23fbbcc414d5d739507ac1f8ecb5757c87a9ce55
[sfrench/cifs-2.6.git] / kernel / sched / psi.c
1 /*
2  * Pressure stall information for CPU, memory and IO
3  *
4  * Copyright (c) 2018 Facebook, Inc.
5  * Author: Johannes Weiner <hannes@cmpxchg.org>
6  *
7  * Polling support by Suren Baghdasaryan <surenb@google.com>
8  * Copyright (c) 2018 Google, Inc.
9  *
10  * When CPU, memory and IO are contended, tasks experience delays that
11  * reduce throughput and introduce latencies into the workload. Memory
12  * and IO contention, in addition, can cause a full loss of forward
13  * progress in which the CPU goes idle.
14  *
15  * This code aggregates individual task delays into resource pressure
16  * metrics that indicate problems with both workload health and
17  * resource utilization.
18  *
19  *                      Model
20  *
21  * The time in which a task can execute on a CPU is our baseline for
22  * productivity. Pressure expresses the amount of time in which this
23  * potential cannot be realized due to resource contention.
24  *
25  * This concept of productivity has two components: the workload and
26  * the CPU. To measure the impact of pressure on both, we define two
27  * contention states for a resource: SOME and FULL.
28  *
29  * In the SOME state of a given resource, one or more tasks are
30  * delayed on that resource. This affects the workload's ability to
31  * perform work, but the CPU may still be executing other tasks.
32  *
33  * In the FULL state of a given resource, all non-idle tasks are
34  * delayed on that resource such that nobody is advancing and the CPU
35  * goes idle. This leaves both workload and CPU unproductive.
36  *
37  * (Naturally, the FULL state doesn't exist for the CPU resource.)
38  *
39  *      SOME = nr_delayed_tasks != 0
40  *      FULL = nr_delayed_tasks != 0 && nr_running_tasks == 0
41  *
42  * The percentage of wallclock time spent in those compound stall
43  * states gives pressure numbers between 0 and 100 for each resource,
44  * where the SOME percentage indicates workload slowdowns and the FULL
45  * percentage indicates reduced CPU utilization:
46  *
47  *      %SOME = time(SOME) / period
48  *      %FULL = time(FULL) / period
49  *
50  *                      Multiple CPUs
51  *
52  * The more tasks and available CPUs there are, the more work can be
53  * performed concurrently. This means that the potential that can go
54  * unrealized due to resource contention *also* scales with non-idle
55  * tasks and CPUs.
56  *
57  * Consider a scenario where 257 number crunching tasks are trying to
58  * run concurrently on 256 CPUs. If we simply aggregated the task
59  * states, we would have to conclude a CPU SOME pressure number of
60  * 100%, since *somebody* is waiting on a runqueue at all
61  * times. However, that is clearly not the amount of contention the
62  * workload is experiencing: only one out of 256 possible exceution
63  * threads will be contended at any given time, or about 0.4%.
64  *
65  * Conversely, consider a scenario of 4 tasks and 4 CPUs where at any
66  * given time *one* of the tasks is delayed due to a lack of memory.
67  * Again, looking purely at the task state would yield a memory FULL
68  * pressure number of 0%, since *somebody* is always making forward
69  * progress. But again this wouldn't capture the amount of execution
70  * potential lost, which is 1 out of 4 CPUs, or 25%.
71  *
72  * To calculate wasted potential (pressure) with multiple processors,
73  * we have to base our calculation on the number of non-idle tasks in
74  * conjunction with the number of available CPUs, which is the number
75  * of potential execution threads. SOME becomes then the proportion of
76  * delayed tasks to possibe threads, and FULL is the share of possible
77  * threads that are unproductive due to delays:
78  *
79  *      threads = min(nr_nonidle_tasks, nr_cpus)
80  *         SOME = min(nr_delayed_tasks / threads, 1)
81  *         FULL = (threads - min(nr_running_tasks, threads)) / threads
82  *
83  * For the 257 number crunchers on 256 CPUs, this yields:
84  *
85  *      threads = min(257, 256)
86  *         SOME = min(1 / 256, 1)             = 0.4%
87  *         FULL = (256 - min(257, 256)) / 256 = 0%
88  *
89  * For the 1 out of 4 memory-delayed tasks, this yields:
90  *
91  *      threads = min(4, 4)
92  *         SOME = min(1 / 4, 1)               = 25%
93  *         FULL = (4 - min(3, 4)) / 4         = 25%
94  *
95  * [ Substitute nr_cpus with 1, and you can see that it's a natural
96  *   extension of the single-CPU model. ]
97  *
98  *                      Implementation
99  *
100  * To assess the precise time spent in each such state, we would have
101  * to freeze the system on task changes and start/stop the state
102  * clocks accordingly. Obviously that doesn't scale in practice.
103  *
104  * Because the scheduler aims to distribute the compute load evenly
105  * among the available CPUs, we can track task state locally to each
106  * CPU and, at much lower frequency, extrapolate the global state for
107  * the cumulative stall times and the running averages.
108  *
109  * For each runqueue, we track:
110  *
111  *         tSOME[cpu] = time(nr_delayed_tasks[cpu] != 0)
112  *         tFULL[cpu] = time(nr_delayed_tasks[cpu] && !nr_running_tasks[cpu])
113  *      tNONIDLE[cpu] = time(nr_nonidle_tasks[cpu] != 0)
114  *
115  * and then periodically aggregate:
116  *
117  *      tNONIDLE = sum(tNONIDLE[i])
118  *
119  *         tSOME = sum(tSOME[i] * tNONIDLE[i]) / tNONIDLE
120  *         tFULL = sum(tFULL[i] * tNONIDLE[i]) / tNONIDLE
121  *
122  *         %SOME = tSOME / period
123  *         %FULL = tFULL / period
124  *
125  * This gives us an approximation of pressure that is practical
126  * cost-wise, yet way more sensitive and accurate than periodic
127  * sampling of the aggregate task states would be.
