Merge tag 'v4.2' into p/abusse/merge_upgrade
[projects/modsched/linux.git] / kernel / sched / cfs / fair.c
1 /*
2  * Completely Fair Scheduling (CFS) Class (SCHED_NORMAL/SCHED_BATCH)
3  *
4  *  Copyright (C) 2007 Red Hat, Inc., Ingo Molnar <mingo@redhat.com>
5  *
6  *  Interactivity improvements by Mike Galbraith
7  *  (C) 2007 Mike Galbraith <efault@gmx.de>
8  *
9  *  Various enhancements by Dmitry Adamushko.
10  *  (C) 2007 Dmitry Adamushko <dmitry.adamushko@gmail.com>
11  *
12  *  Group scheduling enhancements by Srivatsa Vaddagiri
13  *  Copyright IBM Corporation, 2007
14  *  Author: Srivatsa Vaddagiri <vatsa@linux.vnet.ibm.com>
15  *
16  *  Scaled math optimizations by Thomas Gleixner
17  *  Copyright (C) 2007, Thomas Gleixner <tglx@linutronix.de>
18  *
19  *  Adaptive scheduling granularity, math enhancements by Peter Zijlstra
20  *  Copyright (C) 2007 Red Hat, Inc., Peter Zijlstra <pzijlstr@redhat.com>
21  */
22
23 #include <linux/latencytop.h>
24 #include <linux/sched.h>
25 #include <linux/cpumask.h>
26 #include <linux/cpuidle.h>
27 #include <linux/slab.h>
28 #include <linux/profile.h>
29 #include <linux/interrupt.h>
30 #include <linux/mempolicy.h>
31 #include <linux/migrate.h>
32 #include <linux/task_work.h>
33
34 #include <trace/events/sched.h>
35
36 #include "sched.h"
37
38 /*
39  * Targeted preemption latency for CPU-bound tasks:
40  * (default: 6ms * (1 + ilog(ncpus)), units: nanoseconds)
41  *
42  * NOTE: this latency value is not the same as the concept of
43  * 'timeslice length' - timeslices in CFS are of variable length
44  * and have no persistent notion like in traditional, time-slice
45  * based scheduling concepts.
46  *
47  * (to see the precise effective timeslice length of your workload,
48  *  run vmstat and monitor the context-switches (cs) field)
49  */
50 unsigned int sysctl_sched_latency = 6000000ULL;
51 unsigned int normalized_sysctl_sched_latency = 6000000ULL;
52
53 /*
54  * The initial- and re-scaling of tunables is configurable
55  * (default SCHED_TUNABLESCALING_LOG = *(1+ilog(ncpus))
56  *
57  * Options are:
58  * SCHED_TUNABLESCALING_NONE - unscaled, always *1
59  * SCHED_TUNABLESCALING_LOG - scaled logarithmical, *1+ilog(ncpus)
60  * SCHED_TUNABLESCALING_LINEAR - scaled linear, *ncpus
61  */
62 enum sched_tunable_scaling sysctl_sched_tunable_scaling
63         = SCHED_TUNABLESCALING_LOG;
64
65 /*
66  * Minimal preemption granularity for CPU-bound tasks:
67  * (default: 0.75 msec * (1 + ilog(ncpus)), units: nanoseconds)
68  */
69 unsigned int sysctl_sched_min_granularity = 750000ULL;
70 unsigned int normalized_sysctl_sched_min_granularity = 750000ULL;
71
72 /*
73  * is kept at sysctl_sched_latency / sysctl_sched_min_granularity
74  */
75 static unsigned int sched_nr_latency = 8;
76
77 /*
78  * After fork, child runs first. If set to 0 (default) then
79  * parent will (try to) run first.
80  */
81 unsigned int sysctl_sched_child_runs_first __read_mostly;
82
83 /*
84  * SCHED_OTHER wake-up granularity.
85  * (default: 1 msec * (1 + ilog(ncpus)), units: nanoseconds)
86  *
87  * This option delays the preemption effects of decoupled workloads
88  * and reduces their over-scheduling. Synchronous workloads will still
89  * have immediate wakeup/sleep latencies.
90  */
91 unsigned int sysctl_sched_wakeup_granularity = 1000000UL;
92 unsigned int normalized_sysctl_sched_wakeup_granularity = 1000000UL;
93
94 const_debug unsigned int sysctl_sched_migration_cost = 500000UL;
95
96 /*
97  * The exponential sliding  window over which load is averaged for shares
98  * distribution.
99  * (default: 10msec)
100  */
101 unsigned int __read_mostly sysctl_sched_shares_window = 10000000UL;
102
103 #ifdef CONFIG_CFS_BANDWIDTH
104 /*
105  * Amount of runtime to allocate from global (tg) to local (per-cfs_rq) pool
106  * each time a cfs_rq requests quota.
107  *
108  * Note: in the case that the slice exceeds the runtime remaining (either due
109  * to consumption or the quota being specified to be smaller than the slice)
110  * we will always only issue the remaining available time.
111  *
112  * default: 5 msec, units: microseconds
113   */
114 unsigned int sysctl_sched_cfs_bandwidth_slice = 5000UL;
115 #endif
116
117 static inline void update_load_add(struct load_weight *lw, unsigned long inc)
118 {
119         lw->weight += inc;
120         lw->inv_weight = 0;
121 }
122
123 static inline void update_load_sub(struct load_weight *lw, unsigned long dec)
124 {
125         lw->weight -= dec;
126         lw->inv_weight = 0;
127 }
128
129 static inline void update_load_set(struct load_weight *lw, unsigned long w)
130 {
131         lw->weight = w;
132         lw->inv_weight = 0;
133 }
134
135 /*
136  * Increase the granularity value when there are more CPUs,
137  * because with more CPUs the 'effective latency' as visible
138  * to users decreases. But the relationship is not linear,
139  * so pick a second-best guess by going with the log2 of the
140  * number of CPUs.
141  *
142  * This idea comes from the SD scheduler of Con Kolivas:
143  */
144 static unsigned int get_update_sysctl_factor(void)
145 {
146         unsigned int cpus = min_t(unsigned int, num_online_cpus(), 8);
147         unsigned int factor;
148
149         switch (sysctl_sched_tunable_scaling) {
150         case SCHED_TUNABLESCALING_NONE:
151                 factor = 1;
152                 break;
153         case SCHED_TUNABLESCALING_LINEAR:
154                 factor = cpus;
155                 break;
156         case SCHED_TUNABLESCALING_LOG:
157         default:
158                 factor = 1 + ilog2(cpus);
159                 break;
160         }
161
162         return factor;
163 }
164
165 static void update_sysctl(void)
166 {
167         unsigned int factor = get_update_sysctl_factor();
168
169 #define SET_SYSCTL(name) \
170         (sysctl_##name = (factor) * normalized_sysctl_##name)
171         SET_SYSCTL(sched_min_granularity);
172         SET_SYSCTL(sched_latency);
173         SET_SYSCTL(sched_wakeup_granularity);
174 #undef SET_SYSCTL
175 }
176
177 void sched_init_granularity(void)
178 {
179         update_sysctl();
180 }
181
182 #define WMULT_CONST     (~0U)
183 #define WMULT_SHIFT     32
184
185 static void __update_inv_weight(struct load_weight *lw)
186 {
187         unsigned long w;
188
189         if (likely(lw->inv_weight))
190                 return;
191
192         w = scale_load_down(lw->weight);
193
194         if (BITS_PER_LONG > 32 && unlikely(w >= WMULT_CONST))
195                 lw->inv_weight = 1;
196         else if (unlikely(!w))
197                 lw->inv_weight = WMULT_CONST;
198         else
199                 lw->inv_weight = WMULT_CONST / w;
200 }
201
202 /*
203  * delta_exec * weight / lw.weight
204  *   OR
205  * (delta_exec * (weight * lw->inv_weight)) >> WMULT_SHIFT
206  *
207  * Either weight := NICE_0_LOAD and lw \e prio_to_wmult[], in which case
208  * we're guaranteed shift stays positive because inv_weight is guaranteed to
209  * fit 32 bits, and NICE_0_LOAD gives another 10 bits; therefore shift >= 22.
210  *
211  * Or, weight =< lw.weight (because lw.weight is the runqueue weight), thus
212  * weight/lw.weight <= 1, and therefore our shift will also be positive.
213  */
214 static u64 __calc_delta(u64 delta_exec, unsigned long weight, struct load_weight *lw)
215 {
216         u64 fact = scale_load_down(weight);
217         int shift = WMULT_SHIFT;
218
219         __update_inv_weight(lw);
220
221         if (unlikely(fact >> 32)) {
222                 while (fact >> 32) {
223                         fact >>= 1;
224                         shift--;
225                 }
226         }
227
228         /* hint to use a 32x32->64 mul */
229         fact = (u64)(u32)fact * lw->inv_weight;
230
231         while (fact >> 32) {
232                 fact >>= 1;
233                 shift--;
234         }
235
236         return mul_u64_u32_shr(delta_exec, fact, shift);
237 }
238
239
240 const struct sched_class fair_sched_class;
241
242 /**************************************************************
243  * CFS operations on generic schedulable entities:
244  */
245
246 #ifdef CONFIG_FAIR_GROUP_SCHED
247
248 /* cpu runqueue to which this cfs_rq is attached */
249 static inline struct rq *rq_of(struct cfs_rq *cfs_rq)
250 {
251         return cfs_rq->rq;
252 }
253
254 /* An entity is a task if it doesn't "own" a runqueue */
255 #define entity_is_task(se)      (!se->my_q)
256
257 static inline struct task_struct *task_of(struct sched_entity *se)
258 {
259 #ifdef CONFIG_SCHED_DEBUG
260         WARN_ON_ONCE(!entity_is_task(se));
261 #endif
262         return container_of(se, struct task_struct, se);
263 }
264
265 /* Walk up scheduling entities hierarchy */
266 #define for_each_sched_entity(se) \
267                 for (; se; se = se->parent)
268
269 static inline struct cfs_rq *task_cfs_rq(struct task_struct *p)
270 {
271         return p->se.cfs_rq;
272 }
273
274 /* runqueue on which this entity is (to be) queued */
275 static inline struct cfs_rq *cfs_rq_of(struct sched_entity *se)
276 {
277         return se->cfs_rq;
278 }
279
280 /* runqueue "owned" by this group */
281 static inline struct cfs_rq *group_cfs_rq(struct sched_entity *grp)
282 {
283         return grp->my_q;
284 }
285
286 static void update_cfs_rq_blocked_load(struct cfs_rq *cfs_rq,
287                                        int force_update);
288
289 static inline void list_add_leaf_cfs_rq(struct cfs_rq *cfs_rq)
290 {
291         if (!cfs_rq->on_list) {
292                 /*
293                  * Ensure we either appear before our parent (if already
294                  * enqueued) or force our parent to appear after us when it is
295                  * enqueued.  The fact that we always enqueue bottom-up
296                  * reduces this to two cases.
297                  */
298                 if (cfs_rq->tg->parent &&
299                     cfs_rq->tg->parent->cfs_rq[cpu_of(rq_of(cfs_rq))]->on_list) {
300                         list_add_rcu(&cfs_rq->leaf_cfs_rq_list,
301                                 &rq_of(cfs_rq)->leaf_cfs_rq_list);
302                 } else {
303                         list_add_tail_rcu(&cfs_rq->leaf_cfs_rq_list,
304                                 &rq_of(cfs_rq)->leaf_cfs_rq_list);
305                 }
306
307                 cfs_rq->on_list = 1;
308                 /* We should have no load, but we need to update last_decay. */
309                 update_cfs_rq_blocked_load(cfs_rq, 0);
310         }
311 }
312
313 static inline void list_del_leaf_cfs_rq(struct cfs_rq *cfs_rq)
314 {
315         if (cfs_rq->on_list) {
316                 list_del_rcu(&cfs_rq->leaf_cfs_rq_list);
317                 cfs_rq->on_list = 0;
318         }
319 }
320
321 /* Iterate thr' all leaf cfs_rq's on a runqueue */
322 #define for_each_leaf_cfs_rq(rq, cfs_rq) \
323         list_for_each_entry_rcu(cfs_rq, &rq->leaf_cfs_rq_list, leaf_cfs_rq_list)
324
325 /* Do the two (enqueued) entities belong to the same group ? */
326 static inline struct cfs_rq *
327 is_same_group(struct sched_entity *se, struct sched_entity *pse)
328 {
329         if (se->cfs_rq == pse->cfs_rq)
330                 return se->cfs_rq;
331
332         return NULL;
333 }
334
335 static inline struct sched_entity *parent_entity(struct sched_entity *se)
336 {
337         return se->parent;
338 }
339
340 static void
341 find_matching_se(struct sched_entity **se, struct sched_entity **pse)
342 {
343         int se_depth, pse_depth;
344
345         /*
346          * preemption test can be made between sibling entities who are in the
347          * same cfs_rq i.e who have a common parent. Walk up the hierarchy of
348          * both tasks until we find their ancestors who are siblings of common
349          * parent.
350          */
351
352         /* First walk up until both entities are at same depth */
353         se_depth = (*se)->depth;
354         pse_depth = (*pse)->depth;
355
356         while (se_depth > pse_depth) {
357                 se_depth--;
358                 *se = parent_entity(*se);
359         }
360
361         while (pse_depth > se_depth) {
362                 pse_depth--;
363                 *pse = parent_entity(*pse);
364         }
365
366         while (!is_same_group(*se, *pse)) {
367                 *se = parent_entity(*se);
368                 *pse = parent_entity(*pse);
369         }
370 }
371
372 #else   /* !CONFIG_FAIR_GROUP_SCHED */
373
374 static inline struct task_struct *task_of(struct sched_entity *se)
375 {
376         return container_of(se, struct task_struct, se);
377 }
378
379 static inline struct rq *rq_of(struct cfs_rq *cfs_rq)
380 {
381         return container_of(cfs_rq, struct rq, cfs);
382 }
383
384 #define entity_is_task(se)      1
385
386 #define for_each_sched_entity(se) \
387                 for (; se; se = NULL)
388
389 static inline struct cfs_rq *task_cfs_rq(struct task_struct *p)
390 {
391         return &task_rq(p)->cfs;
392 }
393
394 static inline struct cfs_rq *cfs_rq_of(struct sched_entity *se)
395 {
396         struct task_struct *p = task_of(se);
397         struct rq *rq = task_rq(p);
398
399         return &rq->cfs;
400 }
401
402 /* runqueue "owned" by this group */
403 static inline struct cfs_rq *group_cfs_rq(struct sched_entity *grp)
404 {
405         return NULL;
406 }
407
408 static inline void list_add_leaf_cfs_rq(struct cfs_rq *cfs_rq)
409 {
410 }
411
412 static inline void list_del_leaf_cfs_rq(struct cfs_rq *cfs_rq)
413 {
414 }
415
416 #define for_each_leaf_cfs_rq(rq, cfs_rq) \
417                 for (cfs_rq = &rq->cfs; cfs_rq; cfs_rq = NULL)
418
419 static inline struct sched_entity *parent_entity(struct sched_entity *se)
420 {
421         return NULL;
422 }
423
424 static inline void
425 find_matching_se(struct sched_entity **se, struct sched_entity **pse)
426 {
427 }
428
429 #endif  /* CONFIG_FAIR_GROUP_SCHED */
430
431 static __always_inline
432 void account_cfs_rq_runtime(struct cfs_rq *cfs_rq, u64 delta_exec);
433
434 /**************************************************************
435  * Scheduling class tree data structure manipulation methods:
436  */
437
438 static inline u64 max_vruntime(u64 max_vruntime, u64 vruntime)
439 {
440         s64 delta = (s64)(vruntime - max_vruntime);
441         if (delta > 0)
442                 max_vruntime = vruntime;
443
444         return max_vruntime;
445 }
446
447 static inline u64 min_vruntime(u64 min_vruntime, u64 vruntime)
448 {
449         s64 delta = (s64)(vruntime - min_vruntime);
450         if (delta < 0)
451                 min_vruntime = vruntime;
452
453         return min_vruntime;
454 }
455
456 static inline int entity_before(struct sched_entity *a,
457                                 struct sched_entity *b)
458 {
459         return (s64)(a->vruntime - b->vruntime) < 0;
460 }
461
462 static void update_min_vruntime(struct cfs_rq *cfs_rq)
463 {
464         u64 vruntime = cfs_rq->min_vruntime;
465
466         if (cfs_rq->curr)
467                 vruntime = cfs_rq->curr->vruntime;
468
469         if (cfs_rq->rb_leftmost) {
470                 struct sched_entity *se = rb_entry(cfs_rq->rb_leftmost,
471                                                    struct sched_entity,
472                                                    run_node);
473
474                 if (!cfs_rq->curr)
475                         vruntime = se->vruntime;
476                 else
477                         vruntime = min_vruntime(vruntime, se->vruntime);
478         }
479
480         /* ensure we never gain time by being placed backwards. */
481         cfs_rq->min_vruntime = max_vruntime(cfs_rq->min_vruntime, vruntime);
482 #ifndef CONFIG_64BIT
483         smp_wmb();
484         cfs_rq->min_vruntime_copy = cfs_rq->min_vruntime;
485 #endif
486 }
487
488 /*
489  * Enqueue an entity into the rb-tree:
490  */
491 static void __enqueue_entity(struct cfs_rq *cfs_rq, struct sched_entity *se)
492 {
493         struct rb_node **link = &cfs_rq->tasks_timeline.rb_node;
494         struct rb_node *parent = NULL;
495         struct sched_entity *entry;
496         int leftmost = 1;
497
498         /*
499          * Find the right place in the rbtree:
500          */
501         while (*link) {
502                 parent = *link;
503                 entry = rb_entry(parent, struct sched_entity, run_node);
504                 /*
505                  * We dont care about collisions. Nodes with
506                  * the same key stay together.
