Merge tag 'v3.17' 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/slab.h>
27 #include <linux/profile.h>
28 #include <linux/interrupt.h>
29 #include <linux/mempolicy.h>
30 #include <linux/migrate.h>
31 #include <linux/task_work.h>
32
33 #include <trace/events/sched.h>
34
35 #include "sched.h"
36
37 /*
38  * Targeted preemption latency for CPU-bound tasks:
39  * (default: 6ms * (1 + ilog(ncpus)), units: nanoseconds)
40  *
41  * NOTE: this latency value is not the same as the concept of
42  * 'timeslice length' - timeslices in CFS are of variable length
43  * and have no persistent notion like in traditional, time-slice
44  * based scheduling concepts.
45  *
46  * (to see the precise effective timeslice length of your workload,
47  *  run vmstat and monitor the context-switches (cs) field)
48  */
49 unsigned int sysctl_sched_latency = 6000000ULL;
50 unsigned int normalized_sysctl_sched_latency = 6000000ULL;
51
52 /*
53  * The initial- and re-scaling of tunables is configurable
54  * (default SCHED_TUNABLESCALING_LOG = *(1+ilog(ncpus))
55  *
56  * Options are:
57  * SCHED_TUNABLESCALING_NONE - unscaled, always *1
58  * SCHED_TUNABLESCALING_LOG - scaled logarithmical, *1+ilog(ncpus)
59  * SCHED_TUNABLESCALING_LINEAR - scaled linear, *ncpus
60  */
61 enum sched_tunable_scaling sysctl_sched_tunable_scaling
62         = SCHED_TUNABLESCALING_LOG;
63
64 /*
65  * Minimal preemption granularity for CPU-bound tasks:
66  * (default: 0.75 msec * (1 + ilog(ncpus)), units: nanoseconds)
67  */
68 unsigned int sysctl_sched_min_granularity = 750000ULL;
69 unsigned int normalized_sysctl_sched_min_granularity = 750000ULL;
70
71 /*
72  * is kept at sysctl_sched_latency / sysctl_sched_min_granularity
73  */
74 static unsigned int sched_nr_latency = 8;
75
76 /*
77  * After fork, child runs first. If set to 0 (default) then
78  * parent will (try to) run first.
79  */
80 unsigned int sysctl_sched_child_runs_first __read_mostly;
81
82 /*
83  * SCHED_OTHER wake-up granularity.
84  * (default: 1 msec * (1 + ilog(ncpus)), units: nanoseconds)
85  *
86  * This option delays the preemption effects of decoupled workloads
87  * and reduces their over-scheduling. Synchronous workloads will still
88  * have immediate wakeup/sleep latencies.
89  */
90 unsigned int sysctl_sched_wakeup_granularity = 1000000UL;
91 unsigned int normalized_sysctl_sched_wakeup_granularity = 1000000UL;
92
93 const_debug unsigned int sysctl_sched_migration_cost = 500000UL;
94
95 /*
96  * The exponential sliding  window over which load is averaged for shares
97  * distribution.
98  * (default: 10msec)
99  */
100 unsigned int __read_mostly sysctl_sched_shares_window = 10000000UL;
101
102 #ifdef CONFIG_CFS_BANDWIDTH
103 /*
104  * Amount of runtime to allocate from global (tg) to local (per-cfs_rq) pool
105  * each time a cfs_rq requests quota.
106  *
107  * Note: in the case that the slice exceeds the runtime remaining (either due
108  * to consumption or the quota being specified to be smaller than the slice)
109  * we will always only issue the remaining available time.
