sched/fair: Avoid newidle balance for !active CPUs
[sfrench/cifs-2.6.git] / kernel / sched / fair.c
1 /*
2  * Completely Fair Scheduling (CFS) Class (SCHED_NORMAL/SCHED_BATCH)
3  *
4  *  Copyright (C) 2007 Red Hat, Inc., Ingo Molnar <mingo@redhat.com>
5  *
6  *  Interactivity improvements by Mike Galbraith
7  *  (C) 2007 Mike Galbraith <efault@gmx.de>
8  *
9  *  Various enhancements by Dmitry Adamushko.
10  *  (C) 2007 Dmitry Adamushko <dmitry.adamushko@gmail.com>
11  *
12  *  Group scheduling enhancements by Srivatsa Vaddagiri
13  *  Copyright IBM Corporation, 2007
14  *  Author: Srivatsa Vaddagiri <vatsa@linux.vnet.ibm.com>
15  *
16  *  Scaled math optimizations by Thomas Gleixner
17  *  Copyright (C) 2007, Thomas Gleixner <tglx@linutronix.de>
18  *
19  *  Adaptive scheduling granularity, math enhancements by Peter Zijlstra
20  *  Copyright (C) 2007 Red Hat, Inc., Peter Zijlstra
21  */
22
23 #include <linux/sched/mm.h>
24 #include <linux/sched/topology.h>
25
26 #include <linux/latencytop.h>
27 #include <linux/cpumask.h>
28 #include <linux/cpuidle.h>
29 #include <linux/slab.h>
30 #include <linux/profile.h>
31 #include <linux/interrupt.h>
32 #include <linux/mempolicy.h>
33 #include <linux/migrate.h>
34 #include <linux/task_work.h>
35
36 #include <trace/events/sched.h>
37
38 #include "sched.h"
39
40 /*
41  * Targeted preemption latency for CPU-bound tasks:
42  *
43  * NOTE: this latency value is not the same as the concept of
44  * 'timeslice length' - timeslices in CFS are of variable length
45  * and have no persistent notion like in traditional, time-slice
46  * based scheduling concepts.
47  *
48  * (to see the precise effective timeslice length of your workload,
49  *  run vmstat and monitor the context-switches (cs) field)
50  *
51  * (default: 6ms * (1 + ilog(ncpus)), units: nanoseconds)
52  */
53 unsigned int sysctl_sched_latency                       = 6000000ULL;
54 unsigned int normalized_sysctl_sched_latency            = 6000000ULL;
55
56 /*
57  * The initial- and re-scaling of tunables is configurable
58  *
59  * Options are:
60  *
61  *   SCHED_TUNABLESCALING_NONE - unscaled, always *1
62  *   SCHED_TUNABLESCALING_LOG - scaled logarithmical, *1+ilog(ncpus)
63  *   SCHED_TUNABLESCALING_LINEAR - scaled linear, *ncpus
64  *
65  * (default SCHED_TUNABLESCALING_LOG = *(1+ilog(ncpus))
66  */
67 enum sched_tunable_scaling sysctl_sched_tunable_scaling = SCHED_TUNABLESCALING_LOG;
68
69 /*
70  * Minimal preemption granularity for CPU-bound tasks:
71  *
72  * (default: 0.75 msec * (1 + ilog(ncpus)), units: nanoseconds)
73  */
74 unsigned int sysctl_sched_min_granularity               = 750000ULL;
75 unsigned int normalized_sysctl_sched_min_granularity    = 750000ULL;
76
77 /*
78  * This value is kept at sysctl_sched_latency/sysctl_sched_min_granularity
79  */
80 static unsigned int sched_nr_latency = 8;
81
82 /*
83  * After fork, child runs first. If set to 0 (default) then
84  * parent will (try to) run first.
85  */
86 unsigned int sysctl_sched_child_runs_first __read_mostly;
87
88 /*
89  * SCHED_OTHER wake-up granularity.
90  *
91  * This option delays the preemption effects of decoupled workloads
92  * and reduces their over-scheduling. Synchronous workloads will still
93  * have immediate wakeup/sleep latencies.
94  *
95  * (default: 1 msec * (1 + ilog(ncpus)), units: nanoseconds)
96  */
97 unsigned int sysctl_sched_wakeup_granularity            = 1000000UL;
98 unsigned int normalized_sysctl_sched_wakeup_granularity = 1000000UL;
99
100 const_debug unsigned int sysctl_sched_migration_cost    = 500000UL;
101
102 #ifdef CONFIG_SMP
103 /*
104  * For asym packing, by default the lower numbered cpu has higher priority.
105  */
106 int __weak arch_asym_cpu_priority(int cpu)
107 {
108         return -cpu;
109 }
110 #endif
111
112 #ifdef CONFIG_CFS_BANDWIDTH
113 /*
114  * Amount of runtime to allocate from global (tg) to local (per-cfs_rq) pool
115  * each time a cfs_rq requests quota.
116  *
117  * Note: in the case that the slice exceeds the runtime remaining (either due
118  * to consumption or the quota being specified to be smaller than the slice)
119  * we will always only issue the remaining available time.
120  *
121  * (default: 5 msec, units: microseconds)
122  */
123 unsigned int sysctl_sched_cfs_bandwidth_slice           = 5000UL;
124 #endif
125
126 /*
127  * The margin used when comparing utilization with CPU capacity:
128  * util * margin < capacity * 1024
129  *
130  * (default: ~20%)
131  */
132 unsigned int capacity_margin                            = 1280;
133
134 static inline void update_load_add(struct load_weight *lw, unsigned long inc)
135 {
136         lw->weight += inc;
137         lw->inv_weight = 0;
138 }
139
140 static inline void update_load_sub(struct load_weight *lw, unsigned long dec)
141 {
142         lw->weight -= dec;
143         lw->inv_weight = 0;
144 }
145
146 static inline void update_load_set(struct load_weight *lw, unsigned long w)
147 {
148         lw->weight = w;
149         lw->inv_weight = 0;
150 }
151
152 /*
153  * Increase the granularity value when there are more CPUs,
154  * because with more CPUs the 'effective latency' as visible
155  * to users decreases. But the relationship is not linear,
156  * so pick a second-best guess by going with the log2 of the
157  * number of CPUs.
158  *
159  * This idea comes from the SD scheduler of Con Kolivas:
160  */
161 static unsigned int get_update_sysctl_factor(void)
162 {
163         unsigned int cpus = min_t(unsigned int, num_online_cpus(), 8);
164         unsigned int factor;
165
166         switch (sysctl_sched_tunable_scaling) {
167         case SCHED_TUNABLESCALING_NONE:
168                 factor = 1;
169                 break;
170         case SCHED_TUNABLESCALING_LINEAR:
171                 factor = cpus;
172                 break;
173         case SCHED_TUNABLESCALING_LOG:
174         default:
175                 factor = 1 + ilog2(cpus);
176                 break;
177         }
178
179         return factor;
180 }
181
182 static void update_sysctl(void)
183 {
184         unsigned int factor = get_update_sysctl_factor();
185
186 #define SET_SYSCTL(name) \
187         (sysctl_##name = (factor) * normalized_sysctl_##name)
188         SET_SYSCTL(sched_min_granularity);
189         SET_SYSCTL(sched_latency);
190         SET_SYSCTL(sched_wakeup_granularity);
191 #undef SET_SYSCTL
192 }
193
194 void sched_init_granularity(void)
195 {
196         update_sysctl();
197 }
198
199 #define WMULT_CONST     (~0U)
200 #define WMULT_SHIFT     32
201
202 static void __update_inv_weight(struct load_weight *lw)
203 {
204         unsigned long w;
205
206         if (likely(lw->inv_weight))
207                 return;
208
209         w = scale_load_down(lw->weight);
210
211         if (BITS_PER_LONG > 32 && unlikely(w >= WMULT_CONST))
212                 lw->inv_weight = 1;
213         else if (unlikely(!w))
214                 lw->inv_weight = WMULT_CONST;
215         else
216                 lw->inv_weight = WMULT_CONST / w;
217 }
218
219 /*
220  * delta_exec * weight / lw.weight
221  *   OR
222  * (delta_exec * (weight * lw->inv_weight)) >> WMULT_SHIFT
223  *
224  * Either weight := NICE_0_LOAD and lw \e sched_prio_to_wmult[], in which case
225  * we're guaranteed shift stays positive because inv_weight is guaranteed to
226  * fit 32 bits, and NICE_0_LOAD gives another 10 bits; therefore shift >= 22.
227  *
228  * Or, weight =< lw.weight (because lw.weight is the runqueue weight), thus
229  * weight/lw.weight <= 1, and therefore our shift will also be positive.
230  */
231 static u64 __calc_delta(u64 delta_exec, unsigned long weight, struct load_weight *lw)
232 {
233         u64 fact = scale_load_down(weight);
234         int shift = WMULT_SHIFT;
235
236         __update_inv_weight(lw);
237
238         if (unlikely(fact >> 32)) {
239                 while (fact >> 32) {
240                         fact >>= 1;
241                         shift--;
242                 }
243         }
244
245         /* hint to use a 32x32->64 mul */
246         fact = (u64)(u32)fact * lw->inv_weight;
247
248         while (fact >> 32) {
249                 fact >>= 1;
250                 shift--;
251         }
252
253         return mul_u64_u32_shr(delta_exec, fact, shift);
254 }
255
256
257 const struct sched_class fair_sched_class;
258
259 /**************************************************************
260  * CFS operations on generic schedulable entities:
261  */
262
263 #ifdef CONFIG_FAIR_GROUP_SCHED
264
265 /* cpu runqueue to which this cfs_rq is attached */
266 static inline struct rq *rq_of(struct cfs_rq *cfs_rq)
267 {
268         return cfs_rq->rq;
269 }
270
271 /* An entity is a task if it doesn't "own" a runqueue */
272 #define entity_is_task(se)      (!se->my_q)
273
274 static inline struct task_struct *task_of(struct sched_entity *se)
275 {
276         SCHED_WARN_ON(!entity_is_task(se));
277         return container_of(se, struct task_struct, se);
278 }
279
280 /* Walk up scheduling entities hierarchy */
281 #define for_each_sched_entity(se) \
282                 for (; se; se = se->parent)
283
284 static inline struct cfs_rq *task_cfs_rq(struct task_struct *p)
285 {
286         return p->se.cfs_rq;
287 }
288
289 /* runqueue on which this entity is (to be) queued */
290 static inline struct cfs_rq *cfs_rq_of(struct sched_entity *se)
291 {
292         return se->cfs_rq;
293 }
294
295 /* runqueue "owned" by this group */
296 static inline struct cfs_rq *group_cfs_rq(struct sched_entity *grp)
297 {
298         return grp->my_q;
299 }
300
301 static inline void list_add_leaf_cfs_rq(struct cfs_rq *cfs_rq)
302 {
303         if (!cfs_rq->on_list) {
304                 struct rq *rq = rq_of(cfs_rq);
305                 int cpu = cpu_of(rq);
306                 /*
307                  * Ensure we either appear before our parent (if already
308                  * enqueued) or force our parent to appear after us when it is
309                  * enqueued. The fact that we always enqueue bottom-up
310                  * reduces this to two cases and a special case for the root
311                  * cfs_rq. Furthermore, it also means that we will always reset
312                  * tmp_alone_branch either when the branch is connected
313                  * to a tree or when we reach the beg of the tree
314                  */
315                 if (cfs_rq->tg->parent &&
316                     cfs_rq->tg->parent->cfs_rq[cpu]->on_list) {
317                         /*
318                          * If parent is already on the list, we add the child
319                          * just before. Thanks to circular linked property of
320                          * the list, this means to put the child at the tail
321                          * of the list that starts by parent.
322                          */
323                         list_add_tail_rcu(&cfs_rq->leaf_cfs_rq_list,
324                                 &(cfs_rq->tg->parent->cfs_rq[cpu]->leaf_cfs_rq_list));
325                         /*
326                          * The branch is now connected to its tree so we can
327                          * reset tmp_alone_branch to the beginning of the
328                          * list.
329                          */
330                         rq->tmp_alone_branch = &rq->leaf_cfs_rq_list;
331                 } else if (!cfs_rq->tg->parent) {
332                         /*
333                          * cfs rq without parent should be put
334                          * at the tail of the list.
335                          */
336                         list_add_tail_rcu(&cfs_rq->leaf_cfs_rq_list,
337                                 &rq->leaf_cfs_rq_list);
338                         /*
339                          * We have reach the beg of a tree so we can reset
340                          * tmp_alone_branch to the beginning of the list.
341                          */
342                         rq->tmp_alone_branch = &rq->leaf_cfs_rq_list;
343                 } else {
344                         /*
345                          * The parent has not already been added so we want to
346                          * make sure that it will be put after us.
347                          * tmp_alone_branch points to the beg of the branch
348                          * where we will add parent.
349                          */
350                         list_add_rcu(&cfs_rq->leaf_cfs_rq_list,
351                                 rq->tmp_alone_branch);
352                         /*
353                          * update tmp_alone_branch to points to the new beg
354                          * of the branch
355                          */
356                         rq->tmp_alone_branch = &cfs_rq->leaf_cfs_rq_list;
357                 }
358
359                 cfs_rq->on_list = 1;
360         }
361 }
362
363 static inline void list_del_leaf_cfs_rq(struct cfs_rq *cfs_rq)
364 {
365         if (cfs_rq->on_list) {
366                 list_del_rcu(&cfs_rq->leaf_cfs_rq_list);
367                 cfs_rq->on_list = 0;
368         }
369 }
370
371 /* Iterate thr' all leaf cfs_rq's on a runqueue */
372 #define for_each_leaf_cfs_rq_safe(rq, cfs_rq, pos)                      \
373         list_for_each_entry_safe(cfs_rq, pos, &rq->leaf_cfs_rq_list,    \
374                                  leaf_cfs_rq_list)
375
376 /* Do the two (enqueued) entities belong to the same group ? */
377 static inline struct cfs_rq *
378 is_same_group(struct sched_entity *se, struct sched_entity *pse)
379 {
380         if (se->cfs_rq == pse->cfs_rq)
381                 return se->cfs_rq;
382
383         return NULL;
384 }
385
386 static inline struct sched_entity *parent_entity(struct sched_entity *se)
387 {
388         return se->parent;
389 }
390
391 static void
392 find_matching_se(struct sched_entity **se, struct sched_entity **pse)
393 {
394         int se_depth, pse_depth;
395
396         /*
397          * preemption test can be made between sibling entities who are in the
398          * same cfs_rq i.e who have a common parent. Walk up the hierarchy of
399          * both tasks until we find their ancestors who are siblings of common
400          * parent.