507                  */
508                 if (entity_before(se, entry)) {
509                         link = &parent->rb_left;
510                 } else {
511                         link = &parent->rb_right;
512                         leftmost = 0;
513                 }
514         }
515
516         /*
517          * Maintain a cache of leftmost tree entries (it is frequently
518          * used):
519          */
520         if (leftmost)
521                 cfs_rq->rb_leftmost = &se->run_node;
522
523         rb_link_node(&se->run_node, parent, link);
524         rb_insert_color(&se->run_node, &cfs_rq->tasks_timeline);
525 }
526
527 static void __dequeue_entity(struct cfs_rq *cfs_rq, struct sched_entity *se)
528 {
529         if (cfs_rq->rb_leftmost == &se->run_node) {
530                 struct rb_node *next_node;
531
532                 next_node = rb_next(&se->run_node);
533                 cfs_rq->rb_leftmost = next_node;
534         }
535
536         rb_erase(&se->run_node, &cfs_rq->tasks_timeline);
537 }
538
539 struct sched_entity *__pick_first_entity(struct cfs_rq *cfs_rq)
540 {
541         struct rb_node *left = cfs_rq->rb_leftmost;
542
543         if (!left)
544                 return NULL;
545
546         return rb_entry(left, struct sched_entity, run_node);
547 }
548
549 static struct sched_entity *__pick_next_entity(struct sched_entity *se)
550 {
551         struct rb_node *next = rb_next(&se->run_node);
552
553         if (!next)
554                 return NULL;
555
556         return rb_entry(next, struct sched_entity, run_node);
557 }
558
559 #ifdef CONFIG_SCHED_DEBUG
560 struct sched_entity *__pick_last_entity(struct cfs_rq *cfs_rq)
561 {
562         struct rb_node *last = rb_last(&cfs_rq->tasks_timeline);
563
564         if (!last)
565                 return NULL;
566
567         return rb_entry(last, struct sched_entity, run_node);
568 }
569
570 /**************************************************************
571  * Scheduling class statistics methods:
572  */
573
574 int sched_proc_update_handler(struct ctl_table *table, int write,
575                 void __user *buffer, size_t *lenp,
576                 loff_t *ppos)
577 {
578         int ret = proc_dointvec_minmax(table, write, buffer, lenp, ppos);
579         unsigned int factor = get_update_sysctl_factor();
580
581         if (ret || !write)
582                 return ret;
583
584         sched_nr_latency = DIV_ROUND_UP(sysctl_sched_latency,
585                                         sysctl_sched_min_granularity);
586
587 #define WRT_SYSCTL(name) \
588         (normalized_sysctl_##name = sysctl_##name / (factor))
589         WRT_SYSCTL(sched_min_granularity);
590         WRT_SYSCTL(sched_latency);
591         WRT_SYSCTL(sched_wakeup_granularity);
592 #undef WRT_SYSCTL
593
594         return 0;
595 }
596 #endif
597
598 /*
599  * delta /= w
600  */
601 static inline u64 calc_delta_fair(u64 delta, struct sched_entity *se)
602 {
603         if (unlikely(se->load.weight != NICE_0_LOAD))
604                 delta = __calc_delta(delta, NICE_0_LOAD, &se->load);
605
606         return delta;
607 }
608
609 /*
610  * The idea is to set a period in which each task runs once.
611  *
612  * When there are too many tasks (sched_nr_latency) we have to stretch
613  * this period because otherwise the slices get too small.
614  *
615  * p = (nr <= nl) ? l : l*nr/nl
616  */
617 static u64 __sched_period(unsigned long nr_running)
618 {
619         u64 period = sysctl_sched_latency;
620         unsigned long nr_latency = sched_nr_latency;
621
622         if (unlikely(nr_running > nr_latency)) {
623                 period = sysctl_sched_min_granularity;
624                 period *= nr_running;
625         }
626
627         return period;
628 }
629
630 /*
631  * We calculate the wall-time slice from the period by taking a part
632  * proportional to the weight.
633  *
634  * s = p*P[w/rw]
635  */
636 static u64 sched_slice(struct cfs_rq *cfs_rq, struct sched_entity *se)
637 {
638         u64 slice = __sched_period(cfs_rq->nr_running + !se->on_rq);
639
640         for_each_sched_entity(se) {
641                 struct load_weight *load;
642                 struct load_weight lw;
643
644                 cfs_rq = cfs_rq_of(se);
645                 load = &cfs_rq->load;
646
647                 if (unlikely(!se->on_rq)) {
648                         lw = cfs_rq->load;
649
650                         update_load_add(&lw, se->load.weight);
651                         load = &lw;
652                 }
653                 slice = __calc_delta(slice, se->load.weight, load);
654         }
655         return slice;
656 }
657
658 /*
659  * We calculate the vruntime slice of a to-be-inserted task.
660  *
661  * vs = s/w
662  */
663 static u64 sched_vslice(struct cfs_rq *cfs_rq, struct sched_entity *se)
664 {
665         return calc_delta_fair(sched_slice(cfs_rq, se), se);
666 }
667
668 #ifdef CONFIG_SMP
669 static int select_idle_sibling(struct task_struct *p, int cpu);
670 static unsigned long task_h_load(struct task_struct *p);
671
672 static inline void __update_task_entity_contrib(struct sched_entity *se);
673 static inline void __update_task_entity_utilization(struct sched_entity *se);
674
675 /* Give new task start runnable values to heavy its load in infant time */
676 void init_task_runnable_average(struct task_struct *p)
677 {
678         u32 slice;
679
680         slice = sched_slice(task_cfs_rq(p), &p->se) >> 10;
681         p->se.avg.runnable_avg_sum = p->se.avg.running_avg_sum = slice;
682         p->se.avg.avg_period = slice;
683         __update_task_entity_contrib(&p->se);
684         __update_task_entity_utilization(&p->se);
685 }
686 #else
687 void init_task_runnable_average(struct task_struct *p)
688 {
689 }
690 #endif
691
692 /*
693  * Update the current task's runtime statistics.
694  */
695 static void update_curr(struct cfs_rq *cfs_rq)
696 {
697         struct sched_entity *curr = cfs_rq->curr;
698         u64 now = rq_clock_task(rq_of(cfs_rq));
699         u64 delta_exec;
700
701         if (unlikely(!curr))
702                 return;
703
704         delta_exec = now - curr->exec_start;
705         if (unlikely((s64)delta_exec <= 0))
706                 return;
707
708         curr->exec_start = now;
709
710         schedstat_set(curr->statistics.exec_max,
711                       max(delta_exec, curr->statistics.exec_max));
712
713         curr->sum_exec_runtime += delta_exec;
714         schedstat_add(cfs_rq, exec_clock, delta_exec);
715
716         curr->vruntime += calc_delta_fair(delta_exec, curr);
717         update_min_vruntime(cfs_rq);
718
719         if (entity_is_task(curr)) {
720                 struct task_struct *curtask = task_of(curr);
721
722                 trace_sched_stat_runtime(curtask, delta_exec, curr->vruntime);
723                 cpuacct_charge(curtask, delta_exec);
724                 account_group_exec_runtime(curtask, delta_exec);
725         }
726
727         account_cfs_rq_runtime(cfs_rq, delta_exec);
728 }
729
730 static void update_curr_fair(struct rq *rq)
731 {
732         update_curr(cfs_rq_of(&rq->curr->se));
733 }
734
735 static inline void
736 update_stats_wait_start(struct cfs_rq *cfs_rq, struct sched_entity *se)
737 {
738         schedstat_set(se->statistics.wait_start, rq_clock(rq_of(cfs_rq)));
739 }
740
741 /*
742  * Task is being enqueued - update stats:
743  */
744 static void update_stats_enqueue(struct cfs_rq *cfs_rq, struct sched_entity *se)
745 {
746         /*
747          * Are we enqueueing a waiting task? (for current tasks
748          * a dequeue/enqueue event is a NOP)
749          */
750         if (se != cfs_rq->curr)
751                 update_stats_wait_start(cfs_rq, se);
752 }
753
754 static void
755 update_stats_wait_end(struct cfs_rq *cfs_rq, struct sched_entity *se)
756 {
757         schedstat_set(se->statistics.wait_max, max(se->statistics.wait_max,
758                         rq_clock(rq_of(cfs_rq)) - se->statistics.wait_start));
759         schedstat_set(se->statistics.wait_count, se->statistics.wait_count + 1);
760         schedstat_set(se->statistics.wait_sum, se->statistics.wait_sum +
761                         rq_clock(rq_of(cfs_rq)) - se->statistics.wait_start);
762 #ifdef CONFIG_SCHEDSTATS
763         if (entity_is_task(se)) {
764                 trace_sched_stat_wait(task_of(se),
765                         rq_clock(rq_of(cfs_rq)) - se->statistics.wait_start);
766         }
767 #endif
768         schedstat_set(se->statistics.wait_start, 0);
769 }
770
771 static inline void
772 update_stats_dequeue(struct cfs_rq *cfs_rq, struct sched_entity *se)
773 {
774         /*
775          * Mark the end of the wait period if dequeueing a
776          * waiting task:
777          */
778         if (se != cfs_rq->curr)
779                 update_stats_wait_end(cfs_rq, se);
780 }
781
782 /*
783  * We are picking a new current task - update its stats:
784  */
785 static inline void
786 update_stats_curr_start(struct cfs_rq *cfs_rq, struct sched_entity *se)
787 {
788         /*
789          * We are starting a new run period:
790          */
791         se->exec_start = rq_clock_task(rq_of(cfs_rq));
792 }
793
794 /**************************************************
795  * Scheduling class queueing methods:
796  */
797
798 #ifdef CONFIG_NUMA_BALANCING
799 /*
800  * Approximate time to scan a full NUMA task in ms. The task scan period is
801  * calculated based on the tasks virtual memory size and
802  * numa_balancing_scan_size.
803  */
804 unsigned int sysctl_numa_balancing_scan_period_min = 1000;
805 unsigned int sysctl_numa_balancing_scan_period_max = 60000;
806
807 /* Portion of address space to scan in MB */
808 unsigned int sysctl_numa_balancing_scan_size = 256;
809
810 /* Scan @scan_size MB every @scan_period after an initial @scan_delay in ms */
811 unsigned int sysctl_numa_balancing_scan_delay = 1000;
812
813 static unsigned int task_nr_scan_windows(struct task_struct *p)
814 {
815         unsigned long rss = 0;
816         unsigned long nr_scan_pages;
817
818         /*
819          * Calculations based on RSS as non-present and empty pages are skipped
820          * by the PTE scanner and NUMA hinting faults should be trapped based
821          * on resident pages
822          */
823         nr_scan_pages = sysctl_numa_balancing_scan_size << (20 - PAGE_SHIFT);
824         rss = get_mm_rss(p->mm);
825         if (!rss)
826                 rss = nr_scan_pages;
827
828         rss = round_up(rss, nr_scan_pages);
829         return rss / nr_scan_pages;
830 }
831
832 /* For sanitys sake, never scan more PTEs than MAX_SCAN_WINDOW MB/sec. */
833 #define MAX_SCAN_WINDOW 2560
834
835 static unsigned int task_scan_min(struct task_struct *p)
836 {
837         unsigned int scan_size = READ_ONCE(sysctl_numa_balancing_scan_size);
838         unsigned int scan, floor;
839         unsigned int windows = 1;
840
841         if (scan_size < MAX_SCAN_WINDOW)
842                 windows = MAX_SCAN_WINDOW / scan_size;
843         floor = 1000 / windows;
844
845         scan = sysctl_numa_balancing_scan_period_min / task_nr_scan_windows(p);
846         return max_t(unsigned int, floor, scan);
847 }
848
849 static unsigned int task_scan_max(struct task_struct *p)
850 {
851         unsigned int smin = task_scan_min(p);
852         unsigned int smax;
853
854         /* Watch for min being lower than max due to floor calculations */
855         smax = sysctl_numa_balancing_scan_period_max / task_nr_scan_windows(p);
856         return max(smin, smax);
857 }
858
859 static void account_numa_enqueue(struct rq *rq, struct task_struct *p)
860 {
861         rq->nr_numa_running += (p->numa_preferred_nid != -1);
862         rq->nr_preferred_running += (p->numa_preferred_nid == task_node(p));
863 }
864
865 static void account_numa_dequeue(struct rq *rq, struct task_struct *p)
866 {
867         rq->nr_numa_running -= (p->numa_preferred_nid != -1);
868         rq->nr_preferred_running -= (p->numa_preferred_nid == task_node(p));
869 }
870
871 struct numa_group {
872         atomic_t refcount;
873
874         spinlock_t lock; /* nr_tasks, tasks */
875         int nr_tasks;
876         pid_t gid;
877
878         struct rcu_head rcu;
879         nodemask_t active_nodes;
880         unsigned long total_faults;
881         /*
882          * Faults_cpu is used to decide whether memory should move
883          * towards the CPU. As a consequence, these stats are weighted
884          * more by CPU use than by memory faults.
885          */
886         unsigned long *faults_cpu;
887         unsigned long faults[0];
888 };
889
890 /* Shared or private faults. */
891 #define NR_NUMA_HINT_FAULT_TYPES 2
892
893 /* Memory and CPU locality */
894 #define NR_NUMA_HINT_FAULT_STATS (NR_NUMA_HINT_FAULT_TYPES * 2)
895
896 /* Averaged statistics, and temporary buffers. */
897 #define NR_NUMA_HINT_FAULT_BUCKETS (NR_NUMA_HINT_FAULT_STATS * 2)
898
899 pid_t task_numa_group_id(struct task_struct *p)
900 {
901         return p->numa_group ? p->numa_group->gid : 0;
902 }
903
904 /*
905  * The averaged statistics, shared & private, memory & cpu,
906  * occupy the first half of the array. The second half of the
907  * array is for current counters, which are averaged into the
908  * first set by task_numa_placement.