128  */
129
130 #include "../workqueue_internal.h"
131 #include <linux/sched/loadavg.h>
132 #include <linux/seq_file.h>
133 #include <linux/proc_fs.h>
134 #include <linux/seqlock.h>
135 #include <linux/uaccess.h>
136 #include <linux/cgroup.h>
137 #include <linux/module.h>
138 #include <linux/sched.h>
139 #include <linux/ctype.h>
140 #include <linux/file.h>
141 #include <linux/poll.h>
142 #include <linux/psi.h>
143 #include "sched.h"
144
145 static int psi_bug __read_mostly;
146
147 DEFINE_STATIC_KEY_FALSE(psi_disabled);
148
149 #ifdef CONFIG_PSI_DEFAULT_DISABLED
150 static bool psi_enable;
151 #else
152 static bool psi_enable = true;
153 #endif
154 static int __init setup_psi(char *str)
155 {
156         return kstrtobool(str, &psi_enable) == 0;
157 }
158 __setup("psi=", setup_psi);
159
160 /* Running averages - we need to be higher-res than loadavg */
161 #define PSI_FREQ        (2*HZ+1)        /* 2 sec intervals */
162 #define EXP_10s         1677            /* 1/exp(2s/10s) as fixed-point */
163 #define EXP_60s         1981            /* 1/exp(2s/60s) */
164 #define EXP_300s        2034            /* 1/exp(2s/300s) */
165
166 /* PSI trigger definitions */
167 #define WINDOW_MIN_US 500000    /* Min window size is 500ms */
168 #define WINDOW_MAX_US 10000000  /* Max window size is 10s */
169 #define UPDATES_PER_WINDOW 10   /* 10 updates per window */
170
171 /* Sampling frequency in nanoseconds */
172 static u64 psi_period __read_mostly;
173
174 /* System-level pressure and stall tracking */
175 static DEFINE_PER_CPU(struct psi_group_cpu, system_group_pcpu);
176 struct psi_group psi_system = {
177         .pcpu = &system_group_pcpu,
178 };
179
180 static void psi_avgs_work(struct work_struct *work);
181
182 static void group_init(struct psi_group *group)
183 {
184         int cpu;
185
186         for_each_possible_cpu(cpu)
187                 seqcount_init(&per_cpu_ptr(group->pcpu, cpu)->seq);
188         group->avg_next_update = sched_clock() + psi_period;
189         INIT_DELAYED_WORK(&group->avgs_work, psi_avgs_work);
190         mutex_init(&group->avgs_lock);
191         /* Init trigger-related members */
192         atomic_set(&group->poll_scheduled, 0);
193         mutex_init(&group->trigger_lock);
194         INIT_LIST_HEAD(&group->triggers);
195         memset(group->nr_triggers, 0, sizeof(group->nr_triggers));
196         group->poll_states = 0;
197         group->poll_min_period = U32_MAX;
198         memset(group->polling_total, 0, sizeof(group->polling_total));
199         group->polling_next_update = ULLONG_MAX;
200         group->polling_until = 0;
201         rcu_assign_pointer(group->poll_kworker, NULL);
202 }
203
204 void __init psi_init(void)
205 {
206         if (!psi_enable) {
207                 static_branch_enable(&psi_disabled);
208                 return;
209         }
210
211         psi_period = jiffies_to_nsecs(PSI_FREQ);
212         group_init(&psi_system);
213 }
214
215 static bool test_state(unsigned int *tasks, enum psi_states state)
216 {
217         switch (state) {
218         case PSI_IO_SOME:
219                 return tasks[NR_IOWAIT];
220         case PSI_IO_FULL:
221                 return tasks[NR_IOWAIT] && !tasks[NR_RUNNING];
222         case PSI_MEM_SOME:
223                 return tasks[NR_MEMSTALL];
224         case PSI_MEM_FULL:
225                 return tasks[NR_MEMSTALL] && !tasks[NR_RUNNING];
226         case PSI_CPU_SOME:
227                 return tasks[NR_RUNNING] > 1;
228         case PSI_NONIDLE:
229                 return tasks[NR_IOWAIT] || tasks[NR_MEMSTALL] ||
230                         tasks[NR_RUNNING];
231         default:
232                 return false;
233         }
234 }
235
236 static void get_recent_times(struct psi_group *group, int cpu,
237                              enum psi_aggregators aggregator, u32 *times,
238                              u32 *pchanged_states)
239 {
240         struct psi_group_cpu *groupc = per_cpu_ptr(group->pcpu, cpu);
241         u64 now, state_start;
242         enum psi_states s;
243         unsigned int seq;
244         u32 state_mask;
245
246         *pchanged_states = 0;
247
248         /* Snapshot a coherent view of the CPU state */
249         do {
250                 seq = read_seqcount_begin(&groupc->seq);
251                 now = cpu_clock(cpu);
252                 memcpy(times, groupc->times, sizeof(groupc->times));
253                 state_mask = groupc->state_mask;
254                 state_start = groupc->state_start;
255         } while (read_seqcount_retry(&groupc->seq, seq));
256
257         /* Calculate state time deltas against the previous snapshot */
258         for (s = 0; s < NR_PSI_STATES; s++) {
259                 u32 delta;
260                 /*
261                  * In addition to already concluded states, we also
262                  * incorporate currently active states on the CPU,
263                  * since states may last for many sampling periods.
264                  *
265                  * This way we keep our delta sampling buckets small
266                  * (u32) and our reported pressure close to what's
267                  * actually happening.