401          */
402
403         /* First walk up until both entities are at same depth */
404         se_depth = (*se)->depth;
405         pse_depth = (*pse)->depth;
406
407         while (se_depth > pse_depth) {
408                 se_depth--;
409                 *se = parent_entity(*se);
410         }
411
412         while (pse_depth > se_depth) {
413                 pse_depth--;
414                 *pse = parent_entity(*pse);
415         }
416
417         while (!is_same_group(*se, *pse)) {
418                 *se = parent_entity(*se);
419                 *pse = parent_entity(*pse);
420         }
421 }
422
423 #else   /* !CONFIG_FAIR_GROUP_SCHED */
424
425 static inline struct task_struct *task_of(struct sched_entity *se)
426 {
427         return container_of(se, struct task_struct, se);
428 }
429
430 static inline struct rq *rq_of(struct cfs_rq *cfs_rq)
431 {
432         return container_of(cfs_rq, struct rq, cfs);
433 }
434
435 #define entity_is_task(se)      1
436
437 #define for_each_sched_entity(se) \
438                 for (; se; se = NULL)
439
440 static inline struct cfs_rq *task_cfs_rq(struct task_struct *p)
441 {
442         return &task_rq(p)->cfs;
443 }
444
445 static inline struct cfs_rq *cfs_rq_of(struct sched_entity *se)
446 {
447         struct task_struct *p = task_of(se);
448         struct rq *rq = task_rq(p);
449
450         return &rq->cfs;
451 }
452
453 /* runqueue "owned" by this group */
454 static inline struct cfs_rq *group_cfs_rq(struct sched_entity *grp)
455 {
456         return NULL;
457 }
458
459 static inline void list_add_leaf_cfs_rq(struct cfs_rq *cfs_rq)
460 {
461 }
462
463 static inline void list_del_leaf_cfs_rq(struct cfs_rq *cfs_rq)
464 {
465 }
466
467 #define for_each_leaf_cfs_rq_safe(rq, cfs_rq, pos)      \
468                 for (cfs_rq = &rq->cfs, pos = NULL; cfs_rq; cfs_rq = pos)
469
470 static inline struct sched_entity *parent_entity(struct sched_entity *se)
471 {
472         return NULL;
473 }
474
475 static inline void
476 find_matching_se(struct sched_entity **se, struct sched_entity **pse)
477 {
478 }
479
480 #endif  /* CONFIG_FAIR_GROUP_SCHED */
481
482 static __always_inline
483 void account_cfs_rq_runtime(struct cfs_rq *cfs_rq, u64 delta_exec);
484
485 /**************************************************************
486  * Scheduling class tree data structure manipulation methods:
487  */
488
489 static inline u64 max_vruntime(u64 max_vruntime, u64 vruntime)
490 {
491         s64 delta = (s64)(vruntime - max_vruntime);
492         if (delta > 0)
493                 max_vruntime = vruntime;
494
495         return max_vruntime;
496 }
497
498 static inline u64 min_vruntime(u64 min_vruntime, u64 vruntime)
499 {
500         s64 delta = (s64)(vruntime - min_vruntime);
501         if (delta < 0)
502                 min_vruntime = vruntime;
503
504         return min_vruntime;
505 }
506
507 static inline int entity_before(struct sched_entity *a,
508                                 struct sched_entity *b)
509 {
510         return (s64)(a->vruntime - b->vruntime) < 0;
511 }
512
513 static void update_min_vruntime(struct cfs_rq *cfs_rq)
514 {
515         struct sched_entity *curr = cfs_rq->curr;
516
517         u64 vruntime = cfs_rq->min_vruntime;
518
519         if (curr) {
520                 if (curr->on_rq)
521                         vruntime = curr->vruntime;
522                 else
523                         curr = NULL;
524         }
525
526         if (cfs_rq->rb_leftmost) {
527                 struct sched_entity *se = rb_entry(cfs_rq->rb_leftmost,
528                                                    struct sched_entity,
529                                                    run_node);
530
531                 if (!curr)
532                         vruntime = se->vruntime;
533                 else
534                         vruntime = min_vruntime(vruntime, se->vruntime);
535         }
536
537         /* ensure we never gain time by being placed backwards. */
538         cfs_rq->min_vruntime = max_vruntime(cfs_rq->min_vruntime, vruntime);
539 #ifndef CONFIG_64BIT
540         smp_wmb();
541         cfs_rq->min_vruntime_copy = cfs_rq->min_vruntime;
542 #endif
543 }
544
545 /*
546  * Enqueue an entity into the rb-tree:
547  */
548 static void __enqueue_entity(struct cfs_rq *cfs_rq, struct sched_entity *se)
549 {
550         struct rb_node **link = &cfs_rq->tasks_timeline.rb_node;
551         struct rb_node *parent = NULL;
552         struct sched_entity *entry;
553         int leftmost = 1;
554
555         /*
556          * Find the right place in the rbtree:
557          */
558         while (*link) {
559                 parent = *link;
560                 entry = rb_entry(parent, struct sched_entity, run_node);
561                 /*
562                  * We dont care about collisions. Nodes with
563                  * the same key stay together.
564                  */
565                 if (entity_before(se, entry)) {
566                         link = &parent->rb_left;
567                 } else {
568                         link = &parent->rb_right;
569                         leftmost = 0;
570                 }
571         }
572
573         /*
574          * Maintain a cache of leftmost tree entries (it is frequently
575          * used):
576          */
577         if (leftmost)
578                 cfs_rq->rb_leftmost = &se->run_node;
579
580         rb_link_node(&se->run_node, parent, link);
581         rb_insert_color(&se->run_node, &cfs_rq->tasks_timeline);
582 }
583
584 static void __dequeue_entity(struct cfs_rq *cfs_rq, struct sched_entity *se)
585 {
586         if (cfs_rq->rb_leftmost == &se->run_node) {
587                 struct rb_node *next_node;
588
589                 next_node = rb_next(&se->run_node);
590                 cfs_rq->rb_leftmost = next_node;
591         }
592
593         rb_erase(&se->run_node, &cfs_rq->tasks_timeline);
594 }
595
596 struct sched_entity *__pick_first_entity(struct cfs_rq *cfs_rq)
597 {
598         struct rb_node *left = cfs_rq->rb_leftmost;
599
600         if (!left)
601                 return NULL;
602
603         return rb_entry(left, struct sched_entity, run_node);
604 }
605
606 static struct sched_entity *__pick_next_entity(struct sched_entity *se)
607 {
608         struct rb_node *next = rb_next(&se->run_node);
609
610         if (!next)
611                 return NULL;
612
613         return rb_entry(next, struct sched_entity, run_node);
614 }
615
616 #ifdef CONFIG_SCHED_DEBUG
617 struct sched_entity *__pick_last_entity(struct cfs_rq *cfs_rq)
618 {
619         struct rb_node *last = rb_last(&cfs_rq->tasks_timeline);
620
621         if (!last)
622                 return NULL;
623
624         return rb_entry(last, struct sched_entity, run_node);
625 }
626
627 /**************************************************************
628  * Scheduling class statistics methods:
629  */
630
631 int sched_proc_update_handler(struct ctl_table *table, int write,
632                 void __user *buffer, size_t *lenp,
633                 loff_t *ppos)
634 {
635         int ret = proc_dointvec_minmax(table, write, buffer, lenp, ppos);
636         unsigned int factor = get_update_sysctl_factor();
637
638         if (ret || !write)
639                 return ret;
640
641         sched_nr_latency = DIV_ROUND_UP(sysctl_sched_latency,
642                                         sysctl_sched_min_granularity);
643
644 #define WRT_SYSCTL(name) \
645         (normalized_sysctl_##name = sysctl_##name / (factor))
646         WRT_SYSCTL(sched_min_granularity);
647         WRT_SYSCTL(sched_latency);
648         WRT_SYSCTL(sched_wakeup_granularity);
649 #undef WRT_SYSCTL
650
651         return 0;
652 }
653 #endif
654
655 /*
656  * delta /= w
657  */
658 static inline u64 calc_delta_fair(u64 delta, struct sched_entity *se)
659 {
660         if (unlikely(se->load.weight != NICE_0_LOAD))
661                 delta = __calc_delta(delta, NICE_0_LOAD, &se->load);
662
663         return delta;
664 }
665
666 /*
667  * The idea is to set a period in which each task runs once.
668  *
669  * When there are too many tasks (sched_nr_latency) we have to stretch
670  * this period because otherwise the slices get too small.
671  *
672  * p = (nr <= nl) ? l : l*nr/nl
673  */
674 static u64 __sched_period(unsigned long nr_running)
675 {
676         if (unlikely(nr_running > sched_nr_latency))
677                 return nr_running * sysctl_sched_min_granularity;
678         else
679                 return sysctl_sched_latency;
680 }
681
682 /*
683  * We calculate the wall-time slice from the period by taking a part
684  * proportional to the weight.
685  *
686  * s = p*P[w/rw]
687  */
688 static u64 sched_slice(struct cfs_rq *cfs_rq, struct sched_entity *se)
689 {
690         u64 slice = __sched_period(cfs_rq->nr_running + !se->on_rq);
691
692         for_each_sched_entity(se) {
693                 struct load_weight *load;
694                 struct load_weight lw;
695
696                 cfs_rq = cfs_rq_of(se);
697                 load = &cfs_rq->load;
698
699                 if (unlikely(!se->on_rq)) {
700                         lw = cfs_rq->load;
701
702                         update_load_add(&lw, se->load.weight);
703                         load = &lw;
704                 }
705                 slice = __calc_delta(slice, se->load.weight, load);
706         }
707         return slice;
708 }
709
710 /*
711  * We calculate the vruntime slice of a to-be-inserted task.
712  *
713  * vs = s/w
714  */
715 static u64 sched_vslice(struct cfs_rq *cfs_rq, struct sched_entity *se)
716 {
717         return calc_delta_fair(sched_slice(cfs_rq, se), se);
718 }
719
720 #ifdef CONFIG_SMP
721
722 #include "sched-pelt.h"
723
724 static int select_idle_sibling(struct task_struct *p, int prev_cpu, int cpu);
725 static unsigned long task_h_load(struct task_struct *p);
726
727 /* Give new sched_entity start runnable values to heavy its load in infant time */
728 void init_entity_runnable_average(struct sched_entity *se)
729 {
730         struct sched_avg *sa = &se->avg;
731
732         sa->last_update_time = 0;
733         /*
734          * sched_avg's period_contrib should be strictly less then 1024, so
735          * we give it 1023 to make sure it is almost a period (1024us), and
736          * will definitely be update (after enqueue).
737          */
738         sa->period_contrib = 1023;
739         /*
740          * Tasks are intialized with full load to be seen as heavy tasks until
741          * they get a chance to stabilize to their real load level.
742          * Group entities are intialized with zero load to reflect the fact that
743          * nothing has been attached to the task group yet.
744          */
745         if (entity_is_task(se))
746                 sa->load_avg = scale_load_down(se->load.weight);
747         sa->load_sum = sa->load_avg * LOAD_AVG_MAX;
748         /*
749          * At this point, util_avg won't be used in select_task_rq_fair anyway
750          */
751         sa->util_avg = 0;
752         sa->util_sum = 0;
753         /* when this task enqueue'ed, it will contribute to its cfs_rq's load_avg */
754 }
755
756 static inline u64 cfs_rq_clock_task(struct cfs_rq *cfs_rq);
757 static void attach_entity_cfs_rq(struct sched_entity *se);
758
759 /*
760  * With new tasks being created, their initial util_avgs are extrapolated
761  * based on the cfs_rq's current util_avg:
762  *
763  *   util_avg = cfs_rq->util_avg / (cfs_rq->load_avg + 1) * se.load.weight
764  *
765  * However, in many cases, the above util_avg does not give a desired
766  * value. Moreover, the sum of the util_avgs may be divergent, such
767  * as when the series is a harmonic series.
768  *
769  * To solve this problem, we also cap the util_avg of successive tasks to
770  * only 1/2 of the left utilization budget:
771  *
772  *   util_avg_cap = (1024 - cfs_rq->avg.util_avg) / 2^n
773  *
774  * where n denotes the nth task.
775  *
776  * For example, a simplest series from the beginning would be like:
777  *
778  *  task  util_avg: 512, 256, 128,  64,  32,   16,    8, ...
779  * cfs_rq util_avg: 512, 768, 896, 960, 992, 1008, 1016, ...
780  *
781  * Finally, that extrapolated util_avg is clamped to the cap (util_avg_cap)
782  * if util_avg > util_avg_cap.
783  */
784 void post_init_entity_util_avg(struct sched_entity *se)
785 {
786         struct cfs_rq *cfs_rq = cfs_rq_of(se);
787         struct sched_avg *sa = &se->avg;
788         long cap = (long)(SCHED_CAPACITY_SCALE - cfs_rq->avg.util_avg) / 2;
789
790         if (cap > 0) {
791                 if (cfs_rq->avg.util_avg != 0) {
792                         sa->util_avg  = cfs_rq->avg.util_avg * se->load.weight;
793                         sa->util_avg /= (cfs_rq->avg.load_avg + 1);
794
795                         if (sa->util_avg > cap)
796                                 sa->util_avg = cap;
797                 } else {
798                         sa->util_avg = cap;
799                 }
800                 sa->util_sum = sa->util_avg * LOAD_AVG_MAX;
801         }
802
803         if (entity_is_task(se)) {
804                 struct task_struct *p = task_of(se);
805                 if (p->sched_class != &fair_sched_class) {
806                         /*
807                          * For !fair tasks do:
808                          *
809                         update_cfs_rq_load_avg(now, cfs_rq);
810                         attach_entity_load_avg(cfs_rq, se);
811                         switched_from_fair(rq, p);
812                          *
813                          * such that the next switched_to_fair() has the
814                          * expected state.
815                          */
816                         se->avg.last_update_time = cfs_rq_clock_task(cfs_rq);
817                         return;
818                 }
819         }
820
821         attach_entity_cfs_rq(se);
822 }
823
824 #else /* !CONFIG_SMP */
825 void init_entity_runnable_average(struct sched_entity *se)
826 {
827 }
828 void post_init_entity_util_avg(struct sched_entity *se)
829 {
830 }
831 static void update_tg_load_avg(struct cfs_rq *cfs_rq, int force)
832 {
833 }
834 #endif /* CONFIG_SMP */
835
836 /*
837  * Update the current task's runtime statistics.
838  */
839 static void update_curr(struct cfs_rq *cfs_rq)
840 {
841         struct sched_entity *curr = cfs_rq->curr;
842         u64 now = rq_clock_task(rq_of(cfs_rq));
843         u64 delta_exec;
844
845         if (unlikely(!curr))
846                 return;
847
848         delta_exec = now - curr->exec_start;
849         if (unlikely((s64)delta_exec <= 0))
850                 return;
851
852         curr->exec_start = now;
853
854         schedstat_set(curr->statistics.exec_max,
855                       max(delta_exec, curr->statistics.exec_max));
856
857         curr->sum_exec_runtime += delta_exec;
858         schedstat_add(cfs_rq->exec_clock, delta_exec);
859
860         curr->vruntime += calc_delta_fair(delta_exec, curr);
861         update_min_vruntime(cfs_rq);
862
863         if (entity_is_task(curr)) {
864                 struct task_struct *curtask = task_of(curr);
865
866                 trace_sched_stat_runtime(curtask, delta_exec, curr->vruntime);
867                 cpuacct_charge(curtask, delta_exec);
868                 account_group_exec_runtime(curtask, delta_exec);
869         }
870
871         account_cfs_rq_runtime(cfs_rq, delta_exec);
872 }
873
874 static void update_curr_fair(struct rq *rq)
875 {
876         update_curr(cfs_rq_of(&rq->curr->se));
877 }
878
879 static inline void
880 update_stats_wait_start(struct cfs_rq *cfs_rq, struct sched_entity *se)
881 {
882         u64 wait_start, prev_wait_start;
883
884         if (!schedstat_enabled())
885                 return;
886
887         wait_start = rq_clock(rq_of(cfs_rq));
888         prev_wait_start = schedstat_val(se->statistics.wait_start);
889
890         if (entity_is_task(se) && task_on_rq_migrating(task_of(se)) &&
891             likely(wait_start > prev_wait_start))
892                 wait_start -= prev_wait_start;
893
894         schedstat_set(se->statistics.wait_start, wait_start);
895 }
896
897 static inline void
898 update_stats_wait_end(struct cfs_rq *cfs_rq, struct sched_entity *se)
899 {
900         struct task_struct *p;
901         u64 delta;
902
903         if (!schedstat_enabled())
904                 return;
905
906         delta = rq_clock(rq_of(cfs_rq)) - schedstat_val(se->statistics.wait_start);
907
908         if (entity_is_task(se)) {
909                 p = task_of(se);
910                 if (task_on_rq_migrating(p)) {
911                         /*
912                          * Preserve migrating task's wait time so wait_start
913                          * time stamp can be adjusted to accumulate wait time
914                          * prior to migration.
