Merge tag 'v4.1' 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 int get_update_sysctl_factor(void)
145 {
146         unsigned int cpus = min_t(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         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 = ACCESS_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 src_capacity, dst_capacity;
1202         long orig_src_load;
1203         long load_a, load_b;
1204         long moved_load;
1205         long imb;
1206
1207         /*
1208          * The load is corrected for the CPU capacity available on each node.
1209          *
1210          * src_load        dst_load
1211          * ------------ vs ---------
1212          * src_capacity    dst_capacity
1213          */
1214         src_capacity = env->src_stats.compute_capacity;
1215         dst_capacity = env->dst_stats.compute_capacity;
1216
1217         /* We care about the slope of the imbalance, not the direction. */
1218         load_a = dst_load;
1219         load_b = src_load;
1220         if (load_a < load_b)
1221                 swap(load_a, load_b);
1222
1223         /* Is the difference below the threshold? */
1224         imb = load_a * src_capacity * 100 -
1225                 load_b * dst_capacity * env->imbalance_pct;
1226         if (imb <= 0)
1227                 return false;
1228
1229         /*
1230          * The imbalance is above the allowed threshold.
1231          * Allow a move that brings us closer to a balanced situation,
1232          * without moving things past the point of balance.
1233          */
1234         orig_src_load = env->src_stats.load;
1235
1236         /*
1237          * In a task swap, there will be one load moving from src to dst,
1238          * and another moving back. This is the net sum of both moves.
1239          * A simple task move will always have a positive value.
1240          * Allow the move if it brings the system closer to a balanced
1241          * situation, without crossing over the balance point.
1242          */
1243         moved_load = orig_src_load - src_load;
1244
1245         if (moved_load > 0)
1246                 /* Moving src -> dst. Did we overshoot balance? */
1247                 return src_load * dst_capacity < dst_load * src_capacity;
1248         else
1249                 /* Moving dst -> src. Did we overshoot balance? */
1250                 return dst_load * src_capacity < src_load * dst_capacity;
1251 }
1252
1253 /*
1254  * This checks if the overall compute and NUMA accesses of the system would
1255  * be improved if the source tasks was migrated to the target dst_cpu taking
1256  * into account that it might be best if task running on the dst_cpu should
1257  * be exchanged with the source task
1258  */
1259 static void task_numa_compare(struct task_numa_env *env,
1260                               long taskimp, long groupimp)
1261 {
1262         struct rq *src_rq = cpu_rq(env->src_cpu);
1263         struct rq *dst_rq = cpu_rq(env->dst_cpu);
1264         struct task_struct *cur;
1265         long src_load, dst_load;
1266         long load;
1267         long imp = env->p->numa_group ? groupimp : taskimp;
1268         long moveimp = imp;
1269         int dist = env->dist;
1270
1271         rcu_read_lock();
1272
1273         raw_spin_lock_irq(&dst_rq->lock);
1274         cur = dst_rq->curr;
1275         /*
1276          * No need to move the exiting task, and this ensures that ->curr
1277          * wasn't reaped and thus get_task_struct() in task_numa_assign()
1278          * is safe under RCU read lock.
1279          * Note that rcu_read_lock() itself can't protect from the final
1280          * put_task_struct() after the last schedule().
1281          */
1282         if ((cur->flags & PF_EXITING) || is_idle_task(cur))
1283                 cur = NULL;
1284         raw_spin_unlock_irq(&dst_rq->lock);
1285
1286         /*
1287          * Because we have preemption enabled we can get migrated around and
1288          * end try selecting ourselves (current == env->p) as a swap candidate.
1289          */
1290         if (cur == env->p)
1291                 goto unlock;
1292
1293         /*
1294          * "imp" is the fault differential for the source task between the
1295          * source and destination node. Calculate the total differential for
1296          * the source task and potential destination task. The more negative
1297          * the value is, the more rmeote accesses that would be expected to
1298          * be incurred if the tasks were swapped.
1299          */
1300         if (cur) {
1301                 /* Skip this swap candidate if cannot move to the source cpu */
1302                 if (!cpumask_test_cpu(env->src_cpu, tsk_cpus_allowed(cur)))
1303                         goto unlock;
1304
1305                 /*
1306                  * If dst and source tasks are in the same NUMA group, or not
1307                  * in any group then look only at task weights.
1308                  */
1309                 if (cur->numa_group == env->p->numa_group) {
1310                         imp = taskimp + task_weight(cur, env->src_nid, dist) -
1311                               task_weight(cur, env->dst_nid, dist);
1312                         /*
1313                          * Add some hysteresis to prevent swapping the
1314                          * tasks within a group over tiny differences.
1315                          */
1316                         if (cur->numa_group)
1317                                 imp -= imp/16;
1318                 } else {
1319                         /*
1320                          * Compare the group weights. If a task is all by
1321                          * itself (not part of a group), use the task weight
1322                          * instead.
1323                          */
1324                         if (cur->numa_group)
1325                                 imp += group_weight(cur, env->src_nid, dist) -
1326                                        group_weight(cur, env->dst_nid, dist);
1327                         else
1328                                 imp += task_weight(cur, env->src_nid, dist) -
1329                                        task_weight(cur, env->dst_nid, dist);
1330                 }
1331         }
1332
1333         if (imp <= env->best_imp && moveimp <= env->best_imp)
1334                 goto unlock;
1335
1336         if (!cur) {
1337                 /* Is there capacity at our destination? */
1338                 if (env->src_stats.nr_running <= env->src_stats.task_capacity &&
1339                     !env->dst_stats.has_free_capacity)
1340                         goto unlock;
1341
1342                 goto balance;
1343         }
1344
1345         /* Balance doesn't matter much if we're running a task per cpu */
1346         if (imp > env->best_imp && src_rq->nr_running == 1 &&
1347                         dst_rq->nr_running == 1)
1348                 goto assign;
1349
1350         /*
1351          * In the overloaded case, try and keep the load balanced.
1352          */
1353 balance:
1354         load = task_h_load(env->p);
1355         dst_load = env->dst_stats.load + load;
1356         src_load = env->src_stats.load - load;
1357
1358         if (moveimp > imp && moveimp > env->best_imp) {
1359                 /*
1360                  * If the improvement from just moving env->p direction is
1361                  * better than swapping tasks around, check if a move is
1362                  * possible. Store a slightly smaller score than moveimp,
1363                  * so an actually idle CPU will win.
1364                  */
1365                 if (!load_too_imbalanced(src_load, dst_load, env)) {
1366                         imp = moveimp - 1;
1367                         cur = NULL;
1368                         goto assign;
1369                 }
1370         }
1371
1372         if (imp <= env->best_imp)
1373                 goto unlock;
1374
1375         if (cur) {
1376                 load = task_h_load(cur);
1377                 dst_load -= load;
1378                 src_load += load;
1379         }
1380
1381         if (load_too_imbalanced(src_load, dst_load, env))
1382                 goto unlock;
1383
1384         /*
1385          * One idle CPU per node is evaluated for a task numa move.
1386          * Call select_idle_sibling to maybe find a better one.
1387          */
1388         if (!cur)
1389                 env->dst_cpu = select_idle_sibling(env->p, env->dst_cpu);
1390
1391 assign:
1392         task_numa_assign(env, cur, imp);
1393 unlock:
1394         rcu_read_unlock();
1395 }
1396
1397 static void task_numa_find_cpu(struct task_numa_env *env,
1398                                 long taskimp, long groupimp)
1399 {
1400         int cpu;
1401
1402         for_each_cpu(cpu, cpumask_of_node(env->dst_nid)) {
1403                 /* Skip this CPU if the source task cannot migrate */
1404                 if (!cpumask_test_cpu(cpu, tsk_cpus_allowed(env->p)))
1405                         continue;
1406
1407                 env->dst_cpu = cpu;
1408                 task_numa_compare(env, taskimp, groupimp);
1409         }
1410 }
1411
1412 static int task_numa_migrate(struct task_struct *p)
1413 {
1414         struct task_numa_env env = {
1415                 .p = p,
1416
1417                 .src_cpu = task_cpu(p),
1418                 .src_nid = task_node(p),
1419
1420                 .imbalance_pct = 112,
1421
1422                 .best_task = NULL,
1423                 .best_imp = 0,
1424                 .best_cpu = -1
1425         };
1426         struct sched_domain *sd;
1427         unsigned long taskweight, groupweight;
1428         int nid, ret, dist;
1429         long taskimp, groupimp;
1430
1431         /*
1432          * Pick the lowest SD_NUMA domain, as that would have the smallest
1433          * imbalance and would be the first to start moving tasks about.
1434          *
1435          * And we want to avoid any moving of tasks about, as that would create
1436          * random movement of tasks -- counter the numa conditions we're trying
1437          * to satisfy here.
1438          */
1439         rcu_read_lock();
1440         sd = rcu_dereference(per_cpu(sd_numa, env.src_cpu));
1441         if (sd)
1442                 env.imbalance_pct = 100 + (sd->imbalance_pct - 100) / 2;
1443         rcu_read_unlock();
1444
1445         /*
1446          * Cpusets can break the scheduler domain tree into smaller
1447          * balance domains, some of which do not cross NUMA boundaries.
1448          * Tasks that are "trapped" in such domains cannot be migrated
1449          * elsewhere, so there is no point in (re)trying.
1450          */
1451         if (unlikely(!sd)) {
1452                 p->numa_preferred_nid = task_node(p);
1453                 return -EINVAL;
1454         }
1455
1456         env.dst_nid = p->numa_preferred_nid;
1457         dist = env.dist = node_distance(env.src_nid, env.dst_nid);
1458         taskweight = task_weight(p, env.src_nid, dist);
1459         groupweight = group_weight(p, env.src_nid, dist);
1460         update_numa_stats(&env.src_stats, env.src_nid);
1461         taskimp = task_weight(p, env.dst_nid, dist) - taskweight;
1462         groupimp = group_weight(p, env.dst_nid, dist) - groupweight;
1463         update_numa_stats(&env.dst_stats, env.dst_nid);
1464
1465         /* Try to find a spot on the preferred nid. */
1466         task_numa_find_cpu(&env, taskimp, groupimp);
1467
1468         /*
1469          * Look at other nodes in these cases:
1470          * - there is no space available on the preferred_nid
1471          * - the task is part of a numa_group that is interleaved across
1472          *   multiple NUMA nodes; in order to better consolidate the group,
1473          *   we need to check other locations.
1474          */
1475         if (env.best_cpu == -1 || (p->numa_group &&
1476                         nodes_weight(p->numa_group->active_nodes) > 1)) {
1477                 for_each_online_node(nid) {
1478                         if (nid == env.src_nid || nid == p->numa_preferred_nid)
1479                                 continue;
1480
1481                         dist = node_distance(env.src_nid, env.dst_nid);
1482                         if (sched_numa_topology_type == NUMA_BACKPLANE &&
1483                                                 dist != env.dist) {
1484                                 taskweight = task_weight(p, env.src_nid, dist);
1485                                 groupweight = group_weight(p, env.src_nid, dist);
1486                         }
1487
1488                         /* Only consider nodes where both task and groups benefit */
1489                         taskimp = task_weight(p, nid, dist) - taskweight;
1490                         groupimp = group_weight(p, nid, dist) - groupweight;
1491                         if (taskimp < 0 && groupimp < 0)
1492                                 continue;
1493
1494                         env.dist = dist;
1495                         env.dst_nid = nid;
1496                         update_numa_stats(&env.dst_stats, env.dst_nid);
1497                         task_numa_find_cpu(&env, taskimp, groupimp);
1498                 }
1499         }
1500
1501         /*
1502          * If the task is part of a workload that spans multiple NUMA nodes,
1503          * and is migrating into one of the workload's active nodes, remember
1504          * this node as the task's preferred numa node, so the workload can
1505          * settle down.
1506          * A task that migrated to a second choice node will be better off
1507          * trying for a better one later. Do not set the preferred node here.
1508          */
1509         if (p->numa_group) {
1510                 if (env.best_cpu == -1)
1511                         nid = env.src_nid;
1512                 else
1513                         nid = env.dst_nid;
1514
1515                 if (node_isset(nid, p->numa_group->active_nodes))
1516                         sched_setnuma(p, env.dst_nid);
1517         }
1518
1519         /* No better CPU than the current one was found. */
1520         if (env.best_cpu == -1)
1521                 return -EAGAIN;
1522
1523         /*
1524          * Reset the scan period if the task is being rescheduled on an
1525          * alternative node to recheck if the tasks is now properly placed.
