plus swap compared to the amount of "allowable"
memory.  "Allowable," in this sense, means the system-wide resources for
unconstrained oom conditions, the set of mempolicy nodes, the mems
attached to current's cpuset, or a memory controller's limit.  The
proportion is given on a scale of 0 (never kill) to 1000 (always kill),
roughly meaning that if a task has a badness() score of 500 that the task
consumes approximately 50% of allowable memory resident in RAM or in swap
space.

The proportion is always relative to the amount of "allowable" memory and
not the total amount of RAM systemwide so that mempolicies and cpusets may
operate in isolation; they shall not need to know the true size of the
machine on which they are running if they are bound to a specific set of
nodes or mems, respectively.

Root tasks are given 3% extra memory just like __vm_enough_memory()
provides in LSMs.  In the event of two tasks consuming similar amounts of
memory, it is generally better to save root's task.

Because of the change in the badness() heuristic's baseline, it is also
necessary to introduce a new user interface to tune it.  It's not possible
to redefine the meaning of /proc/pid/oom_adj with a new scale since the
ABI cannot be changed for backward compatability.  Instead, a new tunable,
/proc/pid/oom_score_adj, is added that ranges from -1000 to +1000.  It may
be used to polarize the heuristic such that certain tasks are never
considered for oom kill while others may always be considered.  The value
is added directly into the badness() score so a value of -500, for
example, means to discount 50% of its memory consumption in comparison to
other tasks either on the system, bound to the mempolicy, in the cpuset,
or sharing the same memory controller.

/proc/pid/oom_adj is changed so that its meaning is rescaled into the
units used by /proc/pid/oom_score_adj, and vice versa.  Changing one of
these per-task tunables will rescale the value of the other to an
equivalent meaning.  Although /proc/pid/oom_adj was originally defined as
a bitshift on the badness score, it now shares the same linear growth as
/proc/pid/oom_score_adj but with different granularity.  This is required
so the ABI is not broken with userspace applications and allows oom_adj to
be deprecated for future removal.

Signed-off-by: David Rientjes <rientjes@google.com>
Cc: Nick Piggin <npiggin@suse.de>
Cc: KAMEZAWA Hiroyuki <kamezawa.hiroyu@jp.fujitsu.com>
Cc: KOSAKI Motohiro <kosaki.motohiro@jp.fujitsu.com>
Cc: Oleg Nesterov <oleg@redhat.com>
Cc: Balbir Singh <balbir@in.ibm.com>
Signed-off-by: Andrew Morton <akpm@linux-foundation.org>
Signed-off-by: Linus Torvalds <torvalds@linux-foundation.org>
Documentation/filesystems/proc.txt
fs/proc/base.c
include/linux/memcontrol.h
include/linux/oom.h
include/linux/sched.h
kernel/fork.c
mm/memcontrol.c
mm/oom_kill.c

index 8fe8895894d83463038b876ff078ba1c44a4c9b0..cf1295c2bb66dc59a08a1a377b87a1889ca7df01 100644 (file)
@@ -33,7 +33,8 @@ Table of Contents
   2    Modifying System Parameters
 
   3    Per-Process Parameters
-  3.1  /proc/<pid>/oom_adj - Adjust the oom-killer score
+  3.1  /proc/<pid>/oom_adj & /proc/<pid>/oom_score_adj - Adjust the oom-killer
+                                                               score
   3.2  /proc/<pid>/oom_score - Display current oom-killer score
   3.3  /proc/<pid>/io - Display the IO accounting fields
   3.4  /proc/<pid>/coredump_filter - Core dump filtering settings
@@ -1234,42 +1235,61 @@ of the kernel.
 CHAPTER 3: PER-PROCESS PARAMETERS
 ------------------------------------------------------------------------------
 