909  */
910 static inline int task_faults_idx(enum numa_faults_stats s, int nid, int priv)
911 {
912         return NR_NUMA_HINT_FAULT_TYPES * (s * nr_node_ids + nid) + priv;
913 }
914
915 static inline unsigned long task_faults(struct task_struct *p, int nid)
916 {
917         if (!p->numa_faults)
918                 return 0;
919
920         return p->numa_faults[task_faults_idx(NUMA_MEM, nid, 0)] +
921                 p->numa_faults[task_faults_idx(NUMA_MEM, nid, 1)];
922 }
923
924 static inline unsigned long group_faults(struct task_struct *p, int nid)
925 {
926         if (!p->numa_group)
927                 return 0;
928
929         return p->numa_group->faults[task_faults_idx(NUMA_MEM, nid, 0)] +
930                 p->numa_group->faults[task_faults_idx(NUMA_MEM, nid, 1)];
931 }
932
933 static inline unsigned long group_faults_cpu(struct numa_group *group, int nid)
934 {
935         return group->faults_cpu[task_faults_idx(NUMA_MEM, nid, 0)] +
936                 group->faults_cpu[task_faults_idx(NUMA_MEM, nid, 1)];
937 }
938
939 /* Handle placement on systems where not all nodes are directly connected. */
940 static unsigned long score_nearby_nodes(struct task_struct *p, int nid,
941                                         int maxdist, bool task)
942 {
943         unsigned long score = 0;
944         int node;
945
946         /*
947          * All nodes are directly connected, and the same distance
948          * from each other. No need for fancy placement algorithms.
949          */
950         if (sched_numa_topology_type == NUMA_DIRECT)
951                 return 0;
952
953         /*
954          * This code is called for each node, introducing N^2 complexity,
955          * which should be ok given the number of nodes rarely exceeds 8.
956          */
957         for_each_online_node(node) {
958                 unsigned long faults;
959                 int dist = node_distance(nid, node);
960
961                 /*
962                  * The furthest away nodes in the system are not interesting
963                  * for placement; nid was already counted.
964                  */
965                 if (dist == sched_max_numa_distance || node == nid)
966                         continue;
967
968                 /*
969                  * On systems with a backplane NUMA topology, compare groups
970                  * of nodes, and move tasks towards the group with the most
971                  * memory accesses. When comparing two nodes at distance
972                  * "hoplimit", only nodes closer by than "hoplimit" are part
973                  * of each group. Skip other nodes.
974                  */
975                 if (sched_numa_topology_type == NUMA_BACKPLANE &&
976                                         dist > maxdist)
977                         continue;
978
979                 /* Add up the faults from nearby nodes. */
980                 if (task)
981                         faults = task_faults(p, node);
982                 else
983                         faults = group_faults(p, node);
984
985                 /*
986                  * On systems with a glueless mesh NUMA topology, there are
987                  * no fixed "groups of nodes". Instead, nodes that are not
988                  * directly connected bounce traffic through intermediate
989                  * nodes; a numa_group can occupy any set of nodes.
990                  * The further away a node is, the less the faults count.
991                  * This seems to result in good task placement.
992                  */
993                 if (sched_numa_topology_type == NUMA_GLUELESS_MESH) {
994                         faults *= (sched_max_numa_distance - dist);
995                         faults /= (sched_max_numa_distance - LOCAL_DISTANCE);
996                 }
997
998                 score += faults;
999         }
1000
1001         return score;
1002 }
1003
1004 /*
1005  * These return the fraction of accesses done by a particular task, or
1006  * task group, on a particular numa node.  The group weight is given a
1007  * larger multiplier, in order to group tasks together that are almost
1008  * evenly spread out between numa nodes.
1009  */
1010 static inline unsigned long task_weight(struct task_struct *p, int nid,
1011                                         int dist)
1012 {
1013         unsigned long faults, total_faults;
1014
1015         if (!p->numa_faults)
1016                 return 0;
1017
1018         total_faults = p->total_numa_faults;
1019
1020         if (!total_faults)
1021                 return 0;
1022
1023         faults = task_faults(p, nid);
1024         faults += score_nearby_nodes(p, nid, dist, true);
1025
1026         return 1000 * faults / total_faults;
1027 }
1028
1029 static inline unsigned long group_weight(struct task_struct *p, int nid,
1030                                          int dist)
1031 {
1032         unsigned long faults, total_faults;
1033
1034         if (!p->numa_group)
1035                 return 0;
1036
1037         total_faults = p->numa_group->total_faults;
1038
1039         if (!total_faults)
1040                 return 0;
1041
1042         faults = group_faults(p, nid);
1043         faults += score_nearby_nodes(p, nid, dist, false);
1044
1045         return 1000 * faults / total_faults;
1046 }
1047
1048 bool should_numa_migrate_memory(struct task_struct *p, struct page * page,
1049                                 int src_nid, int dst_cpu)
1050 {
1051         struct numa_group *ng = p->numa_group;
1052         int dst_nid = cpu_to_node(dst_cpu);
1053         int last_cpupid, this_cpupid;
1054
1055         this_cpupid = cpu_pid_to_cpupid(dst_cpu, current->pid);
1056
1057         /*
1058          * Multi-stage node selection is used in conjunction with a periodic
1059          * migration fault to build a temporal task<->page relation. By using
1060          * a two-stage filter we remove short/unlikely relations.
1061          *
1062          * Using P(p) ~ n_p / n_t as per frequentist probability, we can equate
1063          * a task's usage of a particular page (n_p) per total usage of this
1064          * page (n_t) (in a given time-span) to a probability.
1065          *
1066          * Our periodic faults will sample this probability and getting the
1067          * same result twice in a row, given these samples are fully
1068          * independent, is then given by P(n)^2, provided our sample period
1069          * is sufficiently short compared to the usage pattern.
1070          *
1071          * This quadric squishes small probabilities, making it less likely we
1072          * act on an unlikely task<->page relation.
1073          */
1074         last_cpupid = page_cpupid_xchg_last(page, this_cpupid);
1075         if (!cpupid_pid_unset(last_cpupid) &&
1076                                 cpupid_to_nid(last_cpupid) != dst_nid)
1077                 return false;
1078
1079         /* Always allow migrate on private faults */
1080         if (cpupid_match_pid(p, last_cpupid))
1081                 return true;
1082
1083         /* A shared fault, but p->numa_group has not been set up yet. */
1084         if (!ng)
1085                 return true;
1086
1087         /*
1088          * Do not migrate if the destination is not a node that
1089          * is actively used by this numa group.
1090          */
1091         if (!node_isset(dst_nid, ng->active_nodes))
1092                 return false;
1093
1094         /*
1095          * Source is a node that is not actively used by this
1096          * numa group, while the destination is. Migrate.
1097          */
1098         if (!node_isset(src_nid, ng->active_nodes))
1099                 return true;
1100
1101         /*
1102          * Both source and destination are nodes in active
1103          * use by this numa group. Maximize memory bandwidth
1104          * by migrating from more heavily used groups, to less
1105          * heavily used ones, spreading the load around.
1106          * Use a 1/4 hysteresis to avoid spurious page movement.
1107          */
1108         return group_faults(p, dst_nid) < (group_faults(p, src_nid) * 3 / 4);
1109 }
1110
1111 static unsigned long weighted_cpuload(const int cpu);
1112 static unsigned long source_load(int cpu, int type);
1113 static unsigned long target_load(int cpu, int type);
1114 static unsigned long capacity_of(int cpu);
1115 static long effective_load(struct task_group *tg, int cpu, long wl, long wg);
1116
1117 /* Cached statistics for all CPUs within a node */
1118 struct numa_stats {
1119         unsigned long nr_running;
1120         unsigned long load;
1121
1122         /* Total compute capacity of CPUs on a node */
1123         unsigned long compute_capacity;
1124
1125         /* Approximate capacity in terms of runnable tasks on a node */
1126         unsigned long task_capacity;
1127         int has_free_capacity;
1128 };
1129
1130 /*
1131  * XXX borrowed from update_sg_lb_stats
1132  */
1133 static void update_numa_stats(struct numa_stats *ns, int nid)
1134 {
1135         int smt, cpu, cpus = 0;
1136         unsigned long capacity;
1137
1138         memset(ns, 0, sizeof(*ns));
1139         for_each_cpu(cpu, cpumask_of_node(nid)) {
1140                 struct rq *rq = cpu_rq(cpu);
1141
1142                 ns->nr_running += rq->nr_running;
1143                 ns->load += weighted_cpuload(cpu);
1144                 ns->compute_capacity += capacity_of(cpu);
1145
1146                 cpus++;
1147         }
1148
1149         /*
1150          * If we raced with hotplug and there are no CPUs left in our mask
1151          * the @ns structure is NULL'ed and task_numa_compare() will
1152          * not find this node attractive.
1153          *
1154          * We'll either bail at !has_free_capacity, or we'll detect a huge
1155          * imbalance and bail there.
1156          */
1157         if (!cpus)
1158                 return;
1159
1160         /* smt := ceil(cpus / capacity), assumes: 1 < smt_power < 2 */
1161         smt = DIV_ROUND_UP(SCHED_CAPACITY_SCALE * cpus, ns->compute_capacity);
1162         capacity = cpus / smt; /* cores */
1163
1164         ns->task_capacity = min_t(unsigned, capacity,
1165                 DIV_ROUND_CLOSEST(ns->compute_capacity, SCHED_CAPACITY_SCALE));
1166         ns->has_free_capacity = (ns->nr_running < ns->task_capacity);
1167 }
1168
1169 struct task_numa_env {
1170         struct task_struct *p;
1171
1172         int src_cpu, src_nid;
1173         int dst_cpu, dst_nid;
1174
1175         struct numa_stats src_stats, dst_stats;
1176
1177         int imbalance_pct;
1178         int dist;
1179
1180         struct task_struct *best_task;
1181         long best_imp;
1182         int best_cpu;
1183 };
1184
1185 static void task_numa_assign(struct task_numa_env *env,
1186                              struct task_struct *p, long imp)
1187 {
1188         if (env->best_task)
1189                 put_task_struct(env->best_task);
1190         if (p)
1191                 get_task_struct(p);
1192
1193         env->best_task = p;
1194         env->best_imp = imp;
1195         env->best_cpu = env->dst_cpu;
1196 }
1197
1198 static bool load_too_imbalanced(long src_load, long dst_load,
1199                                 struct task_numa_env *env)
1200 {
1201         long imb, old_imb;
1202         long orig_src_load, orig_dst_load;
1203         long src_capacity, dst_capacity;
1204
1205         /*
1206          * The load is corrected for the CPU capacity available on each node.
1207          *
1208          * src_load        dst_load
1209          * ------------ vs ---------
1210          * src_capacity    dst_capacity
1211          */
1212         src_capacity = env->src_stats.compute_capacity;
1213         dst_capacity = env->dst_stats.compute_capacity;
1214
1215         /* We care about the slope of the imbalance, not the direction. */
1216         if (dst_load < src_load)
1217                 swap(dst_load, src_load);
1218
1219         /* Is the difference below the threshold? */
1220         imb = dst_load * src_capacity * 100 -
1221               src_load * dst_capacity * env->imbalance_pct;
1222         if (imb <= 0)
1223                 return false;
1224
1225         /*
1226          * The imbalance is above the allowed threshold.
1227          * Compare it with the old imbalance.
1228          */
1229         orig_src_load = env->src_stats.load;
1230         orig_dst_load = env->dst_stats.load;
1231
1232         if (orig_dst_load < orig_src_load)
1233                 swap(orig_dst_load, orig_src_load);
1234
1235         old_imb = orig_dst_load * src_capacity * 100 -
1236                   orig_src_load * dst_capacity * env->imbalance_pct;
1237
1238         /* Would this change make things worse? */
1239         return (imb > old_imb);
1240 }
1241
1242 /*
1243  * This checks if the overall compute and NUMA accesses of the system would
1244  * be improved if the source tasks was migrated to the target dst_cpu taking
1245  * into account that it might be best if task running on the dst_cpu should
1246  * be exchanged with the source task
1247  */
1248 static void task_numa_compare(struct task_numa_env *env,
1249                               long taskimp, long groupimp)
1250 {
1251         struct rq *src_rq = cpu_rq(env->src_cpu);
1252         struct rq *dst_rq = cpu_rq(env->dst_cpu);
1253         struct task_struct *cur;
1254         long src_load, dst_load;
1255         long load;
1256         long imp = env->p->numa_group ? groupimp : taskimp;
1257         long moveimp = imp;
1258         int dist = env->dist;
1259
1260         rcu_read_lock();
1261
1262         raw_spin_lock_irq(&dst_rq->lock);
1263         cur = dst_rq->curr;
1264         /*
1265          * No need to move the exiting task, and this ensures that ->curr
1266          * wasn't reaped and thus get_task_struct() in task_numa_assign()
1267          * is safe under RCU read lock.
1268          * Note that rcu_read_lock() itself can't protect from the final
1269          * put_task_struct() after the last schedule().
1270          */
1271         if ((cur->flags & PF_EXITING) || is_idle_task(cur))
1272                 cur = NULL;
1273         raw_spin_unlock_irq(&dst_rq->lock);
1274
1275         /*
1276          * Because we have preemption enabled we can get migrated around and
1277          * end try selecting ourselves (current == env->p) as a swap candidate.
1278          */
1279         if (cur == env->p)
1280                 goto unlock;
1281
1282         /*
1283          * "imp" is the fault differential for the source task between the
1284          * source and destination node. Calculate the total differential for
1285          * the source task and potential destination task. The more negative
1286          * the value is, the more rmeote accesses that would be expected to
1287          * be incurred if the tasks were swapped.
1288          */
1289         if (cur) {
1290                 /* Skip this swap candidate if cannot move to the source cpu */
1291                 if (!cpumask_test_cpu(env->src_cpu, tsk_cpus_allowed(cur)))
1292                         goto unlock;
1293
1294                 /*
1295                  * If dst and source tasks are in the same NUMA group, or not
1296                  * in any group then look only at task weights.
1297                  */
1298                 if (cur->numa_group == env->p->numa_group) {
1299                         imp = taskimp + task_weight(cur, env->src_nid, dist) -
1300                               task_weight(cur, env->dst_nid, dist);
1301                         /*
1302                          * Add some hysteresis to prevent swapping the
1303                          * tasks within a group over tiny differences.
1304                          */
1305                         if (cur->numa_group)
1306                                 imp -= imp/16;
1307                 } else {
1308                         /*
1309                          * Compare the group weights. If a task is all by
1310                          * itself (not part of a group), use the task weight
1311                          * instead.
1312                          */
1313                         if (cur->numa_group)
1314                                 imp += group_weight(cur, env->src_nid, dist) -
1315                                        group_weight(cur, env->dst_nid, dist);
1316                         else
1317                                 imp += task_weight(cur, env->src_nid, dist) -
1318                                        task_weight(cur, env->dst_nid, dist);
1319                 }
1320         }
1321
1322         if (imp <= env->best_imp && moveimp <= env->best_imp)
1323                 goto unlock;
1324
1325         if (!cur) {
1326                 /* Is there capacity at our destination? */
1327                 if (env->src_stats.nr_running <= env->src_stats.task_capacity &&
1328                     !env->dst_stats.has_free_capacity)
1329                         goto unlock;
1330
1331                 goto balance;
1332         }
1333
1334         /* Balance doesn't matter much if we're running a task per cpu */
1335         if (imp > env->best_imp && src_rq->nr_running == 1 &&
1336                         dst_rq->nr_running == 1)
1337                 goto assign;
1338
1339         /*
1340          * In the overloaded case, try and keep the load balanced.