110  *
111  * default: 5 msec, units: microseconds
112   */
113 unsigned int sysctl_sched_cfs_bandwidth_slice = 5000UL;
114 #endif
115
116 static inline void update_load_add(struct load_weight *lw, unsigned long inc)
117 {
118         lw->weight += inc;
119         lw->inv_weight = 0;
120 }
121
122 static inline void update_load_sub(struct load_weight *lw, unsigned long dec)
123 {
124         lw->weight -= dec;
125         lw->inv_weight = 0;
126 }
127
128 static inline void update_load_set(struct load_weight *lw, unsigned long w)
129 {
130         lw->weight = w;
131         lw->inv_weight = 0;
132 }
133
134 /*
135  * Increase the granularity value when there are more CPUs,
136  * because with more CPUs the 'effective latency' as visible
137  * to users decreases. But the relationship is not linear,
138  * so pick a second-best guess by going with the log2 of the
139  * number of CPUs.
140  *
141  * This idea comes from the SD scheduler of Con Kolivas:
142  */
143 static int get_update_sysctl_factor(void)
144 {
145         unsigned int cpus = min_t(int, num_online_cpus(), 8);
146         unsigned int factor;
147
148         switch (sysctl_sched_tunable_scaling) {
149         case SCHED_TUNABLESCALING_NONE:
150                 factor = 1;
151                 break;
152         case SCHED_TUNABLESCALING_LINEAR:
153                 factor = cpus;
154                 break;
155         case SCHED_TUNABLESCALING_LOG:
156         default:
157                 factor = 1 + ilog2(cpus);
158                 break;
159         }
160
161         return factor;
162 }
163
164 static void update_sysctl(void)
165 {
166         unsigned int factor = get_update_sysctl_factor();
167
168 #define SET_SYSCTL(name) \
169         (sysctl_##name = (factor) * normalized_sysctl_##name)
170         SET_SYSCTL(sched_min_granularity);
171         SET_SYSCTL(sched_latency);
172         SET_SYSCTL(sched_wakeup_granularity);
173 #undef SET_SYSCTL
174 }
175
176 void sched_init_granularity(void)
177 {
178         update_sysctl();
179 }
180
181 #define WMULT_CONST     (~0U)
182 #define WMULT_SHIFT     32
183
184 static void __update_inv_weight(struct load_weight *lw)
185 {
186         unsigned long w;
187
188         if (likely(lw->inv_weight))
189                 return;
190
191         w = scale_load_down(lw->weight);
192
193         if (BITS_PER_LONG > 32 && unlikely(w >= WMULT_CONST))
194                 lw->inv_weight = 1;
195         else if (unlikely(!w))
196                 lw->inv_weight = WMULT_CONST;
197         else
198                 lw->inv_weight = WMULT_CONST / w;
199 }
200
201 /*
202  * delta_exec * weight / lw.weight
203  *   OR
204  * (delta_exec * (weight * lw->inv_weight)) >> WMULT_SHIFT
205  *
206  * Either weight := NICE_0_LOAD and lw \e prio_to_wmult[], in which case
207  * we're guaranteed shift stays positive because inv_weight is guaranteed to
208  * fit 32 bits, and NICE_0_LOAD gives another 10 bits; therefore shift >= 22.
209  *
210  * Or, weight =< lw.weight (because lw.weight is the runqueue weight), thus
211  * weight/lw.weight <= 1, and therefore our shift will also be positive.