268                  */
269                 if (state_mask & (1 << s))
270                         times[s] += now - state_start;
271
272                 delta = times[s] - groupc->times_prev[aggregator][s];
273                 groupc->times_prev[aggregator][s] = times[s];
274
275                 times[s] = delta;
276                 if (delta)
277                         *pchanged_states |= (1 << s);
278         }
279 }
280
281 static void calc_avgs(unsigned long avg[3], int missed_periods,
282                       u64 time, u64 period)
283 {
284         unsigned long pct;
285
286         /* Fill in zeroes for periods of no activity */
287         if (missed_periods) {
288                 avg[0] = calc_load_n(avg[0], EXP_10s, 0, missed_periods);
289                 avg[1] = calc_load_n(avg[1], EXP_60s, 0, missed_periods);
290                 avg[2] = calc_load_n(avg[2], EXP_300s, 0, missed_periods);
291         }
292
293         /* Sample the most recent active period */
294         pct = div_u64(time * 100, period);
295         pct *= FIXED_1;
296         avg[0] = calc_load(avg[0], EXP_10s, pct);
297         avg[1] = calc_load(avg[1], EXP_60s, pct);
298         avg[2] = calc_load(avg[2], EXP_300s, pct);
299 }
300
301 static void collect_percpu_times(struct psi_group *group,
302                                  enum psi_aggregators aggregator,
303                                  u32 *pchanged_states)
304 {
305         u64 deltas[NR_PSI_STATES - 1] = { 0, };
306         unsigned long nonidle_total = 0;
307         u32 changed_states = 0;
308         int cpu;
309         int s;
310
311         /*
312          * Collect the per-cpu time buckets and average them into a
313          * single time sample that is normalized to wallclock time.
314          *
315          * For averaging, each CPU is weighted by its non-idle time in
316          * the sampling period. This eliminates artifacts from uneven
317          * loading, or even entirely idle CPUs.
318          */
319         for_each_possible_cpu(cpu) {
320                 u32 times[NR_PSI_STATES];
321                 u32 nonidle;
322                 u32 cpu_changed_states;
323
324                 get_recent_times(group, cpu, aggregator, times,
325                                 &cpu_changed_states);
326                 changed_states |= cpu_changed_states;
327
328                 nonidle = nsecs_to_jiffies(times[PSI_NONIDLE]);
329                 nonidle_total += nonidle;
330
331                 for (s = 0; s < PSI_NONIDLE; s++)
332                         deltas[s] += (u64)times[s] * nonidle;
333         }
334
335         /*
336          * Integrate the sample into the running statistics that are
337          * reported to userspace: the cumulative stall times and the
338          * decaying averages.
339          *
340          * Pressure percentages are sampled at PSI_FREQ. We might be
341          * called more often when the user polls more frequently than
342          * that; we might be called less often when there is no task
343          * activity, thus no data, and clock ticks are sporadic. The
344          * below handles both.
345          */
346
347         /* total= */
348         for (s = 0; s < NR_PSI_STATES - 1; s++)
349                 group->total[aggregator][s] +=
350                                 div_u64(deltas[s], max(nonidle_total, 1UL));
351
352         if (pchanged_states)
353                 *pchanged_states = changed_states;
354 }
355
356 static u64 update_averages(struct psi_group *group, u64 now)
357 {
358         unsigned long missed_periods = 0;
359         u64 expires, period;
360         u64 avg_next_update;
361         int s;
362
363         /* avgX= */
364         expires = group->avg_next_update;
365         if (now - expires >= psi_period)
366                 missed_periods = div_u64(now - expires, psi_period);
367
368         /*
369          * The periodic clock tick can get delayed for various
370          * reasons, especially on loaded systems. To avoid clock
371          * drift, we schedule the clock in fixed psi_period intervals.
372          * But the deltas we sample out of the per-cpu buckets above
373          * are based on the actual time elapsing between clock ticks.
374          */
375         avg_next_update = expires + ((1 + missed_periods) * psi_period);
376         period = now - (group->avg_last_update + (missed_periods * psi_period));
377         group->avg_last_update = now;
378
379         for (s = 0; s < NR_PSI_STATES - 1; s++) {
380                 u32 sample;
381
382                 sample = group->total[PSI_AVGS][s] - group->avg_total[s];
383                 /*
384                  * Due to the lockless sampling of the time buckets,
385                  * recorded time deltas can slip into the next period,
386                  * which under full pressure can result in samples in
387                  * excess of the period length.
388                  *
389                  * We don't want to report non-sensical pressures in
390                  * excess of 100%, nor do we want to drop such events
391                  * on the floor. Instead we punt any overage into the
392                  * future until pressure subsides. By doing this we
393                  * don't underreport the occurring pressure curve, we
394                  * just report it delayed by one period length.
395                  *
396                  * The error isn't cumulative. As soon as another
397                  * delta slips from a period P to P+1, by definition
398                  * it frees up its time T in P.
399                  */
400                 if (sample > period)
401                         sample = period;
402                 group->avg_total[s] += sample;
403                 calc_avgs(group->avg[s], missed_periods, sample, period);
404         }
405
406         return avg_next_update;
407 }
408
409 static void psi_avgs_work(struct work_struct *work)
410 {
411         struct delayed_work *dwork;
412         struct psi_group *group;
413         u32 changed_states;
414         bool nonidle;
415         u64 now;
416
417         dwork = to_delayed_work(work);
418         group = container_of(dwork, struct psi_group, avgs_work);
419
420         mutex_lock(&group->avgs_lock);
421
422         now = sched_clock();
423
424         collect_percpu_times(group, PSI_AVGS, &changed_states);
425         nonidle = changed_states & (1 << PSI_NONIDLE);
426         /*
427          * If there is task activity, periodically fold the per-cpu
428          * times and feed samples into the running averages. If things
429          * are idle and there is no data to process, stop the clock.
430          * Once restarted, we'll catch up the running averages in one
431          * go - see calc_avgs() and missed_periods.
432          */
433         if (now >= group->avg_next_update)
434                 group->avg_next_update = update_averages(group, now);
435
436         if (nonidle) {
437                 schedule_delayed_work(dwork, nsecs_to_jiffies(
438                                 group->avg_next_update - now) + 1);
439         }
440
441         mutex_unlock(&group->avgs_lock);
442 }
443
444 /* Trigger tracking window manupulations */
445 static void window_reset(struct psi_window *win, u64 now, u64 value,
446                          u64 prev_growth)
447 {
448         win->start_time = now;
449         win->start_value = value;
450         win->prev_growth = prev_growth;
451 }
452
453 /*
454  * PSI growth tracking window update and growth calculation routine.