1341          */
1342 balance:
1343         load = task_h_load(env->p);
1344         dst_load = env->dst_stats.load + load;
1345         src_load = env->src_stats.load - load;
1346
1347         if (moveimp > imp && moveimp > env->best_imp) {
1348                 /*
1349                  * If the improvement from just moving env->p direction is
1350                  * better than swapping tasks around, check if a move is
1351                  * possible. Store a slightly smaller score than moveimp,
1352                  * so an actually idle CPU will win.
1353                  */
1354                 if (!load_too_imbalanced(src_load, dst_load, env)) {
1355                         imp = moveimp - 1;
1356                         cur = NULL;
1357                         goto assign;
1358                 }
1359         }
1360
1361         if (imp <= env->best_imp)
1362                 goto unlock;
1363
1364         if (cur) {
1365                 load = task_h_load(cur);
1366                 dst_load -= load;
1367                 src_load += load;
1368         }
1369
1370         if (load_too_imbalanced(src_load, dst_load, env))
1371                 goto unlock;
1372
1373         /*
1374          * One idle CPU per node is evaluated for a task numa move.
1375          * Call select_idle_sibling to maybe find a better one.
1376          */
1377         if (!cur)
1378                 env->dst_cpu = select_idle_sibling(env->p, env->dst_cpu);
1379
1380 assign:
1381         task_numa_assign(env, cur, imp);
1382 unlock:
1383         rcu_read_unlock();
1384 }
1385
1386 static void task_numa_find_cpu(struct task_numa_env *env,
1387                                 long taskimp, long groupimp)
1388 {
1389         int cpu;
1390
1391         for_each_cpu(cpu, cpumask_of_node(env->dst_nid)) {
1392                 /* Skip this CPU if the source task cannot migrate */
1393                 if (!cpumask_test_cpu(cpu, tsk_cpus_allowed(env->p)))
1394                         continue;
1395
1396                 env->dst_cpu = cpu;
1397                 task_numa_compare(env, taskimp, groupimp);
1398         }
1399 }
1400
1401 /* Only move tasks to a NUMA node less busy than the current node. */
1402 static bool numa_has_capacity(struct task_numa_env *env)
1403 {
1404         struct numa_stats *src = &env->src_stats;
1405         struct numa_stats *dst = &env->dst_stats;
1406
1407         if (src->has_free_capacity && !dst->has_free_capacity)
1408                 return false;
1409
1410         /*
1411          * Only consider a task move if the source has a higher load
1412          * than the destination, corrected for CPU capacity on each node.
1413          *
1414          *      src->load                dst->load
1415          * --------------------- vs ---------------------
1416          * src->compute_capacity    dst->compute_capacity
1417          */
1418         if (src->load * dst->compute_capacity >
1419             dst->load * src->compute_capacity)
1420                 return true;
1421
1422         return false;
1423 }
1424
1425 static int task_numa_migrate(struct task_struct *p)
1426 {
1427         struct task_numa_env env = {
1428                 .p = p,
1429
1430                 .src_cpu = task_cpu(p),
1431                 .src_nid = task_node(p),
1432
1433                 .imbalance_pct = 112,
1434
1435                 .best_task = NULL,
1436                 .best_imp = 0,
1437                 .best_cpu = -1
1438         };
1439         struct sched_domain *sd;
1440         unsigned long taskweight, groupweight;
1441         int nid, ret, dist;
1442         long taskimp, groupimp;
1443
1444         /*
1445          * Pick the lowest SD_NUMA domain, as that would have the smallest
1446          * imbalance and would be the first to start moving tasks about.
1447          *
1448          * And we want to avoid any moving of tasks about, as that would create
1449          * random movement of tasks -- counter the numa conditions we're trying
1450          * to satisfy here.
1451          */
1452         rcu_read_lock();
1453         sd = rcu_dereference(per_cpu(sd_numa, env.src_cpu));
1454         if (sd)
1455                 env.imbalance_pct = 100 + (sd->imbalance_pct - 100) / 2;
1456         rcu_read_unlock();
1457
1458         /*
1459          * Cpusets can break the scheduler domain tree into smaller
1460          * balance domains, some of which do not cross NUMA boundaries.
1461          * Tasks that are "trapped" in such domains cannot be migrated
1462          * elsewhere, so there is no point in (re)trying.
1463          */
1464         if (unlikely(!sd)) {
1465                 p->numa_preferred_nid = task_node(p);
1466                 return -EINVAL;
1467         }
1468
1469         env.dst_nid = p->numa_preferred_nid;
1470         dist = env.dist = node_distance(env.src_nid, env.dst_nid);
1471         taskweight = task_weight(p, env.src_nid, dist);
1472         groupweight = group_weight(p, env.src_nid, dist);
1473         update_numa_stats(&env.src_stats, env.src_nid);
1474         taskimp = task_weight(p, env.dst_nid, dist) - taskweight;
1475         groupimp = group_weight(p, env.dst_nid, dist) - groupweight;
1476         update_numa_stats(&env.dst_stats, env.dst_nid);
1477
1478         /* Try to find a spot on the preferred nid. */
1479         if (numa_has_capacity(&env))
1480                 task_numa_find_cpu(&env, taskimp, groupimp);
1481
1482         /*
1483          * Look at other nodes in these cases:
1484          * - there is no space available on the preferred_nid
1485          * - the task is part of a numa_group that is interleaved across
1486          *   multiple NUMA nodes; in order to better consolidate the group,
1487          *   we need to check other locations.
1488          */
1489         if (env.best_cpu == -1 || (p->numa_group &&
1490                         nodes_weight(p->numa_group->active_nodes) > 1)) {
1491                 for_each_online_node(nid) {
1492                         if (nid == env.src_nid || nid == p->numa_preferred_nid)
1493                                 continue;
1494
1495                         dist = node_distance(env.src_nid, env.dst_nid);
1496                         if (sched_numa_topology_type == NUMA_BACKPLANE &&
1497                                                 dist != env.dist) {
1498                                 taskweight = task_weight(p, env.src_nid, dist);
1499                                 groupweight = group_weight(p, env.src_nid, dist);
1500                         }
1501
1502                         /* Only consider nodes where both task and groups benefit */
1503                         taskimp = task_weight(p, nid, dist) - taskweight;
1504                         groupimp = group_weight(p, nid, dist) - groupweight;
1505                         if (taskimp < 0 && groupimp < 0)
1506                                 continue;
1507
1508                         env.dist = dist;
1509                         env.dst_nid = nid;
1510                         update_numa_stats(&env.dst_stats, env.dst_nid);
1511                         if (numa_has_capacity(&env))
1512                                 task_numa_find_cpu(&env, taskimp, groupimp);
1513                 }
1514         }
1515
1516         /*
1517          * If the task is part of a workload that spans multiple NUMA nodes,
1518          * and is migrating into one of the workload's active nodes, remember
1519          * this node as the task's preferred numa node, so the workload can
1520          * settle down.
1521          * A task that migrated to a second choice node will be better off
1522          * trying for a better one later. Do not set the preferred node here.
1523          */
1524         if (p->numa_group) {
1525                 if (env.best_cpu == -1)
1526                         nid = env.src_nid;
1527                 else
1528                         nid = env.dst_nid;
1529
1530                 if (node_isset(nid, p->numa_group->active_nodes))
1531                         sched_setnuma(p, env.dst_nid);
1532         }
1533
1534         /* No better CPU than the current one was found. */
1535         if (env.best_cpu == -1)
1536                 return -EAGAIN;
1537
1538         /*
1539          * Reset the scan period if the task is being rescheduled on an
1540          * alternative node to recheck if the tasks is now properly placed.
1541          */
1542         p->numa_scan_period = task_scan_min(p);
1543
1544         if (env.best_task == NULL) {
1545                 ret = migrate_task_to(p, env.best_cpu);
1546                 if (ret != 0)
1547                         trace_sched_stick_numa(p, env.src_cpu, env.best_cpu);
1548                 return ret;
1549         }
1550
1551         ret = migrate_swap(p, env.best_task);
1552         if (ret != 0)
1553                 trace_sched_stick_numa(p, env.src_cpu, task_cpu(env.best_task));
1554         put_task_struct(env.best_task);
1555         return ret;
1556 }
1557
1558 /* Attempt to migrate a task to a CPU on the preferred node. */
1559 static void numa_migrate_preferred(struct task_struct *p)
1560 {
1561         unsigned long interval = HZ;
1562
1563         /* This task has no NUMA fault statistics yet */
1564         if (unlikely(p->numa_preferred_nid == -1 || !p->numa_faults))
1565                 return;
1566
1567         /* Periodically retry migrating the task to the preferred node */
1568         interval = min(interval, msecs_to_jiffies(p->numa_scan_period) / 16);
1569         p->numa_migrate_retry = jiffies + interval;
1570
1571         /* Success if task is already running on preferred CPU */
1572         if (task_node(p) == p->numa_preferred_nid)
1573                 return;
1574
1575         /* Otherwise, try migrate to a CPU on the preferred node */
1576         task_numa_migrate(p);
1577 }
1578
1579 /*
1580  * Find the nodes on which the workload is actively running. We do this by
1581  * tracking the nodes from which NUMA hinting faults are triggered. This can
1582  * be different from the set of nodes where the workload's memory is currently
1583  * located.
1584  *
1585  * The bitmask is used to make smarter decisions on when to do NUMA page
1586  * migrations, To prevent flip-flopping, and excessive page migrations, nodes
1587  * are added when they cause over 6/16 of the maximum number of faults, but
1588  * only removed when they drop below 3/16.
1589  */
1590 static void update_numa_active_node_mask(struct numa_group *numa_group)
1591 {
1592         unsigned long faults, max_faults = 0;
1593         int nid;
1594
1595         for_each_online_node(nid) {
1596                 faults = group_faults_cpu(numa_group, nid);
1597                 if (faults > max_faults)
1598                         max_faults = faults;
1599         }
1600
1601         for_each_online_node(nid) {
1602                 faults = group_faults_cpu(numa_group, nid);
1603                 if (!node_isset(nid, numa_group->active_nodes)) {
1604                         if (faults > max_faults * 6 / 16)
1605                                 node_set(nid, numa_group->active_nodes);
1606                 } else if (faults < max_faults * 3 / 16)
1607                         node_clear(nid, numa_group->active_nodes);
1608         }
1609 }
1610
1611 /*
1612  * When adapting the scan rate, the period is divided into NUMA_PERIOD_SLOTS
1613  * increments. The more local the fault statistics are, the higher the scan
1614  * period will be for the next scan window. If local/(local+remote) ratio is
1615  * below NUMA_PERIOD_THRESHOLD (where range of ratio is 1..NUMA_PERIOD_SLOTS)
1616  * the scan period will decrease. Aim for 70% local accesses.
1617  */
1618 #define NUMA_PERIOD_SLOTS 10
1619 #define NUMA_PERIOD_THRESHOLD 7
1620
1621 /*
1622  * Increase the scan period (slow down scanning) if the majority of
1623  * our memory is already on our local node, or if the majority of
1624  * the page accesses are shared with other processes.
1625  * Otherwise, decrease the scan period.
1626  */
1627 static void update_task_scan_period(struct task_struct *p,
1628                         unsigned long shared, unsigned long private)
1629 {
1630         unsigned int period_slot;
1631         int ratio;
1632         int diff;
1633
1634         unsigned long remote = p->numa_faults_locality[0];
1635         unsigned long local = p->numa_faults_locality[1];
1636
1637         /*
1638          * If there were no record hinting faults then either the task is
1639          * completely idle or all activity is areas that are not of interest
1640          * to automatic numa balancing. Related to that, if there were failed
1641          * migration then it implies we are migrating too quickly or the local
1642          * node is overloaded. In either case, scan slower
1643          */
1644         if (local + shared == 0 || p->numa_faults_locality[2]) {
1645                 p->numa_scan_period = min(p->numa_scan_period_max,
1646                         p->numa_scan_period << 1);
1647
1648                 p->mm->numa_next_scan = jiffies +
1649                         msecs_to_jiffies(p->numa_scan_period);
1650
1651                 return;
1652         }
1653
1654         /*
1655          * Prepare to scale scan period relative to the current period.
1656          *       == NUMA_PERIOD_THRESHOLD scan period stays the same
1657          *       <  NUMA_PERIOD_THRESHOLD scan period decreases (scan faster)
1658          *       >= NUMA_PERIOD_THRESHOLD scan period increases (scan slower)
1659          */
1660         period_slot = DIV_ROUND_UP(p->numa_scan_period, NUMA_PERIOD_SLOTS);
1661         ratio = (local * NUMA_PERIOD_SLOTS) / (local + remote);
1662         if (ratio >= NUMA_PERIOD_THRESHOLD) {
1663                 int slot = ratio - NUMA_PERIOD_THRESHOLD;
1664                 if (!slot)
1665                         slot = 1;
1666                 diff = slot * period_slot;
1667         } else {
1668                 diff = -(NUMA_PERIOD_THRESHOLD - ratio) * period_slot;
1669
1670                 /*
1671                  * Scale scan rate increases based on sharing. There is an
1672                  * inverse relationship between the degree of sharing and
1673                  * the adjustment made to the scanning period. Broadly
1674                  * speaking the intent is that there is little point
1675                  * scanning faster if shared accesses dominate as it may
1676                  * simply bounce migrations uselessly
1677                  */
1678                 ratio = DIV_ROUND_UP(private * NUMA_PERIOD_SLOTS, (private + shared + 1));
1679                 diff = (diff * ratio) / NUMA_PERIOD_SLOTS;
1680         }
1681
1682         p->numa_scan_period = clamp(p->numa_scan_period + diff,
1683                         task_scan_min(p), task_scan_max(p));
1684         memset(p->numa_faults_locality, 0, sizeof(p->numa_faults_locality));
1685 }
1686
1687 /*
1688  * Get the fraction of time the task has been running since the last
1689  * NUMA placement cycle. The scheduler keeps similar statistics, but
1690  * decays those on a 32ms period, which is orders of magnitude off
1691  * from the dozens-of-seconds NUMA balancing period. Use the scheduler
1692  * stats only if the task is so new there are no NUMA statistics yet.
1693  */
1694 static u64 numa_get_avg_runtime(struct task_struct *p, u64 *period)
1695 {
1696         u64 runtime, delta, now;
1697         /* Use the start of this time slice to avoid calculations. */
1698         now = p->se.exec_start;
1699         runtime = p->se.sum_exec_runtime;
1700
1701         if (p->last_task_numa_placement) {
1702                 delta = runtime - p->last_sum_exec_runtime;
1703                 *period = now - p->last_task_numa_placement;
1704         } else {
1705                 delta = p->se.avg.runnable_avg_sum;
1706                 *period = p->se.avg.avg_period;
1707         }
1708
1709         p->last_sum_exec_runtime = runtime;
1710         p->last_task_numa_placement = now;
1711
1712         return delta;
1713 }
1714
1715 /*
1716  * Determine the preferred nid for a task in a numa_group. This needs to
1717  * be done in a way that produces consistent results with group_weight,
1718  * otherwise workloads might not converge.
1719  */
1720 static int preferred_group_nid(struct task_struct *p, int nid)
1721 {
1722         nodemask_t nodes;
1723         int dist;
1724
1725         /* Direct connections between all NUMA nodes. */
1726         if (sched_numa_topology_type == NUMA_DIRECT)
1727                 return nid;
1728
1729         /*
1730          * On a system with glueless mesh NUMA topology, group_weight
1731          * scores nodes according to the number of NUMA hinting faults on
1732          * both the node itself, and on nearby nodes.