212  */
213 static u64 __calc_delta(u64 delta_exec, unsigned long weight, struct load_weight *lw)
214 {
215         u64 fact = scale_load_down(weight);
216         int shift = WMULT_SHIFT;
217
218         __update_inv_weight(lw);
219
220         if (unlikely(fact >> 32)) {
221                 while (fact >> 32) {
222                         fact >>= 1;
223                         shift--;
224                 }
225         }
226
227         /* hint to use a 32x32->64 mul */
228         fact = (u64)(u32)fact * lw->inv_weight;
229
230         while (fact >> 32) {
231                 fact >>= 1;
232                 shift--;
233         }
234
235         return mul_u64_u32_shr(delta_exec, fact, shift);
236 }
237
238
239 const struct sched_class fair_sched_class;
240
241 /**************************************************************
242  * CFS operations on generic schedulable entities:
243  */
244
245 #ifdef CONFIG_FAIR_GROUP_SCHED
246
247 /* cpu runqueue to which this cfs_rq is attached */
248 static inline struct rq *rq_of(struct cfs_rq *cfs_rq)
249 {
250         return cfs_rq->rq;
251 }
252
253 /* An entity is a task if it doesn't "own" a runqueue */
254 #define entity_is_task(se)      (!se->my_q)
255
256 static inline struct task_struct *task_of(struct sched_entity *se)
257 {
258 #ifdef CONFIG_SCHED_DEBUG
259         WARN_ON_ONCE(!entity_is_task(se));
260 #endif
261         return container_of(se, struct task_struct, se);
262 }
263
264 /* Walk up scheduling entities hierarchy */
265 #define for_each_sched_entity(se) \
266                 for (; se; se = se->parent)
267
268 static inline struct cfs_rq *task_cfs_rq(struct task_struct *p)
269 {
270         return p->se.cfs_rq;
271 }
272
273 /* runqueue on which this entity is (to be) queued */
274 static inline struct cfs_rq *cfs_rq_of(struct sched_entity *se)
275 {
276         return se->cfs_rq;
277 }
278
279 /* runqueue "owned" by this group */
280 static inline struct cfs_rq *group_cfs_rq(struct sched_entity *grp)
281 {
282         return grp->my_q;
283 }
284
285 static void update_cfs_rq_blocked_load(struct cfs_rq *cfs_rq,
286                                        int force_update);
287
288 static inline void list_add_leaf_cfs_rq(struct cfs_rq *cfs_rq)
289 {
290         if (!cfs_rq->on_list) {
291                 /*
292                  * Ensure we either appear before our parent (if already
293                  * enqueued) or force our parent to appear after us when it is
294                  * enqueued.  The fact that we always enqueue bottom-up
295                  * reduces this to two cases.
296                  */
297                 if (cfs_rq->tg->parent &&
298                     cfs_rq->tg->parent->cfs_rq[cpu_of(rq_of(cfs_rq))]->on_list) {
299                         list_add_rcu(&cfs_rq->leaf_cfs_rq_list,
300                                 &rq_of(cfs_rq)->leaf_cfs_rq_list);
301                 } else {
302                         list_add_tail_rcu(&cfs_rq->leaf_cfs_rq_list,
303                                 &rq_of(cfs_rq)->leaf_cfs_rq_list);
304                 }
305
306                 cfs_rq->on_list = 1;
307                 /* We should have no load, but we need to update last_decay. */
308                 update_cfs_rq_blocked_load(cfs_rq, 0);
309         }
310 }
311
312 static inline void list_del_leaf_cfs_rq(struct cfs_rq *cfs_rq)
313 {
314         if (cfs_rq->on_list) {
315                 list_del_rcu(&cfs_rq->leaf_cfs_rq_list);
316                 cfs_rq->on_list = 0;
317         }
318 }
319
320 /* Iterate thr' all leaf cfs_rq's on a runqueue */
321 #define for_each_leaf_cfs_rq(rq, cfs_rq) \
322         list_for_each_entry_rcu(cfs_rq, &rq->leaf_cfs_rq_list, leaf_cfs_rq_list)
323
324 /* Do the two (enqueued) entities belong to the same group ? */
325 static inline struct cfs_rq *
326 is_same_group(struct sched_entity *se, struct sched_entity *pse)
327 {
328         if (se->cfs_rq == pse->cfs_rq)
329                 return se->cfs_rq;
330
331         return NULL;
332 }
333
334 static inline struct sched_entity *parent_entity(struct sched_entity *se)
335 {
336         return se->parent;
337 }
338
339 static void
340 find_matching_se(struct sched_entity **se, struct sched_entity **pse)
341 {
342         int se_depth, pse_depth;
343
344         /*
345          * preemption test can be made between sibling entities who are in the
346          * same cfs_rq i.e who have a common parent. Walk up the hierarchy of
347          * both tasks until we find their ancestors who are siblings of common
348          * parent.