-3.1 /proc/<pid>/oom_adj - Adjust the oom-killer score
-------------------------------------------------------
-
-This file can be used to adjust the score used to select which processes
-should be killed in an  out-of-memory  situation.  Giving it a high score will
-increase the likelihood of this process being killed by the oom-killer.  Valid
-values are in the range -16 to +15, plus the special value -17, which disables
-oom-killing altogether for this process.
-
-The process to be killed in an out-of-memory situation is selected among all others
-based on its badness score. This value equals the original memory size of the process
-and is then updated according to its CPU time (utime + stime) and the
-run time (uptime - start time). The longer it runs the smaller is the score.
-Badness score is divided by the square root of the CPU time and then by
-the double square root of the run time.
-
-Swapped out tasks are killed first. Half of each child's memory size is added to
-the parent's score if they do not share the same memory. Thus forking servers
-are the prime candidates to be killed. Having only one 'hungry' child will make
-parent less preferable than the child.
-
-/proc/<pid>/oom_score shows process' current badness score.
-
-The following heuristics are then applied:
- * if the task was reniced, its score doubles
- * superuser or direct hardware access tasks (CAP_SYS_ADMIN, CAP_SYS_RESOURCE
-       or CAP_SYS_RAWIO) have their score divided by 4
- * if oom condition happened in one cpuset and checked process does not belong
-       to it, its score is divided by 8
- * the resulting score is multiplied by two to the power of oom_adj, i.e.
-       points <<= oom_adj when it is positive and
-       points >>= -(oom_adj) otherwise
-
-The task with the highest badness score is then selected and its children
-are killed, process itself will be killed in an OOM situation when it does
-not have children or some of them disabled oom like described above.
+3.1 /proc/<pid>/oom_adj & /proc/<pid>/oom_score_adj- Adjust the oom-killer score
+--------------------------------------------------------------------------------
+
+These file can be used to adjust the badness heuristic used to select which
+process gets killed in out of memory conditions.
+
+The badness heuristic assigns a value to each candidate task ranging from 0
+(never kill) to 1000 (always kill) to determine which process is targeted.  The
+units are roughly a proportion along that range of allowed memory the process
+may allocate from based on an estimation of its current memory and swap use.
+For example, if a task is using all allowed memory, its badness score will be
+1000.  If it is using half of its allowed memory, its score will be 500.
+
+There is an additional factor included in the badness score: root
+processes are given 3% extra memory over other tasks.
+
+The amount of "allowed" memory depends on the context in which the oom killer
+was called.  If it is due to the memory assigned to the allocating task's cpuset
+being exhausted, the allowed memory represents the set of mems assigned to that
+cpuset.  If it is due to a mempolicy's node(s) being exhausted, the allowed
+memory represents the set of mempolicy nodes.  If it is due to a memory
+limit (or swap limit) being reached, the allowed memory is that configured
+limit.  Finally, if it is due to the entire system being out of memory, the
+allowed memory represents all allocatable resources.
+
+The value of /proc/<pid>/oom_score_adj is added to the badness score before it
+is used to determine which task to kill.  Acceptable values range from -1000
+(OOM_SCORE_ADJ_MIN) to +1000 (OOM_SCORE_ADJ_MAX).  This allows userspace to
+polarize the preference for oom killing either by always preferring a certain
+task or completely disabling it.  The lowest possible value, -1000, is
+equivalent to disabling oom killing entirely for that task since it will always
+report a badness score of 0.
+
+Consequently, it is very simple for userspace to define the amount of memory to
+consider for each task.  Setting a /proc/<pid>/oom_score_adj value of +500, for
+example, is roughly equivalent to allowing the remainder of tasks sharing the
+same system, cpuset, mempolicy, or memory controller resources to use at least
+50% more memory.  A value of -500, on the other hand, would be roughly
+equivalent to discounting 50% of the task's allowed memory from being considered
+as scoring against the task.
+
+For backwards compatibility with previous kernels, /proc/<pid>/oom_adj may also
+be used to tune the badness score.  Its acceptable values range from -16
+(OOM_ADJUST_MIN) to +15 (OOM_ADJUST_MAX) and a special value of -17
+(OOM_DISABLE) to disable oom killing entirely for that task.  Its value is
+scaled linearly with /proc/<pid>/oom_score_adj.
+
+Writing to /proc/<pid>/oom_score_adj or /proc/<pid>/oom_adj will change the
+other with its scaled value.
+
+Caveat: when a parent task is selected, the oom killer will sacrifice any first
+generation children with seperate address spaces instead, if possible.  This
+avoids servers and important system daemons from being killed and loses the
+minimal amount of work.
+
 
 3.2 /proc/<pid>/oom_score - Display current oom-killer score
 -------------------------------------------------------------
index 5949d0ac30f2d8b6f0b3a3027a0872c4244f49c6..f923b728388ae2ee1e75d54dd127c6288f120683 100644 (file)
@@ -63,6 +63,7 @@
 #include <linux/namei.h>
 #include <linux/mnt_namespace.h>
 #include <linux/mm.h>
+#include <linux/swap.h>
 #include <linux/rcupdate.h>
 #include <linux/kallsyms.h>
 #include <linux/stacktrace.h>
@@ -430,12 +431,11 @@ static const struct file_operations proc_lstats_operations = {
 static int proc_oom_score(struct task_struct *task, char *buffer)
 {
        unsigned long points = 0;
-       struct timespec uptime;
 
-       do_posix_clock_monotonic_gettime(&uptime);
        read_lock(&tasklist_lock);
        if (pid_alive(task))
-               points = badness(task, NULL, NULL, uptime.tv_sec);
+               points = oom_badness(task, NULL, NULL,
+                                       totalram_pages + total_swap_pages);
        read_unlock(&tasklist_lock);
        return sprintf(buffer, "%lu\n", points);
 }
@@ -1038,7 +1038,15 @@ static ssize_t oom_adjust_write(struct file *file, const char __user *buf,
        }
 
        task->signal->oom_adj = oom_adjust;
-
+       /*
+        * Scale /proc/pid/oom_score_adj appropriately ensuring that a maximum
+        * value is always attainable.
+        */
+       if (task->signal->oom_adj == OOM_ADJUST_MAX)
+               task->signal->oom_score_adj = OOM_SCORE_ADJ_MAX;
+       else
+               task->signal->oom_score_adj = (oom_adjust * OOM_SCORE_ADJ_MAX) /
+                                                               -OOM_DISABLE;
        unlock_task_sighand(task, &flags);
        put_task_struct(task);
 