1526          */
1527         p->numa_scan_period = task_scan_min(p);
1528
1529         if (env.best_task == NULL) {
1530                 ret = migrate_task_to(p, env.best_cpu);
1531                 if (ret != 0)
1532                         trace_sched_stick_numa(p, env.src_cpu, env.best_cpu);
1533                 return ret;
1534         }
1535
1536         ret = migrate_swap(p, env.best_task);
1537         if (ret != 0)
1538                 trace_sched_stick_numa(p, env.src_cpu, task_cpu(env.best_task));
1539         put_task_struct(env.best_task);
1540         return ret;
1541 }
1542
1543 /* Attempt to migrate a task to a CPU on the preferred node. */
1544 static void numa_migrate_preferred(struct task_struct *p)
1545 {
1546         unsigned long interval = HZ;
1547
1548         /* This task has no NUMA fault statistics yet */
1549         if (unlikely(p->numa_preferred_nid == -1 || !p->numa_faults))
1550                 return;
1551
1552         /* Periodically retry migrating the task to the preferred node */
1553         interval = min(interval, msecs_to_jiffies(p->numa_scan_period) / 16);
1554         p->numa_migrate_retry = jiffies + interval;
1555
1556         /* Success if task is already running on preferred CPU */
1557         if (task_node(p) == p->numa_preferred_nid)
1558                 return;
1559
1560         /* Otherwise, try migrate to a CPU on the preferred node */
1561         task_numa_migrate(p);
1562 }
1563
1564 /*
1565  * Find the nodes on which the workload is actively running. We do this by
1566  * tracking the nodes from which NUMA hinting faults are triggered. This can
1567  * be different from the set of nodes where the workload's memory is currently
1568  * located.
1569  *
1570  * The bitmask is used to make smarter decisions on when to do NUMA page
1571  * migrations, To prevent flip-flopping, and excessive page migrations, nodes
1572  * are added when they cause over 6/16 of the maximum number of faults, but
1573  * only removed when they drop below 3/16.
1574  */
1575 static void update_numa_active_node_mask(struct numa_group *numa_group)
1576 {
1577         unsigned long faults, max_faults = 0;
1578         int nid;
1579
1580         for_each_online_node(nid) {
1581                 faults = group_faults_cpu(numa_group, nid);
1582                 if (faults > max_faults)
1583                         max_faults = faults;
1584         }
1585
1586         for_each_online_node(nid) {
1587                 faults = group_faults_cpu(numa_group, nid);
1588                 if (!node_isset(nid, numa_group->active_nodes)) {
1589                         if (faults > max_faults * 6 / 16)
1590                                 node_set(nid, numa_group->active_nodes);
1591                 } else if (faults < max_faults * 3 / 16)
1592                         node_clear(nid, numa_group->active_nodes);
1593         }
1594 }
1595
1596 /*
1597  * When adapting the scan rate, the period is divided into NUMA_PERIOD_SLOTS
1598  * increments. The more local the fault statistics are, the higher the scan
1599  * period will be for the next scan window. If local/(local+remote) ratio is
1600  * below NUMA_PERIOD_THRESHOLD (where range of ratio is 1..NUMA_PERIOD_SLOTS)
1601  * the scan period will decrease. Aim for 70% local accesses.
1602  */
1603 #define NUMA_PERIOD_SLOTS 10
1604 #define NUMA_PERIOD_THRESHOLD 7
1605
1606 /*
1607  * Increase the scan period (slow down scanning) if the majority of
1608  * our memory is already on our local node, or if the majority of
1609  * the page accesses are shared with other processes.
1610  * Otherwise, decrease the scan period.
1611  */
1612 static void update_task_scan_period(struct task_struct *p,
1613                         unsigned long shared, unsigned long private)
1614 {
1615         unsigned int period_slot;
1616         int ratio;
1617         int diff;
1618
1619         unsigned long remote = p->numa_faults_locality[0];
1620         unsigned long local = p->numa_faults_locality[1];
1621
1622         /*
1623          * If there were no record hinting faults then either the task is
1624          * completely idle or all activity is areas that are not of interest
1625          * to automatic numa balancing. Related to that, if there were failed
1626          * migration then it implies we are migrating too quickly or the local
1627          * node is overloaded. In either case, scan slower
1628          */
1629         if (local + shared == 0 || p->numa_faults_locality[2]) {
1630                 p->numa_scan_period = min(p->numa_scan_period_max,
1631                         p->numa_scan_period << 1);
1632
1633                 p->mm->numa_next_scan = jiffies +
1634                         msecs_to_jiffies(p->numa_scan_period);
1635
1636                 return;
1637         }
1638
1639         /*
1640          * Prepare to scale scan period relative to the current period.
1641          *       == NUMA_PERIOD_THRESHOLD scan period stays the same
1642          *       <  NUMA_PERIOD_THRESHOLD scan period decreases (scan faster)
1643          *       >= NUMA_PERIOD_THRESHOLD scan period increases (scan slower)
1644          */
1645         period_slot = DIV_ROUND_UP(p->numa_scan_period, NUMA_PERIOD_SLOTS);
1646         ratio = (local * NUMA_PERIOD_SLOTS) / (local + remote);
1647         if (ratio >= NUMA_PERIOD_THRESHOLD) {
1648                 int slot = ratio - NUMA_PERIOD_THRESHOLD;
1649                 if (!slot)
1650                         slot = 1;
1651                 diff = slot * period_slot;
1652         } else {
1653                 diff = -(NUMA_PERIOD_THRESHOLD - ratio) * period_slot;
1654
1655                 /*
1656                  * Scale scan rate increases based on sharing. There is an
1657                  * inverse relationship between the degree of sharing and
1658                  * the adjustment made to the scanning period. Broadly
1659                  * speaking the intent is that there is little point
1660                  * scanning faster if shared accesses dominate as it may
1661                  * simply bounce migrations uselessly
1662                  */
1663                 ratio = DIV_ROUND_UP(private * NUMA_PERIOD_SLOTS, (private + shared + 1));
1664                 diff = (diff * ratio) / NUMA_PERIOD_SLOTS;
1665         }
1666
1667         p->numa_scan_period = clamp(p->numa_scan_period + diff,
1668                         task_scan_min(p), task_scan_max(p));
1669         memset(p->numa_faults_locality, 0, sizeof(p->numa_faults_locality));
1670 }
1671
1672 /*
1673  * Get the fraction of time the task has been running since the last
1674  * NUMA placement cycle. The scheduler keeps similar statistics, but
1675  * decays those on a 32ms period, which is orders of magnitude off
1676  * from the dozens-of-seconds NUMA balancing period. Use the scheduler
1677  * stats only if the task is so new there are no NUMA statistics yet.
1678  */
1679 static u64 numa_get_avg_runtime(struct task_struct *p, u64 *period)
1680 {
1681         u64 runtime, delta, now;
1682         /* Use the start of this time slice to avoid calculations. */
1683         now = p->se.exec_start;
1684         runtime = p->se.sum_exec_runtime;
1685
1686         if (p->last_task_numa_placement) {
1687                 delta = runtime - p->last_sum_exec_runtime;
1688                 *period = now - p->last_task_numa_placement;
1689         } else {
1690                 delta = p->se.avg.runnable_avg_sum;
1691                 *period = p->se.avg.avg_period;
1692         }
1693
1694         p->last_sum_exec_runtime = runtime;
1695         p->last_task_numa_placement = now;
1696
1697         return delta;
1698 }
1699
1700 /*
1701  * Determine the preferred nid for a task in a numa_group. This needs to
1702  * be done in a way that produces consistent results with group_weight,
1703  * otherwise workloads might not converge.
1704  */
1705 static int preferred_group_nid(struct task_struct *p, int nid)
1706 {
1707         nodemask_t nodes;
1708         int dist;
1709
1710         /* Direct connections between all NUMA nodes. */
1711         if (sched_numa_topology_type == NUMA_DIRECT)
1712                 return nid;
1713
1714         /*
1715          * On a system with glueless mesh NUMA topology, group_weight
1716          * scores nodes according to the number of NUMA hinting faults on
1717          * both the node itself, and on nearby nodes.
1718          */
1719         if (sched_numa_topology_type == NUMA_GLUELESS_MESH) {
1720                 unsigned long score, max_score = 0;
1721                 int node, max_node = nid;
1722
1723                 dist = sched_max_numa_distance;
1724
1725                 for_each_online_node(node) {
1726                         score = group_weight(p, node, dist);
1727                         if (score > max_score) {
1728                                 max_score = score;
1729                                 max_node = node;
1730                         }
1731                 }
1732                 return max_node;
1733         }
1734
1735         /*
1736          * Finding the preferred nid in a system with NUMA backplane
1737          * interconnect topology is more involved. The goal is to locate
1738          * tasks from numa_groups near each other in the system, and
1739          * untangle workloads from different sides of the system. This requires
1740          * searching down the hierarchy of node groups, recursively searching
1741          * inside the highest scoring group of nodes. The nodemask tricks
1742          * keep the complexity of the search down.
1743          */
1744         nodes = node_online_map;
1745         for (dist = sched_max_numa_distance; dist > LOCAL_DISTANCE; dist--) {
1746                 unsigned long max_faults = 0;
1747                 nodemask_t max_group = NODE_MASK_NONE;
1748                 int a, b;
1749
1750                 /* Are there nodes at this distance from each other? */
1751                 if (!find_numa_distance(dist))
1752                         continue;
1753
1754                 for_each_node_mask(a, nodes) {
1755                         unsigned long faults = 0;
1756                         nodemask_t this_group;
1757                         nodes_clear(this_group);
1758
1759                         /* Sum group's NUMA faults; includes a==b case. */
1760                         for_each_node_mask(b, nodes) {
1761                                 if (node_distance(a, b) < dist) {
1762                                         faults += group_faults(p, b);
1763                                         node_set(b, this_group);
1764                                         node_clear(b, nodes);
1765                                 }
1766                         }
1767
1768                         /* Remember the top group. */
1769                         if (faults > max_faults) {
1770                                 max_faults = faults;
1771                                 max_group = this_group;
1772                                 /*
1773                                  * subtle: at the smallest distance there is
1774                                  * just one node left in each "group", the
1775                                  * winner is the preferred nid.
1776                                  */
1777                                 nid = a;
1778                         }
1779                 }
1780                 /* Next round, evaluate the nodes within max_group. */
1781                 if (!max_faults)
1782                         break;
1783                 nodes = max_group;
1784         }
1785         return nid;
1786 }
1787
1788 static void task_numa_placement(struct task_struct *p)
1789 {
1790         int seq, nid, max_nid = -1, max_group_nid = -1;
1791         unsigned long max_faults = 0, max_group_faults = 0;
1792         unsigned long fault_types[2] = { 0, 0 };
1793         unsigned long total_faults;
1794         u64 runtime, period;
1795         spinlock_t *group_lock = NULL;
1796
1797         seq = ACCESS_ONCE(p->mm->numa_scan_seq);
1798         if (p->numa_scan_seq == seq)
1799                 return;
1800         p->numa_scan_seq = seq;
1801         p->numa_scan_period_max = task_scan_max(p);
1802
1803         total_faults = p->numa_faults_locality[0] +
1804                        p->numa_faults_locality[1];
1805         runtime = numa_get_avg_runtime(p, &period);
1806
1807         /* If the task is part of a group prevent parallel updates to group stats */
1808         if (p->numa_group) {
1809                 group_lock = &p->numa_group->lock;
1810                 spin_lock_irq(group_lock);
1811         }
1812
1813         /* Find the node with the highest number of faults */
1814         for_each_online_node(nid) {
1815                 /* Keep track of the offsets in numa_faults array */
1816                 int mem_idx, membuf_idx, cpu_idx, cpubuf_idx;
1817                 unsigned long faults = 0, group_faults = 0;
1818                 int priv;
1819
1820                 for (priv = 0; priv < NR_NUMA_HINT_FAULT_TYPES; priv++) {
1821                         long diff, f_diff, f_weight;
1822
1823                         mem_idx = task_faults_idx(NUMA_MEM, nid, priv);
1824                         membuf_idx = task_faults_idx(NUMA_MEMBUF, nid, priv);
1825                         cpu_idx = task_faults_idx(NUMA_CPU, nid, priv);
1826                         cpubuf_idx = task_faults_idx(NUMA_CPUBUF, nid, priv);
1827
1828                         /* Decay existing window, copy faults since last scan */
1829                         diff = p->numa_faults[membuf_idx] - p->numa_faults[mem_idx] / 2;
1830                         fault_types[priv] += p->numa_faults[membuf_idx];
1831                         p->numa_faults[membuf_idx] = 0;
1832
1833                         /*
1834                          * Normalize the faults_from, so all tasks in a group
1835                          * count according to CPU use, instead of by the raw
1836                          * number of faults. Tasks with little runtime have
1837                          * little over-all impact on throughput, and thus their
1838                          * faults are less important.
1839                          */
1840                         f_weight = div64_u64(runtime << 16, period + 1);
1841                         f_weight = (f_weight * p->numa_faults[cpubuf_idx]) /
1842                                    (total_faults + 1);
1843                         f_diff = f_weight - p->numa_faults[cpu_idx] / 2;
1844                         p->numa_faults[cpubuf_idx] = 0;
1845
1846                         p->numa_faults[mem_idx] += diff;
1847                         p->numa_faults[cpu_idx] += f_diff;
1848                         faults += p->numa_faults[mem_idx];
1849                         p->total_numa_faults += diff;
1850                         if (p->numa_group) {
1851                                 /*
1852                                  * safe because we can only change our own group
1853                                  *
1854                                  * mem_idx represents the offset for a given
1855                                  * nid and priv in a specific region because it
1856                                  * is at the beginning of the numa_faults array.