349          */
350
351         /* First walk up until both entities are at same depth */
352         se_depth = (*se)->depth;
353         pse_depth = (*pse)->depth;
354
355         while (se_depth > pse_depth) {
356                 se_depth--;
357                 *se = parent_entity(*se);
358         }
359
360         while (pse_depth > se_depth) {
361                 pse_depth--;
362                 *pse = parent_entity(*pse);
363         }
364
365         while (!is_same_group(*se, *pse)) {
366                 *se = parent_entity(*se);
367                 *pse = parent_entity(*pse);
368         }
369 }
370
371 #else   /* !CONFIG_FAIR_GROUP_SCHED */
372
373 static inline struct task_struct *task_of(struct sched_entity *se)
374 {
375         return container_of(se, struct task_struct, se);
376 }
377
378 static inline struct rq *rq_of(struct cfs_rq *cfs_rq)
379 {
380         return container_of(cfs_rq, struct rq, cfs);
381 }
382
383 #define entity_is_task(se)      1
384
385 #define for_each_sched_entity(se) \
386                 for (; se; se = NULL)
387
388 static inline struct cfs_rq *task_cfs_rq(struct task_struct *p)
389 {
390         return &task_rq(p)->cfs;
391 }
392
393 static inline struct cfs_rq *cfs_rq_of(struct sched_entity *se)
394 {
395         struct task_struct *p = task_of(se);
396         struct rq *rq = task_rq(p);
397
398         return &rq->cfs;
399 }
400
401 /* runqueue "owned" by this group */
402 static inline struct cfs_rq *group_cfs_rq(struct sched_entity *grp)
403 {
404         return NULL;
405 }
406
407 static inline void list_add_leaf_cfs_rq(struct cfs_rq *cfs_rq)
408 {
409 }
410
411 static inline void list_del_leaf_cfs_rq(struct cfs_rq *cfs_rq)
412 {
413 }
414
415 #define for_each_leaf_cfs_rq(rq, cfs_rq) \
416                 for (cfs_rq = &rq->cfs; cfs_rq; cfs_rq = NULL)
417
418 static inline struct sched_entity *parent_entity(struct sched_entity *se)
419 {
420         return NULL;
421 }
422
423 static inline void
424 find_matching_se(struct sched_entity **se, struct sched_entity **pse)
425 {
426 }
427
428 #endif  /* CONFIG_FAIR_GROUP_SCHED */
429
430 static __always_inline
431 void account_cfs_rq_runtime(struct cfs_rq *cfs_rq, u64 delta_exec);
432
433 /**************************************************************
434  * Scheduling class tree data structure manipulation methods:
435  */
436
437 static inline u64 max_vruntime(u64 max_vruntime, u64 vruntime)
438 {
439         s64 delta = (s64)(vruntime - max_vruntime);
440         if (delta > 0)
441                 max_vruntime = vruntime;
442
443         return max_vruntime;
444 }
445
446 static inline u64 min_vruntime(u64 min_vruntime, u64 vruntime)
447 {
448         s64 delta = (s64)(vruntime - min_vruntime);
449         if (delta < 0)
450                 min_vruntime = vruntime;
451
452         return min_vruntime;
453 }
454
455 static inline int entity_before(struct sched_entity *a,
456                                 struct sched_entity *b)
457 {
458         return (s64)(a->vruntime - b->vruntime) < 0;
459 }
460
461 static void update_min_vruntime(struct cfs_rq *cfs_rq)
462 {
463         u64 vruntime = cfs_rq->min_vruntime;
464
465         if (cfs_rq->curr)
466                 vruntime = cfs_rq->curr->vruntime;
467
468         if (cfs_rq->rb_leftmost) {
469                 struct sched_entity *se = rb_entry(cfs_rq->rb_leftmost,
470                                                    struct sched_entity,
471                                                    run_node);
472
473                 if (!cfs_rq->curr)
474                         vruntime = se->vruntime;
475                 else
476                         vruntime = min_vruntime(vruntime, se->vruntime);
477         }
478
479         /* ensure we never gain time by being placed backwards. */
480         cfs_rq->min_vruntime = max_vruntime(cfs_rq->min_vruntime, vruntime);
481 #ifndef CONFIG_64BIT
482         smp_wmb();
483         cfs_rq->min_vruntime_copy = cfs_rq->min_vruntime;
484 #endif
485 }
486
487 /*
488  * Enqueue an entity into the rb-tree:
489  */
490 static void __enqueue_entity(struct cfs_rq *cfs_rq, struct sched_entity *se)
491 {
492         struct rb_node **link = &cfs_rq->tasks_timeline.rb_node;
493         struct rb_node *parent = NULL;
494         struct sched_entity *entry;
495         int leftmost = 1;
496
497         /*
498          * Find the right place in the rbtree:
499          */
500         while (*link) {
501                 parent = *link;
502                 entry = rb_entry(parent, struct sched_entity, run_node);
503                 /*
504                  * We dont care about collisions. Nodes with
505                  * the same key stay together.