915                          */
916                         schedstat_set(se->statistics.wait_start, delta);
917                         return;
918                 }
919                 trace_sched_stat_wait(p, delta);
920         }
921
922         schedstat_set(se->statistics.wait_max,
923                       max(schedstat_val(se->statistics.wait_max), delta));
924         schedstat_inc(se->statistics.wait_count);
925         schedstat_add(se->statistics.wait_sum, delta);
926         schedstat_set(se->statistics.wait_start, 0);
927 }
928
929 static inline void
930 update_stats_enqueue_sleeper(struct cfs_rq *cfs_rq, struct sched_entity *se)
931 {
932         struct task_struct *tsk = NULL;
933         u64 sleep_start, block_start;
934
935         if (!schedstat_enabled())
936                 return;
937
938         sleep_start = schedstat_val(se->statistics.sleep_start);
939         block_start = schedstat_val(se->statistics.block_start);
940
941         if (entity_is_task(se))
942                 tsk = task_of(se);
943
944         if (sleep_start) {
945                 u64 delta = rq_clock(rq_of(cfs_rq)) - sleep_start;
946
947                 if ((s64)delta < 0)
948                         delta = 0;
949
950                 if (unlikely(delta > schedstat_val(se->statistics.sleep_max)))
951                         schedstat_set(se->statistics.sleep_max, delta);
952
953                 schedstat_set(se->statistics.sleep_start, 0);
954                 schedstat_add(se->statistics.sum_sleep_runtime, delta);
955
956                 if (tsk) {
957                         account_scheduler_latency(tsk, delta >> 10, 1);
958                         trace_sched_stat_sleep(tsk, delta);
959                 }
960         }
961         if (block_start) {
962                 u64 delta = rq_clock(rq_of(cfs_rq)) - block_start;
963
964                 if ((s64)delta < 0)
965                         delta = 0;
966
967                 if (unlikely(delta > schedstat_val(se->statistics.block_max)))
968                         schedstat_set(se->statistics.block_max, delta);
969
970                 schedstat_set(se->statistics.block_start, 0);
971                 schedstat_add(se->statistics.sum_sleep_runtime, delta);
972
973                 if (tsk) {
974                         if (tsk->in_iowait) {
975                                 schedstat_add(se->statistics.iowait_sum, delta);
976                                 schedstat_inc(se->statistics.iowait_count);
977                                 trace_sched_stat_iowait(tsk, delta);
978                         }
979
980                         trace_sched_stat_blocked(tsk, delta);
981
982                         /*
983                          * Blocking time is in units of nanosecs, so shift by
984                          * 20 to get a milliseconds-range estimation of the
985                          * amount of time that the task spent sleeping:
986                          */
987                         if (unlikely(prof_on == SLEEP_PROFILING)) {
988                                 profile_hits(SLEEP_PROFILING,
989                                                 (void *)get_wchan(tsk),
990                                                 delta >> 20);
991                         }
992                         account_scheduler_latency(tsk, delta >> 10, 0);
993                 }
994         }
995 }
996
997 /*
998  * Task is being enqueued - update stats:
999  */
1000 static inline void
1001 update_stats_enqueue(struct cfs_rq *cfs_rq, struct sched_entity *se, int flags)
1002 {
1003         if (!schedstat_enabled())
1004                 return;
1005
1006         /*
1007          * Are we enqueueing a waiting task? (for current tasks
1008          * a dequeue/enqueue event is a NOP)
1009          */
1010         if (se != cfs_rq->curr)
1011                 update_stats_wait_start(cfs_rq, se);
1012
1013         if (flags & ENQUEUE_WAKEUP)
1014                 update_stats_enqueue_sleeper(cfs_rq, se);
1015 }
1016
1017 static inline void
1018 update_stats_dequeue(struct cfs_rq *cfs_rq, struct sched_entity *se, int flags)
1019 {
1020
1021         if (!schedstat_enabled())
1022                 return;
1023
1024         /*
1025          * Mark the end of the wait period if dequeueing a
1026          * waiting task:
1027          */
1028         if (se != cfs_rq->curr)
1029                 update_stats_wait_end(cfs_rq, se);
1030
1031         if ((flags & DEQUEUE_SLEEP) && entity_is_task(se)) {
1032                 struct task_struct *tsk = task_of(se);
1033
1034                 if (tsk->state & TASK_INTERRUPTIBLE)
1035                         schedstat_set(se->statistics.sleep_start,
1036                                       rq_clock(rq_of(cfs_rq)));
1037                 if (tsk->state & TASK_UNINTERRUPTIBLE)
1038                         schedstat_set(se->statistics.block_start,
1039                                       rq_clock(rq_of(cfs_rq)));
1040         }
1041 }
1042
1043 /*
1044  * We are picking a new current task - update its stats:
1045  */
1046 static inline void
1047 update_stats_curr_start(struct cfs_rq *cfs_rq, struct sched_entity *se)
1048 {
1049         /*
1050          * We are starting a new run period:
1051          */
1052         se->exec_start = rq_clock_task(rq_of(cfs_rq));
1053 }
1054
1055 /**************************************************
1056  * Scheduling class queueing methods:
1057  */
1058
1059 #ifdef CONFIG_NUMA_BALANCING
1060 /*
1061  * Approximate time to scan a full NUMA task in ms. The task scan period is
1062  * calculated based on the tasks virtual memory size and
1063  * numa_balancing_scan_size.
1064  */
1065 unsigned int sysctl_numa_balancing_scan_period_min = 1000;
1066 unsigned int sysctl_numa_balancing_scan_period_max = 60000;
1067
1068 /* Portion of address space to scan in MB */
1069 unsigned int sysctl_numa_balancing_scan_size = 256;
1070
1071 /* Scan @scan_size MB every @scan_period after an initial @scan_delay in ms */
1072 unsigned int sysctl_numa_balancing_scan_delay = 1000;
1073
1074 struct numa_group {
1075         atomic_t refcount;
1076
1077         spinlock_t lock; /* nr_tasks, tasks */
1078         int nr_tasks;
1079         pid_t gid;
1080         int active_nodes;
1081
1082         struct rcu_head rcu;
1083         unsigned long total_faults;
1084         unsigned long max_faults_cpu;
1085         /*
1086          * Faults_cpu is used to decide whether memory should move
1087          * towards the CPU. As a consequence, these stats are weighted
1088          * more by CPU use than by memory faults.
1089          */
1090         unsigned long *faults_cpu;
1091         unsigned long faults[0];
1092 };
1093
1094 static inline unsigned long group_faults_priv(struct numa_group *ng);
1095 static inline unsigned long group_faults_shared(struct numa_group *ng);
1096
1097 static unsigned int task_nr_scan_windows(struct task_struct *p)
1098 {
1099         unsigned long rss = 0;
1100         unsigned long nr_scan_pages;
1101
1102         /*
1103          * Calculations based on RSS as non-present and empty pages are skipped
1104          * by the PTE scanner and NUMA hinting faults should be trapped based
1105          * on resident pages
1106          */
1107         nr_scan_pages = sysctl_numa_balancing_scan_size << (20 - PAGE_SHIFT);
1108         rss = get_mm_rss(p->mm);
1109         if (!rss)
1110                 rss = nr_scan_pages;
1111
1112         rss = round_up(rss, nr_scan_pages);
1113         return rss / nr_scan_pages;
1114 }
1115
1116 /* For sanitys sake, never scan more PTEs than MAX_SCAN_WINDOW MB/sec. */
1117 #define MAX_SCAN_WINDOW 2560
1118
1119 static unsigned int task_scan_min(struct task_struct *p)
1120 {
1121         unsigned int scan_size = READ_ONCE(sysctl_numa_balancing_scan_size);
1122         unsigned int scan, floor;
1123         unsigned int windows = 1;
1124
1125         if (scan_size < MAX_SCAN_WINDOW)
1126                 windows = MAX_SCAN_WINDOW / scan_size;
1127         floor = 1000 / windows;
1128
1129         scan = sysctl_numa_balancing_scan_period_min / task_nr_scan_windows(p);
1130         return max_t(unsigned int, floor, scan);
1131 }
1132
1133 static unsigned int task_scan_start(struct task_struct *p)
1134 {
1135         unsigned long smin = task_scan_min(p);
1136         unsigned long period = smin;
1137
1138         /* Scale the maximum scan period with the amount of shared memory. */
1139         if (p->numa_group) {
1140                 struct numa_group *ng = p->numa_group;
1141                 unsigned long shared = group_faults_shared(ng);
1142                 unsigned long private = group_faults_priv(ng);
1143
1144                 period *= atomic_read(&ng->refcount);
1145                 period *= shared + 1;
1146                 period /= private + shared + 1;
1147         }
1148
1149         return max(smin, period);
1150 }
1151
1152 static unsigned int task_scan_max(struct task_struct *p)
1153 {
1154         unsigned long smin = task_scan_min(p);
1155         unsigned long smax;
1156
1157         /* Watch for min being lower than max due to floor calculations */
1158         smax = sysctl_numa_balancing_scan_period_max / task_nr_scan_windows(p);
1159
1160         /* Scale the maximum scan period with the amount of shared memory. */
1161         if (p->numa_group) {
1162                 struct numa_group *ng = p->numa_group;
1163                 unsigned long shared = group_faults_shared(ng);
1164                 unsigned long private = group_faults_priv(ng);
1165                 unsigned long period = smax;
1166
1167                 period *= atomic_read(&ng->refcount);
1168                 period *= shared + 1;
1169                 period /= private + shared + 1;
1170
1171                 smax = max(smax, period);
1172         }
1173
1174         return max(smin, smax);
1175 }
1176
1177 static void account_numa_enqueue(struct rq *rq, struct task_struct *p)
1178 {
1179         rq->nr_numa_running += (p->numa_preferred_nid != -1);
1180         rq->nr_preferred_running += (p->numa_preferred_nid == task_node(p));
1181 }
1182
1183 static void account_numa_dequeue(struct rq *rq, struct task_struct *p)
1184 {
1185         rq->nr_numa_running -= (p->numa_preferred_nid != -1);
1186         rq->nr_preferred_running -= (p->numa_preferred_nid == task_node(p));
1187 }
1188
1189 /* Shared or private faults. */
1190 #define NR_NUMA_HINT_FAULT_TYPES 2
1191
1192 /* Memory and CPU locality */
1193 #define NR_NUMA_HINT_FAULT_STATS (NR_NUMA_HINT_FAULT_TYPES * 2)
1194
1195 /* Averaged statistics, and temporary buffers. */
1196 #define NR_NUMA_HINT_FAULT_BUCKETS (NR_NUMA_HINT_FAULT_STATS * 2)
1197
1198 pid_t task_numa_group_id(struct task_struct *p)
1199 {
1200         return p->numa_group ? p->numa_group->gid : 0;
1201 }
1202
1203 /*
1204  * The averaged statistics, shared & private, memory & cpu,
1205  * occupy the first half of the array. The second half of the
1206  * array is for current counters, which are averaged into the
1207  * first set by task_numa_placement.
1208  */
1209 static inline int task_faults_idx(enum numa_faults_stats s, int nid, int priv)
1210 {
1211         return NR_NUMA_HINT_FAULT_TYPES * (s * nr_node_ids + nid) + priv;
1212 }
1213
1214 static inline unsigned long task_faults(struct task_struct *p, int nid)
1215 {
1216         if (!p->numa_faults)
1217                 return 0;
1218
1219         return p->numa_faults[task_faults_idx(NUMA_MEM, nid, 0)] +
1220                 p->numa_faults[task_faults_idx(NUMA_MEM, nid, 1)];
1221 }
1222
1223 static inline unsigned long group_faults(struct task_struct *p, int nid)
1224 {
1225         if (!p->numa_group)
1226                 return 0;
1227
1228         return p->numa_group->faults[task_faults_idx(NUMA_MEM, nid, 0)] +
1229                 p->numa_group->faults[task_faults_idx(NUMA_MEM, nid, 1)];
1230 }
1231
1232 static inline unsigned long group_faults_cpu(struct numa_group *group, int nid)
1233 {
1234         return group->faults_cpu[task_faults_idx(NUMA_MEM, nid, 0)] +
1235                 group->faults_cpu[task_faults_idx(NUMA_MEM, nid, 1)];
1236 }
1237
1238 static inline unsigned long group_faults_priv(struct numa_group *ng)
1239 {
1240         unsigned long faults = 0;
1241         int node;
1242
1243         for_each_online_node(node) {
1244                 faults += ng->faults[task_faults_idx(NUMA_MEM, node, 1)];
1245         }
1246
1247         return faults;
1248 }
1249
1250 static inline unsigned long group_faults_shared(struct numa_group *ng)
1251 {
1252         unsigned long faults = 0;
1253         int node;
1254
1255         for_each_online_node(node) {
1256                 faults += ng->faults[task_faults_idx(NUMA_MEM, node, 0)];
1257         }
1258
1259         return faults;
1260 }
1261
1262 /*
1263  * A node triggering more than 1/3 as many NUMA faults as the maximum is
1264  * considered part of a numa group's pseudo-interleaving set. Migrations
1265  * between these nodes are slowed down, to allow things to settle down.
1266  */
1267 #define ACTIVE_NODE_FRACTION 3
1268
1269 static bool numa_is_active_node(int nid, struct numa_group *ng)
1270 {
1271         return group_faults_cpu(ng, nid) * ACTIVE_NODE_FRACTION > ng->max_faults_cpu;
1272 }
1273
1274 /* Handle placement on systems where not all nodes are directly connected. */
1275 static unsigned long score_nearby_nodes(struct task_struct *p, int nid,
1276                                         int maxdist, bool task)
1277 {
1278         unsigned long score = 0;
1279         int node;
1280
1281         /*
1282          * All nodes are directly connected, and the same distance
1283          * from each other. No need for fancy placement algorithms.
1284          */
1285         if (sched_numa_topology_type == NUMA_DIRECT)
1286                 return 0;
1287
1288         /*
1289          * This code is called for each node, introducing N^2 complexity,
1290          * which should be ok given the number of nodes rarely exceeds 8.
1291          */
1292         for_each_online_node(node) {
1293                 unsigned long faults;
1294                 int dist = node_distance(nid, node);
1295
1296                 /*
1297                  * The furthest away nodes in the system are not interesting
1298                  * for placement; nid was already counted.
1299                  */
1300                 if (dist == sched_max_numa_distance || node == nid)
1301                         continue;
1302
1303                 /*
1304                  * On systems with a backplane NUMA topology, compare groups
1305                  * of nodes, and move tasks towards the group with the most
1306                  * memory accesses. When comparing two nodes at distance
1307                  * "hoplimit", only nodes closer by than "hoplimit" are part
1308                  * of each group. Skip other nodes.