1733          */
1734         if (sched_numa_topology_type == NUMA_GLUELESS_MESH) {
1735                 unsigned long score, max_score = 0;
1736                 int node, max_node = nid;
1737
1738                 dist = sched_max_numa_distance;
1739
1740                 for_each_online_node(node) {
1741                         score = group_weight(p, node, dist);
1742                         if (score > max_score) {
1743                                 max_score = score;
1744                                 max_node = node;
1745                         }
1746                 }
1747                 return max_node;
1748         }
1749
1750         /*
1751          * Finding the preferred nid in a system with NUMA backplane
1752          * interconnect topology is more involved. The goal is to locate
1753          * tasks from numa_groups near each other in the system, and
1754          * untangle workloads from different sides of the system. This requires
1755          * searching down the hierarchy of node groups, recursively searching
1756          * inside the highest scoring group of nodes. The nodemask tricks
1757          * keep the complexity of the search down.
1758          */
1759         nodes = node_online_map;
1760         for (dist = sched_max_numa_distance; dist > LOCAL_DISTANCE; dist--) {
1761                 unsigned long max_faults = 0;
1762                 nodemask_t max_group = NODE_MASK_NONE;
1763                 int a, b;
1764
1765                 /* Are there nodes at this distance from each other? */
1766                 if (!find_numa_distance(dist))
1767                         continue;
1768
1769                 for_each_node_mask(a, nodes) {
1770                         unsigned long faults = 0;
1771                         nodemask_t this_group;
1772                         nodes_clear(this_group);
1773
1774                         /* Sum group's NUMA faults; includes a==b case. */
1775                         for_each_node_mask(b, nodes) {
1776                                 if (node_distance(a, b) < dist) {
1777                                         faults += group_faults(p, b);
1778                                         node_set(b, this_group);
1779                                         node_clear(b, nodes);
1780                                 }
1781                         }
1782
1783                         /* Remember the top group. */
1784                         if (faults > max_faults) {
1785                                 max_faults = faults;
1786                                 max_group = this_group;
1787                                 /*
1788                                  * subtle: at the smallest distance there is
1789                                  * just one node left in each "group", the
1790                                  * winner is the preferred nid.
1791                                  */
1792                                 nid = a;
1793                         }
1794                 }
1795                 /* Next round, evaluate the nodes within max_group. */
1796                 if (!max_faults)
1797                         break;
1798                 nodes = max_group;
1799         }
1800         return nid;
1801 }
1802
1803 static void task_numa_placement(struct task_struct *p)
1804 {
1805         int seq, nid, max_nid = -1, max_group_nid = -1;
1806         unsigned long max_faults = 0, max_group_faults = 0;
1807         unsigned long fault_types[2] = { 0, 0 };
1808         unsigned long total_faults;
1809         u64 runtime, period;
1810         spinlock_t *group_lock = NULL;
1811
1812         /*
1813          * The p->mm->numa_scan_seq field gets updated without
1814          * exclusive access. Use READ_ONCE() here to ensure
1815          * that the field is read in a single access:
1816          */
1817         seq = READ_ONCE(p->mm->numa_scan_seq);
1818         if (p->numa_scan_seq == seq)
1819                 return;
1820         p->numa_scan_seq = seq;
1821         p->numa_scan_period_max = task_scan_max(p);
1822
1823         total_faults = p->numa_faults_locality[0] +
1824                        p->numa_faults_locality[1];
1825         runtime = numa_get_avg_runtime(p, &period);
1826
1827         /* If the task is part of a group prevent parallel updates to group stats */
1828         if (p->numa_group) {
1829                 group_lock = &p->numa_group->lock;
1830                 spin_lock_irq(group_lock);
1831         }
1832
1833         /* Find the node with the highest number of faults */
1834         for_each_online_node(nid) {
1835                 /* Keep track of the offsets in numa_faults array */
1836                 int mem_idx, membuf_idx, cpu_idx, cpubuf_idx;
1837                 unsigned long faults = 0, group_faults = 0;
1838                 int priv;
1839
1840                 for (priv = 0; priv < NR_NUMA_HINT_FAULT_TYPES; priv++) {
1841                         long diff, f_diff, f_weight;
1842
1843                         mem_idx = task_faults_idx(NUMA_MEM, nid, priv);
1844                         membuf_idx = task_faults_idx(NUMA_MEMBUF, nid, priv);
1845                         cpu_idx = task_faults_idx(NUMA_CPU, nid, priv);
1846                         cpubuf_idx = task_faults_idx(NUMA_CPUBUF, nid, priv);
1847
1848                         /* Decay existing window, copy faults since last scan */
1849                         diff = p->numa_faults[membuf_idx] - p->numa_faults[mem_idx] / 2;
1850                         fault_types[priv] += p->numa_faults[membuf_idx];
1851                         p->numa_faults[membuf_idx] = 0;
1852
1853                         /*
1854                          * Normalize the faults_from, so all tasks in a group
1855                          * count according to CPU use, instead of by the raw
1856                          * number of faults. Tasks with little runtime have
1857                          * little over-all impact on throughput, and thus their
1858                          * faults are less important.
1859                          */
1860                         f_weight = div64_u64(runtime << 16, period + 1);
1861                         f_weight = (f_weight * p->numa_faults[cpubuf_idx]) /
1862                                    (total_faults + 1);
1863                         f_diff = f_weight - p->numa_faults[cpu_idx] / 2;
1864                         p->numa_faults[cpubuf_idx] = 0;
1865
1866                         p->numa_faults[mem_idx] += diff;
1867                         p->numa_faults[cpu_idx] += f_diff;
1868                         faults += p->numa_faults[mem_idx];
1869                         p->total_numa_faults += diff;
1870                         if (p->numa_group) {
1871                                 /*
1872                                  * safe because we can only change our own group
1873                                  *
1874                                  * mem_idx represents the offset for a given
1875                                  * nid and priv in a specific region because it
1876                                  * is at the beginning of the numa_faults array.
1877                                  */
1878                                 p->numa_group->faults[mem_idx] += diff;
1879                                 p->numa_group->faults_cpu[mem_idx] += f_diff;
1880                                 p->numa_group->total_faults += diff;
1881                                 group_faults += p->numa_group->faults[mem_idx];
1882                         }
1883                 }
1884
1885                 if (faults > max_faults) {
1886                         max_faults = faults;
1887                         max_nid = nid;
1888                 }
1889
1890                 if (group_faults > max_group_faults) {
1891                         max_group_faults = group_faults;
1892                         max_group_nid = nid;
1893                 }
1894         }
1895
1896         update_task_scan_period(p, fault_types[0], fault_types[1]);
1897
1898         if (p->numa_group) {
1899                 update_numa_active_node_mask(p->numa_group);
1900                 spin_unlock_irq(group_lock);
1901                 max_nid = preferred_group_nid(p, max_group_nid);
1902         }
1903
1904         if (max_faults) {
1905                 /* Set the new preferred node */
1906                 if (max_nid != p->numa_preferred_nid)
1907                         sched_setnuma(p, max_nid);
1908
1909                 if (task_node(p) != p->numa_preferred_nid)
1910                         numa_migrate_preferred(p);
1911         }
1912 }
1913
1914 static inline int get_numa_group(struct numa_group *grp)
1915 {
1916         return atomic_inc_not_zero(&grp->refcount);
1917 }
1918
1919 static inline void put_numa_group(struct numa_group *grp)
1920 {
1921         if (atomic_dec_and_test(&grp->refcount))
1922                 kfree_rcu(grp, rcu);
1923 }
1924
1925 static void task_numa_group(struct task_struct *p, int cpupid, int flags,
1926                         int *priv)
1927 {
1928         struct numa_group *grp, *my_grp;
1929         struct task_struct *tsk;
1930         bool join = false;
1931         int cpu = cpupid_to_cpu(cpupid);
1932         int i;
1933
1934         if (unlikely(!p->numa_group)) {
1935                 unsigned int size = sizeof(struct numa_group) +
1936                                     4*nr_node_ids*sizeof(unsigned long);
1937
1938                 grp = kzalloc(size, GFP_KERNEL | __GFP_NOWARN);
1939                 if (!grp)
1940                         return;
1941
1942                 atomic_set(&grp->refcount, 1);
1943                 spin_lock_init(&grp->lock);
1944                 grp->gid = p->pid;
1945                 /* Second half of the array tracks nids where faults happen */
1946                 grp->faults_cpu = grp->faults + NR_NUMA_HINT_FAULT_TYPES *
1947                                                 nr_node_ids;
1948
1949                 node_set(task_node(current), grp->active_nodes);
1950
1951                 for (i = 0; i < NR_NUMA_HINT_FAULT_STATS * nr_node_ids; i++)
1952                         grp->faults[i] = p->numa_faults[i];
1953
1954                 grp->total_faults = p->total_numa_faults;
1955
1956                 grp->nr_tasks++;
1957                 rcu_assign_pointer(p->numa_group, grp);
1958         }
1959
1960         rcu_read_lock();
1961         tsk = READ_ONCE(cpu_rq(cpu)->curr);
1962
1963         if (!cpupid_match_pid(tsk, cpupid))
1964                 goto no_join;
1965
1966         grp = rcu_dereference(tsk->numa_group);
1967         if (!grp)
1968                 goto no_join;
1969
1970         my_grp = p->numa_group;
1971         if (grp == my_grp)
1972                 goto no_join;
1973
1974         /*
1975          * Only join the other group if its bigger; if we're the bigger group,
1976          * the other task will join us.
1977          */
1978         if (my_grp->nr_tasks > grp->nr_tasks)
1979                 goto no_join;
1980
1981         /*
1982          * Tie-break on the grp address.
1983          */
1984         if (my_grp->nr_tasks == grp->nr_tasks && my_grp > grp)
1985                 goto no_join;
1986
1987         /* Always join threads in the same process. */
1988         if (tsk->mm == current->mm)
1989                 join = true;
1990
1991         /* Simple filter to avoid false positives due to PID collisions */
1992         if (flags & TNF_SHARED)
1993                 join = true;
1994
1995         /* Update priv based on whether false sharing was detected */
1996         *priv = !join;
1997
1998         if (join && !get_numa_group(grp))
1999                 goto no_join;
2000
2001         rcu_read_unlock();
2002
2003         if (!join)
2004                 return;
2005
2006         BUG_ON(irqs_disabled());
2007         double_lock_irq(&my_grp->lock, &grp->lock);
2008
2009         for (i = 0; i < NR_NUMA_HINT_FAULT_STATS * nr_node_ids; i++) {
2010                 my_grp->faults[i] -= p->numa_faults[i];
2011                 grp->faults[i] += p->numa_faults[i];
2012         }
2013         my_grp->total_faults -= p->total_numa_faults;
2014         grp->total_faults += p->total_numa_faults;
2015
2016         my_grp->nr_tasks--;
2017         grp->nr_tasks++;
2018
2019         spin_unlock(&my_grp->lock);
2020         spin_unlock_irq(&grp->lock);
2021
2022         rcu_assign_pointer(p->numa_group, grp);
2023
2024         put_numa_group(my_grp);
2025         return;
2026
2027 no_join:
2028         rcu_read_unlock();
2029         return;
2030 }
2031
2032 void task_numa_free(struct task_struct *p)
2033 {
2034         struct numa_group *grp = p->numa_group;
2035         void *numa_faults = p->numa_faults;
2036         unsigned long flags;
2037         int i;
2038
2039         if (grp) {
2040                 spin_lock_irqsave(&grp->lock, flags);
2041                 for (i = 0; i < NR_NUMA_HINT_FAULT_STATS * nr_node_ids; i++)
2042                         grp->faults[i] -= p->numa_faults[i];
2043                 grp->total_faults -= p->total_numa_faults;
2044
2045                 grp->nr_tasks--;
2046                 spin_unlock_irqrestore(&grp->lock, flags);
2047                 RCU_INIT_POINTER(p->numa_group, NULL);
2048                 put_numa_group(grp);
2049         }
2050
2051         p->numa_faults = NULL;
2052         kfree(numa_faults);
2053 }
2054
2055 /*
2056  * Got a PROT_NONE fault for a page on @node.
2057  */
2058 void task_numa_fault(int last_cpupid, int mem_node, int pages, int flags)
2059 {
2060         struct task_struct *p = current;
2061         bool migrated = flags & TNF_MIGRATED;
2062         int cpu_node = task_node(current);
2063         int local = !!(flags & TNF_FAULT_LOCAL);
2064         int priv;
2065
2066         if (!numabalancing_enabled)
2067                 return;
2068
2069         /* for example, ksmd faulting in a user's mm */
2070         if (!p->mm)
2071                 return;
2072
2073         /* Allocate buffer to track faults on a per-node basis */
2074         if (unlikely(!p->numa_faults)) {
2075                 int size = sizeof(*p->numa_faults) *
2076                            NR_NUMA_HINT_FAULT_BUCKETS * nr_node_ids;
2077
2078                 p->numa_faults = kzalloc(size, GFP_KERNEL|__GFP_NOWARN);
2079                 if (!p->numa_faults)
2080                         return;
2081
2082                 p->total_numa_faults = 0;
2083                 memset(p->numa_faults_locality, 0, sizeof(p->numa_faults_locality));
2084         }
2085
2086         /*
2087          * First accesses are treated as private, otherwise consider accesses
2088          * to be private if the accessing pid has not changed
2089          */
2090         if (unlikely(last_cpupid == (-1 & LAST_CPUPID_MASK))) {
2091                 priv = 1;
2092         } else {
2093                 priv = cpupid_match_pid(p, last_cpupid);
2094                 if (!priv && !(flags & TNF_NO_GROUP))
2095                         task_numa_group(p, last_cpupid, flags, &priv);
2096         }
2097
2098         /*
2099          * If a workload spans multiple NUMA nodes, a shared fault that
2100          * occurs wholly within the set of nodes that the workload is
2101          * actively using should be counted as local. This allows the
2102          * scan rate to slow down when a workload has settled down.
2103          */
2104         if (!priv && !local && p->numa_group &&
2105                         node_isset(cpu_node, p->numa_group->active_nodes) &&
2106                         node_isset(mem_node, p->numa_group->active_nodes))
2107                 local = 1;
2108
2109         task_numa_placement(p);
2110
2111         /*
2112          * Retry task to preferred node migration periodically, in case it
2113          * case it previously failed, or the scheduler moved us.
2114          */
2115         if (time_after(jiffies, p->numa_migrate_retry))
2116                 numa_migrate_preferred(p);
2117
2118         if (migrated)
2119                 p->numa_pages_migrated += pages;
2120         if (flags & TNF_MIGRATE_FAIL)
2121                 p->numa_faults_locality[2] += pages;
2122
2123         p->numa_faults[task_faults_idx(NUMA_MEMBUF, mem_node, priv)] += pages;
2124         p->numa_faults[task_faults_idx(NUMA_CPUBUF, cpu_node, priv)] += pages;
2125         p->numa_faults_locality[local] += pages;
2126 }
2127
2128 static void reset_ptenuma_scan(struct task_struct *p)
2129 {
2130         /*
2131          * We only did a read acquisition of the mmap sem, so
2132          * p->mm->numa_scan_seq is written to without exclusive access
2133          * and the update is not guaranteed to be atomic. That's not
2134          * much of an issue though, since this is just used for
2135          * statistical sampling. Use READ_ONCE/WRITE_ONCE, which are not
2136          * expensive, to avoid any form of compiler optimizations:
2137          */
2138         WRITE_ONCE(p->mm->numa_scan_seq, READ_ONCE(p->mm->numa_scan_seq) + 1);
2139         p->mm->numa_scan_offset = 0;
2140 }
2141
2142 /*
2143  * The expensive part of numa migration is done from task_work context.
2144  * Triggered from task_tick_numa().