@@ -1051,6 +1059,82 @@ static const struct file_operations proc_oom_adjust_operations = {
        .llseek         = generic_file_llseek,
 };
 
+static ssize_t oom_score_adj_read(struct file *file, char __user *buf,
+                                       size_t count, loff_t *ppos)
+{
+       struct task_struct *task = get_proc_task(file->f_path.dentry->d_inode);
+       char buffer[PROC_NUMBUF];
+       int oom_score_adj = OOM_SCORE_ADJ_MIN;
+       unsigned long flags;
+       size_t len;
+
+       if (!task)
+               return -ESRCH;
+       if (lock_task_sighand(task, &flags)) {
+               oom_score_adj = task->signal->oom_score_adj;
+               unlock_task_sighand(task, &flags);
+       }
+       put_task_struct(task);
+       len = snprintf(buffer, sizeof(buffer), "%d\n", oom_score_adj);
+       return simple_read_from_buffer(buf, count, ppos, buffer, len);
+}
+
+static ssize_t oom_score_adj_write(struct file *file, const char __user *buf,
+                                       size_t count, loff_t *ppos)
+{
+       struct task_struct *task;
+       char buffer[PROC_NUMBUF];
+       unsigned long flags;
+       long oom_score_adj;
+       int err;
+
+       memset(buffer, 0, sizeof(buffer));
+       if (count > sizeof(buffer) - 1)
+               count = sizeof(buffer) - 1;
+       if (copy_from_user(buffer, buf, count))
+               return -EFAULT;
+
+       err = strict_strtol(strstrip(buffer), 0, &oom_score_adj);
+       if (err)
+               return -EINVAL;
+       if (oom_score_adj < OOM_SCORE_ADJ_MIN ||
+                       oom_score_adj > OOM_SCORE_ADJ_MAX)
+               return -EINVAL;
+
+       task = get_proc_task(file->f_path.dentry->d_inode);
+       if (!task)
+               return -ESRCH;
+       if (!lock_task_sighand(task, &flags)) {
+               put_task_struct(task);
+               return -ESRCH;
+       }
+       if (oom_score_adj < task->signal->oom_score_adj &&
+                       !capable(CAP_SYS_RESOURCE)) {
+               unlock_task_sighand(task, &flags);
+               put_task_struct(task);
+               return -EACCES;
+       }
+
+       task->signal->oom_score_adj = oom_score_adj;
+       /*
+        * Scale /proc/pid/oom_adj appropriately ensuring that OOM_DISABLE is
+        * always attainable.
+        */
+       if (task->signal->oom_score_adj == OOM_SCORE_ADJ_MIN)
+               task->signal->oom_adj = OOM_DISABLE;
+       else
+               task->signal->oom_adj = (oom_score_adj * OOM_ADJUST_MAX) /
+                                                       OOM_SCORE_ADJ_MAX;
+       unlock_task_sighand(task, &flags);
+       put_task_struct(task);
+       return count;
+}
+
+static const struct file_operations proc_oom_score_adj_operations = {
+       .read           = oom_score_adj_read,
+       .write          = oom_score_adj_write,
+};
+
 #ifdef CONFIG_AUDITSYSCALL
 #define TMPBUFLEN 21
 static ssize_t proc_loginuid_read(struct file * file, char __user * buf,
@@ -2623,6 +2707,7 @@ static const struct pid_entry tgid_base_stuff[] = {
 #endif
        INF("oom_score",  S_IRUGO, proc_oom_score),
        REG("oom_adj",    S_IRUGO|S_IWUSR, proc_oom_adjust_operations),
+       REG("oom_score_adj", S_IRUGO|S_IWUSR, proc_oom_score_adj_operations),
 #ifdef CONFIG_AUDITSYSCALL
        REG("loginuid",   S_IWUSR|S_IRUGO, proc_loginuid_operations),
        REG("sessionid",  S_IRUGO, proc_sessionid_operations),
@@ -2957,6 +3042,7 @@ static const struct pid_entry tid_base_stuff[] = {
 #endif
        INF("oom_score", S_IRUGO, proc_oom_score),
        REG("oom_adj",   S_IRUGO|S_IWUSR, proc_oom_adjust_operations),
+       REG("oom_score_adj", S_IRUGO|S_IWUSR, proc_oom_score_adj_operations),
 #ifdef CONFIG_AUDITSYSCALL
        REG("loginuid",  S_IWUSR|S_IRUGO, proc_loginuid_operations),
        REG("sessionid",  S_IRUSR, proc_sessionid_operations),
index 9f1afd361583f794e28bcdcd1e6ad20a5288e3af..73564cac38c77b31786caf1303f5b44582af0ee6 100644 (file)
@@ -125,6 +125,8 @@ void mem_cgroup_update_file_mapped(struct page *page, int val);
 unsigned long mem_cgroup_soft_limit_reclaim(struct zone *zone, int order,
                                                gfp_t gfp_mask, int nid,
                                                int zid);
+u64 mem_cgroup_get_limit(struct mem_cgroup *mem);
+
 #else /* CONFIG_CGROUP_MEM_RES_CTLR */
 struct mem_cgroup;
 