1857                                  */
1858                                 p->numa_group->faults[mem_idx] += diff;
1859                                 p->numa_group->faults_cpu[mem_idx] += f_diff;
1860                                 p->numa_group->total_faults += diff;
1861                                 group_faults += p->numa_group->faults[mem_idx];
1862                         }
1863                 }
1864
1865                 if (faults > max_faults) {
1866                         max_faults = faults;
1867                         max_nid = nid;
1868                 }
1869
1870                 if (group_faults > max_group_faults) {
1871                         max_group_faults = group_faults;
1872                         max_group_nid = nid;
1873                 }
1874         }
1875
1876         update_task_scan_period(p, fault_types[0], fault_types[1]);
1877
1878         if (p->numa_group) {
1879                 update_numa_active_node_mask(p->numa_group);
1880                 spin_unlock_irq(group_lock);
1881                 max_nid = preferred_group_nid(p, max_group_nid);
1882         }
1883
1884         if (max_faults) {
1885                 /* Set the new preferred node */
1886                 if (max_nid != p->numa_preferred_nid)
1887                         sched_setnuma(p, max_nid);
1888
1889                 if (task_node(p) != p->numa_preferred_nid)
1890                         numa_migrate_preferred(p);
1891         }
1892 }
1893
1894 static inline int get_numa_group(struct numa_group *grp)
1895 {
1896         return atomic_inc_not_zero(&grp->refcount);
1897 }
1898
1899 static inline void put_numa_group(struct numa_group *grp)
1900 {
1901         if (atomic_dec_and_test(&grp->refcount))
1902                 kfree_rcu(grp, rcu);
1903 }
1904
1905 static void task_numa_group(struct task_struct *p, int cpupid, int flags,
1906                         int *priv)
1907 {
1908         struct numa_group *grp, *my_grp;
1909         struct task_struct *tsk;
1910         bool join = false;
1911         int cpu = cpupid_to_cpu(cpupid);
1912         int i;
1913
1914         if (unlikely(!p->numa_group)) {
1915                 unsigned int size = sizeof(struct numa_group) +
1916                                     4*nr_node_ids*sizeof(unsigned long);
1917
1918                 grp = kzalloc(size, GFP_KERNEL | __GFP_NOWARN);
1919                 if (!grp)
1920                         return;
1921
1922                 atomic_set(&grp->refcount, 1);
1923                 spin_lock_init(&grp->lock);
1924                 grp->gid = p->pid;
1925                 /* Second half of the array tracks nids where faults happen */
1926                 grp->faults_cpu = grp->faults + NR_NUMA_HINT_FAULT_TYPES *
1927                                                 nr_node_ids;
1928
1929                 node_set(task_node(current), grp->active_nodes);
1930
1931                 for (i = 0; i < NR_NUMA_HINT_FAULT_STATS * nr_node_ids; i++)
1932                         grp->faults[i] = p->numa_faults[i];
1933
1934                 grp->total_faults = p->total_numa_faults;
1935
1936                 grp->nr_tasks++;
1937                 rcu_assign_pointer(p->numa_group, grp);
1938         }
1939
1940         rcu_read_lock();
1941         tsk = ACCESS_ONCE(cpu_rq(cpu)->curr);
1942
1943         if (!cpupid_match_pid(tsk, cpupid))
1944                 goto no_join;
1945
1946         grp = rcu_dereference(tsk->numa_group);
1947         if (!grp)
1948                 goto no_join;
1949
1950         my_grp = p->numa_group;
1951         if (grp == my_grp)
1952                 goto no_join;
1953
1954         /*
1955          * Only join the other group if its bigger; if we're the bigger group,
1956          * the other task will join us.
1957          */
1958         if (my_grp->nr_tasks > grp->nr_tasks)
1959                 goto no_join;
1960
1961         /*
1962          * Tie-break on the grp address.
1963          */
1964         if (my_grp->nr_tasks == grp->nr_tasks && my_grp > grp)
1965                 goto no_join;
1966
1967         /* Always join threads in the same process. */
1968         if (tsk->mm == current->mm)
1969                 join = true;
1970
1971         /* Simple filter to avoid false positives due to PID collisions */
1972         if (flags & TNF_SHARED)
1973                 join = true;
1974
1975         /* Update priv based on whether false sharing was detected */
1976         *priv = !join;
1977
1978         if (join && !get_numa_group(grp))
1979                 goto no_join;
1980
1981         rcu_read_unlock();
1982
1983         if (!join)
1984                 return;
1985
1986         BUG_ON(irqs_disabled());
1987         double_lock_irq(&my_grp->lock, &grp->lock);
1988
1989         for (i = 0; i < NR_NUMA_HINT_FAULT_STATS * nr_node_ids; i++) {
1990                 my_grp->faults[i] -= p->numa_faults[i];
1991                 grp->faults[i] += p->numa_faults[i];
1992         }
1993         my_grp->total_faults -= p->total_numa_faults;
1994         grp->total_faults += p->total_numa_faults;
1995
1996         my_grp->nr_tasks--;
1997         grp->nr_tasks++;
1998
1999         spin_unlock(&my_grp->lock);
2000         spin_unlock_irq(&grp->lock);
2001
2002         rcu_assign_pointer(p->numa_group, grp);
2003
2004         put_numa_group(my_grp);
2005         return;
2006
2007 no_join:
2008         rcu_read_unlock();
2009         return;
2010 }
2011
2012 void task_numa_free(struct task_struct *p)
2013 {
2014         struct numa_group *grp = p->numa_group;
2015         void *numa_faults = p->numa_faults;
2016         unsigned long flags;
2017         int i;
2018
2019         if (grp) {
2020                 spin_lock_irqsave(&grp->lock, flags);
2021                 for (i = 0; i < NR_NUMA_HINT_FAULT_STATS * nr_node_ids; i++)
2022                         grp->faults[i] -= p->numa_faults[i];
2023                 grp->total_faults -= p->total_numa_faults;
2024
2025                 grp->nr_tasks--;
2026                 spin_unlock_irqrestore(&grp->lock, flags);
2027                 RCU_INIT_POINTER(p->numa_group, NULL);
2028                 put_numa_group(grp);
2029         }
2030
2031         p->numa_faults = NULL;
2032         kfree(numa_faults);
2033 }
2034
2035 /*
2036  * Got a PROT_NONE fault for a page on @node.
2037  */
2038 void task_numa_fault(int last_cpupid, int mem_node, int pages, int flags)
2039 {
2040         struct task_struct *p = current;
2041         bool migrated = flags & TNF_MIGRATED;
2042         int cpu_node = task_node(current);
2043         int local = !!(flags & TNF_FAULT_LOCAL);
2044         int priv;
2045
2046         if (!numabalancing_enabled)
2047                 return;
2048
2049         /* for example, ksmd faulting in a user's mm */
2050         if (!p->mm)
2051                 return;
2052
2053         /* Allocate buffer to track faults on a per-node basis */
2054         if (unlikely(!p->numa_faults)) {
2055                 int size = sizeof(*p->numa_faults) *
2056                            NR_NUMA_HINT_FAULT_BUCKETS * nr_node_ids;
2057
2058                 p->numa_faults = kzalloc(size, GFP_KERNEL|__GFP_NOWARN);
2059                 if (!p->numa_faults)
2060                         return;
2061
2062                 p->total_numa_faults = 0;
2063                 memset(p->numa_faults_locality, 0, sizeof(p->numa_faults_locality));
2064         }
2065
2066         /*
2067          * First accesses are treated as private, otherwise consider accesses
2068          * to be private if the accessing pid has not changed
2069          */
2070         if (unlikely(last_cpupid == (-1 & LAST_CPUPID_MASK))) {
2071                 priv = 1;
2072         } else {
2073                 priv = cpupid_match_pid(p, last_cpupid);
2074                 if (!priv && !(flags & TNF_NO_GROUP))
2075                         task_numa_group(p, last_cpupid, flags, &priv);
2076         }
2077
2078         /*
2079          * If a workload spans multiple NUMA nodes, a shared fault that
2080          * occurs wholly within the set of nodes that the workload is
2081          * actively using should be counted as local. This allows the
2082          * scan rate to slow down when a workload has settled down.
2083          */
2084         if (!priv && !local && p->numa_group &&
2085                         node_isset(cpu_node, p->numa_group->active_nodes) &&
2086                         node_isset(mem_node, p->numa_group->active_nodes))
2087                 local = 1;
2088
2089         task_numa_placement(p);
2090
2091         /*
2092          * Retry task to preferred node migration periodically, in case it
2093          * case it previously failed, or the scheduler moved us.
2094          */
2095         if (time_after(jiffies, p->numa_migrate_retry))
2096                 numa_migrate_preferred(p);
2097
2098         if (migrated)
2099                 p->numa_pages_migrated += pages;
2100         if (flags & TNF_MIGRATE_FAIL)
2101                 p->numa_faults_locality[2] += pages;
2102
2103         p->numa_faults[task_faults_idx(NUMA_MEMBUF, mem_node, priv)] += pages;
2104         p->numa_faults[task_faults_idx(NUMA_CPUBUF, cpu_node, priv)] += pages;
2105         p->numa_faults_locality[local] += pages;
2106 }
2107
2108 static void reset_ptenuma_scan(struct task_struct *p)
2109 {
2110         ACCESS_ONCE(p->mm->numa_scan_seq)++;
2111         p->mm->numa_scan_offset = 0;
2112 }
2113
2114 /*
2115  * The expensive part of numa migration is done from task_work context.
2116  * Triggered from task_tick_numa().
2117  */
2118 void task_numa_work(struct callback_head *work)
2119 {
2120         unsigned long migrate, next_scan, now = jiffies;
2121         struct task_struct *p = current;
2122         struct mm_struct *mm = p->mm;
2123         struct vm_area_struct *vma;
2124         unsigned long start, end;
2125         unsigned long nr_pte_updates = 0;
2126         long pages;
2127
2128         WARN_ON_ONCE(p != container_of(work, struct task_struct, numa_work));
2129
2130         work->next = work; /* protect against double add */
2131         /*
2132          * Who cares about NUMA placement when they're dying.
2133          *
2134          * NOTE: make sure not to dereference p->mm before this check,
2135          * exit_task_work() happens _after_ exit_mm() so we could be called
2136          * without p->mm even though we still had it when we enqueued this
2137          * work.
2138          */
2139         if (p->flags & PF_EXITING)
2140                 return;
2141
2142         if (!mm->numa_next_scan) {
2143                 mm->numa_next_scan = now +
2144                         msecs_to_jiffies(sysctl_numa_balancing_scan_delay);
2145         }
2146
2147         /*
2148          * Enforce maximal scan/migration frequency..
2149          */
2150         migrate = mm->numa_next_scan;
2151         if (time_before(now, migrate))
2152                 return;
2153
2154         if (p->numa_scan_period == 0) {
2155                 p->numa_scan_period_max = task_scan_max(p);
2156                 p->numa_scan_period = task_scan_min(p);
2157         }
2158
2159         next_scan = now + msecs_to_jiffies(p->numa_scan_period);
2160         if (cmpxchg(&mm->numa_next_scan, migrate, next_scan) != migrate)
2161                 return;
2162
2163         /*
2164          * Delay this task enough that another task of this mm will likely win
2165          * the next time around.
2166          */
2167         p->node_stamp += 2 * TICK_NSEC;
2168
2169         start = mm->numa_scan_offset;
2170         pages = sysctl_numa_balancing_scan_size;
2171         pages <<= 20 - PAGE_SHIFT; /* MB in pages */
2172         if (!pages)
2173                 return;
2174
2175         down_read(&mm->mmap_sem);
2176         vma = find_vma(mm, start);
2177         if (!vma) {
2178                 reset_ptenuma_scan(p);
2179                 start = 0;
2180                 vma = mm->mmap;
2181         }
2182         for (; vma; vma = vma->vm_next) {
2183                 if (!vma_migratable(vma) || !vma_policy_mof(vma) ||
2184                         is_vm_hugetlb_page(vma) || (vma->vm_flags & VM_MIXEDMAP)) {
2185                         continue;
2186                 }
2187
2188                 /*
2189                  * Shared library pages mapped by multiple processes are not
2190                  * migrated as it is expected they are cache replicated. Avoid
2191                  * hinting faults in read-only file-backed mappings or the vdso
2192                  * as migrating the pages will be of marginal benefit.
2193                  */
2194                 if (!vma->vm_mm ||
2195                     (vma->vm_file && (vma->vm_flags & (VM_READ|VM_WRITE)) == (VM_READ)))
2196                         continue;
2197
2198                 /*
2199                  * Skip inaccessible VMAs to avoid any confusion between
2200                  * PROT_NONE and NUMA hinting ptes
2201                  */
2202                 if (!(vma->vm_flags & (VM_READ | VM_EXEC | VM_WRITE)))
2203                         continue;
2204
2205                 do {
2206                         start = max(start, vma->vm_start);
2207                         end = ALIGN(start + (pages << PAGE_SHIFT), HPAGE_SIZE);
2208                         end = min(end, vma->vm_end);
2209                         nr_pte_updates += change_prot_numa(vma, start, end);
2210
2211                         /*
2212                          * Scan sysctl_numa_balancing_scan_size but ensure that
2213                          * at least one PTE is updated so that unused virtual
2214                          * address space is quickly skipped.