2145  */
2146 void task_numa_work(struct callback_head *work)
2147 {
2148         unsigned long migrate, next_scan, now = jiffies;
2149         struct task_struct *p = current;
2150         struct mm_struct *mm = p->mm;
2151         struct vm_area_struct *vma;
2152         unsigned long start, end;
2153         unsigned long nr_pte_updates = 0;
2154         long pages;
2155
2156         WARN_ON_ONCE(p != container_of(work, struct task_struct, numa_work));
2157
2158         work->next = work; /* protect against double add */
2159         /*
2160          * Who cares about NUMA placement when they're dying.
2161          *
2162          * NOTE: make sure not to dereference p->mm before this check,
2163          * exit_task_work() happens _after_ exit_mm() so we could be called
2164          * without p->mm even though we still had it when we enqueued this
2165          * work.
2166          */
2167         if (p->flags & PF_EXITING)
2168                 return;
2169
2170         if (!mm->numa_next_scan) {
2171                 mm->numa_next_scan = now +
2172                         msecs_to_jiffies(sysctl_numa_balancing_scan_delay);
2173         }
2174
2175         /*
2176          * Enforce maximal scan/migration frequency..
2177          */
2178         migrate = mm->numa_next_scan;
2179         if (time_before(now, migrate))
2180                 return;
2181
2182         if (p->numa_scan_period == 0) {
2183                 p->numa_scan_period_max = task_scan_max(p);
2184                 p->numa_scan_period = task_scan_min(p);
2185         }
2186
2187         next_scan = now + msecs_to_jiffies(p->numa_scan_period);
2188         if (cmpxchg(&mm->numa_next_scan, migrate, next_scan) != migrate)
2189                 return;
2190
2191         /*
2192          * Delay this task enough that another task of this mm will likely win
2193          * the next time around.
2194          */
2195         p->node_stamp += 2 * TICK_NSEC;
2196
2197         start = mm->numa_scan_offset;
2198         pages = sysctl_numa_balancing_scan_size;
2199         pages <<= 20 - PAGE_SHIFT; /* MB in pages */
2200         if (!pages)
2201                 return;
2202
2203         down_read(&mm->mmap_sem);
2204         vma = find_vma(mm, start);
2205         if (!vma) {
2206                 reset_ptenuma_scan(p);
2207                 start = 0;
2208                 vma = mm->mmap;
2209         }
2210         for (; vma; vma = vma->vm_next) {
2211                 if (!vma_migratable(vma) || !vma_policy_mof(vma) ||
2212                         is_vm_hugetlb_page(vma) || (vma->vm_flags & VM_MIXEDMAP)) {
2213                         continue;
2214                 }
2215
2216                 /*
2217                  * Shared library pages mapped by multiple processes are not
2218                  * migrated as it is expected they are cache replicated. Avoid
2219                  * hinting faults in read-only file-backed mappings or the vdso
2220                  * as migrating the pages will be of marginal benefit.
2221                  */
2222                 if (!vma->vm_mm ||
2223                     (vma->vm_file && (vma->vm_flags & (VM_READ|VM_WRITE)) == (VM_READ)))
2224                         continue;
2225
2226                 /*
2227                  * Skip inaccessible VMAs to avoid any confusion between
2228                  * PROT_NONE and NUMA hinting ptes
2229                  */
2230                 if (!(vma->vm_flags & (VM_READ | VM_EXEC | VM_WRITE)))
2231                         continue;
2232
2233                 do {
2234                         start = max(start, vma->vm_start);
2235                         end = ALIGN(start + (pages << PAGE_SHIFT), HPAGE_SIZE);
2236                         end = min(end, vma->vm_end);
2237                         nr_pte_updates += change_prot_numa(vma, start, end);
2238
2239                         /*
2240                          * Scan sysctl_numa_balancing_scan_size but ensure that
2241                          * at least one PTE is updated so that unused virtual
2242                          * address space is quickly skipped.
2243                          */
2244                         if (nr_pte_updates)
2245                                 pages -= (end - start) >> PAGE_SHIFT;
2246
2247                         start = end;
2248                         if (pages <= 0)
2249                                 goto out;
2250
2251                         cond_resched();
2252                 } while (end != vma->vm_end);
2253         }
2254
2255 out:
2256         /*
2257          * It is possible to reach the end of the VMA list but the last few
2258          * VMAs are not guaranteed to the vma_migratable. If they are not, we
2259          * would find the !migratable VMA on the next scan but not reset the
2260          * scanner to the start so check it now.
2261          */
2262         if (vma)
2263                 mm->numa_scan_offset = start;
2264         else
2265                 reset_ptenuma_scan(p);
2266         up_read(&mm->mmap_sem);
2267 }
2268
2269 /*
2270  * Drive the periodic memory faults..
2271  */
2272 void task_tick_numa(struct rq *rq, struct task_struct *curr)
2273 {
2274         struct callback_head *work = &curr->numa_work;
2275         u64 period, now;
2276
2277         /*
2278          * We don't care about NUMA placement if we don't have memory.
2279          */
2280         if (!curr->mm || (curr->flags & PF_EXITING) || work->next != work)
2281                 return;
2282
2283         /*
2284          * Using runtime rather than walltime has the dual advantage that
2285          * we (mostly) drive the selection from busy threads and that the
2286          * task needs to have done some actual work before we bother with
2287          * NUMA placement.
2288          */
2289         now = curr->se.sum_exec_runtime;
2290         period = (u64)curr->numa_scan_period * NSEC_PER_MSEC;
2291
2292         if (now - curr->node_stamp > period) {
2293                 if (!curr->node_stamp)
2294                         curr->numa_scan_period = task_scan_min(curr);
2295                 curr->node_stamp += period;
2296
2297                 if (!time_before(jiffies, curr->mm->numa_next_scan)) {
2298                         init_task_work(work, task_numa_work); /* TODO: move this into sched_fork() */
2299                         task_work_add(curr, work, true);
2300                 }
2301         }
2302 }
2303 #else
2304 static void task_tick_numa(struct rq *rq, struct task_struct *curr)
2305 {
2306 }
2307
2308 static inline void account_numa_enqueue(struct rq *rq, struct task_struct *p)
2309 {
2310 }
2311
2312 static inline void account_numa_dequeue(struct rq *rq, struct task_struct *p)
2313 {
2314 }
2315 #endif /* CONFIG_NUMA_BALANCING */
2316
2317 static void
2318 account_entity_enqueue(struct cfs_rq *cfs_rq, struct sched_entity *se)
2319 {
2320         update_load_add(&cfs_rq->load, se->load.weight);
2321         if (!parent_entity(se))
2322                 update_load_add(&rq_of(cfs_rq)->load, se->load.weight);
2323 #ifdef CONFIG_SMP
2324         if (entity_is_task(se)) {
2325                 struct rq *rq = rq_of(cfs_rq);
2326
2327                 account_numa_enqueue(rq, task_of(se));
2328                 list_add(&se->group_node, &rq->cfs_tasks);
2329         }
2330 #endif
2331         cfs_rq->nr_running++;
2332 }
2333
2334 static void
2335 account_entity_dequeue(struct cfs_rq *cfs_rq, struct sched_entity *se)
2336 {
2337         update_load_sub(&cfs_rq->load, se->load.weight);
2338         if (!parent_entity(se))
2339                 update_load_sub(&rq_of(cfs_rq)->load, se->load.weight);
2340         if (entity_is_task(se)) {
2341                 account_numa_dequeue(rq_of(cfs_rq), task_of(se));
2342                 list_del_init(&se->group_node);
2343         }
2344         cfs_rq->nr_running--;
2345 }
2346
2347 #ifdef CONFIG_FAIR_GROUP_SCHED
2348 # ifdef CONFIG_SMP
2349 static inline long calc_tg_weight(struct task_group *tg, struct cfs_rq *cfs_rq)
2350 {
2351         long tg_weight;
2352
2353         /*
2354          * Use this CPU's actual weight instead of the last load_contribution
2355          * to gain a more accurate current total weight. See
2356          * update_cfs_rq_load_contribution().
2357          */
2358         tg_weight = atomic_long_read(&tg->load_avg);
2359         tg_weight -= cfs_rq->tg_load_contrib;
2360         tg_weight += cfs_rq->load.weight;
2361
2362         return tg_weight;
2363 }
2364
2365 static long calc_cfs_shares(struct cfs_rq *cfs_rq, struct task_group *tg)
2366 {
2367         long tg_weight, load, shares;
2368
2369         tg_weight = calc_tg_weight(tg, cfs_rq);
2370         load = cfs_rq->load.weight;
2371
2372         shares = (tg->shares * load);
2373         if (tg_weight)
2374                 shares /= tg_weight;
2375
2376         if (shares < MIN_SHARES)
2377                 shares = MIN_SHARES;
2378         if (shares > tg->shares)
2379                 shares = tg->shares;
2380
2381         return shares;
2382 }
2383 # else /* CONFIG_SMP */
2384 static inline long calc_cfs_shares(struct cfs_rq *cfs_rq, struct task_group *tg)
2385 {
2386         return tg->shares;
2387 }
2388 # endif /* CONFIG_SMP */
2389 static void reweight_entity(struct cfs_rq *cfs_rq, struct sched_entity *se,
2390                             unsigned long weight)
2391 {
2392         if (se->on_rq) {
2393                 /* commit outstanding execution time */
2394                 if (cfs_rq->curr == se)
2395                         update_curr(cfs_rq);
2396                 account_entity_dequeue(cfs_rq, se);
2397         }
2398
2399         update_load_set(&se->load, weight);
2400
2401         if (se->on_rq)
2402                 account_entity_enqueue(cfs_rq, se);
2403 }
2404
2405 static inline int throttled_hierarchy(struct cfs_rq *cfs_rq);
2406
2407 static void update_cfs_shares(struct cfs_rq *cfs_rq)
2408 {
2409         struct task_group *tg;
2410         struct sched_entity *se;
2411         long shares;
2412
2413         tg = cfs_rq->tg;
2414         se = tg->se[cpu_of(rq_of(cfs_rq))];
2415         if (!se || throttled_hierarchy(cfs_rq))
2416                 return;
2417 #ifndef CONFIG_SMP
2418         if (likely(se->load.weight == tg->shares))
2419                 return;
2420 #endif
2421         shares = calc_cfs_shares(cfs_rq, tg);
2422
2423         reweight_entity(cfs_rq_of(se), se, shares);
2424 }
2425 #else /* CONFIG_FAIR_GROUP_SCHED */
2426 static inline void update_cfs_shares(struct cfs_rq *cfs_rq)
2427 {
2428 }
2429 #endif /* CONFIG_FAIR_GROUP_SCHED */
2430
2431 #ifdef CONFIG_SMP
2432 /*
2433  * We choose a half-life close to 1 scheduling period.
2434  * Note: The tables below are dependent on this value.
2435  */
2436 #define LOAD_AVG_PERIOD 32
2437 #define LOAD_AVG_MAX 47742 /* maximum possible load avg */
2438 #define LOAD_AVG_MAX_N 345 /* number of full periods to produce LOAD_MAX_AVG */
2439
2440 /* Precomputed fixed inverse multiplies for multiplication by y^n */
2441 static const u32 runnable_avg_yN_inv[] = {
2442         0xffffffff, 0xfa83b2da, 0xf5257d14, 0xefe4b99a, 0xeac0c6e6, 0xe5b906e6,
2443         0xe0ccdeeb, 0xdbfbb796, 0xd744fcc9, 0xd2a81d91, 0xce248c14, 0xc9b9bd85,
2444         0xc5672a10, 0xc12c4cc9, 0xbd08a39e, 0xb8fbaf46, 0xb504f333, 0xb123f581,
2445         0xad583ee9, 0xa9a15ab4, 0xa5fed6a9, 0xa2704302, 0x9ef5325f, 0x9b8d39b9,
2446         0x9837f050, 0x94f4efa8, 0x91c3d373, 0x8ea4398a, 0x8b95c1e3, 0x88980e80,
2447         0x85aac367, 0x82cd8698,
2448 };
2449
2450 /*
2451  * Precomputed \Sum y^k { 1<=k<=n }.  These are floor(true_value) to prevent
2452  * over-estimates when re-combining.
2453  */
2454 static const u32 runnable_avg_yN_sum[] = {
2455             0, 1002, 1982, 2941, 3880, 4798, 5697, 6576, 7437, 8279, 9103,
2456          9909,10698,11470,12226,12966,13690,14398,15091,15769,16433,17082,
2457         17718,18340,18949,19545,20128,20698,21256,21802,22336,22859,23371,
2458 };
2459
2460 /*
2461  * Approximate:
2462  *   val * y^n,    where y^32 ~= 0.5 (~1 scheduling period)
2463  */
2464 static __always_inline u64 decay_load(u64 val, u64 n)
2465 {
2466         unsigned int local_n;
2467
2468         if (!n)
2469                 return val;
2470         else if (unlikely(n > LOAD_AVG_PERIOD * 63))
2471                 return 0;
2472
2473         /* after bounds checking we can collapse to 32-bit */
2474         local_n = n;
2475
2476         /*
2477          * As y^PERIOD = 1/2, we can combine
2478          *    y^n = 1/2^(n/PERIOD) * y^(n%PERIOD)
2479          * With a look-up table which covers y^n (n<PERIOD)
2480          *
2481          * To achieve constant time decay_load.
2482          */
2483         if (unlikely(local_n >= LOAD_AVG_PERIOD)) {
2484                 val >>= local_n / LOAD_AVG_PERIOD;
2485                 local_n %= LOAD_AVG_PERIOD;
2486         }
2487
2488         val *= runnable_avg_yN_inv[local_n];
2489         /* We don't use SRR here since we always want to round down. */
2490         return val >> 32;
2491 }
2492
2493 /*
2494  * For updates fully spanning n periods, the contribution to runnable
2495  * average will be: \Sum 1024*y^n
2496  *
2497  * We can compute this reasonably efficiently by combining:
2498  *   y^PERIOD = 1/2 with precomputed \Sum 1024*y^n {for  n <PERIOD}
2499  */
2500 static u32 __compute_runnable_contrib(u64 n)
2501 {
2502         u32 contrib = 0;
2503
2504         if (likely(n <= LOAD_AVG_PERIOD))
2505                 return runnable_avg_yN_sum[n];
2506         else if (unlikely(n >= LOAD_AVG_MAX_N))
2507                 return LOAD_AVG_MAX;
2508
2509         /* Compute \Sum k^n combining precomputed values for k^i, \Sum k^j */
2510         do {
2511                 contrib /= 2; /* y^LOAD_AVG_PERIOD = 1/2 */
2512                 contrib += runnable_avg_yN_sum[LOAD_AVG_PERIOD];
2513
2514                 n -= LOAD_AVG_PERIOD;
2515         } while (n > LOAD_AVG_PERIOD);
2516
2517         contrib = decay_load(contrib, n);
2518         return contrib + runnable_avg_yN_sum[n];
2519 }
2520
2521 /*
2522  * We can represent the historical contribution to runnable average as the
2523  * coefficients of a geometric series.  To do this we sub-divide our runnable
2524  * history into segments of approximately 1ms (1024us); label the segment that
2525  * occurred N-ms ago p_N, with p_0 corresponding to the current period, e.g.
2526  *
2527  * [<- 1024us ->|<- 1024us ->|<- 1024us ->| ...
2528  *      p0            p1           p2
2529  *     (now)       (~1ms ago)  (~2ms ago)
2530  *
2531  * Let u_i denote the fraction of p_i that the entity was runnable.
2532  *
2533  * We then designate the fractions u_i as our co-efficients, yielding the
2534  * following representation of historical load:
2535  *   u_0 + u_1*y + u_2*y^2 + u_3*y^3 + ...