@@ -304,6 +306,12 @@ unsigned long mem_cgroup_soft_limit_reclaim(struct zone *zone, int order,
        return 0;
 }
 
+static inline
+u64 mem_cgroup_get_limit(struct mem_cgroup *mem)
+{
+       return 0;
+}
+
 #endif /* CONFIG_CGROUP_MEM_CONT */
 
 #endif /* _LINUX_MEMCONTROL_H */
index 40e5e3a6bc2018a2fee2bf43777ad749bce63101..73b8d7b6dd19055183206d25f336876073a7d0e7 100644 (file)
@@ -1,14 +1,24 @@
 #ifndef __INCLUDE_LINUX_OOM_H
 #define __INCLUDE_LINUX_OOM_H
 
-/* /proc/<pid>/oom_adj set to -17 protects from the oom-killer */
+/*
+ * /proc/<pid>/oom_adj set to -17 protects from the oom-killer
+ */
 #define OOM_DISABLE (-17)
 /* inclusive */
 #define OOM_ADJUST_MIN (-16)
 #define OOM_ADJUST_MAX 15
 
+/*
+ * /proc/<pid>/oom_score_adj set to OOM_SCORE_ADJ_MIN disables oom killing for
+ * pid.
+ */
+#define OOM_SCORE_ADJ_MIN      (-1000)
+#define OOM_SCORE_ADJ_MAX      1000
+
 #ifdef __KERNEL__
 
+#include <linux/sched.h>
 #include <linux/types.h>
 #include <linux/nodemask.h>
 
@@ -27,6 +37,8 @@ enum oom_constraint {
        CONSTRAINT_MEMCG,
 };
 
+extern unsigned int oom_badness(struct task_struct *p, struct mem_cgroup *mem,
+                       const nodemask_t *nodemask, unsigned long totalpages);
 extern int try_set_zonelist_oom(struct zonelist *zonelist, gfp_t gfp_flags);
 extern void clear_zonelist_oom(struct zonelist *zonelist, gfp_t gfp_flags);
 
index 9591907c4f79262e82089cfa5c1f1cae502d56e0..ce160d68f5e706fb3c157940e68ccac3627dccef 100644 (file)
@@ -621,7 +621,8 @@ struct signal_struct {
        struct tty_audit_buf *tty_audit_buf;
 #endif
 
-       int oom_adj;    /* OOM kill score adjustment (bit shift) */
+       int oom_adj;            /* OOM kill score adjustment (bit shift) */
+       int oom_score_adj;      /* OOM kill score adjustment */
 };
 
 /* Context switch must be unlocked if interrupts are to be enabled */
index a82a65cef741935adc51082640f63c9a5049b5ea..98b450876f93878b437bbbc6efe6abd1c4028b29 100644 (file)
@@ -899,6 +899,7 @@ static int copy_signal(unsigned long clone_flags, struct task_struct *tsk)
        tty_audit_fork(sig);
 
        sig->oom_adj = current->signal->oom_adj;
+       sig->oom_score_adj = current->signal->oom_score_adj;
 
        return 0;
 }
index 31abd1c2c0c5b2f3f9f1b5cb197a948cddb76596..de54ea0094a1be4e512b0ac602e28d2a3ac4a695 100644 (file)
@@ -1126,6 +1126,24 @@ static int mem_cgroup_count_children(struct mem_cgroup *mem)
        return num;
 }
 