455  *
456  * This approximates a sliding tracking window by interpolating
457  * partially elapsed windows using historical growth data from the
458  * previous intervals. This minimizes memory requirements (by not storing
459  * all the intermediate values in the previous window) and simplifies
460  * the calculations. It works well because PSI signal changes only in
461  * positive direction and over relatively small window sizes the growth
462  * is close to linear.
463  */
464 static u64 window_update(struct psi_window *win, u64 now, u64 value)
465 {
466         u64 elapsed;
467         u64 growth;
468
469         elapsed = now - win->start_time;
470         growth = value - win->start_value;
471         /*
472          * After each tracking window passes win->start_value and
473          * win->start_time get reset and win->prev_growth stores
474          * the average per-window growth of the previous window.
475          * win->prev_growth is then used to interpolate additional
476          * growth from the previous window assuming it was linear.
477          */
478         if (elapsed > win->size)
479                 window_reset(win, now, value, growth);
480         else {
481                 u32 remaining;
482
483                 remaining = win->size - elapsed;
484                 growth += div_u64(win->prev_growth * remaining, win->size);
485         }
486
487         return growth;
488 }
489
490 static void init_triggers(struct psi_group *group, u64 now)
491 {
492         struct psi_trigger *t;
493
494         list_for_each_entry(t, &group->triggers, node)
495                 window_reset(&t->win, now,
496                                 group->total[PSI_POLL][t->state], 0);
497         memcpy(group->polling_total, group->total[PSI_POLL],
498                    sizeof(group->polling_total));
499         group->polling_next_update = now + group->poll_min_period;
500 }
501
502 static u64 update_triggers(struct psi_group *group, u64 now)
503 {
504         struct psi_trigger *t;
505         bool new_stall = false;
506         u64 *total = group->total[PSI_POLL];
507
508         /*
509          * On subsequent updates, calculate growth deltas and let
510          * watchers know when their specified thresholds are exceeded.
511          */
512         list_for_each_entry(t, &group->triggers, node) {
513                 u64 growth;
514
515                 /* Check for stall activity */
516                 if (group->polling_total[t->state] == total[t->state])
517                         continue;
518
519                 /*
520                  * Multiple triggers might be looking at the same state,
521                  * remember to update group->polling_total[] once we've
522                  * been through all of them. Also remember to extend the
523                  * polling time if we see new stall activity.
524                  */
525                 new_stall = true;
526
527                 /* Calculate growth since last update */
528                 growth = window_update(&t->win, now, total[t->state]);
529                 if (growth < t->threshold)
530                         continue;
531
532                 /* Limit event signaling to once per window */
533                 if (now < t->last_event_time + t->win.size)
534                         continue;
535
536                 /* Generate an event */
537                 if (cmpxchg(&t->event, 0, 1) == 0)
538                         wake_up_interruptible(&t->event_wait);
539                 t->last_event_time = now;
540         }
541
542         if (new_stall)
543                 memcpy(group->polling_total, total,
544                                 sizeof(group->polling_total));
545
546         return now + group->poll_min_period;
547 }
548
549 /*
550  * Schedule polling if it's not already scheduled. It's safe to call even from
551  * hotpath because even though kthread_queue_delayed_work takes worker->lock
552  * spinlock that spinlock is never contended due to poll_scheduled atomic
553  * preventing such competition.
554  */
555 static void psi_schedule_poll_work(struct psi_group *group, unsigned long delay)
556 {
557         struct kthread_worker *kworker;
558
559         /* Do not reschedule if already scheduled */
560         if (atomic_cmpxchg(&group->poll_scheduled, 0, 1) != 0)
561                 return;
562
563         rcu_read_lock();
564
565         kworker = rcu_dereference(group->poll_kworker);
566         /*
567          * kworker might be NULL in case psi_trigger_destroy races with
568          * psi_task_change (hotpath) which can't use locks
569          */
570         if (likely(kworker))
571                 kthread_queue_delayed_work(kworker, &group->poll_work, delay);
572         else
573                 atomic_set(&group->poll_scheduled, 0);
574
575         rcu_read_unlock();
576 }
577
578 static void psi_poll_work(struct kthread_work *work)
579 {
580         struct kthread_delayed_work *dwork;
581         struct psi_group *group;
582         u32 changed_states;
583         u64 now;
584
585         dwork = container_of(work, struct kthread_delayed_work, work);
586         group = container_of(dwork, struct psi_group, poll_work);
587
588         atomic_set(&group->poll_scheduled, 0);
589
590         mutex_lock(&group->trigger_lock);
591
592         now = sched_clock();
593
594         collect_percpu_times(group, PSI_POLL, &changed_states);
595
596         if (changed_states & group->poll_states) {
597                 /* Initialize trigger windows when entering polling mode */
598                 if (now > group->polling_until)
599                         init_triggers(group, now);
600
601                 /*
602                  * Keep the monitor active for at least the duration of the
603                  * minimum tracking window as long as monitor states are
604                  * changing.