1309                  */
1310                 if (sched_numa_topology_type == NUMA_BACKPLANE &&
1311                                         dist > maxdist)
1312                         continue;
1313
1314                 /* Add up the faults from nearby nodes. */
1315                 if (task)
1316                         faults = task_faults(p, node);
1317                 else
1318                         faults = group_faults(p, node);
1319
1320                 /*
1321                  * On systems with a glueless mesh NUMA topology, there are
1322                  * no fixed "groups of nodes". Instead, nodes that are not
1323                  * directly connected bounce traffic through intermediate
1324                  * nodes; a numa_group can occupy any set of nodes.
1325                  * The further away a node is, the less the faults count.
1326                  * This seems to result in good task placement.
1327                  */
1328                 if (sched_numa_topology_type == NUMA_GLUELESS_MESH) {
1329                         faults *= (sched_max_numa_distance - dist);
1330                         faults /= (sched_max_numa_distance - LOCAL_DISTANCE);
1331                 }
1332
1333                 score += faults;
1334         }
1335
1336         return score;
1337 }
1338
1339 /*
1340  * These return the fraction of accesses done by a particular task, or
1341  * task group, on a particular numa node.  The group weight is given a
1342  * larger multiplier, in order to group tasks together that are almost
1343  * evenly spread out between numa nodes.
1344  */
1345 static inline unsigned long task_weight(struct task_struct *p, int nid,
1346                                         int dist)
1347 {
1348         unsigned long faults, total_faults;
1349
1350         if (!p->numa_faults)
1351                 return 0;
1352
1353         total_faults = p->total_numa_faults;
1354
1355         if (!total_faults)
1356                 return 0;
1357
1358         faults = task_faults(p, nid);
1359         faults += score_nearby_nodes(p, nid, dist, true);
1360
1361         return 1000 * faults / total_faults;
1362 }
1363
1364 static inline unsigned long group_weight(struct task_struct *p, int nid,
1365                                          int dist)
1366 {
1367         unsigned long faults, total_faults;
1368
1369         if (!p->numa_group)
1370                 return 0;
1371
1372         total_faults = p->numa_group->total_faults;
1373
1374         if (!total_faults)
1375                 return 0;
1376
1377         faults = group_faults(p, nid);
1378         faults += score_nearby_nodes(p, nid, dist, false);
1379
1380         return 1000 * faults / total_faults;
1381 }
1382
1383 bool should_numa_migrate_memory(struct task_struct *p, struct page * page,
1384                                 int src_nid, int dst_cpu)
1385 {
1386         struct numa_group *ng = p->numa_group;
1387         int dst_nid = cpu_to_node(dst_cpu);
1388         int last_cpupid, this_cpupid;
1389
1390         this_cpupid = cpu_pid_to_cpupid(dst_cpu, current->pid);
1391
1392         /*
1393          * Multi-stage node selection is used in conjunction with a periodic
1394          * migration fault to build a temporal task<->page relation. By using
1395          * a two-stage filter we remove short/unlikely relations.
1396          *
1397          * Using P(p) ~ n_p / n_t as per frequentist probability, we can equate
1398          * a task's usage of a particular page (n_p) per total usage of this
1399          * page (n_t) (in a given time-span) to a probability.
1400          *
1401          * Our periodic faults will sample this probability and getting the
1402          * same result twice in a row, given these samples are fully
1403          * independent, is then given by P(n)^2, provided our sample period
1404          * is sufficiently short compared to the usage pattern.
1405          *
1406          * This quadric squishes small probabilities, making it less likely we
1407          * act on an unlikely task<->page relation.
1408          */
1409         last_cpupid = page_cpupid_xchg_last(page, this_cpupid);
1410         if (!cpupid_pid_unset(last_cpupid) &&
1411                                 cpupid_to_nid(last_cpupid) != dst_nid)
1412                 return false;
1413
1414         /* Always allow migrate on private faults */
1415         if (cpupid_match_pid(p, last_cpupid))
1416                 return true;
1417
1418         /* A shared fault, but p->numa_group has not been set up yet. */
1419         if (!ng)
1420                 return true;
1421
1422         /*
1423          * Destination node is much more heavily used than the source
1424          * node? Allow migration.
1425          */
1426         if (group_faults_cpu(ng, dst_nid) > group_faults_cpu(ng, src_nid) *
1427                                         ACTIVE_NODE_FRACTION)
1428                 return true;
1429
1430         /*
1431          * Distribute memory according to CPU & memory use on each node,
1432          * with 3/4 hysteresis to avoid unnecessary memory migrations:
1433          *
1434          * faults_cpu(dst)   3   faults_cpu(src)
1435          * --------------- * - > ---------------
1436          * faults_mem(dst)   4   faults_mem(src)
1437          */
1438         return group_faults_cpu(ng, dst_nid) * group_faults(p, src_nid) * 3 >
1439                group_faults_cpu(ng, src_nid) * group_faults(p, dst_nid) * 4;
1440 }
1441
1442 static unsigned long weighted_cpuload(struct rq *rq);
1443 static unsigned long source_load(int cpu, int type);
1444 static unsigned long target_load(int cpu, int type);
1445 static unsigned long capacity_of(int cpu);
1446
1447 /* Cached statistics for all CPUs within a node */
1448 struct numa_stats {
1449         unsigned long nr_running;
1450         unsigned long load;
1451
1452         /* Total compute capacity of CPUs on a node */
1453         unsigned long compute_capacity;
1454
1455         /* Approximate capacity in terms of runnable tasks on a node */
1456         unsigned long task_capacity;
1457         int has_free_capacity;
1458 };
1459
1460 /*
1461  * XXX borrowed from update_sg_lb_stats
1462  */
1463 static void update_numa_stats(struct numa_stats *ns, int nid)
1464 {
1465         int smt, cpu, cpus = 0;
1466         unsigned long capacity;
1467
1468         memset(ns, 0, sizeof(*ns));
1469         for_each_cpu(cpu, cpumask_of_node(nid)) {
1470                 struct rq *rq = cpu_rq(cpu);
1471
1472                 ns->nr_running += rq->nr_running;
1473                 ns->load += weighted_cpuload(rq);
1474                 ns->compute_capacity += capacity_of(cpu);
1475
1476                 cpus++;
1477         }
1478
1479         /*
1480          * If we raced with hotplug and there are no CPUs left in our mask
1481          * the @ns structure is NULL'ed and task_numa_compare() will
1482          * not find this node attractive.
1483          *
1484          * We'll either bail at !has_free_capacity, or we'll detect a huge
1485          * imbalance and bail there.
1486          */
1487         if (!cpus)
1488                 return;
1489
1490         /* smt := ceil(cpus / capacity), assumes: 1 < smt_power < 2 */
1491         smt = DIV_ROUND_UP(SCHED_CAPACITY_SCALE * cpus, ns->compute_capacity);
1492         capacity = cpus / smt; /* cores */
1493
1494         ns->task_capacity = min_t(unsigned, capacity,
1495                 DIV_ROUND_CLOSEST(ns->compute_capacity, SCHED_CAPACITY_SCALE));
1496         ns->has_free_capacity = (ns->nr_running < ns->task_capacity);
1497 }
1498
1499 struct task_numa_env {
1500         struct task_struct *p;
1501
1502         int src_cpu, src_nid;
1503         int dst_cpu, dst_nid;
1504
1505         struct numa_stats src_stats, dst_stats;
1506
1507         int imbalance_pct;
1508         int dist;
1509
1510         struct task_struct *best_task;
1511         long best_imp;
1512         int best_cpu;
1513 };
1514
1515 static void task_numa_assign(struct task_numa_env *env,
1516                              struct task_struct *p, long imp)
1517 {
1518         if (env->best_task)
1519                 put_task_struct(env->best_task);
1520         if (p)
1521                 get_task_struct(p);
1522
1523         env->best_task = p;
1524         env->best_imp = imp;
1525         env->best_cpu = env->dst_cpu;
1526 }
1527
1528 static bool load_too_imbalanced(long src_load, long dst_load,
1529                                 struct task_numa_env *env)
1530 {
1531         long imb, old_imb;
1532         long orig_src_load, orig_dst_load;
1533         long src_capacity, dst_capacity;
1534
1535         /*
1536          * The load is corrected for the CPU capacity available on each node.
1537          *
1538          * src_load        dst_load
1539          * ------------ vs ---------
1540          * src_capacity    dst_capacity
1541          */
1542         src_capacity = env->src_stats.compute_capacity;
1543         dst_capacity = env->dst_stats.compute_capacity;
1544
1545         /* We care about the slope of the imbalance, not the direction. */
1546         if (dst_load < src_load)
1547                 swap(dst_load, src_load);
1548
1549         /* Is the difference below the threshold? */
1550         imb = dst_load * src_capacity * 100 -
1551               src_load * dst_capacity * env->imbalance_pct;
1552         if (imb <= 0)
1553                 return false;
1554
1555         /*
1556          * The imbalance is above the allowed threshold.
1557          * Compare it with the old imbalance.
1558          */
1559         orig_src_load = env->src_stats.load;
1560         orig_dst_load = env->dst_stats.load;
1561
1562         if (orig_dst_load < orig_src_load)
1563                 swap(orig_dst_load, orig_src_load);
1564
1565         old_imb = orig_dst_load * src_capacity * 100 -
1566                   orig_src_load * dst_capacity * env->imbalance_pct;
1567
1568         /* Would this change make things worse? */
1569         return (imb > old_imb);
1570 }
1571
1572 /*
1573  * This checks if the overall compute and NUMA accesses of the system would
1574  * be improved if the source tasks was migrated to the target dst_cpu taking
1575  * into account that it might be best if task running on the dst_cpu should
1576  * be exchanged with the source task
1577  */
1578 static void task_numa_compare(struct task_numa_env *env,
1579                               long taskimp, long groupimp)
1580 {
1581         struct rq *src_rq = cpu_rq(env->src_cpu);
1582         struct rq *dst_rq = cpu_rq(env->dst_cpu);
1583         struct task_struct *cur;
1584         long src_load, dst_load;
1585         long load;
1586         long imp = env->p->numa_group ? groupimp : taskimp;
1587         long moveimp = imp;
1588         int dist = env->dist;
1589
1590         rcu_read_lock();
1591         cur = task_rcu_dereference(&dst_rq->curr);
1592         if (cur && ((cur->flags & PF_EXITING) || is_idle_task(cur)))
1593                 cur = NULL;
1594
1595         /*
1596          * Because we have preemption enabled we can get migrated around and
1597          * end try selecting ourselves (current == env->p) as a swap candidate.
1598          */
1599         if (cur == env->p)
1600                 goto unlock;
1601
1602         /*
1603          * "imp" is the fault differential for the source task between the
1604          * source and destination node. Calculate the total differential for
1605          * the source task and potential destination task. The more negative
1606          * the value is, the more rmeote accesses that would be expected to
1607          * be incurred if the tasks were swapped.
1608          */
1609         if (cur) {
1610                 /* Skip this swap candidate if cannot move to the source cpu */
1611                 if (!cpumask_test_cpu(env->src_cpu, &cur->cpus_allowed))
1612                         goto unlock;
1613
1614                 /*
1615                  * If dst and source tasks are in the same NUMA group, or not
1616                  * in any group then look only at task weights.
1617                  */
1618                 if (cur->numa_group == env->p->numa_group) {
1619                         imp = taskimp + task_weight(cur, env->src_nid, dist) -
1620                               task_weight(cur, env->dst_nid, dist);
1621                         /*
1622                          * Add some hysteresis to prevent swapping the
1623                          * tasks within a group over tiny differences.
1624                          */
1625                         if (cur->numa_group)
1626                                 imp -= imp/16;
1627                 } else {
1628                         /*
1629                          * Compare the group weights. If a task is all by
1630                          * itself (not part of a group), use the task weight
1631                          * instead.
1632                          */
1633                         if (cur->numa_group)
1634                                 imp += group_weight(cur, env->src_nid, dist) -
1635                                        group_weight(cur, env->dst_nid, dist);
1636                         else
1637                                 imp += task_weight(cur, env->src_nid, dist) -
1638                                        task_weight(cur, env->dst_nid, dist);
1639                 }
1640         }
1641
1642         if (imp <= env->best_imp && moveimp <= env->best_imp)
1643                 goto unlock;
1644
1645         if (!cur) {
1646                 /* Is there capacity at our destination? */
1647                 if (env->src_stats.nr_running <= env->src_stats.task_capacity &&
1648                     !env->dst_stats.has_free_capacity)
1649                         goto unlock;
1650
1651                 goto balance;
1652         }
1653
1654         /* Balance doesn't matter much if we're running a task per cpu */
1655         if (imp > env->best_imp && src_rq->nr_running == 1 &&
1656                         dst_rq->nr_running == 1)
1657                 goto assign;
1658
1659         /*
1660          * In the overloaded case, try and keep the load balanced.
1661          */
1662 balance:
1663         load = task_h_load(env->p);
1664         dst_load = env->dst_stats.load + load;
1665         src_load = env->src_stats.load - load;
1666
1667         if (moveimp > imp && moveimp > env->best_imp) {
1668                 /*
1669                  * If the improvement from just moving env->p direction is
1670                  * better than swapping tasks around, check if a move is
1671                  * possible. Store a slightly smaller score than moveimp,
1672                  * so an actually idle CPU will win.
1673                  */
1674                 if (!load_too_imbalanced(src_load, dst_load, env)) {
1675                         imp = moveimp - 1;
1676                         cur = NULL;
1677                         goto assign;
1678                 }
1679         }
1680
1681         if (imp <= env->best_imp)
1682                 goto unlock;
1683
1684         if (cur) {
1685                 load = task_h_load(cur);
1686                 dst_load -= load;
1687                 src_load += load;
1688         }
1689
1690         if (load_too_imbalanced(src_load, dst_load, env))
1691                 goto unlock;
1692
1693         /*
1694          * One idle CPU per node is evaluated for a task numa move.
1695          * Call select_idle_sibling to maybe find a better one.
1696          */
1697         if (!cur) {
1698                 /*
1699                  * select_idle_siblings() uses an per-cpu cpumask that
1700                  * can be used from IRQ context.
1701                  */
1702                 local_irq_disable();
1703                 env->dst_cpu = select_idle_sibling(env->p, env->src_cpu,
1704                                                    env->dst_cpu);
1705                 local_irq_enable();
1706         }
1707
1708 assign:
1709         task_numa_assign(env, cur, imp);
1710 unlock:
1711         rcu_read_unlock();
1712 }
1713
1714 static void task_numa_find_cpu(struct task_numa_env *env,
1715                                 long taskimp, long groupimp)
1716 {
1717         int cpu;
1718
1719         for_each_cpu(cpu, cpumask_of_node(env->dst_nid)) {
1720                 /* Skip this CPU if the source task cannot migrate */
1721                 if (!cpumask_test_cpu(cpu, &env->p->cpus_allowed))
1722                         continue;
1723
1724                 env->dst_cpu = cpu;
1725                 task_numa_compare(env, taskimp, groupimp);
1726         }
1727 }
1728
1729 /* Only move tasks to a NUMA node less busy than the current node. */
1730 static bool numa_has_capacity(struct task_numa_env *env)
1731 {
1732         struct numa_stats *src = &env->src_stats;
1733         struct numa_stats *dst = &env->dst_stats;
1734
1735         if (src->has_free_capacity && !dst->has_free_capacity)
1736                 return false;
1737
1738         /*
1739          * Only consider a task move if the source has a higher load
1740          * than the destination, corrected for CPU capacity on each node.