2215                          */
2216                         if (nr_pte_updates)
2217                                 pages -= (end - start) >> PAGE_SHIFT;
2218
2219                         start = end;
2220                         if (pages <= 0)
2221                                 goto out;
2222
2223                         cond_resched();
2224                 } while (end != vma->vm_end);
2225         }
2226
2227 out:
2228         /*
2229          * It is possible to reach the end of the VMA list but the last few
2230          * VMAs are not guaranteed to the vma_migratable. If they are not, we
2231          * would find the !migratable VMA on the next scan but not reset the
2232          * scanner to the start so check it now.
2233          */
2234         if (vma)
2235                 mm->numa_scan_offset = start;
2236         else
2237                 reset_ptenuma_scan(p);
2238         up_read(&mm->mmap_sem);
2239 }
2240
2241 /*
2242  * Drive the periodic memory faults..
2243  */
2244 void task_tick_numa(struct rq *rq, struct task_struct *curr)
2245 {
2246         struct callback_head *work = &curr->numa_work;
2247         u64 period, now;
2248
2249         /*
2250          * We don't care about NUMA placement if we don't have memory.
2251          */
2252         if (!curr->mm || (curr->flags & PF_EXITING) || work->next != work)
2253                 return;
2254
2255         /*
2256          * Using runtime rather than walltime has the dual advantage that
2257          * we (mostly) drive the selection from busy threads and that the
2258          * task needs to have done some actual work before we bother with
2259          * NUMA placement.
2260          */
2261         now = curr->se.sum_exec_runtime;
2262         period = (u64)curr->numa_scan_period * NSEC_PER_MSEC;
2263
2264         if (now - curr->node_stamp > period) {
2265                 if (!curr->node_stamp)
2266                         curr->numa_scan_period = task_scan_min(curr);
2267                 curr->node_stamp += period;
2268
2269                 if (!time_before(jiffies, curr->mm->numa_next_scan)) {
2270                         init_task_work(work, task_numa_work); /* TODO: move this into sched_fork() */
2271                         task_work_add(curr, work, true);
2272                 }
2273         }
2274 }
2275 #else
2276 static void task_tick_numa(struct rq *rq, struct task_struct *curr)
2277 {
2278 }
2279
2280 static inline void account_numa_enqueue(struct rq *rq, struct task_struct *p)
2281 {
2282 }
2283
2284 static inline void account_numa_dequeue(struct rq *rq, struct task_struct *p)
2285 {
2286 }
2287 #endif /* CONFIG_NUMA_BALANCING */
2288
2289 static void
2290 account_entity_enqueue(struct cfs_rq *cfs_rq, struct sched_entity *se)
2291 {
2292         update_load_add(&cfs_rq->load, se->load.weight);
2293         if (!parent_entity(se))
2294                 update_load_add(&rq_of(cfs_rq)->load, se->load.weight);
2295 #ifdef CONFIG_SMP
2296         if (entity_is_task(se)) {
2297                 struct rq *rq = rq_of(cfs_rq);
2298
2299                 account_numa_enqueue(rq, task_of(se));
2300                 list_add(&se->group_node, &rq->cfs_tasks);
2301         }
2302 #endif
2303         cfs_rq->nr_running++;
2304 }
2305
2306 static void
2307 account_entity_dequeue(struct cfs_rq *cfs_rq, struct sched_entity *se)
2308 {
2309         update_load_sub(&cfs_rq->load, se->load.weight);
2310         if (!parent_entity(se))
2311                 update_load_sub(&rq_of(cfs_rq)->load, se->load.weight);
2312         if (entity_is_task(se)) {
2313                 account_numa_dequeue(rq_of(cfs_rq), task_of(se));
2314                 list_del_init(&se->group_node);
2315         }
2316         cfs_rq->nr_running--;
2317 }
2318
2319 #ifdef CONFIG_FAIR_GROUP_SCHED
2320 # ifdef CONFIG_SMP
2321 static inline long calc_tg_weight(struct task_group *tg, struct cfs_rq *cfs_rq)
2322 {
2323         long tg_weight;
2324
2325         /*
2326          * Use this CPU's actual weight instead of the last load_contribution
2327          * to gain a more accurate current total weight. See
2328          * update_cfs_rq_load_contribution().
2329          */
2330         tg_weight = atomic_long_read(&tg->load_avg);
2331         tg_weight -= cfs_rq->tg_load_contrib;
2332         tg_weight += cfs_rq->load.weight;
2333
2334         return tg_weight;
2335 }
2336
2337 static long calc_cfs_shares(struct cfs_rq *cfs_rq, struct task_group *tg)
2338 {
2339         long tg_weight, load, shares;
2340
2341         tg_weight = calc_tg_weight(tg, cfs_rq);
2342         load = cfs_rq->load.weight;
2343
2344         shares = (tg->shares * load);
2345         if (tg_weight)
2346                 shares /= tg_weight;
2347
2348         if (shares < MIN_SHARES)
2349                 shares = MIN_SHARES;
2350         if (shares > tg->shares)
2351                 shares = tg->shares;
2352
2353         return shares;
2354 }
2355 # else /* CONFIG_SMP */
2356 static inline long calc_cfs_shares(struct cfs_rq *cfs_rq, struct task_group *tg)
2357 {
2358         return tg->shares;
2359 }
2360 # endif /* CONFIG_SMP */
2361 static void reweight_entity(struct cfs_rq *cfs_rq, struct sched_entity *se,
2362                             unsigned long weight)
2363 {
2364         if (se->on_rq) {
2365                 /* commit outstanding execution time */
2366                 if (cfs_rq->curr == se)
2367                         update_curr(cfs_rq);
2368                 account_entity_dequeue(cfs_rq, se);
2369         }
2370
2371         update_load_set(&se->load, weight);
2372
2373         if (se->on_rq)
2374                 account_entity_enqueue(cfs_rq, se);
2375 }
2376
2377 static inline int throttled_hierarchy(struct cfs_rq *cfs_rq);
2378
2379 static void update_cfs_shares(struct cfs_rq *cfs_rq)
2380 {
2381         struct task_group *tg;
2382         struct sched_entity *se;
2383         long shares;
2384
2385         tg = cfs_rq->tg;
2386         se = tg->se[cpu_of(rq_of(cfs_rq))];
2387         if (!se || throttled_hierarchy(cfs_rq))
2388                 return;
2389 #ifndef CONFIG_SMP
2390         if (likely(se->load.weight == tg->shares))
2391                 return;
2392 #endif
2393         shares = calc_cfs_shares(cfs_rq, tg);
2394
2395         reweight_entity(cfs_rq_of(se), se, shares);
2396 }
2397 #else /* CONFIG_FAIR_GROUP_SCHED */
2398 static inline void update_cfs_shares(struct cfs_rq *cfs_rq)
2399 {
2400 }
2401 #endif /* CONFIG_FAIR_GROUP_SCHED */
2402
2403 #ifdef CONFIG_SMP
2404 /*
2405  * We choose a half-life close to 1 scheduling period.
2406  * Note: The tables below are dependent on this value.
2407  */
2408 #define LOAD_AVG_PERIOD 32
2409 #define LOAD_AVG_MAX 47742 /* maximum possible load avg */
2410 #define LOAD_AVG_MAX_N 345 /* number of full periods to produce LOAD_MAX_AVG */
2411
2412 /* Precomputed fixed inverse multiplies for multiplication by y^n */
2413 static const u32 runnable_avg_yN_inv[] = {
2414         0xffffffff, 0xfa83b2da, 0xf5257d14, 0xefe4b99a, 0xeac0c6e6, 0xe5b906e6,
2415         0xe0ccdeeb, 0xdbfbb796, 0xd744fcc9, 0xd2a81d91, 0xce248c14, 0xc9b9bd85,
2416         0xc5672a10, 0xc12c4cc9, 0xbd08a39e, 0xb8fbaf46, 0xb504f333, 0xb123f581,
2417         0xad583ee9, 0xa9a15ab4, 0xa5fed6a9, 0xa2704302, 0x9ef5325f, 0x9b8d39b9,
2418         0x9837f050, 0x94f4efa8, 0x91c3d373, 0x8ea4398a, 0x8b95c1e3, 0x88980e80,
2419         0x85aac367, 0x82cd8698,
2420 };
2421
2422 /*
2423  * Precomputed \Sum y^k { 1<=k<=n }.  These are floor(true_value) to prevent
2424  * over-estimates when re-combining.
2425  */
2426 static const u32 runnable_avg_yN_sum[] = {
2427             0, 1002, 1982, 2941, 3880, 4798, 5697, 6576, 7437, 8279, 9103,
2428          9909,10698,11470,12226,12966,13690,14398,15091,15769,16433,17082,
2429         17718,18340,18949,19545,20128,20698,21256,21802,22336,22859,23371,
2430 };
2431
2432 /*
2433  * Approximate:
2434  *   val * y^n,    where y^32 ~= 0.5 (~1 scheduling period)
2435  */
2436 static __always_inline u64 decay_load(u64 val, u64 n)
2437 {
2438         unsigned int local_n;
2439
2440         if (!n)
2441                 return val;
2442         else if (unlikely(n > LOAD_AVG_PERIOD * 63))
2443                 return 0;
2444
2445         /* after bounds checking we can collapse to 32-bit */
2446         local_n = n;
2447
2448         /*
2449          * As y^PERIOD = 1/2, we can combine
2450          *    y^n = 1/2^(n/PERIOD) * y^(n%PERIOD)
2451          * With a look-up table which covers y^n (n<PERIOD)
2452          *
2453          * To achieve constant time decay_load.
2454          */
2455         if (unlikely(local_n >= LOAD_AVG_PERIOD)) {
2456                 val >>= local_n / LOAD_AVG_PERIOD;
2457                 local_n %= LOAD_AVG_PERIOD;
2458         }
2459
2460         val *= runnable_avg_yN_inv[local_n];
2461         /* We don't use SRR here since we always want to round down. */
2462         return val >> 32;
2463 }
2464
2465 /*
2466  * For updates fully spanning n periods, the contribution to runnable
2467  * average will be: \Sum 1024*y^n
2468  *
2469  * We can compute this reasonably efficiently by combining:
2470  *   y^PERIOD = 1/2 with precomputed \Sum 1024*y^n {for  n <PERIOD}
2471  */
2472 static u32 __compute_runnable_contrib(u64 n)
2473 {
2474         u32 contrib = 0;
2475
2476         if (likely(n <= LOAD_AVG_PERIOD))
2477                 return runnable_avg_yN_sum[n];
2478         else if (unlikely(n >= LOAD_AVG_MAX_N))
2479                 return LOAD_AVG_MAX;
2480
2481         /* Compute \Sum k^n combining precomputed values for k^i, \Sum k^j */
2482         do {
2483                 contrib /= 2; /* y^LOAD_AVG_PERIOD = 1/2 */
2484                 contrib += runnable_avg_yN_sum[LOAD_AVG_PERIOD];
2485
2486                 n -= LOAD_AVG_PERIOD;
2487         } while (n > LOAD_AVG_PERIOD);
2488
2489         contrib = decay_load(contrib, n);
2490         return contrib + runnable_avg_yN_sum[n];
2491 }
2492
2493 /*
2494  * We can represent the historical contribution to runnable average as the
2495  * coefficients of a geometric series.  To do this we sub-divide our runnable
2496  * history into segments of approximately 1ms (1024us); label the segment that
2497  * occurred N-ms ago p_N, with p_0 corresponding to the current period, e.g.
2498  *
2499  * [<- 1024us ->|<- 1024us ->|<- 1024us ->| ...
2500  *      p0            p1           p2
2501  *     (now)       (~1ms ago)  (~2ms ago)
2502  *
2503  * Let u_i denote the fraction of p_i that the entity was runnable.
2504  *
2505  * We then designate the fractions u_i as our co-efficients, yielding the
2506  * following representation of historical load:
2507  *   u_0 + u_1*y + u_2*y^2 + u_3*y^3 + ...
2508  *
2509  * We choose y based on the with of a reasonably scheduling period, fixing:
2510  *   y^32 = 0.5
2511  *
2512  * This means that the contribution to load ~32ms ago (u_32) will be weighted
2513  * approximately half as much as the contribution to load within the last ms
2514  * (u_0).
2515  *
2516  * When a period "rolls over" and we have new u_0`, multiplying the previous
2517  * sum again by y is sufficient to update:
2518  *   load_avg = u_0` + y*(u_0 + u_1*y + u_2*y^2 + ... )
2519  *            = u_0 + u_1*y + u_2*y^2 + ... [re-labeling u_i --> u_{i+1}]
2520  */
2521 static __always_inline int __update_entity_runnable_avg(u64 now, int cpu,
2522                                                         struct sched_avg *sa,
2523                                                         int runnable,
2524                                                         int running)
2525 {
2526         u64 delta, periods;
2527         u32 runnable_contrib;
2528         int delta_w, decayed = 0;
2529         unsigned long scale_freq = arch_scale_freq_capacity(NULL, cpu);
2530
2531         delta = now - sa->last_runnable_update;
2532         /*
2533          * This should only happen when time goes backwards, which it
2534          * unfortunately does during sched clock init when we swap over to TSC.
2535          */
2536         if ((s64)delta < 0) {
2537                 sa->last_runnable_update = now;
2538                 return 0;
2539         }
2540
2541         /*
2542          * Use 1024ns as the unit of measurement since it's a reasonable
2543          * approximation of 1us and fast to compute.