605                  */
606                 group->polling_until = now +
607                         group->poll_min_period * UPDATES_PER_WINDOW;
608         }
609
610         if (now > group->polling_until) {
611                 group->polling_next_update = ULLONG_MAX;
612                 goto out;
613         }
614
615         if (now >= group->polling_next_update)
616                 group->polling_next_update = update_triggers(group, now);
617
618         psi_schedule_poll_work(group,
619                 nsecs_to_jiffies(group->polling_next_update - now) + 1);
620
621 out:
622         mutex_unlock(&group->trigger_lock);
623 }
624
625 static void record_times(struct psi_group_cpu *groupc, int cpu,
626                          bool memstall_tick)
627 {
628         u32 delta;
629         u64 now;
630
631         now = cpu_clock(cpu);
632         delta = now - groupc->state_start;
633         groupc->state_start = now;
634
635         if (groupc->state_mask & (1 << PSI_IO_SOME)) {
636                 groupc->times[PSI_IO_SOME] += delta;
637                 if (groupc->state_mask & (1 << PSI_IO_FULL))
638                         groupc->times[PSI_IO_FULL] += delta;
639         }
640
641         if (groupc->state_mask & (1 << PSI_MEM_SOME)) {
642                 groupc->times[PSI_MEM_SOME] += delta;
643                 if (groupc->state_mask & (1 << PSI_MEM_FULL))
644                         groupc->times[PSI_MEM_FULL] += delta;
645                 else if (memstall_tick) {
646                         u32 sample;
647                         /*
648                          * Since we care about lost potential, a
649                          * memstall is FULL when there are no other
650                          * working tasks, but also when the CPU is
651                          * actively reclaiming and nothing productive
652                          * could run even if it were runnable.
653                          *
654                          * When the timer tick sees a reclaiming CPU,
655                          * regardless of runnable tasks, sample a FULL
656                          * tick (or less if it hasn't been a full tick
657                          * since the last state change).
658                          */
659                         sample = min(delta, (u32)jiffies_to_nsecs(1));
660                         groupc->times[PSI_MEM_FULL] += sample;
661                 }
662         }
663
664         if (groupc->state_mask & (1 << PSI_CPU_SOME))
665                 groupc->times[PSI_CPU_SOME] += delta;
666
667         if (groupc->state_mask & (1 << PSI_NONIDLE))
668                 groupc->times[PSI_NONIDLE] += delta;
669 }
670
671 static u32 psi_group_change(struct psi_group *group, int cpu,
672                             unsigned int clear, unsigned int set)
673 {
674         struct psi_group_cpu *groupc;
675         unsigned int t, m;
676         enum psi_states s;
677         u32 state_mask = 0;
678
679         groupc = per_cpu_ptr(group->pcpu, cpu);
680
681         /*
682          * First we assess the aggregate resource states this CPU's
683          * tasks have been in since the last change, and account any
684          * SOME and FULL time these may have resulted in.
685          *
686          * Then we update the task counts according to the state
687          * change requested through the @clear and @set bits.
688          */
689         write_seqcount_begin(&groupc->seq);
690
691         record_times(groupc, cpu, false);
692
693         for (t = 0, m = clear; m; m &= ~(1 << t), t++) {
694                 if (!(m & (1 << t)))
695                         continue;
696                 if (groupc->tasks[t] == 0 && !psi_bug) {
697                         printk_deferred(KERN_ERR "psi: task underflow! cpu=%d t=%d tasks=[%u %u %u] clear=%x set=%x\n",
698                                         cpu, t, groupc->tasks[0],
699                                         groupc->tasks[1], groupc->tasks[2],
700                                         clear, set);
701                         psi_bug = 1;
702                 }
703                 groupc->tasks[t]--;
704         }
705
706         for (t = 0; set; set &= ~(1 << t), t++)
707                 if (set & (1 << t))
708                         groupc->tasks[t]++;
709
710         /* Calculate state mask representing active states */
711         for (s = 0; s < NR_PSI_STATES; s++) {
712                 if (test_state(groupc->tasks, s))
713                         state_mask |= (1 << s);
714         }
715         groupc->state_mask = state_mask;
716
717         write_seqcount_end(&groupc->seq);
718
719         return state_mask;
720 }
721
722 static struct psi_group *iterate_groups(struct task_struct *task, void **iter)
723 {
724 #ifdef CONFIG_CGROUPS
725         struct cgroup *cgroup = NULL;
726
727         if (!*iter)
728                 cgroup = task->cgroups->dfl_cgrp;
729         else if (*iter == &psi_system)
730                 return NULL;
731         else
732                 cgroup = cgroup_parent(*iter);
733
734         if (cgroup && cgroup_parent(cgroup)) {
735                 *iter = cgroup;
736                 return cgroup_psi(cgroup);
737         }
738 #else
739         if (*iter)
740                 return NULL;
741 #endif
742         *iter = &psi_system;
743         return &psi_system;
744 }
745
746 void psi_task_change(struct task_struct *task, int clear, int set)
747 {
748         int cpu = task_cpu(task);
749         struct psi_group *group;
750         bool wake_clock = true;
751         void *iter = NULL;
752
753         if (!task->pid)
754                 return;
755
756         if (((task->psi_flags & set) ||
757              (task->psi_flags & clear) != clear) &&
758             !psi_bug) {
759                 printk_deferred(KERN_ERR "psi: inconsistent task state! task=%d:%s cpu=%d psi_flags=%x clear=%x set=%x\n",
760                                 task->pid, task->comm, cpu,
761                                 task->psi_flags, clear, set);
762                 psi_bug = 1;
763         }
764
765         task->psi_flags &= ~clear;
766         task->psi_flags |= set;
767
768         /*
769          * Periodic aggregation shuts off if there is a period of no
770          * task changes, so we wake it back up if necessary. However,
771          * don't do this if the task change is the aggregation worker
772          * itself going to sleep, or we'll ping-pong forever.