1741          *
1742          *      src->load                dst->load
1743          * --------------------- vs ---------------------
1744          * src->compute_capacity    dst->compute_capacity
1745          */
1746         if (src->load * dst->compute_capacity * env->imbalance_pct >
1747
1748             dst->load * src->compute_capacity * 100)
1749                 return true;
1750
1751         return false;
1752 }
1753
1754 static int task_numa_migrate(struct task_struct *p)
1755 {
1756         struct task_numa_env env = {
1757                 .p = p,
1758
1759                 .src_cpu = task_cpu(p),
1760                 .src_nid = task_node(p),
1761
1762                 .imbalance_pct = 112,
1763
1764                 .best_task = NULL,
1765                 .best_imp = 0,
1766                 .best_cpu = -1,
1767         };
1768         struct sched_domain *sd;
1769         unsigned long taskweight, groupweight;
1770         int nid, ret, dist;
1771         long taskimp, groupimp;
1772
1773         /*
1774          * Pick the lowest SD_NUMA domain, as that would have the smallest
1775          * imbalance and would be the first to start moving tasks about.
1776          *
1777          * And we want to avoid any moving of tasks about, as that would create
1778          * random movement of tasks -- counter the numa conditions we're trying
1779          * to satisfy here.
1780          */
1781         rcu_read_lock();
1782         sd = rcu_dereference(per_cpu(sd_numa, env.src_cpu));
1783         if (sd)
1784                 env.imbalance_pct = 100 + (sd->imbalance_pct - 100) / 2;
1785         rcu_read_unlock();
1786
1787         /*
1788          * Cpusets can break the scheduler domain tree into smaller
1789          * balance domains, some of which do not cross NUMA boundaries.
1790          * Tasks that are "trapped" in such domains cannot be migrated
1791          * elsewhere, so there is no point in (re)trying.
1792          */
1793         if (unlikely(!sd)) {
1794                 p->numa_preferred_nid = task_node(p);
1795                 return -EINVAL;
1796         }
1797
1798         env.dst_nid = p->numa_preferred_nid;
1799         dist = env.dist = node_distance(env.src_nid, env.dst_nid);
1800         taskweight = task_weight(p, env.src_nid, dist);
1801         groupweight = group_weight(p, env.src_nid, dist);
1802         update_numa_stats(&env.src_stats, env.src_nid);
1803         taskimp = task_weight(p, env.dst_nid, dist) - taskweight;
1804         groupimp = group_weight(p, env.dst_nid, dist) - groupweight;
1805         update_numa_stats(&env.dst_stats, env.dst_nid);
1806
1807         /* Try to find a spot on the preferred nid. */
1808         if (numa_has_capacity(&env))
1809                 task_numa_find_cpu(&env, taskimp, groupimp);
1810
1811         /*
1812          * Look at other nodes in these cases:
1813          * - there is no space available on the preferred_nid
1814          * - the task is part of a numa_group that is interleaved across
1815          *   multiple NUMA nodes; in order to better consolidate the group,
1816          *   we need to check other locations.
1817          */
1818         if (env.best_cpu == -1 || (p->numa_group && p->numa_group->active_nodes > 1)) {
1819                 for_each_online_node(nid) {
1820                         if (nid == env.src_nid || nid == p->numa_preferred_nid)
1821                                 continue;
1822
1823                         dist = node_distance(env.src_nid, env.dst_nid);
1824                         if (sched_numa_topology_type == NUMA_BACKPLANE &&
1825                                                 dist != env.dist) {
1826                                 taskweight = task_weight(p, env.src_nid, dist);
1827                                 groupweight = group_weight(p, env.src_nid, dist);
1828                         }
1829
1830                         /* Only consider nodes where both task and groups benefit */
1831                         taskimp = task_weight(p, nid, dist) - taskweight;
1832                         groupimp = group_weight(p, nid, dist) - groupweight;
1833                         if (taskimp < 0 && groupimp < 0)
1834                                 continue;
1835
1836                         env.dist = dist;
1837                         env.dst_nid = nid;
1838                         update_numa_stats(&env.dst_stats, env.dst_nid);
1839                         if (numa_has_capacity(&env))
1840                                 task_numa_find_cpu(&env, taskimp, groupimp);
1841                 }
1842         }
1843
1844         /*
1845          * If the task is part of a workload that spans multiple NUMA nodes,
1846          * and is migrating into one of the workload's active nodes, remember
1847          * this node as the task's preferred numa node, so the workload can
1848          * settle down.
1849          * A task that migrated to a second choice node will be better off
1850          * trying for a better one later. Do not set the preferred node here.
1851          */
1852         if (p->numa_group) {
1853                 struct numa_group *ng = p->numa_group;
1854
1855                 if (env.best_cpu == -1)
1856                         nid = env.src_nid;
1857                 else
1858                         nid = env.dst_nid;
1859
1860                 if (ng->active_nodes > 1 && numa_is_active_node(env.dst_nid, ng))
1861                         sched_setnuma(p, env.dst_nid);
1862         }
1863
1864         /* No better CPU than the current one was found. */
1865         if (env.best_cpu == -1)
1866                 return -EAGAIN;
1867
1868         /*
1869          * Reset the scan period if the task is being rescheduled on an
1870          * alternative node to recheck if the tasks is now properly placed.
1871          */
1872         p->numa_scan_period = task_scan_start(p);
1873
1874         if (env.best_task == NULL) {
1875                 ret = migrate_task_to(p, env.best_cpu);
1876                 if (ret != 0)
1877                         trace_sched_stick_numa(p, env.src_cpu, env.best_cpu);
1878                 return ret;
1879         }
1880
1881         ret = migrate_swap(p, env.best_task);
1882         if (ret != 0)
1883                 trace_sched_stick_numa(p, env.src_cpu, task_cpu(env.best_task));
1884         put_task_struct(env.best_task);
1885         return ret;
1886 }
1887
1888 /* Attempt to migrate a task to a CPU on the preferred node. */
1889 static void numa_migrate_preferred(struct task_struct *p)
1890 {
1891         unsigned long interval = HZ;
1892
1893         /* This task has no NUMA fault statistics yet */
1894         if (unlikely(p->numa_preferred_nid == -1 || !p->numa_faults))
1895                 return;
1896
1897         /* Periodically retry migrating the task to the preferred node */
1898         interval = min(interval, msecs_to_jiffies(p->numa_scan_period) / 16);
1899         p->numa_migrate_retry = jiffies + interval;
1900
1901         /* Success if task is already running on preferred CPU */
1902         if (task_node(p) == p->numa_preferred_nid)
1903                 return;
1904
1905         /* Otherwise, try migrate to a CPU on the preferred node */
1906         task_numa_migrate(p);
1907 }
1908
1909 /*
1910  * Find out how many nodes on the workload is actively running on. Do this by
1911  * tracking the nodes from which NUMA hinting faults are triggered. This can
1912  * be different from the set of nodes where the workload's memory is currently
1913  * located.
1914  */
1915 static void numa_group_count_active_nodes(struct numa_group *numa_group)
1916 {
1917         unsigned long faults, max_faults = 0;
1918         int nid, active_nodes = 0;
1919
1920         for_each_online_node(nid) {
1921                 faults = group_faults_cpu(numa_group, nid);
1922                 if (faults > max_faults)
1923                         max_faults = faults;
1924         }
1925
1926         for_each_online_node(nid) {
1927                 faults = group_faults_cpu(numa_group, nid);
1928                 if (faults * ACTIVE_NODE_FRACTION > max_faults)
1929                         active_nodes++;
1930         }
1931
1932         numa_group->max_faults_cpu = max_faults;
1933         numa_group->active_nodes = active_nodes;
1934 }
1935
1936 /*
1937  * When adapting the scan rate, the period is divided into NUMA_PERIOD_SLOTS
1938  * increments. The more local the fault statistics are, the higher the scan
1939  * period will be for the next scan window. If local/(local+remote) ratio is
1940  * below NUMA_PERIOD_THRESHOLD (where range of ratio is 1..NUMA_PERIOD_SLOTS)
1941  * the scan period will decrease. Aim for 70% local accesses.
1942  */
1943 #define NUMA_PERIOD_SLOTS 10
1944 #define NUMA_PERIOD_THRESHOLD 7
1945
1946 /*
1947  * Increase the scan period (slow down scanning) if the majority of
1948  * our memory is already on our local node, or if the majority of
1949  * the page accesses are shared with other processes.
1950  * Otherwise, decrease the scan period.
1951  */
1952 static void update_task_scan_period(struct task_struct *p,
1953                         unsigned long shared, unsigned long private)
1954 {
1955         unsigned int period_slot;
1956         int lr_ratio, ps_ratio;
1957         int diff;
1958
1959         unsigned long remote = p->numa_faults_locality[0];
1960         unsigned long local = p->numa_faults_locality[1];
1961
1962         /*
1963          * If there were no record hinting faults then either the task is
1964          * completely idle or all activity is areas that are not of interest
1965          * to automatic numa balancing. Related to that, if there were failed
1966          * migration then it implies we are migrating too quickly or the local
1967          * node is overloaded. In either case, scan slower
1968          */
1969         if (local + shared == 0 || p->numa_faults_locality[2]) {
1970                 p->numa_scan_period = min(p->numa_scan_period_max,
1971                         p->numa_scan_period << 1);
1972
1973                 p->mm->numa_next_scan = jiffies +
1974                         msecs_to_jiffies(p->numa_scan_period);
1975
1976                 return;
1977         }
1978
1979         /*
1980          * Prepare to scale scan period relative to the current period.
1981          *       == NUMA_PERIOD_THRESHOLD scan period stays the same
1982          *       <  NUMA_PERIOD_THRESHOLD scan period decreases (scan faster)
1983          *       >= NUMA_PERIOD_THRESHOLD scan period increases (scan slower)
1984          */
1985         period_slot = DIV_ROUND_UP(p->numa_scan_period, NUMA_PERIOD_SLOTS);
1986         lr_ratio = (local * NUMA_PERIOD_SLOTS) / (local + remote);
1987         ps_ratio = (private * NUMA_PERIOD_SLOTS) / (private + shared);
1988
1989         if (ps_ratio >= NUMA_PERIOD_THRESHOLD) {
1990                 /*
1991                  * Most memory accesses are local. There is no need to
1992                  * do fast NUMA scanning, since memory is already local.
1993                  */
1994                 int slot = ps_ratio - NUMA_PERIOD_THRESHOLD;
1995                 if (!slot)
1996                         slot = 1;
1997                 diff = slot * period_slot;
1998         } else if (lr_ratio >= NUMA_PERIOD_THRESHOLD) {
1999                 /*
2000                  * Most memory accesses are shared with other tasks.
2001                  * There is no point in continuing fast NUMA scanning,
2002                  * since other tasks may just move the memory elsewhere.
2003                  */
2004                 int slot = lr_ratio - NUMA_PERIOD_THRESHOLD;
2005                 if (!slot)
2006                         slot = 1;
2007                 diff = slot * period_slot;
2008         } else {
2009                 /*
2010                  * Private memory faults exceed (SLOTS-THRESHOLD)/SLOTS,
2011                  * yet they are not on the local NUMA node. Speed up
2012                  * NUMA scanning to get the memory moved over.
2013                  */
2014                 int ratio = max(lr_ratio, ps_ratio);
2015                 diff = -(NUMA_PERIOD_THRESHOLD - ratio) * period_slot;
2016         }
2017
2018         p->numa_scan_period = clamp(p->numa_scan_period + diff,
2019                         task_scan_min(p), task_scan_max(p));
2020         memset(p->numa_faults_locality, 0, sizeof(p->numa_faults_locality));
2021 }
2022
2023 /*
2024  * Get the fraction of time the task has been running since the last
2025  * NUMA placement cycle. The scheduler keeps similar statistics, but
2026  * decays those on a 32ms period, which is orders of magnitude off
2027  * from the dozens-of-seconds NUMA balancing period. Use the scheduler
2028  * stats only if the task is so new there are no NUMA statistics yet.
2029  */
2030 static u64 numa_get_avg_runtime(struct task_struct *p, u64 *period)
2031 {
2032         u64 runtime, delta, now;
2033         /* Use the start of this time slice to avoid calculations. */
2034         now = p->se.exec_start;
2035         runtime = p->se.sum_exec_runtime;
2036
2037         if (p->last_task_numa_placement) {
2038                 delta = runtime - p->last_sum_exec_runtime;
2039                 *period = now - p->last_task_numa_placement;
2040         } else {
2041                 delta = p->se.avg.load_sum / p->se.load.weight;
2042                 *period = LOAD_AVG_MAX;
2043         }
2044
2045         p->last_sum_exec_runtime = runtime;
2046         p->last_task_numa_placement = now;
2047
2048         return delta;
2049 }
2050
2051 /*
2052  * Determine the preferred nid for a task in a numa_group. This needs to
2053  * be done in a way that produces consistent results with group_weight,
2054  * otherwise workloads might not converge.
2055  */
2056 static int preferred_group_nid(struct task_struct *p, int nid)
2057 {
2058         nodemask_t nodes;
2059         int dist;
2060
2061         /* Direct connections between all NUMA nodes. */
2062         if (sched_numa_topology_type == NUMA_DIRECT)
2063                 return nid;
2064
2065         /*
2066          * On a system with glueless mesh NUMA topology, group_weight
2067          * scores nodes according to the number of NUMA hinting faults on
2068          * both the node itself, and on nearby nodes.
2069          */
2070         if (sched_numa_topology_type == NUMA_GLUELESS_MESH) {
2071                 unsigned long score, max_score = 0;
2072                 int node, max_node = nid;
2073
2074                 dist = sched_max_numa_distance;
2075
2076                 for_each_online_node(node) {
2077                         score = group_weight(p, node, dist);
2078                         if (score > max_score) {
2079                                 max_score = score;
2080                                 max_node = node;
2081                         }
2082                 }
2083                 return max_node;
2084         }
2085
2086         /*
2087          * Finding the preferred nid in a system with NUMA backplane
2088          * interconnect topology is more involved. The goal is to locate
2089          * tasks from numa_groups near each other in the system, and
2090          * untangle workloads from different sides of the system. This requires
2091          * searching down the hierarchy of node groups, recursively searching
2092          * inside the highest scoring group of nodes. The nodemask tricks
2093          * keep the complexity of the search down.
2094          */
2095         nodes = node_online_map;
2096         for (dist = sched_max_numa_distance; dist > LOCAL_DISTANCE; dist--) {
2097                 unsigned long max_faults = 0;
2098                 nodemask_t max_group = NODE_MASK_NONE;
2099                 int a, b;
2100
2101                 /* Are there nodes at this distance from each other? */
2102                 if (!find_numa_distance(dist))
2103                         continue;
2104
2105                 for_each_node_mask(a, nodes) {
2106                         unsigned long faults = 0;
2107                         nodemask_t this_group;
2108                         nodes_clear(this_group);
2109
2110                         /* Sum group's NUMA faults; includes a==b case. */
2111                         for_each_node_mask(b, nodes) {
2112                                 if (node_distance(a, b) < dist) {
2113                                         faults += group_faults(p, b);
2114                                         node_set(b, this_group);
2115                                         node_clear(b, nodes);
2116                                 }
2117                         }
2118
2119                         /* Remember the top group. */
2120                         if (faults > max_faults) {
2121                                 max_faults = faults;
2122                                 max_group = this_group;
2123                                 /*
2124                                  * subtle: at the smallest distance there is
2125                                  * just one node left in each "group", the
2126                                  * winner is the preferred nid.
