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