+/*
+ * Return the memory (and swap, if configured) limit for a memcg.
+ */
+u64 mem_cgroup_get_limit(struct mem_cgroup *memcg)
+{
+       u64 limit;
+       u64 memsw;
+
+       limit = res_counter_read_u64(&memcg->res, RES_LIMIT) +
+                       total_swap_pages;
+       memsw = res_counter_read_u64(&memcg->memsw, RES_LIMIT);
+       /*
+        * If memsw is finite and limits the amount of swap space available
+        * to this memcg, return that limit.
+        */
+       return min(limit, memsw);
+}
+
 /*
  * Visit the first child (need not be the first child as per the ordering
  * of the cgroup list, since we track last_scanned_child) of @mem and use
index 0a4ca8a0234b5da6696235dd79c15ea1ed046a8f..d3def05a33d99f6699e6dd6ea9472e6e7da54443 100644 (file)
@@ -4,6 +4,8 @@
  *  Copyright (C)  1998,2000  Rik van Riel
  *     Thanks go out to Claus Fischer for some serious inspiration and
  *     for goading me into coding this file...
+ *  Copyright (C)  2010  Google, Inc.
+ *     Rewritten by David Rientjes
  *
  *  The routines in this file are used to kill a process when
  *  we're seriously out of memory. This gets called from __alloc_pages()
@@ -34,7 +36,6 @@ int sysctl_panic_on_oom;
 int sysctl_oom_kill_allocating_task;
 int sysctl_oom_dump_tasks = 1;
 static DEFINE_SPINLOCK(zone_scan_lock);
-/* #define DEBUG */
 
 #ifdef CONFIG_NUMA
 /**
@@ -140,137 +141,76 @@ static bool oom_unkillable_task(struct task_struct *p, struct mem_cgroup *mem,
 }
 
 /**
- * badness - calculate a numeric value for how bad this task has been
+ * oom_badness - heuristic function to determine which candidate task to kill
  * @p: task struct of which task we should calculate
- * @uptime: current uptime in seconds
+ * @totalpages: total present RAM allowed for page allocation
  *
- * The formula used is relatively simple and documented inline in the
- * function. The main rationale is that we want to select a good task
- * to kill when we run out of memory.
- *
- * Good in this context means that:
- * 1) we lose the minimum amount of work done
- * 2) we recover a large amount of memory
- * 3) we don't kill anything innocent of eating tons of memory
- * 4) we want to kill the minimum amount of processes (one)
- * 5) we try to kill the process the user expects us to kill, this
- *    algorithm has been meticulously tuned to meet the principle
- *    of least surprise ... (be careful when you change it)
+ * The heuristic for determining which task to kill is made to be as simple and
+ * predictable as possible.  The goal is to return the highest value for the
+ * task consuming the most memory to avoid subsequent oom failures.
  */
-unsigned long badness(struct task_struct *p, struct mem_cgroup *mem,
-                     const nodemask_t *nodemask, unsigned long uptime)
+unsigned int oom_badness(struct task_struct *p, struct mem_cgroup *mem,
+                     const nodemask_t *nodemask, unsigned long totalpages)
 {
-       unsigned long points, cpu_time, run_time;
-       struct task_struct *child;
-       struct task_struct *c, *t;
-       int oom_adj = p->signal->oom_adj;
-       struct task_cputime task_time;
-       unsigned long utime;
-       unsigned long stime;
+       int points;
 
        if (oom_unkillable_task(p, mem, nodemask))
                return 0;
-       if (oom_adj == OOM_DISABLE)
-               return 0;
 
        p = find_lock_task_mm(p);
        if (!p)
                return 0;
 
        /*
-        * The memory size of the process is the basis for the badness.
-        */
-       points = p->mm->total_vm;
-       task_unlock(p);
-
-       /*
-        * swapoff can easily use up all memory, so kill those first.
-        */
-       if (p->flags & PF_OOM_ORIGIN)
-               return ULONG_MAX;
-
-       /*
-        * Processes which fork a lot of child processes are likely
-        * a good choice. We add half the vmsize of the children if they
-        * have an own mm. This prevents forking servers to flood the
-        * machine with an endless amount of children. In case a single
-        * child is eating the vast majority of memory, adding only half
-        * to the parents will make the child our kill candidate of choice.
+        * Shortcut check for OOM_SCORE_ADJ_MIN so the entire heuristic doesn't
+        * need to be executed for something that cannot be killed.
         */
-       t = p;
-       do {
-               list_for_each_entry(c, &t->children, sibling) {
-                       child = find_lock_task_mm(c);
-                       if (child) {
-                               if (child->mm != p->mm)
-                                       points += child->mm->total_vm/2 + 1;
-                               task_unlock(child);
-                       }
-               }
-       } while_each_thread(p, t);
+       if (p->signal->oom_score_adj == OOM_SCORE_ADJ_MIN) {
+               task_unlock(p);
+               return 0;
+       }
 
        /*
-        * CPU time is in tens of seconds and run time is in thousands
-         * of seconds. There is no particular reason for this other than
-         * that it turned out to work very well in practice.
+        * When the PF_OOM_ORIGIN bit is set, it indicates the task should have
+        * priority for oom killing.
         */
-       thread_group_cputime(p, &task_time);
-       utime = cputime_to_jiffies(task_time.utime);
-       stime = cputime_to_jiffies(task_time.stime);
-       cpu_time = (utime + stime) >> (SHIFT_HZ + 3);
-
-
-       if (uptime >= p->start_time.tv_sec)
-               run_time = (uptime - p->start_time.tv_sec) >> 10;
-       else
-               run_time = 0;
-
-       if (cpu_time)
-               points /= int_sqrt(cpu_time);
-       if (run_time)
-               points /= int_sqrt(int_sqrt(run_time));
+       if (p->flags & PF_OOM_ORIGIN) {
+               task_unlock(p);
+               return 1000;
+       }
 