773          */
774         if (unlikely((clear & TSK_RUNNING) &&
775                      (task->flags & PF_WQ_WORKER) &&
776                      wq_worker_last_func(task) == psi_avgs_work))
777                 wake_clock = false;
778
779         while ((group = iterate_groups(task, &iter))) {
780                 u32 state_mask = psi_group_change(group, cpu, clear, set);
781
782                 if (state_mask & group->poll_states)
783                         psi_schedule_poll_work(group, 1);
784
785                 if (wake_clock && !delayed_work_pending(&group->avgs_work))
786                         schedule_delayed_work(&group->avgs_work, PSI_FREQ);
787         }
788 }
789
790 void psi_memstall_tick(struct task_struct *task, int cpu)
791 {
792         struct psi_group *group;
793         void *iter = NULL;
794
795         while ((group = iterate_groups(task, &iter))) {
796                 struct psi_group_cpu *groupc;
797
798                 groupc = per_cpu_ptr(group->pcpu, cpu);
799                 write_seqcount_begin(&groupc->seq);
800                 record_times(groupc, cpu, true);
801                 write_seqcount_end(&groupc->seq);
802         }
803 }
804
805 /**
806  * psi_memstall_enter - mark the beginning of a memory stall section
807  * @flags: flags to handle nested sections
808  *
809  * Marks the calling task as being stalled due to a lack of memory,
810  * such as waiting for a refault or performing reclaim.
811  */
812 void psi_memstall_enter(unsigned long *flags)
813 {
814         struct rq_flags rf;
815         struct rq *rq;
816
817         if (static_branch_likely(&psi_disabled))
818                 return;
819
820         *flags = current->flags & PF_MEMSTALL;
821         if (*flags)
822                 return;
823         /*
824          * PF_MEMSTALL setting & accounting needs to be atomic wrt
825          * changes to the task's scheduling state, otherwise we can
826          * race with CPU migration.
827          */
828         rq = this_rq_lock_irq(&rf);
829
830         current->flags |= PF_MEMSTALL;
831         psi_task_change(current, 0, TSK_MEMSTALL);
832
833         rq_unlock_irq(rq, &rf);
834 }
835
836 /**
837  * psi_memstall_leave - mark the end of an memory stall section
838  * @flags: flags to handle nested memdelay sections
839  *
840  * Marks the calling task as no longer stalled due to lack of memory.
841  */
842 void psi_memstall_leave(unsigned long *flags)
843 {
844         struct rq_flags rf;
845         struct rq *rq;
846
847         if (static_branch_likely(&psi_disabled))
848                 return;
849
850         if (*flags)
851                 return;
852         /*
853          * PF_MEMSTALL clearing & accounting needs to be atomic wrt
854          * changes to the task's scheduling state, otherwise we could
855          * race with CPU migration.
856          */
857         rq = this_rq_lock_irq(&rf);
858
859         current->flags &= ~PF_MEMSTALL;
860         psi_task_change(current, TSK_MEMSTALL, 0);
861
862         rq_unlock_irq(rq, &rf);
863 }
864
865 #ifdef CONFIG_CGROUPS
866 int psi_cgroup_alloc(struct cgroup *cgroup)
867 {
868         if (static_branch_likely(&psi_disabled))
869                 return 0;
870
871         cgroup->psi.pcpu = alloc_percpu(struct psi_group_cpu);
872         if (!cgroup->psi.pcpu)
873                 return -ENOMEM;
874         group_init(&cgroup->psi);
875         return 0;
876 }
877
878 void psi_cgroup_free(struct cgroup *cgroup)
879 {
880         if (static_branch_likely(&psi_disabled))
881                 return;
882
883         cancel_delayed_work_sync(&cgroup->psi.avgs_work);
884         free_percpu(cgroup->psi.pcpu);
885         /* All triggers must be removed by now */
886         WARN_ONCE(cgroup->psi.poll_states, "psi: trigger leak\n");
887 }
888
889 /**
890  * cgroup_move_task - move task to a different cgroup
891  * @task: the task
892  * @to: the target css_set
893  *
894  * Move task to a new cgroup and safely migrate its associated stall
895  * state between the different groups.
896  *
897  * This function acquires the task's rq lock to lock out concurrent
898  * changes to the task's scheduling state and - in case the task is
899  * running - concurrent changes to its stall state.
900  */
901 void cgroup_move_task(struct task_struct *task, struct css_set *to)
902 {
903         unsigned int task_flags = 0;
904         struct rq_flags rf;
905         struct rq *rq;
906
907         if (static_branch_likely(&psi_disabled)) {
908                 /*
909                  * Lame to do this here, but the scheduler cannot be locked
910                  * from the outside, so we move cgroups from inside sched/.
911                  */
912                 rcu_assign_pointer(task->cgroups, to);
913                 return;
914         }
915
916         rq = task_rq_lock(task, &rf);
917
918         if (task_on_rq_queued(task))
919                 task_flags = TSK_RUNNING;
920         else if (task->in_iowait)
921                 task_flags = TSK_IOWAIT;
922
923         if (task->flags & PF_MEMSTALL)
924                 task_flags |= TSK_MEMSTALL;
925
926         if (task_flags)
927                 psi_task_change(task, task_flags, 0);
928
929         /* See comment above */
930         rcu_assign_pointer(task->cgroups, to);
931
932         if (task_flags)
933                 psi_task_change(task, 0, task_flags);
934
935         task_rq_unlock(rq, task, &rf);
936 }
937 #endif /* CONFIG_CGROUPS */
938
939 int psi_show(struct seq_file *m, struct psi_group *group, enum psi_res res)