506                  */
507                 if (entity_before(se, entry)) {
508                         link = &parent->rb_left;
509                 } else {
510                         link = &parent->rb_right;
511                         leftmost = 0;
512                 }
513         }
514
515         /*
516          * Maintain a cache of leftmost tree entries (it is frequently
517          * used):
518          */
519         if (leftmost)
520                 cfs_rq->rb_leftmost = &se->run_node;
521
522         rb_link_node(&se->run_node, parent, link);
523         rb_insert_color(&se->run_node, &cfs_rq->tasks_timeline);
524 }
525
526 static void __dequeue_entity(struct cfs_rq *cfs_rq, struct sched_entity *se)
527 {
528         if (cfs_rq->rb_leftmost == &se->run_node) {
529                 struct rb_node *next_node;
530
531                 next_node = rb_next(&se->run_node);
532                 cfs_rq->rb_leftmost = next_node;
533         }
534
535         rb_erase(&se->run_node, &cfs_rq->tasks_timeline);
536 }
537
538 struct sched_entity *__pick_first_entity(struct cfs_rq *cfs_rq)
539 {
540         struct rb_node *left = cfs_rq->rb_leftmost;
541
542         if (!left)
543                 return NULL;
544
545         return rb_entry(left, struct sched_entity, run_node);
546 }
547
548 static struct sched_entity *__pick_next_entity(struct sched_entity *se)
549 {
550         struct rb_node *next = rb_next(&se->run_node);
551
552         if (!next)
553                 return NULL;
554
555         return rb_entry(next, struct sched_entity, run_node);
556 }
557
558 #ifdef CONFIG_SCHED_DEBUG
559 struct sched_entity *__pick_last_entity(struct cfs_rq *cfs_rq)
560 {
561         struct rb_node *last = rb_last(&cfs_rq->tasks_timeline);
562
563         if (!last)
564                 return NULL;
565
566         return rb_entry(last, struct sched_entity, run_node);
567 }
568
569 /**************************************************************
570  * Scheduling class statistics methods:
571  */
572
573 int sched_proc_update_handler(struct ctl_table *table, int write,
574                 void __user *buffer, size_t *lenp,
575                 loff_t *ppos)
576 {
577         int ret = proc_dointvec_minmax(table, write, buffer, lenp, ppos);
578         int factor = get_update_sysctl_factor();
579
580         if (ret || !write)
581                 return ret;
582
583         sched_nr_latency = DIV_ROUND_UP(sysctl_sched_latency,
584                                         sysctl_sched_min_granularity);
585
586 #define WRT_SYSCTL(name) \
587         (normalized_sysctl_##name = sysctl_##name / (factor))
588         WRT_SYSCTL(sched_min_granularity);
589         WRT_SYSCTL(sched_latency);
590         WRT_SYSCTL(sched_wakeup_granularity);
591 #undef WRT_SYSCTL
592
593         return 0;
594 }
595 #endif
596
597 /*
598  * delta /= w
599  */
600 static inline u64 calc_delta_fair(u64 delta, struct sched_entity *se)
601 {
602         if (unlikely(se->load.weight != NICE_0_LOAD))
603                 delta = __calc_delta(delta, NICE_0_LOAD, &se->load);
604
605         return delta;
606 }
607
608 /*
609  * The idea is to set a period in which each task runs once.