2536  *
2537  * We choose y based on the with of a reasonably scheduling period, fixing:
2538  *   y^32 = 0.5
2539  *
2540  * This means that the contribution to load ~32ms ago (u_32) will be weighted
2541  * approximately half as much as the contribution to load within the last ms
2542  * (u_0).
2543  *
2544  * When a period "rolls over" and we have new u_0`, multiplying the previous
2545  * sum again by y is sufficient to update:
2546  *   load_avg = u_0` + y*(u_0 + u_1*y + u_2*y^2 + ... )
2547  *            = u_0 + u_1*y + u_2*y^2 + ... [re-labeling u_i --> u_{i+1}]
2548  */
2549 static __always_inline int __update_entity_runnable_avg(u64 now, int cpu,
2550                                                         struct sched_avg *sa,
2551                                                         int runnable,
2552                                                         int running)
2553 {
2554         u64 delta, periods;
2555         u32 runnable_contrib;
2556         int delta_w, decayed = 0;
2557         unsigned long scale_freq = arch_scale_freq_capacity(NULL, cpu);
2558
2559         delta = now - sa->last_runnable_update;
2560         /*
2561          * This should only happen when time goes backwards, which it
2562          * unfortunately does during sched clock init when we swap over to TSC.
2563          */
2564         if ((s64)delta < 0) {
2565                 sa->last_runnable_update = now;
2566                 return 0;
2567         }
2568
2569         /*
2570          * Use 1024ns as the unit of measurement since it's a reasonable
2571          * approximation of 1us and fast to compute.
2572          */
2573         delta >>= 10;
2574         if (!delta)
2575                 return 0;
2576         sa->last_runnable_update = now;
2577
2578         /* delta_w is the amount already accumulated against our next period */
2579         delta_w = sa->avg_period % 1024;
2580         if (delta + delta_w >= 1024) {
2581                 /* period roll-over */
2582                 decayed = 1;
2583
2584                 /*
2585                  * Now that we know we're crossing a period boundary, figure
2586                  * out how much from delta we need to complete the current
2587                  * period and accrue it.
2588                  */
2589                 delta_w = 1024 - delta_w;
2590                 if (runnable)
2591                         sa->runnable_avg_sum += delta_w;
2592                 if (running)
2593                         sa->running_avg_sum += delta_w * scale_freq
2594                                 >> SCHED_CAPACITY_SHIFT;
2595                 sa->avg_period += delta_w;
2596
2597                 delta -= delta_w;
2598
2599                 /* Figure out how many additional periods this update spans */
2600                 periods = delta / 1024;
2601                 delta %= 1024;
2602
2603                 sa->runnable_avg_sum = decay_load(sa->runnable_avg_sum,
2604                                                   periods + 1);
2605                 sa->running_avg_sum = decay_load(sa->running_avg_sum,
2606                                                   periods + 1);
2607                 sa->avg_period = decay_load(sa->avg_period,
2608                                                      periods + 1);
2609
2610                 /* Efficiently calculate \sum (1..n_period) 1024*y^i */
2611                 runnable_contrib = __compute_runnable_contrib(periods);
2612                 if (runnable)
2613                         sa->runnable_avg_sum += runnable_contrib;
2614                 if (running)
2615                         sa->running_avg_sum += runnable_contrib * scale_freq
2616                                 >> SCHED_CAPACITY_SHIFT;
2617                 sa->avg_period += runnable_contrib;
2618         }
2619
2620         /* Remainder of delta accrued against u_0` */
2621         if (runnable)
2622                 sa->runnable_avg_sum += delta;
2623         if (running)
2624                 sa->running_avg_sum += delta * scale_freq
2625                         >> SCHED_CAPACITY_SHIFT;
2626         sa->avg_period += delta;
2627
2628         return decayed;
2629 }
2630
2631 /* Synchronize an entity's decay with its parenting cfs_rq.*/
2632 static inline u64 __synchronize_entity_decay(struct sched_entity *se)
2633 {
2634         struct cfs_rq *cfs_rq = cfs_rq_of(se);
2635         u64 decays = atomic64_read(&cfs_rq->decay_counter);
2636
2637         decays -= se->avg.decay_count;
2638         se->avg.decay_count = 0;
2639         if (!decays)
2640                 return 0;
2641
2642         se->avg.load_avg_contrib = decay_load(se->avg.load_avg_contrib, decays);
2643         se->avg.utilization_avg_contrib =
2644                 decay_load(se->avg.utilization_avg_contrib, decays);
2645
2646         return decays;
2647 }
2648
2649 #ifdef CONFIG_FAIR_GROUP_SCHED
2650 static inline void __update_cfs_rq_tg_load_contrib(struct cfs_rq *cfs_rq,
2651                                                  int force_update)
2652 {
2653         struct task_group *tg = cfs_rq->tg;
2654         long tg_contrib;
2655
2656         tg_contrib = cfs_rq->runnable_load_avg + cfs_rq->blocked_load_avg;
2657         tg_contrib -= cfs_rq->tg_load_contrib;
2658
2659         if (!tg_contrib)
2660                 return;
2661
2662         if (force_update || abs(tg_contrib) > cfs_rq->tg_load_contrib / 8) {
2663                 atomic_long_add(tg_contrib, &tg->load_avg);
2664                 cfs_rq->tg_load_contrib += tg_contrib;
2665         }
2666 }
2667
2668 /*
2669  * Aggregate cfs_rq runnable averages into an equivalent task_group
2670  * representation for computing load contributions.
2671  */
2672 static inline void __update_tg_runnable_avg(struct sched_avg *sa,
2673                                                   struct cfs_rq *cfs_rq)
2674 {
2675         struct task_group *tg = cfs_rq->tg;
2676         long contrib;
2677
2678         /* The fraction of a cpu used by this cfs_rq */
2679         contrib = div_u64((u64)sa->runnable_avg_sum << NICE_0_SHIFT,
2680                           sa->avg_period + 1);
2681         contrib -= cfs_rq->tg_runnable_contrib;
2682
2683         if (abs(contrib) > cfs_rq->tg_runnable_contrib / 64) {
2684                 atomic_add(contrib, &tg->runnable_avg);
2685                 cfs_rq->tg_runnable_contrib += contrib;
2686         }
2687 }
2688
2689 static inline void __update_group_entity_contrib(struct sched_entity *se)
2690 {
2691         struct cfs_rq *cfs_rq = group_cfs_rq(se);
2692         struct task_group *tg = cfs_rq->tg;
2693         int runnable_avg;
2694
2695         u64 contrib;
2696
2697         contrib = cfs_rq->tg_load_contrib * tg->shares;
2698         se->avg.load_avg_contrib = div_u64(contrib,
2699                                      atomic_long_read(&tg->load_avg) + 1);
2700
2701         /*
2702          * For group entities we need to compute a correction term in the case
2703          * that they are consuming <1 cpu so that we would contribute the same
2704          * load as a task of equal weight.
2705          *
2706          * Explicitly co-ordinating this measurement would be expensive, but
2707          * fortunately the sum of each cpus contribution forms a usable
2708          * lower-bound on the true value.
2709          *
2710          * Consider the aggregate of 2 contributions.  Either they are disjoint
2711          * (and the sum represents true value) or they are disjoint and we are
2712          * understating by the aggregate of their overlap.
2713          *
2714          * Extending this to N cpus, for a given overlap, the maximum amount we
2715          * understand is then n_i(n_i+1)/2 * w_i where n_i is the number of
2716          * cpus that overlap for this interval and w_i is the interval width.
2717          *
2718          * On a small machine; the first term is well-bounded which bounds the
2719          * total error since w_i is a subset of the period.  Whereas on a
2720          * larger machine, while this first term can be larger, if w_i is the
2721          * of consequential size guaranteed to see n_i*w_i quickly converge to
2722          * our upper bound of 1-cpu.
2723          */
2724         runnable_avg = atomic_read(&tg->runnable_avg);
2725         if (runnable_avg < NICE_0_LOAD) {
2726                 se->avg.load_avg_contrib *= runnable_avg;
2727                 se->avg.load_avg_contrib >>= NICE_0_SHIFT;
2728         }
2729 }
2730
2731 static inline void update_rq_runnable_avg(struct rq *rq, int runnable)
2732 {
2733         __update_entity_runnable_avg(rq_clock_task(rq), cpu_of(rq), &rq->avg,
2734                         runnable, runnable);
2735         __update_tg_runnable_avg(&rq->avg, &rq->cfs);
2736 }
2737 #else /* CONFIG_FAIR_GROUP_SCHED */
2738 static inline void __update_cfs_rq_tg_load_contrib(struct cfs_rq *cfs_rq,
2739                                                  int force_update) {}
2740 static inline void __update_tg_runnable_avg(struct sched_avg *sa,
2741                                                   struct cfs_rq *cfs_rq) {}
2742 static inline void __update_group_entity_contrib(struct sched_entity *se) {}
2743 static inline void update_rq_runnable_avg(struct rq *rq, int runnable) {}
2744 #endif /* CONFIG_FAIR_GROUP_SCHED */
2745
2746 static inline void __update_task_entity_contrib(struct sched_entity *se)
2747 {
2748         u32 contrib;
2749
2750         /* avoid overflowing a 32-bit type w/ SCHED_LOAD_SCALE */
2751         contrib = se->avg.runnable_avg_sum * scale_load_down(se->load.weight);
2752         contrib /= (se->avg.avg_period + 1);
2753         se->avg.load_avg_contrib = scale_load(contrib);
2754 }
2755
2756 /* Compute the current contribution to load_avg by se, return any delta */
2757 static long __update_entity_load_avg_contrib(struct sched_entity *se)
2758 {
2759         long old_contrib = se->avg.load_avg_contrib;
2760
2761         if (entity_is_task(se)) {
2762                 __update_task_entity_contrib(se);
2763         } else {
2764                 __update_tg_runnable_avg(&se->avg, group_cfs_rq(se));
2765                 __update_group_entity_contrib(se);
2766         }
2767
2768         return se->avg.load_avg_contrib - old_contrib;
2769 }
2770
2771
2772 static inline void __update_task_entity_utilization(struct sched_entity *se)
2773 {
2774         u32 contrib;
2775
2776         /* avoid overflowing a 32-bit type w/ SCHED_LOAD_SCALE */
2777         contrib = se->avg.running_avg_sum * scale_load_down(SCHED_LOAD_SCALE);
2778         contrib /= (se->avg.avg_period + 1);
2779         se->avg.utilization_avg_contrib = scale_load(contrib);
2780 }
2781
2782 static long __update_entity_utilization_avg_contrib(struct sched_entity *se)
2783 {
2784         long old_contrib = se->avg.utilization_avg_contrib;
2785
2786         if (entity_is_task(se))
2787                 __update_task_entity_utilization(se);
2788         else
2789                 se->avg.utilization_avg_contrib =
2790                                         group_cfs_rq(se)->utilization_load_avg;
2791
2792         return se->avg.utilization_avg_contrib - old_contrib;
2793 }
2794
2795 static inline void subtract_blocked_load_contrib(struct cfs_rq *cfs_rq,
2796                                                  long load_contrib)
2797 {
2798         if (likely(load_contrib < cfs_rq->blocked_load_avg))
2799                 cfs_rq->blocked_load_avg -= load_contrib;
2800         else
2801                 cfs_rq->blocked_load_avg = 0;
2802 }
2803
2804 static inline u64 cfs_rq_clock_task(struct cfs_rq *cfs_rq);
2805
2806 /* Update a sched_entity's runnable average */
2807 static inline void update_entity_load_avg(struct sched_entity *se,
2808                                           int update_cfs_rq)
2809 {
2810         struct cfs_rq *cfs_rq = cfs_rq_of(se);
2811         long contrib_delta, utilization_delta;
2812         int cpu = cpu_of(rq_of(cfs_rq));
2813         u64 now;
2814
2815         /*
2816          * For a group entity we need to use their owned cfs_rq_clock_task() in
2817          * case they are the parent of a throttled hierarchy.
2818          */
2819         if (entity_is_task(se))
2820                 now = cfs_rq_clock_task(cfs_rq);
2821         else
2822                 now = cfs_rq_clock_task(group_cfs_rq(se));
2823
2824         if (!__update_entity_runnable_avg(now, cpu, &se->avg, se->on_rq,
2825                                         cfs_rq->curr == se))
2826                 return;
2827
2828         contrib_delta = __update_entity_load_avg_contrib(se);
2829         utilization_delta = __update_entity_utilization_avg_contrib(se);
2830
2831         if (!update_cfs_rq)
2832                 return;
2833
2834         if (se->on_rq) {
2835                 cfs_rq->runnable_load_avg += contrib_delta;
2836                 cfs_rq->utilization_load_avg += utilization_delta;
2837         } else {
2838                 subtract_blocked_load_contrib(cfs_rq, -contrib_delta);
2839         }
2840 }
2841
2842 /*
2843  * Decay the load contributed by all blocked children and account this so that
2844  * their contribution may appropriately discounted when they wake up.
2845  */
2846 static void update_cfs_rq_blocked_load(struct cfs_rq *cfs_rq, int force_update)
2847 {
2848         u64 now = cfs_rq_clock_task(cfs_rq) >> 20;
2849         u64 decays;
2850
2851         decays = now - cfs_rq->last_decay;
2852         if (!decays && !force_update)
2853                 return;
2854
2855         if (atomic_long_read(&cfs_rq->removed_load)) {
2856                 unsigned long removed_load;
2857                 removed_load = atomic_long_xchg(&cfs_rq->removed_load, 0);
2858                 subtract_blocked_load_contrib(cfs_rq, removed_load);
2859         }
2860
2861         if (decays) {
2862                 cfs_rq->blocked_load_avg = decay_load(cfs_rq->blocked_load_avg,
2863                                                       decays);
2864                 atomic64_add(decays, &cfs_rq->decay_counter);
2865                 cfs_rq->last_decay = now;
2866         }
2867
2868         __update_cfs_rq_tg_load_contrib(cfs_rq, force_update);
2869 }
2870
2871 /* Add the load generated by se into cfs_rq's child load-average */
2872 static inline void enqueue_entity_load_avg(struct cfs_rq *cfs_rq,
2873                                                   struct sched_entity *se,
2874                                                   int wakeup)
2875 {
2876         /*
2877          * We track migrations using entity decay_count <= 0, on a wake-up
2878          * migration we use a negative decay count to track the remote decays
2879          * accumulated while sleeping.
2880          *
2881          * Newly forked tasks are enqueued with se->avg.decay_count == 0, they
2882          * are seen by enqueue_entity_load_avg() as a migration with an already
2883          * constructed load_avg_contrib.
2884          */
2885         if (unlikely(se->avg.decay_count <= 0)) {
2886                 se->avg.last_runnable_update = rq_clock_task(rq_of(cfs_rq));
2887                 if (se->avg.decay_count) {
2888                         /*
2889                          * In a wake-up migration we have to approximate the
2890                          * time sleeping.  This is because we can't synchronize
2891                          * clock_task between the two cpus, and it is not
2892                          * guaranteed to be read-safe.  Instead, we can
2893                          * approximate this using our carried decays, which are
2894                          * explicitly atomically readable.
2895                          */
2896                         se->avg.last_runnable_update -= (-se->avg.decay_count)
2897                                                         << 20;
2898                         update_entity_load_avg(se, 0);
2899                         /* Indicate that we're now synchronized and on-rq */
2900                         se->avg.decay_count = 0;
2901                 }
2902                 wakeup = 0;
2903         } else {
2904                 __synchronize_entity_decay(se);
2905         }
2906
2907         /* migrated tasks did not contribute to our blocked load */
2908         if (wakeup) {
2909                 subtract_blocked_load_contrib(cfs_rq, se->avg.load_avg_contrib);
2910                 update_entity_load_avg(se, 0);
2911         }
2912
2913         cfs_rq->runnable_load_avg += se->avg.load_avg_contrib;
2914         cfs_rq->utilization_load_avg += se->avg.utilization_avg_contrib;
2915         /* we force update consideration on load-balancer moves */
2916         update_cfs_rq_blocked_load(cfs_rq, !wakeup);
2917 }
2918
2919 /*
2920  * Remove se's load from this cfs_rq child load-average, if the entity is
2921  * transitioning to a blocked state we track its projected decay using
2922  * blocked_load_avg.