940 {
941         int full;
942         u64 now;
943
944         if (static_branch_likely(&psi_disabled))
945                 return -EOPNOTSUPP;
946
947         /* Update averages before reporting them */
948         mutex_lock(&group->avgs_lock);
949         now = sched_clock();
950         collect_percpu_times(group, PSI_AVGS, NULL);
951         if (now >= group->avg_next_update)
952                 group->avg_next_update = update_averages(group, now);
953         mutex_unlock(&group->avgs_lock);
954
955         for (full = 0; full < 2 - (res == PSI_CPU); full++) {
956                 unsigned long avg[3];
957                 u64 total;
958                 int w;
959
960                 for (w = 0; w < 3; w++)
961                         avg[w] = group->avg[res * 2 + full][w];
962                 total = div_u64(group->total[PSI_AVGS][res * 2 + full],
963                                 NSEC_PER_USEC);
964
965                 seq_printf(m, "%s avg10=%lu.%02lu avg60=%lu.%02lu avg300=%lu.%02lu total=%llu\n",
966                            full ? "full" : "some",
967                            LOAD_INT(avg[0]), LOAD_FRAC(avg[0]),
968                            LOAD_INT(avg[1]), LOAD_FRAC(avg[1]),
969                            LOAD_INT(avg[2]), LOAD_FRAC(avg[2]),
970                            total);
971         }
972
973         return 0;
974 }
975
976 static int psi_io_show(struct seq_file *m, void *v)
977 {
978         return psi_show(m, &psi_system, PSI_IO);
979 }
980
981 static int psi_memory_show(struct seq_file *m, void *v)
982 {
983         return psi_show(m, &psi_system, PSI_MEM);
984 }
985
986 static int psi_cpu_show(struct seq_file *m, void *v)
987 {
988         return psi_show(m, &psi_system, PSI_CPU);
989 }
990
991 static int psi_io_open(struct inode *inode, struct file *file)
992 {
993         return single_open(file, psi_io_show, NULL);
994 }
995
996 static int psi_memory_open(struct inode *inode, struct file *file)
997 {
998         return single_open(file, psi_memory_show, NULL);
999 }
1000
1001 static int psi_cpu_open(struct inode *inode, struct file *file)
1002 {
1003         return single_open(file, psi_cpu_show, NULL);
1004 }
1005
1006 struct psi_trigger *psi_trigger_create(struct psi_group *group,
1007                         char *buf, size_t nbytes, enum psi_res res)
1008 {
1009         struct psi_trigger *t;
1010         enum psi_states state;
1011         u32 threshold_us;
1012         u32 window_us;
1013
1014         if (static_branch_likely(&psi_disabled))
1015                 return ERR_PTR(-EOPNOTSUPP);
1016
1017         if (sscanf(buf, "some %u %u", &threshold_us, &window_us) == 2)
1018                 state = PSI_IO_SOME + res * 2;
1019         else if (sscanf(buf, "full %u %u", &threshold_us, &window_us) == 2)
1020                 state = PSI_IO_FULL + res * 2;
1021         else
1022                 return ERR_PTR(-EINVAL);
1023
1024         if (state >= PSI_NONIDLE)
1025                 return ERR_PTR(-EINVAL);
1026
1027         if (window_us < WINDOW_MIN_US ||
1028                 window_us > WINDOW_MAX_US)
1029                 return ERR_PTR(-EINVAL);
1030
1031         /* Check threshold */
1032         if (threshold_us == 0 || threshold_us > window_us)
1033                 return ERR_PTR(-EINVAL);
1034
1035         t = kmalloc(sizeof(*t), GFP_KERNEL);
1036         if (!t)
1037                 return ERR_PTR(-ENOMEM);
1038
1039         t->group = group;
1040         t->state = state;
1041         t->threshold = threshold_us * NSEC_PER_USEC;
1042         t->win.size = window_us * NSEC_PER_USEC;
1043         window_reset(&t->win, 0, 0, 0);
1044
1045         t->event = 0;
1046         t->last_event_time = 0;
1047         init_waitqueue_head(&t->event_wait);
1048         kref_init(&t->refcount);
1049
1050         mutex_lock(&group->trigger_lock);
1051
1052         if (!rcu_access_pointer(group->poll_kworker)) {
1053                 struct sched_param param = {
1054                         .sched_priority = 1,
1055                 };
1056                 struct kthread_worker *kworker;
1057
1058                 kworker = kthread_create_worker(0, "psimon");
1059                 if (IS_ERR(kworker)) {
1060                         kfree(t);
1061                         mutex_unlock(&group->trigger_lock);
1062                         return ERR_CAST(kworker);
1063                 }
1064                 sched_setscheduler_nocheck(kworker->task, SCHED_FIFO, &param);
1065                 kthread_init_delayed_work(&group->poll_work,
1066                                 psi_poll_work);
1067                 rcu_assign_pointer(group->poll_kworker, kworker);
1068         }
1069
1070         list_add(&t->node, &group->triggers);
1071         group->poll_min_period = min(group->poll_min_period,
1072                 div_u64(t->win.size, UPDATES_PER_WINDOW));
1073         group->nr_triggers[t->state]++;
1074         group->poll_states |= (1 << t->state);
1075
1076         mutex_unlock(&group->trigger_lock);
1077
1078         return t;
1079 }
1080
1081 static void psi_trigger_destroy(struct kref *ref)
1082 {
1083         struct psi_trigger *t = container_of(ref, struct psi_trigger, refcount);
1084         struct psi_group *group = t->group;
1085         struct kthread_worker *kworker_to_destroy = NULL;
1086
1087         if (static_branch_likely(&psi_disabled))
1088                 return;
1089
1090         /*
1091          * Wakeup waiters to stop polling. Can happen if cgroup is deleted
1092          * from under a polling process.