        /*
-        * Niced processes are most likely less important, so double
-        * their badness points.
+        * The memory controller may have a limit of 0 bytes, so avoid a divide
+        * by zero, if necessary.
         */
-       if (task_nice(p) > 0)
-               points *= 2;
+       if (!totalpages)
+               totalpages = 1;
 
        /*
-        * Superuser processes are usually more important, so we make it
-        * less likely that we kill those.
+        * The baseline for the badness score is the proportion of RAM that each
+        * task's rss and swap space use.
         */
-       if (has_capability_noaudit(p, CAP_SYS_ADMIN) ||
-           has_capability_noaudit(p, CAP_SYS_RESOURCE))
-               points /= 4;
+       points = (get_mm_rss(p->mm) + get_mm_counter(p->mm, MM_SWAPENTS)) * 1000 /
+                       totalpages;
+       task_unlock(p);
 
        /*
-        * We don't want to kill a process with direct hardware access.
-        * Not only could that mess up the hardware, but usually users
-        * tend to only have this flag set on applications they think
-        * of as important.
+        * Root processes get 3% bonus, just like the __vm_enough_memory()
+        * implementation used by LSMs.
         */
-       if (has_capability_noaudit(p, CAP_SYS_RAWIO))
-               points /= 4;
+       if (has_capability_noaudit(p, CAP_SYS_ADMIN))
+               points -= 30;
 
        /*
-        * Adjust the score by oom_adj.
+        * /proc/pid/oom_score_adj ranges from -1000 to +1000 such that it may
+        * either completely disable oom killing or always prefer a certain
+        * task.
         */
-       if (oom_adj) {
-               if (oom_adj > 0) {
-                       if (!points)
-                               points = 1;
-                       points <<= oom_adj;
-               } else
-                       points >>= -(oom_adj);
-       }
+       points += p->signal->oom_score_adj;
 
-#ifdef DEBUG
-       printk(KERN_DEBUG "OOMkill: task %d (%s) got %lu points\n",
-       p->pid, p->comm, points);
-#endif
-       return points;
+       if (points < 0)
+               return 0;
+       return (points < 1000) ? points : 1000;
 }
 
 /*
@@ -278,12 +218,20 @@ unsigned long badness(struct task_struct *p, struct mem_cgroup *mem,
  */
 #ifdef CONFIG_NUMA
 static enum oom_constraint constrained_alloc(struct zonelist *zonelist,
-                                   gfp_t gfp_mask, nodemask_t *nodemask)
+                               gfp_t gfp_mask, nodemask_t *nodemask,
+                               unsigned long *totalpages)
 {
        struct zone *zone;
        struct zoneref *z;
        enum zone_type high_zoneidx = gfp_zone(gfp_mask);
+       bool cpuset_limited = false;
+       int nid;
 
+       /* Default to all available memory */
+       *totalpages = totalram_pages + total_swap_pages;
+
+       if (!zonelist)
+               return CONSTRAINT_NONE;
        /*
         * Reach here only when __GFP_NOFAIL is used. So, we should avoid
         * to kill current.We have to random task kill in this case.
@@ -293,26 +241,37 @@ static enum oom_constraint constrained_alloc(struct zonelist *zonelist,
                return CONSTRAINT_NONE;
 
        /*
-        * The nodemask here is a nodemask passed to alloc_pages(). Now,
-        * cpuset doesn't use this nodemask for its hardwall/softwall/hierarchy
-        * feature. mempolicy is an only user of nodemask here.
-        * check mempolicy's nodemask contains all N_HIGH_MEMORY
+        * This is not a __GFP_THISNODE allocation, so a truncated nodemask in
+        * the page allocator means a mempolicy is in effect.  Cpuset policy
+        * is enforced in get_page_from_freelist().
         */
-       if (nodemask && !nodes_subset(node_states[N_HIGH_MEMORY], *nodemask))
+       if (nodemask && !nodes_subset(node_states[N_HIGH_MEMORY], *nodemask)) {
+               *totalpages = total_swap_pages;
+               for_each_node_mask(nid, *nodemask)
+                       *totalpages += node_spanned_pages(nid);
                return CONSTRAINT_MEMORY_POLICY;
+       }
 
        /* Check this allocation failure is caused by cpuset's wall function */
        for_each_zone_zonelist_nodemask(zone, z, zonelist,
                        high_zoneidx, nodemask)
                if (!cpuset_zone_allowed_softwall(zone, gfp_mask))
-                       return CONSTRAINT_CPUSET;
+                       cpuset_limited = true;
 