2923  */
2924 static inline void dequeue_entity_load_avg(struct cfs_rq *cfs_rq,
2925                                                   struct sched_entity *se,
2926                                                   int sleep)
2927 {
2928         update_entity_load_avg(se, 1);
2929         /* we force update consideration on load-balancer moves */
2930         update_cfs_rq_blocked_load(cfs_rq, !sleep);
2931
2932         cfs_rq->runnable_load_avg -= se->avg.load_avg_contrib;
2933         cfs_rq->utilization_load_avg -= se->avg.utilization_avg_contrib;
2934         if (sleep) {
2935                 cfs_rq->blocked_load_avg += se->avg.load_avg_contrib;
2936                 se->avg.decay_count = atomic64_read(&cfs_rq->decay_counter);
2937         } /* migrations, e.g. sleep=0 leave decay_count == 0 */
2938 }
2939
2940 /*
2941  * Update the rq's load with the elapsed running time before entering
2942  * idle. if the last scheduled task is not a CFS task, idle_enter will
2943  * be the only way to update the runnable statistic.
2944  */
2945 void idle_enter_fair(struct rq *this_rq)
2946 {
2947         update_rq_runnable_avg(this_rq, 1);
2948 }
2949
2950 /*
2951  * Update the rq's load with the elapsed idle time before a task is
2952  * scheduled. if the newly scheduled task is not a CFS task, idle_exit will
2953  * be the only way to update the runnable statistic.
2954  */
2955 void idle_exit_fair(struct rq *this_rq)
2956 {
2957         update_rq_runnable_avg(this_rq, 0);
2958 }
2959
2960 static int idle_balance(struct rq *this_rq);
2961
2962 #else /* CONFIG_SMP */
2963
2964 static inline void update_entity_load_avg(struct sched_entity *se,
2965                                           int update_cfs_rq) {}
2966 static inline void update_rq_runnable_avg(struct rq *rq, int runnable) {}
2967 static inline void enqueue_entity_load_avg(struct cfs_rq *cfs_rq,
2968                                            struct sched_entity *se,
2969                                            int wakeup) {}
2970 static inline void dequeue_entity_load_avg(struct cfs_rq *cfs_rq,
2971                                            struct sched_entity *se,
2972                                            int sleep) {}
2973 static inline void update_cfs_rq_blocked_load(struct cfs_rq *cfs_rq,
2974                                               int force_update) {}
2975
2976 static inline int idle_balance(struct rq *rq)
2977 {
2978         return 0;
2979 }
2980
2981 #endif /* CONFIG_SMP */
2982
2983 static void enqueue_sleeper(struct cfs_rq *cfs_rq, struct sched_entity *se)
2984 {
2985 #ifdef CONFIG_SCHEDSTATS
2986         struct task_struct *tsk = NULL;
2987
2988         if (entity_is_task(se))
2989                 tsk = task_of(se);
2990
2991         if (se->statistics.sleep_start) {
2992                 u64 delta = rq_clock(rq_of(cfs_rq)) - se->statistics.sleep_start;
2993
2994                 if ((s64)delta < 0)
2995                         delta = 0;
2996
2997                 if (unlikely(delta > se->statistics.sleep_max))
2998                         se->statistics.sleep_max = delta;
2999
3000                 se->statistics.sleep_start = 0;
3001                 se->statistics.sum_sleep_runtime += delta;
3002
3003                 if (tsk) {
3004                         account_scheduler_latency(tsk, delta >> 10, 1);
3005                         trace_sched_stat_sleep(tsk, delta);
3006                 }
3007         }
3008         if (se->statistics.block_start) {
3009                 u64 delta = rq_clock(rq_of(cfs_rq)) - se->statistics.block_start;
3010
3011                 if ((s64)delta < 0)
3012                         delta = 0;
3013
3014                 if (unlikely(delta > se->statistics.block_max))
3015                         se->statistics.block_max = delta;
3016
3017                 se->statistics.block_start = 0;
3018                 se->statistics.sum_sleep_runtime += delta;
3019
3020                 if (tsk) {
3021                         if (tsk->in_iowait) {
3022                                 se->statistics.iowait_sum += delta;
3023                                 se->statistics.iowait_count++;
3024                                 trace_sched_stat_iowait(tsk, delta);
3025                         }
3026
3027                         trace_sched_stat_blocked(tsk, delta);
3028
3029                         /*
3030                          * Blocking time is in units of nanosecs, so shift by
3031                          * 20 to get a milliseconds-range estimation of the
3032                          * amount of time that the task spent sleeping:
3033                          */
3034                         if (unlikely(prof_on == SLEEP_PROFILING)) {
3035                                 profile_hits(SLEEP_PROFILING,
3036                                                 (void *)get_wchan(tsk),
3037                                                 delta >> 20);
3038                         }
3039                         account_scheduler_latency(tsk, delta >> 10, 0);
3040                 }
3041         }
3042 #endif
3043 }
3044
3045 static void check_spread(struct cfs_rq *cfs_rq, struct sched_entity *se)
3046 {
3047 #ifdef CONFIG_SCHED_DEBUG
3048         s64 d = se->vruntime - cfs_rq->min_vruntime;
3049
3050         if (d < 0)
3051                 d = -d;
3052
3053         if (d > 3*sysctl_sched_latency)
3054                 schedstat_inc(cfs_rq, nr_spread_over);
3055 #endif
3056 }
3057
3058 static void
3059 place_entity(struct cfs_rq *cfs_rq, struct sched_entity *se, int initial)
3060 {
3061         u64 vruntime = cfs_rq->min_vruntime;
3062
3063         /*
3064          * The 'current' period is already promised to the current tasks,
3065          * however the extra weight of the new task will slow them down a
3066          * little, place the new task so that it fits in the slot that
3067          * stays open at the end.
3068          */
3069         if (initial && sched_feat(START_DEBIT))
3070                 vruntime += sched_vslice(cfs_rq, se);
3071
3072         /* sleeps up to a single latency don't count. */
3073         if (!initial) {
3074                 unsigned long thresh = sysctl_sched_latency;
3075
3076                 /*
3077                  * Halve their sleep time's effect, to allow
3078                  * for a gentler effect of sleepers:
3079                  */
3080                 if (sched_feat(GENTLE_FAIR_SLEEPERS))
3081                         thresh >>= 1;
3082
3083                 vruntime -= thresh;
3084         }
3085
3086         /* ensure we never gain time by being placed backwards. */
3087         se->vruntime = max_vruntime(se->vruntime, vruntime);
3088 }
3089
3090 static void check_enqueue_throttle(struct cfs_rq *cfs_rq);
3091
3092 static void
3093 enqueue_entity(struct cfs_rq *cfs_rq, struct sched_entity *se, int flags)
3094 {
3095         /*
3096          * Update the normalized vruntime before updating min_vruntime
3097          * through calling update_curr().
3098          */
3099         if (!(flags & ENQUEUE_WAKEUP) || (flags & ENQUEUE_WAKING))
3100                 se->vruntime += cfs_rq->min_vruntime;
3101
3102         /*
3103          * Update run-time statistics of the 'current'.
3104          */
3105         update_curr(cfs_rq);
3106         enqueue_entity_load_avg(cfs_rq, se, flags & ENQUEUE_WAKEUP);
3107         account_entity_enqueue(cfs_rq, se);
3108         update_cfs_shares(cfs_rq);
3109
3110         if (flags & ENQUEUE_WAKEUP) {
3111                 place_entity(cfs_rq, se, 0);
3112                 enqueue_sleeper(cfs_rq, se);
3113         }
3114
3115         update_stats_enqueue(cfs_rq, se);
3116         check_spread(cfs_rq, se);
3117         if (se != cfs_rq->curr)
3118                 __enqueue_entity(cfs_rq, se);
3119         se->on_rq = 1;
3120
3121         if (cfs_rq->nr_running == 1) {
3122                 list_add_leaf_cfs_rq(cfs_rq);
3123                 check_enqueue_throttle(cfs_rq);
3124         }
3125 }
3126
3127 static void __clear_buddies_last(struct sched_entity *se)
3128 {
3129         for_each_sched_entity(se) {
3130                 struct cfs_rq *cfs_rq = cfs_rq_of(se);
3131                 if (cfs_rq->last != se)
3132                         break;
3133
3134                 cfs_rq->last = NULL;
3135         }
3136 }
3137
3138 static void __clear_buddies_next(struct sched_entity *se)
3139 {
3140         for_each_sched_entity(se) {
3141                 struct cfs_rq *cfs_rq = cfs_rq_of(se);
3142                 if (cfs_rq->next != se)
3143                         break;
3144
3145                 cfs_rq->next = NULL;
3146         }
3147 }
3148
3149 static void __clear_buddies_skip(struct sched_entity *se)
3150 {
3151         for_each_sched_entity(se) {
3152                 struct cfs_rq *cfs_rq = cfs_rq_of(se);
3153                 if (cfs_rq->skip != se)
3154                         break;
3155
3156                 cfs_rq->skip = NULL;
3157         }
3158 }
3159
3160 static void clear_buddies(struct cfs_rq *cfs_rq, struct sched_entity *se)
3161 {
3162         if (cfs_rq->last == se)
3163                 __clear_buddies_last(se);
3164
3165         if (cfs_rq->next == se)
3166                 __clear_buddies_next(se);
3167
3168         if (cfs_rq->skip == se)
3169                 __clear_buddies_skip(se);
3170 }
3171
3172 static __always_inline void return_cfs_rq_runtime(struct cfs_rq *cfs_rq);
3173
3174 static void
3175 dequeue_entity(struct cfs_rq *cfs_rq, struct sched_entity *se, int flags)
3176 {
3177         /*
3178          * Update run-time statistics of the 'current'.
3179          */
3180         update_curr(cfs_rq);
3181         dequeue_entity_load_avg(cfs_rq, se, flags & DEQUEUE_SLEEP);
3182
3183         update_stats_dequeue(cfs_rq, se);
3184         if (flags & DEQUEUE_SLEEP) {
3185 #ifdef CONFIG_SCHEDSTATS
3186                 if (entity_is_task(se)) {
3187                         struct task_struct *tsk = task_of(se);
3188
3189                         if (tsk->state & TASK_INTERRUPTIBLE)
3190                                 se->statistics.sleep_start = rq_clock(rq_of(cfs_rq));
3191                         if (tsk->state & TASK_UNINTERRUPTIBLE)
3192                                 se->statistics.block_start = rq_clock(rq_of(cfs_rq));
3193                 }
3194 #endif
3195         }
3196
3197         clear_buddies(cfs_rq, se);
3198
3199         if (se != cfs_rq->curr)
3200                 __dequeue_entity(cfs_rq, se);
3201         se->on_rq = 0;
3202         account_entity_dequeue(cfs_rq, se);
3203
3204         /*
3205          * Normalize the entity after updating the min_vruntime because the
3206          * update can refer to the ->curr item and we need to reflect this
3207          * movement in our normalized position.
3208          */
3209         if (!(flags & DEQUEUE_SLEEP))
3210                 se->vruntime -= cfs_rq->min_vruntime;
3211
3212         /* return excess runtime on last dequeue */
3213         return_cfs_rq_runtime(cfs_rq);
3214
3215         update_min_vruntime(cfs_rq);
3216         update_cfs_shares(cfs_rq);
3217 }
3218
3219 /*
3220  * Preempt the current task with a newly woken task if needed:
3221  */
3222 static void
3223 check_preempt_tick(struct cfs_rq *cfs_rq, struct sched_entity *curr)
3224 {
3225         unsigned long ideal_runtime, delta_exec;
3226         struct sched_entity *se;
3227         s64 delta;
3228
3229         ideal_runtime = sched_slice(cfs_rq, curr);
3230         delta_exec = curr->sum_exec_runtime - curr->prev_sum_exec_runtime;
3231         if (delta_exec > ideal_runtime) {
3232                 resched_curr(rq_of(cfs_rq));
3233                 /*
3234                  * The current task ran long enough, ensure it doesn't get
3235                  * re-elected due to buddy favours.
3236                  */
3237                 clear_buddies(cfs_rq, curr);
3238                 return;
3239         }
3240
3241         /*
3242          * Ensure that a task that missed wakeup preemption by a
3243          * narrow margin doesn't have to wait for a full slice.
3244          * This also mitigates buddy induced latencies under load.
3245          */
3246         if (delta_exec < sysctl_sched_min_granularity)
3247                 return;
3248
3249         se = __pick_first_entity(cfs_rq);
3250         delta = curr->vruntime - se->vruntime;
3251
3252         if (delta < 0)
3253                 return;
3254
3255         if (delta > ideal_runtime)
3256                 resched_curr(rq_of(cfs_rq));
3257 }
3258
3259 static void
3260 set_next_entity(struct cfs_rq *cfs_rq, struct sched_entity *se)
3261 {
3262         /* 'current' is not kept within the tree. */
3263         if (se->on_rq) {
3264                 /*
3265                  * Any task has to be enqueued before it get to execute on
3266                  * a CPU. So account for the time it spent waiting on the
3267                  * runqueue.
3268                  */
3269                 update_stats_wait_end(cfs_rq, se);
3270                 __dequeue_entity(cfs_rq, se);
3271                 update_entity_load_avg(se, 1);
3272         }
3273
3274         update_stats_curr_start(cfs_rq, se);
3275         cfs_rq->curr = se;
3276 #ifdef CONFIG_SCHEDSTATS
3277         /*
3278          * Track our maximum slice length, if the CPU's load is at
3279          * least twice that of our own weight (i.e. dont track it
3280          * when there are only lesser-weight tasks around):
3281          */
3282         if (rq_of(cfs_rq)->load.weight >= 2*se->load.weight) {
3283                 se->statistics.slice_max = max(se->statistics.slice_max,
3284                         se->sum_exec_runtime - se->prev_sum_exec_runtime);
3285         }
3286 #endif
3287         se->prev_sum_exec_runtime = se->sum_exec_runtime;
3288 }
3289
3290 static int
3291 wakeup_preempt_entity(struct sched_entity *curr, struct sched_entity *se);
3292
3293 /*
3294  * Pick the next process, keeping these things in mind, in this order:
3295  * 1) keep things fair between processes/task groups
3296  * 2) pick the "next" process, since someone really wants that to run
3297  * 3) pick the "last" process, for cache locality
3298  * 4) do not run the "skip" process, if something else is available
3299  */
3300 static struct sched_entity *
3301 pick_next_entity(struct cfs_rq *cfs_rq, struct sched_entity *curr)
3302 {
3303         struct sched_entity *left = __pick_first_entity(cfs_rq);
3304         struct sched_entity *se;
3305
3306         /*
3307          * If curr is set we have to see if its left of the leftmost entity
3308          * still in the tree, provided there was anything in the tree at all.
3309          */
3310         if (!left || (curr && entity_before(curr, left)))
3311                 left = curr;
3312
3313         se = left; /* ideally we run the leftmost entity */
3314
3315         /*
3316          * Avoid running the skip buddy, if running something else can
3317          * be done without getting too unfair.
3318          */
3319         if (cfs_rq->skip == se) {
3320                 struct sched_entity *second;
3321
3322                 if (se == curr) {
3323                         second = __pick_first_entity(cfs_rq);
3324                 } else {
3325                         second = __pick_next_entity(se);
3326                         if (!second || (curr && entity_before(curr, second)))
3327                                 second = curr;
3328  &n