2544          */
2545         delta >>= 10;
2546         if (!delta)
2547                 return 0;
2548         sa->last_runnable_update = now;
2549
2550         /* delta_w is the amount already accumulated against our next period */
2551         delta_w = sa->avg_period % 1024;
2552         if (delta + delta_w >= 1024) {
2553                 /* period roll-over */
2554                 decayed = 1;
2555
2556                 /*
2557                  * Now that we know we're crossing a period boundary, figure
2558                  * out how much from delta we need to complete the current
2559                  * period and accrue it.
2560                  */
2561                 delta_w = 1024 - delta_w;
2562                 if (runnable)
2563                         sa->runnable_avg_sum += delta_w;
2564                 if (running)
2565                         sa->running_avg_sum += delta_w * scale_freq
2566                                 >> SCHED_CAPACITY_SHIFT;
2567                 sa->avg_period += delta_w;
2568
2569                 delta -= delta_w;
2570
2571                 /* Figure out how many additional periods this update spans */
2572                 periods = delta / 1024;
2573                 delta %= 1024;
2574
2575                 sa->runnable_avg_sum = decay_load(sa->runnable_avg_sum,
2576                                                   periods + 1);
2577                 sa->running_avg_sum = decay_load(sa->running_avg_sum,
2578                                                   periods + 1);
2579                 sa->avg_period = decay_load(sa->avg_period,
2580                                                      periods + 1);
2581
2582                 /* Efficiently calculate \sum (1..n_period) 1024*y^i */
2583                 runnable_contrib = __compute_runnable_contrib(periods);
2584                 if (runnable)
2585                         sa->runnable_avg_sum += runnable_contrib;
2586                 if (running)
2587                         sa->running_avg_sum += runnable_contrib * scale_freq
2588                                 >> SCHED_CAPACITY_SHIFT;
2589                 sa->avg_period += runnable_contrib;
2590         }
2591
2592         /* Remainder of delta accrued against u_0` */
2593         if (runnable)
2594                 sa->runnable_avg_sum += delta;
2595         if (running)
2596                 sa->running_avg_sum += delta * scale_freq
2597                         >> SCHED_CAPACITY_SHIFT;
2598         sa->avg_period += delta;
2599
2600         return decayed;
2601 }
2602
2603 /* Synchronize an entity's decay with its parenting cfs_rq.*/
2604 static inline u64 __synchronize_entity_decay(struct sched_entity *se)
2605 {
2606         struct cfs_rq *cfs_rq = cfs_rq_of(se);
2607         u64 decays = atomic64_read(&cfs_rq->decay_counter);
2608
2609         decays -= se->avg.decay_count;
2610         se->avg.decay_count = 0;
2611         if (!decays)
2612                 return 0;
2613
2614         se->avg.load_avg_contrib = decay_load(se->avg.load_avg_contrib, decays);
2615         se->avg.utilization_avg_contrib =
2616                 decay_load(se->avg.utilization_avg_contrib, decays);
2617
2618         return decays;
2619 }
2620
2621 #ifdef CONFIG_FAIR_GROUP_SCHED
2622 static inline void __update_cfs_rq_tg_load_contrib(struct cfs_rq *cfs_rq,
2623                                                  int force_update)
2624 {
2625         struct task_group *tg = cfs_rq->tg;
2626         long tg_contrib;
2627
2628         tg_contrib = cfs_rq->runnable_load_avg + cfs_rq->blocked_load_avg;
2629         tg_contrib -= cfs_rq->tg_load_contrib;
2630
2631         if (!tg_contrib)
2632                 return;
2633
2634         if (force_update || abs(tg_contrib) > cfs_rq->tg_load_contrib / 8) {
2635                 atomic_long_add(tg_contrib, &tg->load_avg);
2636                 cfs_rq->tg_load_contrib += tg_contrib;
2637         }
2638 }
2639
2640 /*
2641  * Aggregate cfs_rq runnable averages into an equivalent task_group
2642  * representation for computing load contributions.
2643  */
2644 static inline void __update_tg_runnable_avg(struct sched_avg *sa,
2645                                                   struct cfs_rq *cfs_rq)
2646 {
2647         struct task_group *tg = cfs_rq->tg;
2648         long contrib;
2649
2650         /* The fraction of a cpu used by this cfs_rq */
2651         contrib = div_u64((u64)sa->runnable_avg_sum << NICE_0_SHIFT,
2652                           sa->avg_period + 1);
2653         contrib -= cfs_rq->tg_runnable_contrib;
2654
2655         if (abs(contrib) > cfs_rq->tg_runnable_contrib / 64) {
2656                 atomic_add(contrib, &tg->runnable_avg);
2657                 cfs_rq->tg_runnable_contrib += contrib;
2658         }
2659 }
2660
2661 static inline void __update_group_entity_contrib(struct sched_entity *se)
2662 {
2663         struct cfs_rq *cfs_rq = group_cfs_rq(se);
2664         struct task_group *tg = cfs_rq->tg;
2665         int runnable_avg;
2666
2667         u64 contrib;
2668
2669         contrib = cfs_rq->tg_load_contrib * tg->shares;
2670         se->avg.load_avg_contrib = div_u64(contrib,
2671                                      atomic_long_read(&tg->load_avg) + 1);
2672
2673         /*
2674          * For group entities we need to compute a correction term in the case
2675          * that they are consuming <1 cpu so that we would contribute the same
2676          * load as a task of equal weight.
2677          *
2678          * Explicitly co-ordinating this measurement would be expensive, but
2679          * fortunately the sum of each cpus contribution forms a usable
2680          * lower-bound on the true value.
2681          *
2682          * Consider the aggregate of 2 contributions.  Either they are disjoint
2683          * (and the sum represents true value) or they are disjoint and we are
2684          * understating by the aggregate of their overlap.
2685          *
2686          * Extending this to N cpus, for a given overlap, the maximum amount we
2687          * understand is then n_i(n_i+1)/2 * w_i where n_i is the number of
2688          * cpus that overlap for this interval and w_i is the interval width.
2689          *
2690          * On a small machine; the first term is well-bounded which bounds the
2691          * total error since w_i is a subset of the period.  Whereas on a
2692          * larger machine, while this first term can be larger, if w_i is the
2693          * of consequential size guaranteed to see n_i*w_i quickly converge to
2694          * our upper bound of 1-cpu.
2695          */
2696         runnable_avg = atomic_read(&tg->runnable_avg);
2697         if (runnable_avg < NICE_0_LOAD) {
2698                 se->avg.load_avg_contrib *= runnable_avg;
2699                 se->avg.load_avg_contrib >>= NICE_0_SHIFT;
2700         }
2701 }
2702
2703 static inline void update_rq_runnable_avg(struct rq *rq, int runnable)
2704 {
2705         __update_entity_runnable_avg(rq_clock_task(rq), cpu_of(rq), &rq->avg,
2706                         runnable, runnable);
2707         __update_tg_runnable_avg(&rq->avg, &rq->cfs);
2708 }
2709 #else /* CONFIG_FAIR_GROUP_SCHED */
2710 static inline void __update_cfs_rq_tg_load_contrib(struct cfs_rq *cfs_rq,
2711                                                  int force_update) {}
2712 static inline void __update_tg_runnable_avg(struct sched_avg *sa,
2713                                                   struct cfs_rq *cfs_rq) {}
2714 static inline void __update_group_entity_contrib(struct sched_entity *se) {}
2715 static inline void update_rq_runnable_avg(struct rq *rq, int runnable) {}
2716 #endif /* CONFIG_FAIR_GROUP_SCHED */
2717
2718 static inline void __update_task_entity_contrib(struct sched_entity *se)
2719 {
2720         u32 contrib;
2721
2722         /* avoid overflowing a 32-bit type w/ SCHED_LOAD_SCALE */
2723         contrib = se->avg.runnable_avg_sum * scale_load_down(se->load.weight);
2724         contrib /= (se->avg.avg_period + 1);
2725         se->avg.load_avg_contrib = scale_load(contrib);
2726 }
2727
2728 /* Compute the current contribution to load_avg by se, return any delta */
2729 static long __update_entity_load_avg_contrib(struct sched_entity *se)
2730 {
2731         long old_contrib = se->avg.load_avg_contrib;
2732
2733         if (entity_is_task(se)) {
2734                 __update_task_entity_contrib(se);
2735         } else {
2736                 __update_tg_runnable_avg(&se->avg, group_cfs_rq(se));
2737                 __update_group_entity_contrib(se);
2738         }
2739
2740         return se->avg.load_avg_contrib - old_contrib;
2741 }
2742
2743
2744 static inline void __update_task_entity_utilization(struct sched_entity *se)
2745 {
2746         u32 contrib;
2747
2748         /* avoid overflowing a 32-bit type w/ SCHED_LOAD_SCALE */
2749         contrib = se->avg.running_avg_sum * scale_load_down(SCHED_LOAD_SCALE);
2750         contrib /= (se->avg.avg_period + 1);
2751         se->avg.utilization_avg_contrib = scale_load(contrib);
2752 }
2753
2754 static long __update_entity_utilization_avg_contrib(struct sched_entity *se)
2755 {
2756         long old_contrib = se->avg.utilization_avg_contrib;
2757
2758         if (entity_is_task(se))
2759                 __update_task_entity_utilization(se);
2760         else
2761                 se->avg.utilization_avg_contrib =
2762                                         group_cfs_rq(se)->utilization_load_avg;
2763
2764         return se->avg.utilization_avg_contrib - old_contrib;
2765 }
2766
2767 static inline void subtract_blocked_load_contrib(struct cfs_rq *cfs_rq,
2768                                                  long load_contrib)
2769 {
2770         if (likely(load_contrib < cfs_rq->blocked_load_avg))
2771                 cfs_rq->blocked_load_avg -= load_contrib;
2772         else
2773                 cfs_rq->blocked_load_avg = 0;
2774 }
2775
2776 static inline u64 cfs_rq_clock_task(struct cfs_rq *cfs_rq);
2777
2778 /* Update a sched_entity's runnable average */
2779 static inline void update_entity_load_avg(struct sched_entity *se,
2780                                           int update_cfs_rq)
2781 {
2782         struct cfs_rq *cfs_rq = cfs_rq_of(se);
2783         long contrib_delta, utilization_delta;
2784         int cpu = cpu_of(rq_of(cfs_rq));
2785         u64 now;
2786
2787         /*
2788          * For a group entity we need to use their owned cfs_rq_clock_task() in
2789          * case they are the parent of a throttled hierarchy.
2790          */
2791         if (entity_is_task(se))
2792                 now = cfs_rq_clock_task(cfs_rq);
2793         else
2794                 now = cfs_rq_clock_task(group_cfs_rq(se));
2795
2796         if (!__update_entity_runnable_avg(now, cpu, &se->avg, se->on_rq,
2797                                         cfs_rq->curr == se))
2798                 return;
2799
2800         contrib_delta = __update_entity_load_avg_contrib(se);
2801         utilization_delta = __update_entity_utilization_avg_contrib(se);
2802
2803         if (!update_cfs_rq)
2804                 return;
2805
2806         if (se->on_rq) {
2807                 cfs_rq->runnable_load_avg += contrib_delta;
2808                 cfs_rq->utilization_load_avg += utilization_delta;
2809         } else {
2810                 subtract_blocked_load_contrib(cfs_rq, -contrib_delta);
2811         }
2812 }
2813
2814 /*
2815  * Decay the load contributed by all blocked children and account this so that
2816  * their contribution may appropriately discounted when they wake up.
2817  */
2818 static void update_cfs_rq_blocked_load(struct cfs_rq *cfs_rq, int force_update)
2819 {
2820         u64 now = cfs_rq_clock_task(cfs_rq) >> 20;
2821         u64 decays;
2822
2823         decays = now - cfs_rq->last_decay;
2824         if (!decays && !force_update)
2825                 return;
2826
2827         if (atomic_long_read(&cfs_rq->removed_load)) {
2828                 unsigned long removed_load;
2829                 removed_load = atomic_long_xchg(&cfs_rq->removed_load, 0);
2830                 subtract_blocked_load_contrib(cfs_rq, removed_load);
2831         }
2832
2833         if (decays) {
2834                 cfs_rq->blocked_load_avg = decay_load(cfs_rq->blocked_load_avg,
2835                                                       decays);
2836                 atomic64_add(decays, &cfs_rq->decay_counter);
2837                 cfs_rq->last_decay = now;
2838         }
2839
2840         __update_cfs_rq_tg_load_contrib(cfs_rq, force_update);
2841 }
2842
2843 /* Add the load generated by se into cfs_rq's child load-average */
2844 static inline void enqueue_entity_load_avg(struct cfs_rq *cfs_rq,
2845                                                   struct sched_entity *se,
2846                                                   int wakeup)
2847 {
2848         /*
2849          * We track migrations using entity decay_count <= 0, on a wake-up
2850          * migration we use a negative decay count to track the remote decays
2851          * accumulated while sleeping.
2852          *
2853          * Newly forked tasks are enqueued with se->avg.decay_count == 0, they
2854          * are seen by enqueue_entity_load_avg() as a migration with an already
2855          * constructed load_avg_contrib.