610  *
611  * When there are too many tasks (sched_nr_latency) we have to stretch
612  * this period because otherwise the slices get too small.
613  *
614  * p = (nr <= nl) ? l : l*nr/nl
615  */
616 static u64 __sched_period(unsigned long nr_running)
617 {
618         u64 period = sysctl_sched_latency;
619         unsigned long nr_latency = sched_nr_latency;
620
621         if (unlikely(nr_running > nr_latency)) {
622                 period = sysctl_sched_min_granularity;
623                 period *= nr_running;
624         }
625
626         return period;
627 }
628
629 /*
630  * We calculate the wall-time slice from the period by taking a part
631  * proportional to the weight.
632  *
633  * s = p*P[w/rw]
634  */
635 static u64 sched_slice(struct cfs_rq *cfs_rq, struct sched_entity *se)
636 {
637         u64 slice = __sched_period(cfs_rq->nr_running + !se->on_rq);
638
639         for_each_sched_entity(se) {
640                 struct load_weight *load;
641                 struct load_weight lw;
642
643                 cfs_rq = cfs_rq_of(se);
644                 load = &cfs_rq->load;
645
646                 if (unlikely(!se->on_rq)) {
647                         lw = cfs_rq->load;
648
649                         update_load_add(&lw, se->load.weight);
650                         load = &lw;
651                 }
652                 slice = __calc_delta(slice, se->load.weight, load);
653         }
654         return slice;
655 }
656
657 /*
658  * We calculate the vruntime slice of a to-be-inserted task.
659  *
660  * vs = s/w
661  */
662 static u64 sched_vslice(struct cfs_rq *cfs_rq, struct sched_entity *se)
663 {
664         return calc_delta_fair(sched_slice(cfs_rq, se), se);
665 }
666
667 #ifdef CONFIG_SMP
668 static unsigned long task_h_load(struct task_struct *p);
669
670 static inline void __update_task_entity_contrib(struct sched_entity *se);
671
672 /* Give new task start runnable values to heavy its load in infant time */
673 void init_task_runnable_average(struct task_struct *p)
674 {
675         u32 slice;
676
677         p->se.avg.decay_count = 0;
678         slice = sched_slice(task_cfs_rq(p), &p->se) >> 10;
679         p->se.avg.runnable_avg_sum = slice;
680         p->se.avg.runnable_avg_period = slice;
681         __update_task_entity_contrib(&p->se);
682 }
683 #else
684 void init_task_runnable_average(struct task_struct *p)
685 {
686 }
687 #endif
688
689 /*
690  * Update the current task's runtime statistics.