+       if (cpuset_limited) {
+               *totalpages = total_swap_pages;
+               for_each_node_mask(nid, cpuset_current_mems_allowed)
+                       *totalpages += node_spanned_pages(nid);
+               return CONSTRAINT_CPUSET;
+       }
        return CONSTRAINT_NONE;
 }
 #else
 static enum oom_constraint constrained_alloc(struct zonelist *zonelist,
-                               gfp_t gfp_mask, nodemask_t *nodemask)
+                               gfp_t gfp_mask, nodemask_t *nodemask,
+                               unsigned long *totalpages)
 {
+       *totalpages = totalram_pages + total_swap_pages;
        return CONSTRAINT_NONE;
 }
 #endif
@@ -323,17 +282,16 @@ static enum oom_constraint constrained_alloc(struct zonelist *zonelist,
  *
  * (not docbooked, we don't want this one cluttering up the manual)
  */
-static struct task_struct *select_bad_process(unsigned long *ppoints,
-               struct mem_cgroup *mem, const nodemask_t *nodemask)
+static struct task_struct *select_bad_process(unsigned int *ppoints,
+               unsigned long totalpages, struct mem_cgroup *mem,
+               const nodemask_t *nodemask)
 {
        struct task_struct *p;
        struct task_struct *chosen = NULL;
-       struct timespec uptime;
        *ppoints = 0;
 
-       do_posix_clock_monotonic_gettime(&uptime);
        for_each_process(p) {
-               unsigned long points;
+               unsigned int points;
 
                if (oom_unkillable_task(p, mem, nodemask))
                        continue;
@@ -365,11 +323,11 @@ static struct task_struct *select_bad_process(unsigned long *ppoints,
                                return ERR_PTR(-1UL);
 
                        chosen = p;
-                       *ppoints = ULONG_MAX;
+                       *ppoints = 1000;
                }
 
-               points = badness(p, mem, nodemask, uptime.tv_sec);
-               if (points > *ppoints || !chosen) {
+               points = oom_badness(p, mem, nodemask, totalpages);
+               if (points > *ppoints) {
                        chosen = p;
                        *ppoints = points;
                }
@@ -384,7 +342,7 @@ static struct task_struct *select_bad_process(unsigned long *ppoints,
  *
  * Dumps the current memory state of all system tasks, excluding kernel threads.
  * State information includes task's pid, uid, tgid, vm size, rss, cpu, oom_adj
- * score, and name.
+ * value, oom_score_adj value, and name.
  *
  * If the actual is non-NULL, only tasks that are a member of the mem_cgroup are
  * shown.
@@ -396,8 +354,7 @@ static void dump_tasks(const struct mem_cgroup *mem)
        struct task_struct *p;
        struct task_struct *task;
 
-       printk(KERN_INFO "[ pid ]   uid  tgid total_vm      rss cpu oom_adj "
-              "name\n");
+       pr_info("[ pid ]   uid  tgid total_vm      rss cpu oom_adj oom_score_adj name\n");
        for_each_process(p) {
                if (p->flags & PF_KTHREAD)
                        continue;
@@ -414,10 +371,11 @@ static void dump_tasks(const struct mem_cgroup *mem)
                        continue;
                }
 
-               printk(KERN_INFO "[%5d] %5d %5d %8lu %8lu %3u     %3d %s\n",
-                      task->pid, __task_cred(task)->uid, task->tgid,
-                      task->mm->total_vm, get_mm_rss(task->mm),
-                      task_cpu(task), task->signal->oom_adj, task->comm);
+               pr_info("[%5d] %5d %5d %8lu %8lu %3u     %3d         %5d %s\n",
+                       task->pid, __task_cred(task)->uid, task->tgid,
+                       task->mm->total_vm, get_mm_rss(task->mm),
+                       task_cpu(task), task->signal->oom_adj,
+                       task->signal->oom_score_adj, task->comm);
                task_unlock(task);
        }
 }
@@ -427,8 +385,9 @@ static void dump_header(struct task_struct *p, gfp_t gfp_mask, int order,
 {
        task_lock(current);
        pr_warning("%s invoked oom-killer: gfp_mask=0x%x, order=%d, "
-               "oom_adj=%d\n",
-               current->comm, gfp_mask, order, current->signal->oom_adj);
+               "oom_adj=%d, oom_score_adj=%d\n",
+               current->comm, gfp_mask, order, current->signal->oom_adj,
+               current->signal->oom_score_adj);
        cpuset_print_task_mems_allowed(current);
        task_unlock(current);
        dump_stack();
@@ -468,14 +427,14 @@ static int oom_kill_task(struct task_struct *p, struct mem_cgroup *mem)
 #undef K
 
 static int oom_kill_process(struct task_struct *p, gfp_t gfp_mask, int order,
-                           unsigned long points, struct mem_cgroup *mem,
-                           nodemask_t *nodemask, const char *message)
+                           unsigned int points, unsigned long totalpages,
+                           struct mem_cgroup *mem, nodemask_t *nodemask,
+                           const char *message)
 {
        struct task_struct *victim = p;
        struct task_struct *child;
        struct task_struct *t = p;
-       unsigned long victim_points = 0;
-       struct timespec uptime;
+       unsigned int victim_points = 0;
 
        if (printk_ratelimit())
                dump_header(p, gfp_mask, order, mem);
@@ -491,7 +450,7 @@ static int oom_kill_process(struct task_struct *p, gfp_t gfp_mask, int order,
        }
 
        task_lock(p);
-       pr_err("%s: Kill process %d (%s) score %lu or sacrifice child\n",
+       pr_err("%s: Kill process %d (%s) score %d or sacrifice child\n",
                message, task_pid_nr(p), p->comm, points);
        task_unlock(p);
 