2127                                  */
2128                                 nid = a;
2129                         }
2130                 }
2131                 /* Next round, evaluate the nodes within max_group. */
2132                 if (!max_faults)
2133                         break;
2134                 nodes = max_group;
2135         }
2136         return nid;
2137 }
2138
2139 static void task_numa_placement(struct task_struct *p)
2140 {
2141         int seq, nid, max_nid = -1, max_group_nid = -1;
2142         unsigned long max_faults = 0, max_group_faults = 0;
2143         unsigned long fault_types[2] = { 0, 0 };
2144         unsigned long total_faults;
2145         u64 runtime, period;
2146         spinlock_t *group_lock = NULL;
2147
2148         /*
2149          * The p->mm->numa_scan_seq field gets updated without
2150          * exclusive access. Use READ_ONCE() here to ensure
2151          * that the field is read in a single access:
2152          */
2153         seq = READ_ONCE(p->mm->numa_scan_seq);
2154         if (p->numa_scan_seq == seq)
2155                 return;
2156         p->numa_scan_seq = seq;
2157         p->numa_scan_period_max = task_scan_max(p);
2158
2159         total_faults = p->numa_faults_locality[0] +
2160                        p->numa_faults_locality[1];
2161         runtime = numa_get_avg_runtime(p, &period);
2162
2163         /* If the task is part of a group prevent parallel updates to group stats */
2164         if (p->numa_group) {
2165                 group_lock = &p->numa_group->lock;
2166                 spin_lock_irq(group_lock);
2167         }
2168
2169         /* Find the node with the highest number of faults */
2170         for_each_online_node(nid) {
2171                 /* Keep track of the offsets in numa_faults array */
2172                 int mem_idx, membuf_idx, cpu_idx, cpubuf_idx;
2173                 unsigned long faults = 0, group_faults = 0;
2174                 int priv;
2175
2176                 for (priv = 0; priv < NR_NUMA_HINT_FAULT_TYPES; priv++) {
2177                         long diff, f_diff, f_weight;
2178
2179                         mem_idx = task_faults_idx(NUMA_MEM, nid, priv);
2180                         membuf_idx = task_faults_idx(NUMA_MEMBUF, nid, priv);
2181                         cpu_idx = task_faults_idx(NUMA_CPU, nid, priv);
2182                         cpubuf_idx = task_faults_idx(NUMA_CPUBUF, nid, priv);
2183
2184                         /* Decay existing window, copy faults since last scan */
2185                         diff = p->numa_faults[membuf_idx] - p->numa_faults[mem_idx] / 2;
2186                         fault_types[priv] += p->numa_faults[membuf_idx];
2187                         p->numa_faults[membuf_idx] = 0;
2188
2189                         /*
2190                          * Normalize the faults_from, so all tasks in a group
2191                          * count according to CPU use, instead of by the raw
2192                          * number of faults. Tasks with little runtime have
2193                          * little over-all impact on throughput, and thus their
2194                          * faults are less important.
2195                          */
2196                         f_weight = div64_u64(runtime << 16, period + 1);
2197                         f_weight = (f_weight * p->numa_faults[cpubuf_idx]) /
2198                                    (total_faults + 1);
2199                         f_diff = f_weight - p->numa_faults[cpu_idx] / 2;
2200                         p->numa_faults[cpubuf_idx] = 0;
2201
2202                         p->numa_faults[mem_idx] += diff;
2203                         p->numa_faults[cpu_idx] += f_diff;
2204                         faults += p->numa_faults[mem_idx];
2205                         p->total_numa_faults += diff;
2206                         if (p->numa_group) {
2207                                 /*
2208                                  * safe because we can only change our own group
2209                                  *
2210                                  * mem_idx represents the offset for a given
2211                                  * nid and priv in a specific region because it
2212                                  * is at the beginning of the numa_faults array.
2213                                  */
2214                                 p->numa_group->faults[mem_idx] += diff;
2215                                 p->numa_group->faults_cpu[mem_idx] += f_diff;
2216                                 p->numa_group->total_faults += diff;
2217                                 group_faults += p->numa_group->faults[mem_idx];
2218                         }
2219                 }
2220
2221                 if (faults > max_faults) {
2222                         max_faults = faults;
2223                         max_nid = nid;
2224                 }
2225
2226                 if (group_faults > max_group_faults) {
2227                         max_group_faults = group_faults;
2228                         max_group_nid = nid;
2229                 }
2230         }
2231
2232         update_task_scan_period(p, fault_types[0], fault_types[1]);
2233
2234         if (p->numa_group) {
2235                 numa_group_count_active_nodes(p->numa_group);
2236                 spin_unlock_irq(group_lock);
2237                 max_nid = preferred_group_nid(p, max_group_nid);
2238         }
2239
2240         if (max_faults) {
2241                 /* Set the new preferred node */
2242                 if (max_nid != p->numa_preferred_nid)
2243                         sched_setnuma(p, max_nid);
2244
2245                 if (task_node(p) != p->numa_preferred_nid)
2246                         numa_migrate_preferred(p);
2247         }
2248 }
2249
2250 static inline int get_numa_group(struct numa_group *grp)
2251 {
2252         return atomic_inc_not_zero(&grp->refcount);
2253 }
2254
2255 static inline void put_numa_group(struct numa_group *grp)
2256 {
2257         if (atomic_dec_and_test(&grp->refcount))
2258                 kfree_rcu(grp, rcu);
2259 }
2260
2261 static void task_numa_group(struct task_struct *p, int cpupid, int flags,
2262                         int *priv)
2263 {
2264         struct numa_group *grp, *my_grp;
2265         struct task_struct *tsk;
2266         bool join = false;
2267         int cpu = cpupid_to_cpu(cpupid);
2268         int i;
2269
2270         if (unlikely(!p->numa_group)) {
2271                 unsigned int size = sizeof(struct numa_group) +
2272                                     4*nr_node_ids*sizeof(unsigned long);
2273
2274                 grp = kzalloc(size, GFP_KERNEL | __GFP_NOWARN);
2275                 if (!grp)
2276                         return;
2277
2278                 atomic_set(&grp->refcount, 1);
2279                 grp->active_nodes = 1;
2280                 grp->max_faults_cpu = 0;
2281                 spin_lock_init(&grp->lock);
2282                 grp->gid = p->pid;
2283                 /* Second half of the array tracks nids where faults happen */
2284                 grp->faults_cpu = grp->faults + NR_NUMA_HINT_FAULT_TYPES *
2285                                                 nr_node_ids;
2286
2287                 for (i = 0; i < NR_NUMA_HINT_FAULT_STATS * nr_node_ids; i++)
2288                         grp->faults[i] = p->numa_faults[i];
2289
2290                 grp->total_faults = p->total_numa_faults;
2291
2292                 grp->nr_tasks++;
2293                 rcu_assign_pointer(p->numa_group, grp);
2294         }
2295
2296         rcu_read_lock();
2297         tsk = READ_ONCE(cpu_rq(cpu)->curr);
2298
2299         if (!cpupid_match_pid(tsk, cpupid))
2300                 goto no_join;
2301
2302         grp = rcu_dereference(tsk->numa_group);
2303         if (!grp)
2304                 goto no_join;
2305
2306         my_grp = p->numa_group;
2307         if (grp == my_grp)
2308                 goto no_join;
2309
2310         /*
2311          * Only join the other group if its bigger; if we're the bigger group,
2312          * the other task will join us.
2313          */
2314         if (my_grp->nr_tasks > grp->nr_tasks)
2315                 goto no_join;
2316
2317         /*
2318          * Tie-break on the grp address.
2319          */
2320         if (my_grp->nr_tasks == grp->nr_tasks && my_grp > grp)
2321                 goto no_join;
2322
2323         /* Always join threads in the same process. */
2324         if (tsk->mm == current->mm)
2325                 join = true;
2326
2327         /* Simple filter to avoid false positives due to PID collisions */
2328         if (flags & TNF_SHARED)
2329                 join = true;
2330
2331         /* Update priv based on whether false sharing was detected */
2332         *priv = !join;
2333
2334         if (join && !get_numa_group(grp))
2335                 goto no_join;
2336
2337         rcu_read_unlock();
2338
2339         if (!join)
2340                 return;
2341
2342         BUG_ON(irqs_disabled());
2343         double_lock_irq(&my_grp->lock, &grp->lock);
2344
2345         for (i = 0; i < NR_NUMA_HINT_FAULT_STATS * nr_node_ids; i++) {
2346                 my_grp->faults[i] -= p->numa_faults[i];
2347                 grp->faults[i] += p->numa_faults[i];
2348         }
2349         my_grp->total_faults -= p->total_numa_faults;
2350         grp->total_faults += p->total_numa_faults;
2351
2352         my_grp->nr_tasks--;
2353         grp->nr_tasks++;
2354
2355         spin_unlock(&my_grp->lock);
2356         spin_unlock_irq(&grp->lock);
2357
2358         rcu_assign_pointer(p->numa_group, grp);
2359
2360         put_numa_group(my_grp);
2361         return;
2362
2363 no_join:
2364         rcu_read_unlock();
2365         return;
2366 }
2367
2368 void task_numa_free(struct task_struct *p)
2369 {
2370         struct numa_group *grp = p->numa_group;
2371         void *numa_faults = p->numa_faults;
2372         unsigned long flags;
2373         int i;
2374
2375         if (grp) {
2376                 spin_lock_irqsave(&grp->lock, flags);
2377                 for (i = 0; i < NR_NUMA_HINT_FAULT_STATS * nr_node_ids; i++)
2378                         grp->faults[i] -= p->numa_faults[i];
2379                 grp->total_faults -= p->total_numa_faults;
2380
2381                 grp->nr_tasks--;
2382                 spin_unlock_irqrestore(&grp->lock, flags);
2383                 RCU_INIT_POINTER(p->numa_group, NULL);
2384                 put_numa_group(grp);
2385         }
2386
2387         p->numa_faults = NULL;
2388         kfree(numa_faults);
2389 }
2390
2391 /*
2392  * Got a PROT_NONE fault for a page on @node.
2393  */
2394 void task_numa_fault(int last_cpupid, int mem_node, int pages, int flags)
2395 {
2396         struct task_struct *p = current;
2397         bool migrated = flags & TNF_MIGRATED;
2398         int cpu_node = task_node(current);
2399         int local = !!(flags & TNF_FAULT_LOCAL);
2400         struct numa_group *ng;
2401         int priv;
2402
2403         if (!static_branch_likely(&sched_numa_balancing))
2404                 return;
2405
2406         /* for example, ksmd faulting in a user's mm */
2407         if (!p->mm)
2408                 return;
2409
2410         /* Allocate buffer to track faults on a per-node basis */
2411         if (unlikely(!p->numa_faults)) {
2412                 int size = sizeof(*p->numa_faults) *
2413                            NR_NUMA_HINT_FAULT_BUCKETS * nr_node_ids;
2414
2415                 p->numa_faults = kzalloc(size, GFP_KERNEL|__GFP_NOWARN);
2416                 if (!p->numa_faults)
2417                         return;
2418
2419                 p->total_numa_faults = 0;
2420                 memset(p->numa_faults_locality, 0, sizeof(p->numa_faults_locality));
2421         }
2422
2423         /*
2424          * First accesses are treated as private, otherwise consider accesses
2425          * to be private if the accessing pid has not changed
2426          */
2427         if (unlikely(last_cpupid == (-1 & LAST_CPUPID_MASK))) {
2428                 priv = 1;
2429         } else {
2430                 priv = cpupid_match_pid(p, last_cpupid);
2431                 if (!priv && !(flags & TNF_NO_GROUP))
2432                         task_numa_group(p, last_cpupid, flags, &priv);
2433         }
2434
2435         /*
2436          * If a workload spans multiple NUMA nodes, a shared fault that
2437          * occurs wholly within the set of nodes that the workload is
2438          * actively using should be counted as local. This allows the
2439          * scan rate to slow down when a workload has settled down.
2440          */
2441         ng = p->numa_group;
2442         if (!priv && !local && ng && ng->active_nodes > 1 &&
2443                                 numa_is_active_node(cpu_node, ng) &&
2444                                 numa_is_active_node(mem_node, ng))
2445                 local = 1;
2446
2447         task_numa_placement(p);
2448
2449         /*
2450          * Retry task to preferred node migration periodically, in case it
2451          * case it previously failed, or the scheduler moved us.
2452          */
2453         if (time_after(jiffies, p->numa_migrate_retry))
2454                 numa_migrate_preferred(p);
2455
2456         if (migrated)
2457                 p->numa_pages_migrated += pages;
2458         if (flags & TNF_MIGRATE_FAIL)
2459                 p->numa_faults_locality[2] += pages;
2460
2461         p->numa_faults[task_faults_idx(NUMA_MEMBUF, mem_node, priv)] += pages;
2462         p->numa_faults[task_faults_idx(NUMA_CPUBUF, cpu_node, priv)] += pages;
2463         p->numa_faults_locality[local] += pages;
2464 }
2465
2466 static void reset_ptenuma_scan(struct task_struct *p)
2467 {
2468         /*
2469          * We only did a read acquisition of the mmap sem, so
2470          * p->mm->numa_scan_seq is written to without exclusive access
2471          * and the update is not guaranteed to be atomic. That's not
2472          * much of an issue though, since this is just used for
2473          * statistical sampling. Use READ_ONCE/WRITE_ONCE, which are not
2474          * expensive, to avoid any form of compiler optimizations:
2475          */
2476         WRITE_ONCE(p->mm->numa_scan_seq, READ_ONCE(p->mm->numa_scan_seq) + 1);
2477         p->mm->numa_scan_offset = 0;
2478 }
2479
2480 /*
2481  * The expensive part of numa migration is done from task_work context.
2482  * Triggered from task_tick_numa().
2483  */
2484 void task_numa_work(struct callback_head *work)
2485 {
2486         unsigned long migrate, next_scan, now = jiffies;
2487         struct task_struct *p = current;
2488         struct mm_struct *mm = p->mm;
2489         u64 runtime = p->se.sum_exec_runtime;
2490         struct vm_area_struct *vma;
2491         unsigned long start, end;
2492         unsigned long nr_pte_updates = 0;
2493         long pages, virtpages;
2494
2495         SCHED_WARN_ON(p != container_of(work, struct task_struct, numa_work));
2496
2497         work->next = work; /* protect against double add */
2498         /*
2499          * Who cares about NUMA placement when they're dying.
2500          *
2501          * NOTE: make sure not to dereference p->mm before this check,
2502          * exit_task_work() happens _after_ exit_mm() so we could be called
2503          * without p->mm even though we still had it when we enqueued this
2504          * work.
2505          */
2506         if (p->flags & PF_EXITING)
2507                 return;
2508
2509         if (!mm->numa_next_scan) {
2510                 mm->numa_next_scan = now +
2511                         msecs_to_jiffies(sysctl_numa_balancing_scan_delay);
2512         }
2513
2514         /*
2515          * Enforce maximal scan/migration frequency..