1093          */
1094         wake_up_interruptible(&t->event_wait);
1095
1096         mutex_lock(&group->trigger_lock);
1097
1098         if (!list_empty(&t->node)) {
1099                 struct psi_trigger *tmp;
1100                 u64 period = ULLONG_MAX;
1101
1102                 list_del(&t->node);
1103                 group->nr_triggers[t->state]--;
1104                 if (!group->nr_triggers[t->state])
1105                         group->poll_states &= ~(1 << t->state);
1106                 /* reset min update period for the remaining triggers */
1107                 list_for_each_entry(tmp, &group->triggers, node)
1108                         period = min(period, div_u64(tmp->win.size,
1109                                         UPDATES_PER_WINDOW));
1110                 group->poll_min_period = period;
1111                 /* Destroy poll_kworker when the last trigger is destroyed */
1112                 if (group->poll_states == 0) {
1113                         group->polling_until = 0;
1114                         kworker_to_destroy = rcu_dereference_protected(
1115                                         group->poll_kworker,
1116                                         lockdep_is_held(&group->trigger_lock));
1117                         rcu_assign_pointer(group->poll_kworker, NULL);
1118                 }
1119         }
1120
1121         mutex_unlock(&group->trigger_lock);
1122
1123         /*
1124          * Wait for both *trigger_ptr from psi_trigger_replace and
1125          * poll_kworker RCUs to complete their read-side critical sections
1126          * before destroying the trigger and optionally the poll_kworker
1127          */
1128         synchronize_rcu();
1129         /*
1130          * Destroy the kworker after releasing trigger_lock to prevent a
1131          * deadlock while waiting for psi_poll_work to acquire trigger_lock
1132          */
1133         if (kworker_to_destroy) {
1134                 kthread_cancel_delayed_work_sync(&group->poll_work);
1135                 kthread_destroy_worker(kworker_to_destroy);
1136         }
1137         kfree(t);
1138 }
1139
1140 void psi_trigger_replace(void **trigger_ptr, struct psi_trigger *new)
1141 {
1142         struct psi_trigger *old = *trigger_ptr;
1143
1144         if (static_branch_likely(&psi_disabled))
1145                 return;
1146
1147         rcu_assign_pointer(*trigger_ptr, new);
1148         if (old)
1149                 kref_put(&old->refcount, psi_trigger_destroy);
1150 }
1151
1152 __poll_t psi_trigger_poll(void **trigger_ptr,
1153                                 struct file *file, poll_table *wait)
1154 {
1155         __poll_t ret = DEFAULT_POLLMASK;
1156         struct psi_trigger *t;
1157
1158         if (static_branch_likely(&psi_disabled))
1159                 return DEFAULT_POLLMASK | EPOLLERR | EPOLLPRI;
1160
1161         rcu_read_lock();
1162
1163         t = rcu_dereference(*(void __rcu __force **)trigger_ptr);
1164         if (!t) {
1165                 rcu_read_unlock();
1166                 return DEFAULT_POLLMASK | EPOLLERR | EPOLLPRI;
1167         }
1168         kref_get(&t->refcount);
1169
1170         rcu_read_unlock();
1171
1172         poll_wait(file, &t->event_wait, wait);
1173
1174         if (cmpxchg(&t->event, 1, 0) == 1)
1175                 ret |= EPOLLPRI;
1176
1177         kref_put(&t->refcount, psi_trigger_destroy);
1178
1179         return ret;
1180 }
1181
1182 static ssize_t psi_write(struct file *file, const char __user *user_buf,
1183                          size_t nbytes, enum psi_res res)
1184 {
1185         char buf[32];
1186         size_t buf_size;
1187         struct seq_file *seq;
1188         struct psi_trigger *new;
1189
1190         if (static_branch_likely(&psi_disabled))
1191                 return -EOPNOTSUPP;
1192
1193         buf_size = min(nbytes, (sizeof(buf) - 1));
1194         if (copy_from_user(buf, user_buf, buf_size))
1195                 return -EFAULT;
1196
1197         buf[buf_size - 1] = '\0';
1198
1199         new = psi_trigger_create(&psi_system, buf, nbytes, res);
1200         if (IS_ERR(new))
1201                 return PTR_ERR(new);
1202
1203         seq = file->private_data;
1204         /* Take seq->lock to protect seq->private from concurrent writes */
1205         mutex_lock(&seq->lock);
1206         psi_trigger_replace(&seq->private, new);
1207         mutex_unlock(&seq->lock);
1208
1209         return nbytes;
1210 }
1211
1212 static ssize_t psi_io_write(struct file *file, const char __user *user_buf,
1213                             size_t nbytes, loff_t *ppos)
1214 {
1215         return psi_write(file, user_buf, nbytes, PSI_IO);
1216 }
1217
1218 static ssize_t psi_memory_write(struct file *file, const char __user *user_buf,
1219                                 size_t nbytes, loff_t *ppos)
1220 {
1221         return psi_write(file, user_buf, nbytes, PSI_MEM);
1222 }
1223
1224 static ssize_t psi_cpu_write(struct file *file, const char __user *user_buf,
1225                              size_t nbytes, loff_t *ppos)
1226 {
1227         return psi_write(file, user_buf, nbytes, PSI_CPU);
1228 }
1229
1230 static __poll_t psi_fop_poll(struct file *file, poll_table *wait)
1231 {
1232         struct seq_file *seq = file->private_data;
1233
1234         return psi_trigger_poll(&seq->private, file, wait);
1235 }
1236
1237 static int psi_fop_release(struct inode *inode, struct file *file)
1238 {
1239         struct seq_file *seq = file->private_data;
1240
1241         psi_trigger_replace(&seq->private, NULL);
1242         return single_release(inode, file);
1243 }
1244
1245 static const struct file_operations psi_io_fops = {
1246         .open           = psi_io_open,
1247         .read           = seq_read,
1248         .llseek         = seq_lseek,
1249         .write          = psi_io_write,
1250         .poll           = psi_fop_poll,
1251         .release        = psi_fop_release,
1252 };
1253
1254 static const struct file_operations psi_memory_fops = {
1255         .open           = psi_memory_open,
1256         .read           = seq_read,
1257         .llseek         = seq_lseek,
1258         .write          = psi_memory_write,
1259         .poll           = psi_fop_poll,
1260         .release        = psi_fop_release,
1261 };
1262
1263 static const struct file_operations psi_cpu_fops = {
1264         .open           = psi_cpu_open,
1265         .read           = seq_read,
1266         .llseek         = seq_lseek,
1267         .write          = psi_cpu_write,
1268         .poll           = psi_fop_poll,
1269         .release        = psi_fop_release,
1270 };
1271
1272 static int __init psi_proc_init(void)
1273 {
1274         proc_mkdir("pressure", NULL);
1275         proc_create("pressure/io", 0, NULL, &psi_io_fops);
1276         proc_create("pressure/memory", 0, NULL, &psi_memory_fops);
1277         proc_create("pressure/cpu", 0, NULL, &psi_cpu_fops);
1278         return 0;
1279 }
1280 module_init(psi_proc_init);