2856          */
2857         if (unlikely(se->avg.decay_count <= 0)) {
2858                 se->avg.last_runnable_update = rq_clock_task(rq_of(cfs_rq));
2859                 if (se->avg.decay_count) {
2860                         /*
2861                          * In a wake-up migration we have to approximate the
2862                          * time sleeping.  This is because we can't synchronize
2863                          * clock_task between the two cpus, and it is not
2864                          * guaranteed to be read-safe.  Instead, we can
2865                          * approximate this using our carried decays, which are
2866                          * explicitly atomically readable.
2867                          */
2868                         se->avg.last_runnable_update -= (-se->avg.decay_count)
2869                                                         << 20;
2870                         update_entity_load_avg(se, 0);
2871                         /* Indicate that we're now synchronized and on-rq */
2872                         se->avg.decay_count = 0;
2873                 }
2874                 wakeup = 0;
2875         } else {
2876                 __synchronize_entity_decay(se);
2877         }
2878
2879         /* migrated tasks did not contribute to our blocked load */
2880         if (wakeup) {
2881                 subtract_blocked_load_contrib(cfs_rq, se->avg.load_avg_contrib);
2882                 update_entity_load_avg(se, 0);
2883         }
2884
2885         cfs_rq->runnable_load_avg += se->avg.load_avg_contrib;
2886         cfs_rq->utilization_load_avg += se->avg.utilization_avg_contrib;
2887         /* we force update consideration on load-balancer moves */
2888         update_cfs_rq_blocked_load(cfs_rq, !wakeup);
2889 }
2890
2891 /*
2892  * Remove se's load from this cfs_rq child load-average, if the entity is
2893  * transitioning to a blocked state we track its projected decay using
2894  * blocked_load_avg.
2895  */
2896 static inline void dequeue_entity_load_avg(struct cfs_rq *cfs_rq,
2897                                                   struct sched_entity *se,
2898                                                   int sleep)
2899 {
2900         update_entity_load_avg(se, 1);
2901         /* we force update consideration on load-balancer moves */
2902         update_cfs_rq_blocked_load(cfs_rq, !sleep);
2903
2904         cfs_rq->runnable_load_avg -= se->avg.load_avg_contrib;
2905         cfs_rq->utilization_load_avg -= se->avg.utilization_avg_contrib;
2906         if (sleep) {
2907                 cfs_rq->blocked_load_avg += se->avg.load_avg_contrib;
2908                 se->avg.decay_count = atomic64_read(&cfs_rq->decay_counter);
2909         } /* migrations, e.g. sleep=0 leave decay_count == 0 */
2910 }
2911
2912 /*
2913  * Update the rq's load with the elapsed running time before entering
2914  * idle. if the last scheduled task is not a CFS task, idle_enter will
2915  * be the only way to update the runnable statistic.
2916  */
2917 void idle_enter_fair(struct rq *this_rq)
2918 {
2919         update_rq_runnable_avg(this_rq, 1);
2920 }
2921
2922 /*
2923  * Update the rq's load with the elapsed idle time before a task is
2924  * scheduled. if the newly scheduled task is not a CFS task, idle_exit will
2925  * be the only way to update the runnable statistic.
2926  */
2927 void idle_exit_fair(struct rq *this_rq)
2928 {
2929         update_rq_runnable_avg(this_rq, 0);
2930 }
2931
2932 static int idle_balance(struct rq *this_rq);
2933
2934 #else /* CONFIG_SMP */
2935
2936 static inline void update_entity_load_avg(struct sched_entity *se,
2937                                           int update_cfs_rq) {}
2938 static inline void update_rq_runnable_avg(struct rq *rq, int runnable) {}
2939 static inline void enqueue_entity_load_avg(struct cfs_rq *cfs_rq,
2940                                            struct sched_entity *se,
2941                                            int wakeup) {}
2942 static inline void dequeue_entity_load_avg(struct cfs_rq *cfs_rq,
2943                                            struct sched_entity *se,
2944                                            int sleep) {}
2945 static inline void update_cfs_rq_blocked_load(struct cfs_rq *cfs_rq,
2946                                               int force_update) {}
2947
2948 static inline int idle_balance(struct rq *rq)
2949 {
2950         return 0;
2951 }
2952
2953 #endif /* CONFIG_SMP */
2954
2955 static void enqueue_sleeper(struct cfs_rq *cfs_rq, struct sched_entity *se)
2956 {
2957 #ifdef CONFIG_SCHEDSTATS
2958         struct task_struct *tsk = NULL;
2959
2960         if (entity_is_task(se))
2961                 tsk = task_of(se);
2962
2963         if (se->statistics.sleep_start) {
2964                 u64 delta = rq_clock(rq_of(cfs_rq)) - se->statistics.sleep_start;
2965
2966                 if ((s64)delta < 0)
2967                         delta = 0;
2968
2969                 if (unlikely(delta > se->statistics.sleep_max))
2970                         se->statistics.sleep_max = delta;
2971
2972                 se->statistics.sleep_start = 0;
2973                 se->statistics.sum_sleep_runtime += delta;
2974
2975                 if (tsk) {
2976                         account_scheduler_latency(tsk, delta >> 10, 1);
2977                         trace_sched_stat_sleep(tsk, delta);
2978                 }
2979         }
2980         if (se->statistics.block_start) {
2981                 u64 delta = rq_clock(rq_of(cfs_rq)) - se->statistics.block_start;
2982
2983                 if ((s64)delta < 0)
2984                         delta = 0;
2985
2986                 if (unlikely(delta > se->statistics.block_max))
2987                         se->statistics.block_max = delta;
2988
2989                 se->statistics.block_start = 0;
2990                 se->statistics.sum_sleep_runtime += delta;
2991
2992                 if (tsk) {
2993                         if (tsk->in_iowait) {
2994                                 se->statistics.iowait_sum += delta;
2995                                 se->statistics.iowait_count++;
2996                                 trace_sched_stat_iowait(tsk, delta);
2997                         }
2998
2999                         trace_sched_stat_blocked(tsk, delta);
3000
3001                         /*
3002                          * Blocking time is in units of nanosecs, so shift by
3003                          * 20 to get a milliseconds-range estimation of the
3004                          * amount of time that the task spent sleeping:
3005                          */
3006                         if (unlikely(prof_on == SLEEP_PROFILING)) {
3007                                 profile_hits(SLEEP_PROFILING,
3008                                                 (void *)get_wchan(tsk),
3009                                                 delta >> 20);
3010                         }
3011                         account_scheduler_latency(tsk, delta >> 10, 0);
3012                 }
3013         }
3014 #endif
3015 }
3016
3017 static void check_spread(struct cfs_rq *cfs_rq, struct sched_entity *se)
3018 {
3019 #ifdef CONFIG_SCHED_DEBUG
3020         s64 d = se->vruntime - cfs_rq->min_vruntime;
3021
3022         if (d < 0)
3023                 d = -d;
3024
3025         if (d > 3*sysctl_sched_latency)
3026                 schedstat_inc(cfs_rq, nr_spread_over);
3027 #endif
3028 }
3029
3030 static void
3031 place_entity(struct cfs_rq *cfs_rq, struct sched_entity *se, int initial)
3032 {
3033         u64 vruntime = cfs_rq->min_vruntime;
3034
3035         /*
3036          * The 'current' period is already promised to the current tasks,
3037          * however the extra weight of the new task will slow them down a
3038          * little, place the new task so that it fits in the slot that
3039          * stays open at the end.
3040          */
3041         if (initial && sched_feat(START_DEBIT))
3042                 vruntime += sched_vslice(cfs_rq, se);
3043
3044         /* sleeps up to a single latency don't count. */
3045         if (!initial) {
3046                 unsigned long thresh = sysctl_sched_latency;
3047
3048                 /*
3049                  * Halve their sleep time's effect, to allow
3050                  * for a gentler effect of sleepers:
3051                  */
3052                 if (sched_feat(GENTLE_FAIR_SLEEPERS))
3053                         thresh >>= 1;
3054
3055                 vruntime -= thresh;
3056         }
3057
3058         /* ensure we never gain time by being placed backwards. */
3059         se->vruntime = max_vruntime(se->vruntime, vruntime);
3060 }
3061
3062 static void check_enqueue_throttle(struct cfs_rq *cfs_rq);
3063
3064 static void
3065 enqueue_entity(struct cfs_rq *cfs_rq, struct sched_entity *se, int flags)
3066 {
3067         /*
3068          * Update the normalized vruntime before updating min_vruntime
3069          * through calling update_curr().
3070          */
3071         if (!(flags & ENQUEUE_WAKEUP) || (flags & ENQUEUE_WAKING))
3072                 se->vruntime += cfs_rq->min_vruntime;
3073
3074         /*
3075          * Update run-time statistics of the 'current'.
3076          */
3077         update_curr(cfs_rq);
3078         enqueue_entity_load_avg(cfs_rq, se, flags & ENQUEUE_WAKEUP);
3079         account_entity_enqueue(cfs_rq, se);
3080         update_cfs_shares(cfs_rq);
3081
3082         if (flags & ENQUEUE_WAKEUP) {
3083                 place_entity(cfs_rq, se, 0);
3084                 enqueue_sleeper(cfs_rq, se);
3085         }
3086
3087         update_stats_enqueue(cfs_rq, se);
3088         check_spread(cfs_rq, se);
3089         if (se != cfs_rq->curr)
3090                 __enqueue_entity(cfs_rq, se);
3091         se->on_rq = 1;
3092
3093         if (cfs_rq->nr_running == 1) {
3094                 list_add_leaf_cfs_rq(cfs_rq);
3095                 check_enqueue_throttle(cfs_rq);
3096         }
3097 }
3098
3099 static void __clear_buddies_last(struct sched_entity *se)
3100 {
3101         for_each_sched_entity(se) {
3102                 struct cfs_rq *cfs_rq = cfs_rq_of(se);
3103                 if (cfs_rq->last != se)
3104                         break;
3105
3106                 cfs_rq->last = NULL;
3107         }
3108 }
3109
3110 static void __clear_buddies_next(struct sched_entity *se)
3111 {
3112         for_each_sched_entity(se) {
3113                 struct cfs_rq *cfs_rq = cfs_rq_of(se);
3114                 if (cfs_rq->next != se)
3115                         break;
3116
3117                 cfs_rq->next = NULL;
3118         }
3119 }
3120
3121 static void __clear_buddies_skip(struct sched_entity *se)
3122 {
3123         for_each_sched_entity(se) {
3124                 struct cfs_rq *cfs_rq = cfs_rq_of(se);
3125                 if (cfs_rq->skip != se)
3126                         break;
3127
3128                 cfs_rq->skip = NULL;
3129         }
3130 }
3131
3132 static void clear_buddies(struct cfs_rq *cfs_rq, struct sched_entity *se)
3133 {
3134         if (cfs_rq->last == se)
3135                 __clear_buddies_last(se);
3136
3137         if (cfs_rq->next == se)
3138                 __clear_buddies_next(se);
3139
3140         if (cfs_rq->skip == se)
3141                 __clear_buddies_skip(se);
3142 }
3143
3144 static __always_inline void return_cfs_rq_runtime(struct cfs_rq *cfs_rq);
3145
3146 static void
3147 dequeue_entity(struct cfs_rq *cfs_rq, struct sched_entity *se, int flags)
3148 {
3149         /*
3150          * Update run-time statistics of the 'current'.
3151          */
3152         update_curr(cfs_rq);
3153         dequeue_entity_load_avg(cfs_rq, se, flags & DEQUEUE_SLEEP);
3154
3155         update_stats_dequeue(cfs_rq, se);
3156         if (flags & DEQUEUE_SLEEP) {
3157 #ifdef CONFIG_SCHEDSTATS
3158                 if (entity_is_task(se)) {
3159                         struct task_struct *tsk = task_of(se);
3160
3161                         if (tsk->state & TASK_INTERRUPTIBLE)
3162                                 se->statistics.sleep_start = rq_clock(rq_of(cfs_rq));
3163                         if (tsk->state & TASK_UNINTERRUPTIBLE)
3164                                 se->statistics.block_start = rq_clock(rq_of(cfs_rq));
3165                 }
3166 #endif
3167         }
3168
3169         clear_buddies(cfs_rq, se);
3170
3171         if (se != cfs_rq->curr)
3172                 __dequeue_entity(cfs_rq, se);
3173         se->on_rq = 0;
3174         account_entity_dequeue(cfs_rq, se);
3175
3176         /*
3177          * Normalize the entity after updating the min_vruntime because the
3178          * update can refer to the ->curr item and we need to reflect this
3179          * movement in our normalized position.
3180          */
3181         if (!(flags & DEQUEUE_SLEEP))
3182                 se->vruntime -= cfs_rq->min_vruntime;
3183
3184         /* return excess runtime on last dequeue */
3185         return_cfs_rq_runtime(cfs_rq);
3186
3187         update_min_vruntime(cfs_rq);
3188         update_cfs_shares(cfs_rq);
3189 }
3190
3191 /*
3192  * Preempt the current task with a newly woken task if needed:
3193  */
3194 static void
3195 check_preempt_tick(struct cfs_rq *cfs_rq, struct sched_entity *curr)
3196 {
3197         unsigned long ideal_runtime, delta_exec;
3198         struct sched_entity *se;
3199         s64 delta;
3200
3201         ideal_runtime = sched_slice(cfs_rq, curr);
3202         delta_exec = curr->sum_exec_runtime - curr->prev_sum_exec_runtime;
3203         if (delta_exec > ideal_runtime) {
3204                 resched_curr(rq_of(cfs_rq));
3205                 /*
3206                  * The current task ran long enough, ensure it doesn't get
3207                  * re-elected due to buddy favours.