2516          */
2517         migrate = mm->numa_next_scan;
2518         if (time_before(now, migrate))
2519                 return;
2520
2521         if (p->numa_scan_period == 0) {
2522                 p->numa_scan_period_max = task_scan_max(p);
2523                 p->numa_scan_period = task_scan_start(p);
2524         }
2525
2526         next_scan = now + msecs_to_jiffies(p->numa_scan_period);
2527         if (cmpxchg(&mm->numa_next_scan, migrate, next_scan) != migrate)
2528                 return;
2529
2530         /*
2531          * Delay this task enough that another task of this mm will likely win
2532          * the next time around.
2533          */
2534         p->node_stamp += 2 * TICK_NSEC;
2535
2536         start = mm->numa_scan_offset;
2537         pages = sysctl_numa_balancing_scan_size;
2538         pages <<= 20 - PAGE_SHIFT; /* MB in pages */
2539         virtpages = pages * 8;     /* Scan up to this much virtual space */
2540         if (!pages)
2541                 return;
2542
2543
2544         if (!down_read_trylock(&mm->mmap_sem))
2545                 return;
2546         vma = find_vma(mm, start);
2547         if (!vma) {
2548                 reset_ptenuma_scan(p);
2549                 start = 0;
2550                 vma = mm->mmap;
2551         }
2552         for (; vma; vma = vma->vm_next) {
2553                 if (!vma_migratable(vma) || !vma_policy_mof(vma) ||
2554                         is_vm_hugetlb_page(vma) || (vma->vm_flags & VM_MIXEDMAP)) {
2555                         continue;
2556                 }
2557
2558                 /*
2559                  * Shared library pages mapped by multiple processes are not
2560                  * migrated as it is expected they are cache replicated. Avoid
2561                  * hinting faults in read-only file-backed mappings or the vdso
2562                  * as migrating the pages will be of marginal benefit.
2563                  */
2564                 if (!vma->vm_mm ||
2565                     (vma->vm_file && (vma->vm_flags & (VM_READ|VM_WRITE)) == (VM_READ)))
2566                         continue;
2567
2568                 /*
2569                  * Skip inaccessible VMAs to avoid any confusion between
2570                  * PROT_NONE and NUMA hinting ptes
2571                  */
2572                 if (!(vma->vm_flags & (VM_READ | VM_EXEC | VM_WRITE)))
2573                         continue;
2574
2575                 do {
2576                         start = max(start, vma->vm_start);
2577                         end = ALIGN(start + (pages << PAGE_SHIFT), HPAGE_SIZE);
2578                         end = min(end, vma->vm_end);
2579                         nr_pte_updates = change_prot_numa(vma, start, end);
2580
2581                         /*
2582                          * Try to scan sysctl_numa_balancing_size worth of
2583                          * hpages that have at least one present PTE that
2584                          * is not already pte-numa. If the VMA contains
2585                          * areas that are unused or already full of prot_numa
2586                          * PTEs, scan up to virtpages, to skip through those
2587                          * areas faster.
2588                          */
2589                         if (nr_pte_updates)
2590                                 pages -= (end - start) >> PAGE_SHIFT;
2591                         virtpages -= (end - start) >> PAGE_SHIFT;
2592
2593                         start = end;
2594                         if (pages <= 0 || virtpages <= 0)
2595                                 goto out;
2596
2597                         cond_resched();
2598                 } while (end != vma->vm_end);
2599         }
2600
2601 out:
2602         /*
2603          * It is possible to reach the end of the VMA list but the last few
2604          * VMAs are not guaranteed to the vma_migratable. If they are not, we
2605          * would find the !migratable VMA on the next scan but not reset the
2606          * scanner to the start so check it now.
2607          */
2608         if (vma)
2609                 mm->numa_scan_offset = start;
2610         else
2611                 reset_ptenuma_scan(p);
2612         up_read(&mm->mmap_sem);
2613
2614         /*
2615          * Make sure tasks use at least 32x as much time to run other code
2616          * than they used here, to limit NUMA PTE scanning overhead to 3% max.
2617          * Usually update_task_scan_period slows down scanning enough; on an
2618          * overloaded system we need to limit overhead on a per task basis.
2619          */
2620         if (unlikely(p->se.sum_exec_runtime != runtime)) {
2621                 u64 diff = p->se.sum_exec_runtime - runtime;
2622                 p->node_stamp += 32 * diff;
2623         }
2624 }
2625
2626 /*
2627  * Drive the periodic memory faults..
2628  */
2629 void task_tick_numa(struct rq *rq, struct task_struct *curr)
2630 {
2631         struct callback_head *work = &curr->numa_work;
2632         u64 period, now;
2633
2634         /*
2635          * We don't care about NUMA placement if we don't have memory.
2636          */
2637         if (!curr->mm || (curr->flags & PF_EXITING) || work->next != work)
2638                 return;
2639
2640         /*
2641          * Using runtime rather than walltime has the dual advantage that
2642          * we (mostly) drive the selection from busy threads and that the
2643          * task needs to have done some actual work before we bother with
2644          * NUMA placement.
2645          */
2646         now = curr->se.sum_exec_runtime;
2647         period = (u64)curr->numa_scan_period * NSEC_PER_MSEC;
2648
2649         if (now > curr->node_stamp + period) {
2650                 if (!curr->node_stamp)
2651                         curr->numa_scan_period = task_scan_start(curr);
2652                 curr->node_stamp += period;
2653
2654                 if (!time_before(jiffies, curr->mm->numa_next_scan)) {
2655                         init_task_work(work, task_numa_work); /* TODO: move this into sched_fork() */
2656                         task_work_add(curr, work, true);
2657                 }
2658         }
2659 }
2660
2661 #else
2662 static void task_tick_numa(struct rq *rq, struct task_struct *curr)
2663 {
2664 }
2665
2666 static inline void account_numa_enqueue(struct rq *rq, struct task_struct *p)
2667 {
2668 }
2669
2670 static inline void account_numa_dequeue(struct rq *rq, struct task_struct *p)
2671 {
2672 }
2673
2674 #endif /* CONFIG_NUMA_BALANCING */
2675
2676 static void
2677 account_entity_enqueue(struct cfs_rq *cfs_rq, struct sched_entity *se)
2678 {
2679         update_load_add(&cfs_rq->load, se->load.weight);
2680         if (!parent_entity(se))
2681                 update_load_add(&rq_of(cfs_rq)->load, se->load.weight);
2682 #ifdef CONFIG_SMP
2683         if (entity_is_task(se)) {
2684                 struct rq *rq = rq_of(cfs_rq);
2685
2686                 account_numa_enqueue(rq, task_of(se));
2687                 list_add(&se->group_node, &rq->cfs_tasks);
2688         }
2689 #endif
2690         cfs_rq->nr_running++;
2691 }
2692
2693 static void
2694 account_entity_dequeue(struct cfs_rq *cfs_rq, struct sched_entity *se)
2695 {
2696         update_load_sub(&cfs_rq->load, se->load.weight);
2697         if (!parent_entity(se))
2698                 update_load_sub(&rq_of(cfs_rq)->load, se->load.weight);
2699 #ifdef CONFIG_SMP
2700         if (entity_is_task(se)) {
2701                 account_numa_dequeue(rq_of(cfs_rq), task_of(se));
2702                 list_del_init(&se->group_node);
2703         }
2704 #endif
2705         cfs_rq->nr_running--;
2706 }
2707
2708 #ifdef CONFIG_FAIR_GROUP_SCHED
2709 # ifdef CONFIG_SMP
2710 static long calc_cfs_shares(struct cfs_rq *cfs_rq, struct task_group *tg)
2711 {
2712         long tg_weight, load, shares;
2713
2714         /*
2715          * This really should be: cfs_rq->avg.load_avg, but instead we use
2716          * cfs_rq->load.weight, which is its upper bound. This helps ramp up
2717          * the shares for small weight interactive tasks.
2718          */
2719         load = scale_load_down(cfs_rq->load.weight);
2720
2721         tg_weight = atomic_long_read(&tg->load_avg);
2722
2723         /* Ensure tg_weight >= load */
2724         tg_weight -= cfs_rq->tg_load_avg_contrib;
2725         tg_weight += load;
2726
2727         shares = (tg->shares * load);
2728         if (tg_weight)
2729                 shares /= tg_weight;
2730
2731         /*
2732          * MIN_SHARES has to be unscaled here to support per-CPU partitioning
2733          * of a group with small tg->shares value. It is a floor value which is
2734          * assigned as a minimum load.weight to the sched_entity representing
2735          * the group on a CPU.
2736          *
2737          * E.g. on 64-bit for a group with tg->shares of scale_load(15)=15*1024
2738          * on an 8-core system with 8 tasks each runnable on one CPU shares has
2739          * to be 15*1024*1/8=1920 instead of scale_load(MIN_SHARES)=2*1024. In
2740          * case no task is runnable on a CPU MIN_SHARES=2 should be returned
2741          * instead of 0.
2742          */
2743         if (shares < MIN_SHARES)
2744                 shares = MIN_SHARES;
2745         if (shares > tg->shares)
2746                 shares = tg->shares;
2747
2748         return shares;
2749 }
2750 # else /* CONFIG_SMP */
2751 static inline long calc_cfs_shares(struct cfs_rq *cfs_rq, struct task_group *tg)
2752 {
2753         return tg->shares;
2754 }
2755 # endif /* CONFIG_SMP */
2756
2757 static void reweight_entity(struct cfs_rq *cfs_rq, struct sched_entity *se,
2758                             unsigned long weight)
2759 {
2760         if (se->on_rq) {
2761                 /* commit outstanding execution time */
2762                 if (cfs_rq->curr == se)
2763                         update_curr(cfs_rq);
2764                 account_entity_dequeue(cfs_rq, se);
2765         }
2766
2767         update_load_set(&se->load, weight);
2768
2769         if (se->on_rq)
2770                 account_entity_enqueue(cfs_rq, se);
2771 }
2772
2773 static inline int throttled_hierarchy(struct cfs_rq *cfs_rq);
2774
2775 static void update_cfs_shares(struct sched_entity *se)
2776 {
2777         struct cfs_rq *cfs_rq = group_cfs_rq(se);
2778         struct task_group *tg;
2779         long shares;
2780
2781         if (!cfs_rq)
2782                 return;
2783
2784         if (throttled_hierarchy(cfs_rq))
2785                 return;
2786
2787         tg = cfs_rq->tg;
2788
2789 #ifndef CONFIG_SMP
2790         if (likely(se->load.weight == tg->shares))
2791                 return;
2792 #endif
2793         shares = calc_cfs_shares(cfs_rq, tg);
2794
2795         reweight_entity(cfs_rq_of(se), se, shares);
2796 }
2797
2798 #else /* CONFIG_FAIR_GROUP_SCHED */
2799 static inline void update_cfs_shares(struct sched_entity *se)
2800 {
2801 }
2802 #endif /* CONFIG_FAIR_GROUP_SCHED */
2803
2804 static inline void cfs_rq_util_change(struct cfs_rq *cfs_rq)
2805 {
2806         if (&this_rq()->cfs == cfs_rq) {
2807                 /*
2808                  * There are a few boundary cases this might miss but it should
2809                  * get called often enough that that should (hopefully) not be
2810                  * a real problem -- added to that it only calls on the local
2811                  * CPU, so if we enqueue remotely we'll miss an update, but
2812                  * the next tick/schedule should update.
2813                  *
2814                  * It will not get called when we go idle, because the idle
2815                  * thread is a different class (!fair), nor will the utilization
2816                  * number include things like RT tasks.
2817                  *
2818                  * As is, the util number is not freq-invariant (we'd have to
2819                  * implement arch_scale_freq_capacity() for that).
2820                  *
2821                  * See cpu_util().
2822                  */
2823                 cpufreq_update_util(rq_of(cfs_rq), 0);
2824         }
2825 }
2826
2827 #ifdef CONFIG_SMP
2828 /*
2829  * Approximate:
2830  *   val * y^n,    where y^32 ~= 0.5 (~1 scheduling period)
2831  */
2832 static u64 decay_load(u64 val, u64 n)
2833 {
2834         unsigned int local_n;
2835
2836         if (unlikely(n > LOAD_AVG_PERIOD * 63))
2837                 return 0;
2838
2839         /* after bounds checking we can collapse to 32-bit */
2840         local_n = n;
2841
2842         /*
2843          * As y^PERIOD = 1/2, we can combine
2844          *    y^n = 1/2^(n/PERIOD) * y^(n%PERIOD)
2845          * With a look-up table which covers y^n (n<PERIOD)
2846          *
2847          * To achieve constant time decay_load.
2848          */
2849         if (unlikely(local_n >= LOAD_AVG_PERIOD)) {
2850                 val >>= local_n / LOAD_AVG_PERIOD;
2851                 local_n %= LOAD_AVG_PERIOD;
2852         }
2853
2854         val = mul_u64_u32_shr(val, runnable_avg_yN_inv[local_n], 32);
2855         return val;
2856 }
2857
2858 static u32 __accumulate_pelt_segments(u64 periods, u32 d1, u32 d3)
2859 {
2860         u32 c1, c2, c3 = d3; /* y^0 == 1 */
2861
2862         /*
2863          * c1 = d1 y^p
2864          */
2865         c1 = decay_load((u64)d1, periods);
2866
2867         /*
2868          *            p-1
2869          * c2 = 1024 \Sum y^n
2870          *            n=1
2871          *
2872          *              inf        inf
2873          *    = 1024 ( \Sum y^n - \Sum y^n - y^0 )
2874          *              n=0        n=p
2875          */
2876         c2 = LOAD_AVG_MAX - decay_load(LOAD_AVG_MAX, periods) - 1024;
2877
2878         return c1 + c2 + c3;
2879 }
2880
2881 #define cap_scale(v, s) ((v)*(s) >> SCHED_CAPACITY_SHIFT)
2882
2883 /*
2884  * Accumulate the three separate parts of the sum; d1 the remainder
2885  * of the last (incomplete) period, d2 the span of full periods and d3
2886  * the remainder of the (incomplete) current period.
2887  *
2888  *           d1          d2           d3
2889  *           ^           ^            ^
2890  *           |           |            |
2891  *         |<->|<----------------->|<--->|
2892  * ... |---x---|------| ... |------|-----x (now)
2893  *
2894  *                           p-1
2895  * u' = (u + d1) y^p + 1024 \Sum y^n + d3 y^0
2896  *                           n=1
2897  *
2898  *    = u y^p +                                 (Step 1)
2899  *
2900  *                     p-1
2901  *      d1 y^p + 1024 \Sum y^n + d3 y^0         (Step 2)
2902  *                     n=1
2903  */
2904 static __always_inline u32
2905 accumulate_sum(u64 delta, int cpu, struct sched_avg *sa,
2906                unsigned long weight, int running, struct cfs_rq *cfs_rq)
2907 {
2908         unsigned long scale_freq, scale_cpu;
2909         u32 contrib = (u32)delta; /* p == 0 -> delta < 1024 */
2910         u64 periods;
2911
2912         scale_freq = arch_scale_freq_capacity(NULL, cpu);
2913         scale_cpu = arch_scale_cpu_capacity(NULL, cpu);
2914
2915         delta += sa->period_contrib;
2916         periods = delta / 1024; /* A period is 1024us (~1ms) */
2917
2918         /*
2919          * Step 1: decay old *_sum if we crossed period boundaries.