691  */
692 static void update_curr(struct cfs_rq *cfs_rq)
693 {
694         struct sched_entity *curr = cfs_rq->curr;
695         u64 now = rq_clock_task(rq_of(cfs_rq));
696         u64 delta_exec;
697
698         if (unlikely(!curr))
699                 return;
700
701         delta_exec = now - curr->exec_start;
702         if (unlikely((s64)delta_exec <= 0))
703                 return;
704
705         curr->exec_start = now;
706
707         schedstat_set(curr->statistics.exec_max,
708                       max(delta_exec, curr->statistics.exec_max));
709
710         curr->sum_exec_runtime += delta_exec;
711         schedstat_add(cfs_rq, exec_clock, delta_exec);
712
713         curr->vruntime += calc_delta_fair(delta_exec, curr);
714         update_min_vruntime(cfs_rq);
715
716         if (entity_is_task(curr)) {
717                 struct task_struct *curtask = task_of(curr);
718
719                 trace_sched_stat_runtime(curtask, delta_exec, curr->vruntime);
720                 cpuacct_charge(curtask, delta_exec);
721                 account_group_exec_runtime(curtask, delta_exec);
722         }
723
724         account_cfs_rq_runtime(cfs_rq, delta_exec);
725 }
726
727 static inline void
728 update_stats_wait_start(struct cfs_rq *cfs_rq, struct sched_entity *se)
729 {
730         schedstat_set(se->statistics.wait_start, rq_clock(rq_of(cfs_rq)));
731 }
732
733 /*
734  * Task is being enqueued - update stats:
735  */
736 static void update_stats_enqueue(struct cfs_rq *cfs_rq, struct sched_entity *se)
737 {
738         /*
739          * Are we enqueueing a waiting task? (for current tasks
740          * a dequeue/enqueue event is a NOP)
741          */
742         if (se != cfs_rq->curr)
743                 update_stats_wait_start(cfs_rq, se);
744 }
745
746 static void
747 update_stats_wait_end(struct cfs_rq *cfs_rq, struct sched_entity *se)
748 {
749         schedstat_set(se->statistics.wait_max, max(se->statistics.wait_max,
750                         rq_clock(rq_of(cfs_rq)) - se->statistics.wait_start));
751         schedstat_set(se->statistics.wait_count, se->statistics.wait_count + 1);
752         schedstat_set(se->statistics.wait_sum, se->statistics.wait_sum +
753                         rq_clock(rq_of(cfs_rq)) - se->statistics.wait_start);
754 #ifdef CONFIG_SCHEDSTATS
755         if (entity_is_task(se)) {
756                 trace_sched_stat_wait(task_of(se),
757                         rq_clock(rq_of(cfs_rq)) - se->statistics.wait_start);
758         }
759 #endif
760         schedstat_set(se->statistics.wait_start, 0);
761 }
762
763 static inline void
764 update_stats_dequeue(struct cfs_rq *cfs_rq, struct sched_entity *se)
765 {
766         /*
767          * Mark the end of the wait period if dequeueing a
768          * waiting task:
769          */
770         if (se != cfs_rq->curr)
771                 update_stats_wait_end(cfs_rq, se);
772 }
773
774 /*
775  * We are picking a new current task - update its stats:
776  */
777 static inline void
778 update_stats_curr_start(struct cfs_rq *cfs_rq, struct sched_entity *se)
779 {
780         /*
781          * We are starting a new run period:
782          */
783         se->exec_start = rq_clock_task(rq_of(cfs_rq));
784 }
785
786 /**************************************************
787  * Scheduling class queueing methods:
788  */
789
790 #ifdef CONFIG_NUMA_BALANCING
791 /*
792  * Approximate time to scan a full NUMA task in ms. The task scan period is
793  * calculated based on the tasks virtual memory size and
794  * numa_balancing_scan_size.
795  */
796 unsigned int sysctl_numa_balancing_scan_period_min = 1000;
797 unsigned int sysctl_numa_balancing_scan_period_max = 60000;
798
799 /* Portion of address space to scan in MB */
800 unsigned int sysctl_numa_balancing_scan_size = 256;
801
802 /* Scan @scan_size MB every @scan_period after an initial @scan_delay in ms */
803 unsigned int sysctl_numa_balancing_scan_delay = 1000;
804
805 static unsigned int task_nr_scan_windows(struct task_struct *p)
806 {
807         unsigned long rss = 0;
808         unsigned long nr_scan_pages;
809
810         /*
811          * Calculations based on RSS as non-present and empty pages are skipped