@@ -501,14 +460,15 @@ static int oom_kill_process(struct task_struct *p, gfp_t gfp_mask, int order,
         * parent.  This attempts to lose the minimal amount of work done while
         * still freeing memory.
         */
-       do_posix_clock_monotonic_gettime(&uptime);
        do {
                list_for_each_entry(child, &t->children, sibling) {
-                       unsigned long child_points;
+                       unsigned int child_points;
 
-                       /* badness() returns 0 if the thread is unkillable */
-                       child_points = badness(child, mem, nodemask,
-                                              uptime.tv_sec);
+                       /*
+                        * oom_badness() returns 0 if the thread is unkillable
+                        */
+                       child_points = oom_badness(child, mem, nodemask,
+                                                               totalpages);
                        if (child_points > victim_points) {
                                victim = child;
                                victim_points = child_points;
@@ -546,17 +506,19 @@ static void check_panic_on_oom(enum oom_constraint constraint, gfp_t gfp_mask,
 #ifdef CONFIG_CGROUP_MEM_RES_CTLR
 void mem_cgroup_out_of_memory(struct mem_cgroup *mem, gfp_t gfp_mask)
 {
-       unsigned long points = 0;
+       unsigned long limit;
+       unsigned int points = 0;
        struct task_struct *p;
 
        check_panic_on_oom(CONSTRAINT_MEMCG, gfp_mask, 0);
+       limit = mem_cgroup_get_limit(mem) >> PAGE_SHIFT;
        read_lock(&tasklist_lock);
 retry:
-       p = select_bad_process(&points, mem, NULL);
+       p = select_bad_process(&points, limit, mem, NULL);
        if (!p || PTR_ERR(p) == -1UL)
                goto out;
 
-       if (oom_kill_process(p, gfp_mask, 0, points, mem, NULL,
+       if (oom_kill_process(p, gfp_mask, 0, points, limit, mem, NULL,
                                "Memory cgroup out of memory"))
                goto retry;
 out:
@@ -681,8 +643,9 @@ void out_of_memory(struct zonelist *zonelist, gfp_t gfp_mask,
                int order, nodemask_t *nodemask)
 {
        struct task_struct *p;
+       unsigned long totalpages;
        unsigned long freed = 0;
-       unsigned long points;
+       unsigned int points;
        enum oom_constraint constraint = CONSTRAINT_NONE;
 
        blocking_notifier_call_chain(&oom_notify_list, 0, &freed);
@@ -705,8 +668,8 @@ void out_of_memory(struct zonelist *zonelist, gfp_t gfp_mask,
         * Check if there were limitations on the allocation (only relevant for
         * NUMA) that may require different handling.
         */
-       if (zonelist)
-               constraint = constrained_alloc(zonelist, gfp_mask, nodemask);
+       constraint = constrained_alloc(zonelist, gfp_mask, nodemask,
+                                               &totalpages);
        check_panic_on_oom(constraint, gfp_mask, order);
 
        read_lock(&tasklist_lock);
@@ -718,14 +681,14 @@ void out_of_memory(struct zonelist *zonelist, gfp_t gfp_mask,
                 * non-zero, current could not be killed so we must fallback to
                 * the tasklist scan.
                 */
-               if (!oom_kill_process(current, gfp_mask, order, 0, NULL,
-                               nodemask,
+               if (!oom_kill_process(current, gfp_mask, order, 0, totalpages,
+                               NULL, nodemask,
                                "Out of memory (oom_kill_allocating_task)"))
                        return;
        }
 
 retry:
-       p = select_bad_process(&points, NULL,
+       p = select_bad_process(&points, totalpages, NULL,
                        constraint == CONSTRAINT_MEMORY_POLICY ? nodemask :
                                                                 NULL);
        if (PTR_ERR(p) == -1UL)
@@ -738,8 +701,8 @@ retry:
                panic("Out of memory and no killable processes...\n");
        }
 
-       if (oom_kill_process(p, gfp_mask, order, points, NULL, nodemask,
-                            "Out of memory"))
+       if (oom_kill_process(p, gfp_mask, order, points, totalpages, NULL,
+                               nodemask, "Out of memory"))
                goto retry;
        read_unlock(&tasklist_lock);