2920          */
2921         if (periods) {
2922                 sa->load_sum = decay_load(sa->load_sum, periods);
2923                 if (cfs_rq) {
2924                         cfs_rq->runnable_load_sum =
2925                                 decay_load(cfs_rq->runnable_load_sum, periods);
2926                 }
2927                 sa->util_sum = decay_load((u64)(sa->util_sum), periods);
2928
2929                 /*
2930                  * Step 2
2931                  */
2932                 delta %= 1024;
2933                 contrib = __accumulate_pelt_segments(periods,
2934                                 1024 - sa->period_contrib, delta);
2935         }
2936         sa->period_contrib = delta;
2937
2938         contrib = cap_scale(contrib, scale_freq);
2939         if (weight) {
2940                 sa->load_sum += weight * contrib;
2941                 if (cfs_rq)
2942                         cfs_rq->runnable_load_sum += weight * contrib;
2943         }
2944         if (running)
2945                 sa->util_sum += contrib * scale_cpu;
2946
2947         return periods;
2948 }
2949
2950 /*
2951  * We can represent the historical contribution to runnable average as the
2952  * coefficients of a geometric series.  To do this we sub-divide our runnable
2953  * history into segments of approximately 1ms (1024us); label the segment that
2954  * occurred N-ms ago p_N, with p_0 corresponding to the current period, e.g.
2955  *
2956  * [<- 1024us ->|<- 1024us ->|<- 1024us ->| ...
2957  *      p0            p1           p2
2958  *     (now)       (~1ms ago)  (~2ms ago)
2959  *
2960  * Let u_i denote the fraction of p_i that the entity was runnable.
2961  *
2962  * We then designate the fractions u_i as our co-efficients, yielding the
2963  * following representation of historical load:
2964  *   u_0 + u_1*y + u_2*y^2 + u_3*y^3 + ...
2965  *
2966  * We choose y based on the with of a reasonably scheduling period, fixing:
2967  *   y^32 = 0.5
2968  *
2969  * This means that the contribution to load ~32ms ago (u_32) will be weighted
2970  * approximately half as much as the contribution to load within the last ms
2971  * (u_0).
2972  *
2973  * When a period "rolls over" and we have new u_0`, multiplying the previous
2974  * sum again by y is sufficient to update:
2975  *   load_avg = u_0` + y*(u_0 + u_1*y + u_2*y^2 + ... )
2976  *            = u_0 + u_1*y + u_2*y^2 + ... [re-labeling u_i --> u_{i+1}]
2977  */
2978 static __always_inline int
2979 ___update_load_avg(u64 now, int cpu, struct sched_avg *sa,
2980                   unsigned long weight, int running, struct cfs_rq *cfs_rq)
2981 {
2982         u64 delta;
2983
2984         delta = now - sa->last_update_time;
2985         /*
2986          * This should only happen when time goes backwards, which it
2987          * unfortunately does during sched clock init when we swap over to TSC.
2988          */
2989         if ((s64)delta < 0) {
2990                 sa->last_update_time = now;
2991                 return 0;
2992         }
2993
2994         /*
2995          * Use 1024ns as the unit of measurement since it's a reasonable
2996          * approximation of 1us and fast to compute.
2997          */
2998         delta >>= 10;
2999         if (!delta)
3000                 return 0;
3001
3002         sa->last_update_time += delta << 10;
3003
3004         /*
3005          * running is a subset of runnable (weight) so running can't be set if
3006          * runnable is clear. But there are some corner cases where the current
3007          * se has been already dequeued but cfs_rq->curr still points to it.
3008          * This means that weight will be 0 but not running for a sched_entity
3009          * but also for a cfs_rq if the latter becomes idle. As an example,
3010          * this happens during idle_balance() which calls
3011          * update_blocked_averages()
3012          */
3013         if (!weight)
3014                 running = 0;
3015
3016         /*
3017          * Now we know we crossed measurement unit boundaries. The *_avg
3018          * accrues by two steps:
3019          *
3020          * Step 1: accumulate *_sum since last_update_time. If we haven't
3021          * crossed period boundaries, finish.
3022          */
3023         if (!accumulate_sum(delta, cpu, sa, weight, running, cfs_rq))
3024                 return 0;
3025
3026         /*
3027          * Step 2: update *_avg.
3028          */
3029         sa->load_avg = div_u64(sa->load_sum, LOAD_AVG_MAX - 1024 + sa->period_contrib);
3030         if (cfs_rq) {
3031                 cfs_rq->runnable_load_avg =
3032                         div_u64(cfs_rq->runnable_load_sum, LOAD_AVG_MAX - 1024 + sa->period_contrib);
3033         }
3034         sa->util_avg = sa->util_sum / (LOAD_AVG_MAX - 1024 + sa->period_contrib);
3035
3036         return 1;
3037 }
3038
3039 static int
3040 __update_load_avg_blocked_se(u64 now, int cpu, struct sched_entity *se)
3041 {
3042         return ___update_load_avg(now, cpu, &se->avg, 0, 0, NULL);
3043 }
3044
3045 static int
3046 __update_load_avg_se(u64 now, int cpu, struct cfs_rq *cfs_rq, struct sched_entity *se)
3047 {
3048         return ___update_load_avg(now, cpu, &se->avg,
3049                                   se->on_rq * scale_load_down(se->load.weight),
3050                                   cfs_rq->curr == se, NULL);
3051 }
3052
3053 static int
3054 __update_load_avg_cfs_rq(u64 now, int cpu, struct cfs_rq *cfs_rq)
3055 {
3056         return ___update_load_avg(now, cpu, &cfs_rq->avg,
3057                         scale_load_down(cfs_rq->load.weight),
3058                         cfs_rq->curr != NULL, cfs_rq);
3059 }
3060
3061 /*
3062  * Signed add and clamp on underflow.
3063  *
3064  * Explicitly do a load-store to ensure the intermediate value never hits
3065  * memory. This allows lockless observations without ever seeing the negative
3066  * values.
3067  */
3068 #define add_positive(_ptr, _val) do {                           \
3069         typeof(_ptr) ptr = (_ptr);                              \
3070         typeof(_val) val = (_val);                              \
3071         typeof(*ptr) res, var = READ_ONCE(*ptr);                \
3072                                                                 \
3073         res = var + val;                                        \
3074                                                                 \
3075         if (val < 0 && res > var)                               \
3076                 res = 0;                                        \
3077                                                                 \
3078         WRITE_ONCE(*ptr, res);                                  \
3079 } while (0)
3080
3081 #ifdef CONFIG_FAIR_GROUP_SCHED
3082 /**
3083  * update_tg_load_avg - update the tg's load avg
3084  * @cfs_rq: the cfs_rq whose avg changed
3085  * @force: update regardless of how small the difference
3086  *
3087  * This function 'ensures': tg->load_avg := \Sum tg->cfs_rq[]->avg.load.
3088  * However, because tg->load_avg is a global value there are performance
3089  * considerations.
3090  *
3091  * In order to avoid having to look at the other cfs_rq's, we use a
3092  * differential update where we store the last value we propagated. This in
3093  * turn allows skipping updates if the differential is 'small'.
3094  *
3095  * Updating tg's load_avg is necessary before update_cfs_share().
3096  */
3097 static inline void update_tg_load_avg(struct cfs_rq *cfs_rq, int force)
3098 {
3099         long delta = cfs_rq->avg.load_avg - cfs_rq->tg_load_avg_contrib;
3100
3101         /*
3102          * No need to update load_avg for root_task_group as it is not used.
3103          */
3104         if (cfs_rq->tg == &root_task_group)
3105                 return;
3106
3107         if (force || abs(delta) > cfs_rq->tg_load_avg_contrib / 64) {
3108                 atomic_long_add(delta, &cfs_rq->tg->load_avg);
3109                 cfs_rq->tg_load_avg_contrib = cfs_rq->avg.load_avg;
3110         }
3111 }
3112
3113 /*
3114  * Called within set_task_rq() right before setting a task's cpu. The
3115  * caller only guarantees p->pi_lock is held; no other assumptions,
3116  * including the state of rq->lock, should be made.
3117  */
3118 void set_task_rq_fair(struct sched_entity *se,
3119                       struct cfs_rq *prev, struct cfs_rq *next)
3120 {
3121         u64 p_last_update_time;
3122         u64 n_last_update_time;
3123
3124         if (!sched_feat(ATTACH_AGE_LOAD))
3125                 return;
3126
3127         /*
3128          * We are supposed to update the task to "current" time, then its up to
3129          * date and ready to go to new CPU/cfs_rq. But we have difficulty in
3130          * getting what current time is, so simply throw away the out-of-date
3131          * time. This will result in the wakee task is less decayed, but giving
3132          * the wakee more load sounds not bad.
3133          */
3134         if (!(se->avg.last_update_time && prev))
3135                 return;
3136
3137 #ifndef CONFIG_64BIT
3138         {
3139                 u64 p_last_update_time_copy;
3140                 u64 n_last_update_time_copy;
3141
3142                 do {
3143                         p_last_update_time_copy = prev->load_last_update_time_copy;
3144                         n_last_update_time_copy = next->load_last_update_time_copy;
3145
3146                         smp_rmb();
3147
3148                         p_last_update_time = prev->avg.last_update_time;
3149                         n_last_update_time = next->avg.last_update_time;
3150
3151                 } while (p_last_update_time != p_last_update_time_copy ||
3152                          n_last_update_time != n_last_update_time_copy);
3153         }
3154 #else
3155         p_last_update_time = prev->avg.last_update_time;
3156         n_last_update_time = next->avg.last_update_time;
3157 #endif
3158         __update_load_avg_blocked_se(p_last_update_time, cpu_of(rq_of(prev)), se);
3159         se->avg.last_update_time = n_last_update_time;
3160 }
3161
3162 /* Take into account change of utilization of a child task group */
3163 static inline void
3164 update_tg_cfs_util(struct cfs_rq *cfs_rq, struct sched_entity *se)
3165 {
3166         struct cfs_rq *gcfs_rq = group_cfs_rq(se);
3167         long delta = gcfs_rq->avg.util_avg - se->avg.util_avg;
3168
3169         /* Nothing to update */
3170         if (!delta)
3171                 return;
3172
3173         /* Set new sched_entity's utilization */
3174         se->avg.util_avg = gcfs_rq->avg.util_avg;
3175         se->avg.util_sum = se->avg.util_avg * LOAD_AVG_MAX;
3176
3177         /* Update parent cfs_rq utilization */
3178         add_positive(&cfs_rq->avg.util_avg, delta);
3179         cfs_rq->avg.util_sum = cfs_rq->avg.util_avg * LOAD_AVG_MAX;
3180 }
3181
3182 /* Take into account change of load of a child task group */
3183 static inline void
3184 update_tg_cfs_load(struct cfs_rq *cfs_rq, struct sched_entity *se)
3185 {
3186         struct cfs_rq *gcfs_rq = group_cfs_rq(se);
3187         long delta, load = gcfs_rq->avg.load_avg;
3188
3189         /*
3190          * If the load of group cfs_rq is null, the load of the
3191          * sched_entity will also be null so we can skip the formula
3192          */
3193         if (load) {
3194                 long tg_load;
3195
3196                 /* Get tg's load and ensure tg_load > 0 */
3197                 tg_load = atomic_long_read(&gcfs_rq->tg->load_avg) + 1;
3198
3199                 /* Ensure tg_load >= load and updated with current load*/
3200                 tg_load -= gcfs_rq->tg_load_avg_contrib;
3201                 tg_load += load;
3202
3203                 /*
3204                  * We need to compute a correction term in the case that the
3205                  * task group is consuming more CPU than a task of equal
3206                  * weight. A task with a weight equals to tg->shares will have
3207                  * a load less or equal to scale_load_down(tg->shares).
3208                  * Similarly, the sched_entities that represent the task group
3209                  * at parent level, can't have a load higher than
3210                  * scale_load_down(tg->shares). And the Sum of sched_entities'
3211                  * load must be <= scale_load_down(tg->shares).
3212                  */
3213                 if (tg_load > scale_load_down(gcfs_rq->tg->shares)) {
3214                         /* scale gcfs_rq's load into tg's shares*/
3215                         load *= scale_load_down(gcfs_rq->tg->shares);
3216                         load /= tg_load;
3217                 }
3218         }
3219
3220         delta = load - se->avg.load_avg;
3221
3222         /* Nothing to update */
3223         if (!delta)
3224                 return;
3225
3226         /* Set new sched_entity's load */
3227         se->avg.load_avg = load;
3228         se->avg.load_sum = se->avg.load_avg * LOAD_AVG_MAX;
3229
3230         /* Update parent cfs_rq load */
3231         add_positive(&cfs_rq->avg.load_avg, delta);
3232         cfs_rq->avg.load_sum = cfs_rq->avg.load_avg * LOAD_AVG_MAX;
3233
3234         /*
3235          * If the sched_entity is already enqueued, we also have to update the
3236          * runnable load avg.
3237          */
3238         if (se->on_rq) {
3239                 /* Update parent cfs_rq runnable_load_avg */
3240                 add_positive(&cfs_rq->runnable_load_avg, delta);
3241                 cfs_rq->runnable_load_sum = cfs_rq->runnable_load_avg * LOAD_AVG_MAX;
3242         }
3243 }
3244
3245 static inline void set_tg_cfs_propagate(struct cfs_rq *cfs_rq)
3246 {
3247         cfs_rq->propagate_avg = 1;
3248 }
3249
3250 static inline int test_and_clear_tg_cfs_propagate(struct sched_entity *se)
3251 {
3252         struct cfs_rq *cfs_rq = group_cfs_rq(se);
3253
3254         if (!cfs_rq->propagate_avg)
3255                 return 0;
3256
3257         cfs_rq->propagate_avg = 0;
3258         return 1;
3259 }
3260
3261 /* Update task and its cfs_rq load average */
3262 static inline int propagate_entity_load_avg(struct sched_entity *se)
3263 {
3264         struct cfs_rq *cfs_rq;
3265
3266         if (entity_is_task(se))
3267                 return 0;
3268
3269         if (!test_and_clear_tg_cfs_propagate(se))
3270                 return 0;
3271
3272         cfs_rq = cfs_rq_of(se);
3273
3274         set_tg_cfs_propagate(cfs_rq);
3275
3276         update_tg_cfs_util(cfs_rq, se);
3277         update_tg_cfs_load(cfs_rq, se);
3278
3279         return 1;
3280 }
3281
3282 /*
3283  * Check if we need to update the load and the utilization of a blocked
3284  * group_entity:
3285  */
3286 static inline bool skip_blocked_update(struct sched_entity *se)
3287 {
3288         struct cfs_rq *gcfs_rq = group_cfs_rq(se);
3289
3290         /*
3291          * If sched_entity still have not zero load or utilization, we have to
3292          * decay it:
3293          */
3294         if (se->avg.load_avg || se->avg.util_avg)
3295                 return false;
3296
3297         /*
3298          * If there is a pending propagation, we have to update the load and
3299          * the utilization of the sched_entity:
3300          */
3301         if (gcfs_rq->propagate_avg)
3302                 return false;
3303
3304         /*
3305          * Otherwise, the load and the utilization of the sched_entity is
3306          * already zero and there is no pending propagation, so it will be a
3307          * waste of time to try to decay it:
3308          */
3309         return true;
3310 }
3311
3312 #else /* CONFIG_FAIR_GROUP_SCHED */
3313
3314 static inline void update_tg_load_avg(struct cfs_rq *cfs_rq, int force) {}
3315
3316 static inline int propagate_entity_load_avg(struct sched_entity *se)
3317 {
3318         return 0;
3319 }
3320
3321 static inline void set_tg_cfs_propagate(struct cfs_rq *cfs_rq) {}
3322
3323 #endif /* CONFIG_FAIR_GROUP_SCHED */
3324