3208                  */
3209                 clear_buddies(cfs_rq, curr);
3210                 return;
3211         }
3212
3213         /*
3214          * Ensure that a task that missed wakeup preemption by a
3215          * narrow margin doesn't have to wait for a full slice.
3216          * This also mitigates buddy induced latencies under load.
3217          */
3218         if (delta_exec < sysctl_sched_min_granularity)
3219                 return;
3220
3221         se = __pick_first_entity(cfs_rq);
3222         delta = curr->vruntime - se->vruntime;
3223
3224         if (delta < 0)
3225                 return;
3226
3227         if (delta > ideal_runtime)
3228                 resched_curr(rq_of(cfs_rq));
3229 }
3230
3231 static void
3232 set_next_entity(struct cfs_rq *cfs_rq, struct sched_entity *se)
3233 {
3234         /* 'current' is not kept within the tree. */
3235         if (se->on_rq) {
3236                 /*
3237                  * Any task has to be enqueued before it get to execute on
3238                  * a CPU. So account for the time it spent waiting on the
3239                  * runqueue.
3240                  */
3241                 update_stats_wait_end(cfs_rq, se);
3242                 __dequeue_entity(cfs_rq, se);
3243                 update_entity_load_avg(se, 1);
3244         }
3245
3246         update_stats_curr_start(cfs_rq, se);
3247         cfs_rq->curr = se;
3248 #ifdef CONFIG_SCHEDSTATS
3249         /*
3250          * Track our maximum slice length, if the CPU's load is at
3251          * least twice that of our own weight (i.e. dont track it
3252          * when there are only lesser-weight tasks around):
3253          */
3254         if (rq_of(cfs_rq)->load.weight >= 2*se->load.weight) {
3255                 se->statistics.slice_max = max(se->statistics.slice_max,
3256                         se->sum_exec_runtime - se->prev_sum_exec_runtime);
3257         }
3258 #endif
3259         se->prev_sum_exec_runtime = se->sum_exec_runtime;
3260 }
3261
3262 static int
3263 wakeup_preempt_entity(struct sched_entity *curr, struct sched_entity *se);
3264
3265 /*
3266  * Pick the next process, keeping these things in mind, in this order:
3267  * 1) keep things fair between processes/task groups
3268  * 2) pick the "next" process, since someone really wants that to run
3269  * 3) pick the "last" process, for cache locality
3270  * 4) do not run the "skip" process, if something else is available
3271  */
3272 static struct sched_entity *
3273 pick_next_entity(struct cfs_rq *cfs_rq, struct sched_entity *curr)
3274 {
3275         struct sched_entity *left = __pick_first_entity(cfs_rq);
3276         struct sched_entity *se;
3277
3278         /*
3279          * If curr is set we have to see if its left of the leftmost entity
3280          * still in the tree, provided there was anything in the tree at all.
3281          */
3282         if (!left || (curr && entity_before(curr, left)))
3283                 left = curr;
3284
3285         se = left; /* ideally we run the leftmost entity */
3286
3287         /*
3288          * Avoid running the skip buddy, if running something else can
3289          * be done without getting too unfair.
3290          */
3291         if (cfs_rq->skip == se) {
3292                 struct sched_entity *second;
3293
3294                 if (se == curr) {
3295                         second = __pick_first_entity(cfs_rq);
3296                 } else {
3297                         second = __pick_next_entity(se);
3298                         if (!second || (curr && entity_before(curr, second)))
3299                                 second = curr;
3300                 }
3301
3302                 if (second && wakeup_preempt_entity(second, left) < 1)
3303                         se = second;
3304         }
3305
3306         /*
3307          * Prefer last buddy, try to return the CPU to a preempted task.
3308          */
3309         if (cfs_rq->last && wakeup_preempt_entity(cfs_rq->last, left) < 1)
3310                 se = cfs_rq->last;
3311
3312         /*
3313          * Someone really wants this to run. If it's not unfair, run it.
3314          */
3315         if (cfs_rq->next && wakeup_preempt_entity(cfs_rq->next, left) < 1)
3316                 se = cfs_rq->next;
3317
3318         clear_buddies(cfs_rq, se);
3319
3320         return se;
3321 }
3322
3323 static bool check_cfs_rq_runtime(struct cfs_rq *cfs_rq);
3324
3325 static void put_prev_entity(struct cfs_rq *cfs_rq, struct sched_entity *prev)
3326 {
3327         /*
3328          * If still on the runqueue then deactivate_task()
3329          * was not called and update_curr() has to be done:
3330          */
3331         if (prev->on_rq)
3332                 update_curr(cfs_rq);
3333
3334         /* throttle cfs_rqs exceeding runtime */
3335         check_cfs_rq_runtime(cfs_rq);
3336
3337         check_spread(cfs_rq, prev);
3338         if (prev->on_rq) {
3339                 update_stats_wait_start(cfs_rq, prev);
3340                 /* Put 'current' back into the tree. */
3341                 __enqueue_entity(cfs_rq, prev);
3342                 /* in !on_rq case, update occurred at dequeue */
3343                 update_entity_load_avg(prev, 1);
3344         }
3345         cfs_rq->curr = NULL;
3346 }
3347
3348 static void
3349 entity_tick(struct cfs_rq *cfs_rq, struct sched_entity *curr, int queued)
3350 {
3351         /*
3352          * Update run-time statistics of the 'current'.
3353          */
3354         update_curr(cfs_rq);
3355
3356         /*
3357          * Ensure that runnable average is periodically updated.
3358          */
3359         update_entity_load_avg(curr, 1);
3360         update_cfs_rq_blocked_load(cfs_rq, 1);
3361         update_cfs_shares(cfs_rq);
3362
3363 #ifdef CONFIG_SCHED_HRTICK
3364         /*
3365          * queued ticks are scheduled to match the slice, so don't bother
3366          * validating it and just reschedule.
3367          */
3368         if (queued) {
3369                 resched_curr(rq_of(cfs_rq));
3370                 return;
3371         }
3372         /*
3373          * don't let the period tick interfere with the hrtick preemption
3374          */
3375         if (!sched_feat(DOUBLE_TICK) &&
3376                         hrtimer_active(&rq_of(cfs_rq)->hrtick_timer))
3377                 return;
3378 #endif
3379
3380         if (cfs_rq->nr_running > 1)
3381                 check_preempt_tick(cfs_rq, curr);
3382 }
3383
3384
3385 /**************************************************
3386  * CFS bandwidth control machinery
3387  */
3388
3389 #ifdef CONFIG_CFS_BANDWIDTH
3390
3391 #ifdef HAVE_JUMP_LABEL
3392 static struct static_key __cfs_bandwidth_used;
3393
3394 static inline bool cfs_bandwidth_used(void)
3395 {
3396         return static_key_false(&__cfs_bandwidth_used);
3397 }
3398
3399 void cfs_bandwidth_usage_inc(void)
3400 {
3401         static_key_slow_inc(&__cfs_bandwidth_used);
3402 }
3403
3404 void cfs_bandwidth_usage_dec(void)
3405 {
3406         static_key_slow_dec(&__cfs_bandwidth_used);
3407 }
3408 #else /* HAVE_JUMP_LABEL */
3409 static bool cfs_bandwidth_used(void)
3410 {
3411         return true;
3412 }
3413
3414 void cfs_bandwidth_usage_inc(void) {}
3415 void cfs_bandwidth_usage_dec(void) {}
3416 #endif /* HAVE_JUMP_LABEL */
3417
3418 /*
3419  * default period for cfs group bandwidth.
3420  * default: 0.1s, units: nanoseconds
3421  */
3422 static inline u64 default_cfs_period(void)
3423 {
3424         return 100000000ULL;
3425 }
3426
3427 static inline u64 sched_cfs_bandwidth_slice(void)
3428 {
3429         return (u64)sysctl_sched_cfs_bandwidth_slice * NSEC_PER_USEC;
3430 }
3431
3432 /*
3433  * Replenish runtime according to assigned quota and update expiration time.
3434  * We use sched_clock_cpu directly instead of rq->clock to avoid adding
3435  * additional synchronization around rq->lock.
3436  *
3437  * requires cfs_b->lock
3438  */
3439 void __refill_cfs_bandwidth_runtime(struct cfs_bandwidth *cfs_b)
3440 {
3441         u64 now;
3442
3443         if (cfs_b->quota == RUNTIME_INF)
3444                 return;
3445
3446         now = sched_clock_cpu(smp_processor_id());
3447         cfs_b->runtime = cfs_b->quota;
3448         cfs_b->runtime_expires = now + ktime_to_ns(cfs_b->period);
3449 }
3450
3451 static inline struct cfs_bandwidth *tg_cfs_bandwidth(struct task_group *tg)
3452 {
3453         return &tg->cfs_bandwidth;
3454 }
3455
3456 /* rq->task_clock normalized against any time this cfs_rq has spent throttled */
3457 static inline u64 cfs_rq_clock_task(struct cfs_rq *cfs_rq)
3458 {
3459         if (unlikely(cfs_rq->throttle_count))
3460                 return cfs_rq->throttled_clock_task;
3461
3462         return rq_clock_task(rq_of(cfs_rq)) - cfs_rq->throttled_clock_task_time;
3463 }
3464
3465 /* returns 0 on failure to allocate runtime */
3466 static int assign_cfs_rq_runtime(struct cfs_rq *cfs_rq)
3467 {
3468         struct task_group *tg = cfs_rq->tg;
3469         struct cfs_bandwidth *cfs_b = tg_cfs_bandwidth(tg);
3470         u64 amount = 0, min_amount, expires;
3471
3472         /* note: this is a positive sum as runtime_remaining <= 0 */
3473         min_amount = sched_cfs_bandwidth_slice() - cfs_rq->runtime_remaining;
3474
3475         raw_spin_lock(&cfs_b->lock);
3476         if (cfs_b->quota == RUNTIME_INF)
3477                 amount = min_amount;
3478         else {
3479                 /*
3480                  * If the bandwidth pool has become inactive, then at least one
3481                  * period must have elapsed since the last consumption.
3482                  * Refresh the global state and ensure bandwidth timer becomes
3483                  * active.
3484                  */
3485                 if (!cfs_b->timer_active) {
3486                         __refill_cfs_bandwidth_runtime(cfs_b);
3487                         __start_cfs_bandwidth(cfs_b, false);
3488                 }
3489
3490                 if (cfs_b->runtime > 0) {
3491                         amount = min(cfs_b->runtime, min_amount);
3492                         cfs_b->runtime -= amount;
3493                         cfs_b->idle = 0;
3494                 }
3495         }
3496         expires = cfs_b->runtime_expires;
3497         raw_spin_unlock(&cfs_b->lock);
3498
3499         cfs_rq->runtime_remaining += amount;
3500         /*
3501          * we may have advanced our local expiration to account for allowed
3502          * spread between our sched_clock and the one on which runtime was
3503          * issued.
3504          */
3505         if ((s64)(expires - cfs_rq->runtime_expires) > 0)
3506                 cfs_rq->runtime_expires = expires;
3507
3508         return cfs_rq->runtime_remaining > 0;
3509 }
3510
3511 /*
3512  * Note: This depends on the synchronization provided by sched_clock and the
3513  * fact that rq->clock snapshots this value.
3514  */
3515 static void expire_cfs_rq_runtime(struct cfs_rq *cfs_rq)
3516 {
3517         struct cfs_bandwidth *cfs_b = tg_cfs_bandwidth(cfs_rq->tg);
3518
3519         /* if the deadline is ahead of our clock, nothing to do */
3520         if (likely((s64)(rq_clock(rq_of(cfs_rq)) - cfs_rq->runtime_expires) < 0))
3521                 return;
3522
3523         if (cfs_rq->runtime_remaining < 0)
3524                 return;
3525
3526         /*
3527          * If the local deadline has passed we have to consider the
3528          * possibility that our sched_clock is 'fast' and the global deadline
3529          * has not truly expired.
3530          *
3531          * Fortunately we can check determine whether this the case by checking
3532          * whether the global deadline has advanced. It is valid to compare
3533          * cfs_b->runtime_expires without any locks since we only care about
3534          * exact equality, so a partial write will still work.
