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);