3535          */
3536
3537         if (cfs_rq->runtime_expires != cfs_b->runtime_expires) {
3538                 /* extend local deadline, drift is bounded above by 2 ticks */
3539                 cfs_rq->runtime_expires += TICK_NSEC;
3540         } else {
3541                 /* global deadline is ahead, expiration has passed */
3542                 cfs_rq->runtime_remaining = 0;
3543         }
3544 }
3545
3546 static void __account_cfs_rq_runtime(struct cfs_rq *cfs_rq, u64 delta_exec)
3547 {
3548         /* dock delta_exec before expiring quota (as it could span periods) */
3549         cfs_rq->runtime_remaining -= delta_exec;
3550         expire_cfs_rq_runtime(cfs_rq);
3551
3552         if (likely(cfs_rq->runtime_remaining > 0))
3553                 return;
3554
3555         /*
3556          * if we're unable to extend our runtime we resched so that the active
3557          * hierarchy can be throttled
3558          */
3559         if (!assign_cfs_rq_runtime(cfs_rq) && likely(cfs_rq->curr))
3560                 resched_curr(rq_of(cfs_rq));
3561 }
3562
3563 static __always_inline
3564 void account_cfs_rq_runtime(struct cfs_rq *cfs_rq, u64 delta_exec)
3565 {
3566         if (!cfs_bandwidth_used() || !cfs_rq->runtime_enabled)
3567                 return;
3568
3569         __account_cfs_rq_runtime(cfs_rq, delta_exec);
3570 }
3571
3572 static inline int cfs_rq_throttled(struct cfs_rq *cfs_rq)
3573 {
3574         return cfs_bandwidth_used() && cfs_rq->throttled;
3575 }
3576
3577 /* check whether cfs_rq, or any parent, is throttled */
3578 static inline int throttled_hierarchy(struct cfs_rq *cfs_rq)
3579 {
3580         return cfs_bandwidth_used() && cfs_rq->throttle_count;
3581 }
3582
3583 /*
3584  * Ensure that neither of the group entities corresponding to src_cpu or
3585  * dest_cpu are members of a throttled hierarchy when performing group
3586  * load-balance operations.
3587  */
3588 static inline int throttled_lb_pair(struct task_group *tg,
3589                                     int src_cpu, int dest_cpu)
3590 {
3591         struct cfs_rq *src_cfs_rq, *dest_cfs_rq;
3592
3593         src_cfs_rq = tg->cfs_rq[src_cpu];
3594         dest_cfs_rq = tg->cfs_rq[dest_cpu];
3595
3596         return throttled_hierarchy(src_cfs_rq) ||
3597                throttled_hierarchy(dest_cfs_rq);
3598 }
3599
3600 /* updated child weight may affect parent so we have to do this bottom up */
3601 static int tg_unthrottle_up(struct task_group *tg, void *data)
3602 {
3603         struct rq *rq = data;
3604         struct cfs_rq *cfs_rq = tg->cfs_rq[cpu_of(rq)];
3605
3606         cfs_rq->throttle_count--;
3607 #ifdef CONFIG_SMP
3608         if (!cfs_rq->throttle_count) {
3609                 /* adjust cfs_rq_clock_task() */
3610                 cfs_rq->throttled_clock_task_time += rq_clock_task(rq) -
3611                                              cfs_rq->throttled_clock_task;
3612         }
3613 #endif
3614
3615         return 0;
3616 }
3617
3618 static int tg_throttle_down(struct task_group *tg, void *data)
3619 {
3620         struct rq *rq = data;
3621         struct cfs_rq *cfs_rq = tg->cfs_rq[cpu_of(rq)];
3622
3623         /* group is entering throttled state, stop time */
3624         if (!cfs_rq->throttle_count)
3625                 cfs_rq->throttled_clock_task = rq_clock_task(rq);
3626         cfs_rq->throttle_count++;
3627
3628         return 0;
3629 }
3630
3631 static void throttle_cfs_rq(struct cfs_rq *cfs_rq)
3632 {
3633         struct rq *rq = rq_of(cfs_rq);
3634         struct cfs_bandwidth *cfs_b = tg_cfs_bandwidth(cfs_rq->tg);
3635         struct sched_entity *se;
3636         long task_delta, dequeue = 1;
3637
3638         se = cfs_rq->tg->se[cpu_of(rq_of(cfs_rq))];
3639
3640         /* freeze hierarchy runnable averages while throttled */
3641         rcu_read_lock();
3642         walk_tg_tree_from(cfs_rq->tg, tg_throttle_down, tg_nop, (void *)rq);
3643         rcu_read_unlock();
3644
3645         task_delta = cfs_rq->h_nr_running;
3646         for_each_sched_entity(se) {
3647                 struct cfs_rq *qcfs_rq = cfs_rq_of(se);
3648                 /* throttled entity or throttle-on-deactivate */
3649                 if (!se->on_rq)
3650                         break;
3651
3652                 if (dequeue)
3653                         dequeue_entity(qcfs_rq, se, DEQUEUE_SLEEP);
3654                 qcfs_rq->h_nr_running -= task_delta;
3655
3656                 if (qcfs_rq->load.weight)
3657                         dequeue = 0;
3658         }
3659
3660         if (!se)
3661                 sub_nr_running(rq, task_delta);
3662
3663         cfs_rq->throttled = 1;
3664         cfs_rq->throttled_clock = rq_clock(rq);
3665         raw_spin_lock(&cfs_b->lock);
3666         /*
3667          * Add to the _head_ of the list, so that an already-started
3668          * distribute_cfs_runtime will not see us
3669          */
3670         list_add_rcu(&cfs_rq->throttled_list, &cfs_b->throttled_cfs_rq);
3671         if (!cfs_b->timer_active)
3672                 __start_cfs_bandwidth(cfs_b, false);
3673         raw_spin_unlock(&cfs_b->lock);
3674 }
3675
3676 void unthrottle_cfs_rq(struct cfs_rq *cfs_rq)
3677 {
3678         struct rq *rq = rq_of(cfs_rq);
3679         struct cfs_bandwidth *cfs_b = tg_cfs_bandwidth(cfs_rq->tg);
3680         struct sched_entity *se;
3681         int enqueue = 1;
3682         long task_delta;
3683
3684         se = cfs_rq->tg->se[cpu_of(rq)];
3685
3686         cfs_rq->throttled = 0;
3687
3688         update_rq_clock(rq);
3689
3690         raw_spin_lock(&cfs_b->lock);
3691         cfs_b->throttled_time += rq_clock(rq) - cfs_rq->throttled_clock;
3692         list_del_rcu(&cfs_rq->throttled_list);
3693         raw_spin_unlock(&cfs_b->lock);
3694
3695         /* update hierarchical throttle state */
3696         walk_tg_tree_from(cfs_rq->tg, tg_nop, tg_unthrottle_up, (void *)rq);
3697
3698         if (!cfs_rq->load.weight)
3699                 return;
3700
3701         task_delta = cfs_rq->h_nr_running;
3702         for_each_sched_entity(se) {
3703                 if (se->on_rq)
3704                         enqueue = 0;
3705
3706                 cfs_rq = cfs_rq_of(se);
3707                 if (enqueue)
3708                         enqueue_entity(cfs_rq, se, ENQUEUE_WAKEUP);
3709                 cfs_rq->h_nr_running += task_delta;
3710
3711                 if (cfs_rq_throttled(cfs_rq))
3712                         break;
3713         }
3714
3715         if (!se)
3716                 add_nr_running(rq, task_delta);
3717
3718         /* determine whether we need to wake up potentially idle cpu */
3719         if (rq->curr == rq->idle && rq->cfs.nr_running)
3720                 resched_curr(rq);
3721 }
3722
3723 static u64 distribute_cfs_runtime(struct cfs_bandwidth *cfs_b,
3724                 u64 remaining, u64 expires)
3725 {
3726         struct cfs_rq *cfs_rq;
3727         u64 runtime;
3728         u64 starting_runtime = remaining;
3729
3730         rcu_read_lock();
3731         list_for_each_entry_rcu(cfs_rq, &cfs_b->throttled_cfs_rq,
3732                                 throttled_list) {
3733                 struct rq *rq = rq_of(cfs_rq);
3734
3735                 raw_spin_lock(&rq->lock);
3736                 if (!cfs_rq_throttled(cfs_rq))
3737                         goto next;
3738
3739                 runtime = -cfs_rq->runtime_remaining + 1;
3740                 if (runtime > remaining)
3741                         runtime = remaining;
3742                 remaining -= runtime;
3743
3744                 cfs_rq->runtime_remaining += runtime;
3745                 cfs_rq->runtime_expires = expires;
3746
3747                 /* we check whether we're throttled above */
3748                 if (cfs_rq->runtime_remaining > 0)
3749                         unthrottle_cfs_rq(cfs_rq);
3750
3751 next:
3752                 raw_spin_unlock(&rq->lock);
3753
3754                 if (!remaining)
3755                         break;
3756         }
3757         rcu_read_unlock();
3758
3759         return starting_runtime - remaining;
3760 }
3761
3762 /*
3763  * Responsible for refilling a task_group's bandwidth and unthrottling its
3764  * cfs_rqs as appropriate. If there has been no activity within the last
3765  * period the timer is deactivated until scheduling resumes; cfs_b->idle is
3766  * used to track this state.
3767  */
3768 static int do_sched_cfs_period_timer(struct cfs_bandwidth *cfs_b, int overrun)
3769 {
3770         u64 runtime, runtime_expires;
3771         int throttled;
3772
3773         /* no need to continue the timer with no bandwidth constraint */
3774         if (cfs_b->quota == RUNTIME_INF)
3775                 goto out_deactivate;
3776
3777         throttled = !list_empty(&cfs_b->throttled_cfs_rq);
3778         cfs_b->nr_periods += overrun;
3779
3780         /*
3781          * idle depends on !throttled (for the case of a large deficit), and if
3782          * we're going inactive then everything else can be deferred
3783          */
3784         if (cfs_b->idle && !throttled)
3785                 goto out_deactivate;
3786
3787         /*
3788          * if we have relooped after returning idle once, we need to update our
3789          * status as actually running, so that other cpus doing
3790          * __start_cfs_bandwidth will stop trying to cancel us.
3791          */
3792         cfs_b->timer_active = 1;
3793
3794         __refill_cfs_bandwidth_runtime(cfs_b);
3795
3796         if (!throttled) {
3797                 /* mark as potentially idle for the upcoming period */
3798                 cfs_b->idle = 1;
3799                 return 0;
3800         }
3801
3802         /* account preceding periods in which throttling occurred */
3803         cfs_b->nr_throttled += overrun;
3804
3805         runtime_expires = cfs_b->runtime_expires;
3806
3807         /*
3808          * This check is repeated as we are holding onto the new bandwidth while
3809          * we unthrottle. This can potentially race with an unthrottled group
3810          * trying to acquire new bandwidth from the global pool. This can result
3811          * in us over-using our runtime if it is all used during this loop, but
3812          * only by limited amounts in that extreme case.
3813          */
3814         while (throttled && cfs_b->runtime > 0) {
3815                 runtime = cfs_b->runtime;
3816                 raw_spin_unlock(&cfs_b->lock);
3817                 /* we can't nest cfs_b->lock while distributing bandwidth */
3818                 runtime = distribute_cfs_runtime(cfs_b, runtime,
3819                                                  runtime_expires);
3820                 raw_spin_lock(&cfs_b->lock);
3821
3822                 throttled = !list_empty(&cfs_b->throttled_cfs_rq);
3823
3824                 cfs_b->runtime -= min(runtime, cfs_b->runtime);
3825         }
3826
3827         /*
3828          * While we are ensured activity in the period following an
3829          * unthrottle, this also covers the case in which the new bandwidth is
3830          * insufficient to cover the existing bandwidth deficit.  (Forcing the
3831          * timer to remain active while there are any throttled entities.)
3832          */
3833         cfs_b->idle = 0;
3834
3835         return 0;
3836
3837 out_deactivate:
3838         cfs_b->timer_active = 0;
3839         return 1;
3840 }
3841
3842 /* a cfs_rq won't donate quota below this amount */
3843 static const u64 min_cfs_rq_runtime = 1 * NSEC_PER_MSEC;
3844 /* minimum remaining period time to redistribute slack quota */
3845 static const u64 min_bandwidth_expiration = 2 * NSEC_PER_MSEC;
3846 /* how long we wait to gather additional slack before distributing */
3847 static const u64 cfs_bandwidth_slack_period = 5 * NSEC_PER_MSEC;
3848
3849 /*
3850  * Are we near the end of the current quota period?
3851  *
3852  * Requires cfs_b->lock for hrtimer_expires_remaining to be safe against the
3853  * hrtimer base being cleared by __hrtimer_start_range_ns. In the case of
3854  * migrate_hrtimers, base is never cleared, so we are fine.
3855  */
3856 static int runtime_refresh_within(struct cfs_bandwidth *cfs_b, u64 min_expire)
3857 {
3858         struct hrtimer *refresh_timer = &cfs_b->period_timer;
3859         u64 remaining;
3860
3861         /* if the call-back is running a quota refresh is already occurring */
3862         if (hrtimer_callback_running(refresh_timer))
3863                 return 1;
3864
3865         /* is a quota refresh about to occur? */
3866         remaining = ktime_to_ns(hrtimer_expires_remaining(refresh_timer));
3867         if (remaining < min_expire)
3868                 return 1;
3869
3870         return 0;
3871 }
3872
3873 static void start_cfs_slack_bandwidth(struct cfs_bandwidth *cfs_b)
3874 {
3875         u64 min_left = cfs_bandwidth_slack_period + min_bandwidth_expiration;
3876
3877         /* if there's a quota refresh soon don't bother with slack */
3878         if (runtime_refresh_within(cfs_b, min_left))
3879