812          * by the PTE scanner and NUMA hinting faults should be trapped based
813          * on resident pages
814          */
815         nr_scan_pages = sysctl_numa_balancing_scan_size << (20 - PAGE_SHIFT);
816         rss = get_mm_rss(p->mm);
817         if (!rss)
818                 rss = nr_scan_pages;
819
820         rss = round_up(rss, nr_scan_pages);
821         return rss / nr_scan_pages;
822 }
823
824 /* For sanitys sake, never scan more PTEs than MAX_SCAN_WINDOW MB/sec. */
825 #define MAX_SCAN_WINDOW 2560
826
827 static unsigned int task_scan_min(struct task_struct *p)
828 {
829         unsigned int scan, floor;
830         unsigned int windows = 1;
831
832         if (sysctl_numa_balancing_scan_size < MAX_SCAN_WINDOW)
833                 windows = MAX_SCAN_WINDOW / sysctl_numa_balancing_scan_size;
834         floor = 1000 / windows;
835
836         scan = sysctl_numa_balancing_scan_period_min / task_nr_scan_windows(p);
837         return max_t(unsigned int, floor, scan);
838 }
839
840 static unsigned int task_scan_max(struct task_struct *p)
841 {
842         unsigned int smin = task_scan_min(p);
843         unsigned int smax;
844
845         /* Watch for min being lower than max due to floor calculations */
846         smax = sysctl_numa_balancing_scan_period_max / task_nr_scan_windows(p);
847         return max(smin, smax);
848 }
849
850 static void account_numa_enqueue(struct rq *rq, struct task_struct *p)
851 {
852         rq->nr_numa_running += (p->numa_preferred_nid != -1);
853         rq->nr_preferred_running += (p->numa_preferred_nid == task_node(p));
854 }
855
856 static void account_numa_dequeue(struct rq *rq, struct task_struct *p)
857 {
858         rq->nr_numa_running -= (p->numa_preferred_nid != -1);
859         rq->nr_preferred_running -= (p->numa_preferred_nid == task_node(p));
860 }
861
862 struct numa_group {
863         atomic_t refcount;
864
865         spinlock_t lock; /* nr_tasks, tasks */
866         int nr_tasks;
867         pid_t gid;
868         struct list_head task_list;
869
870         struct rcu_head rcu;
871         nodemask_t active_nodes;
872         unsigned long total_faults;
873         /*
874          * Faults_cpu is used to decide whether memory should move
875          * towards the CPU. As a consequence, these stats are weighted
876          * more by CPU use than by memory faults.
877          */
878         unsigned long *faults_cpu;
879         unsigned long faults[0];
880 };
881
882 /* Shared or private faults. */
883 #define NR_NUMA_HINT_FAULT_TYPES 2
884
885 /* Memory and CPU locality */
886 #define NR_NUMA_HINT_FAULT_STATS (NR_NUMA_HINT_FAULT_TYPES * 2)
887
888 /* Averaged statistics, and temporary buffers. */
889 #define NR_NUMA_HINT_FAULT_BUCKETS (NR_NUMA_HINT_FAULT_STATS * 2)
890
891 pid_t task_numa_group_id(struct task_struct *p)
892 {
893         return p->numa_group ? p->numa_group->gid : 0;
894 }
895
896 static inline int task_faults_idx(int nid, int priv)
897 {
898         return NR_NUMA_HINT_FAULT_TYPES * nid + priv;
899 }
900
901 static inline unsigned long task_faults(struct task_struct *p, int nid)
902 {
903         if (!p->numa_faults_memory)
904                 return 0;
905
906         return p->numa_faults_memory[task_faults_idx(nid, 0)] +
907                 p->numa_faults_memory[task_faults_idx(nid, 1)];
908 }
909
910 static inline unsigned long group_faults(struct task_struct *p, int nid)
911 {
912         if (!p->numa_group)
913                 return 0;
914
915         return p->numa_group->faults[task_faults_idx(nid, 0)] +
916                 p->numa_group->faults[task_faults_idx(nid, 1)];
917 }
918
919 static inline unsigned long group_faults_cpu(struct numa_group *group, int nid)
920 {
921         return group->faults_cpu[task_faults_idx(nid, 0)] +
922                 group->faults_cpu[task_faults_idx(nid, 1)];
923 }
924
925 /*
926  * These return the fraction of accesses done by a particular task, or
927  * task group, on a particular numa node.  The group weight is given a
928  * larger multiplier, in order to group tasks together that are almost
929  * evenly spread out between numa nodes.
930  */
931 static inline unsigned long task_weight(struct task_struct *p, int nid)
932 {
933         unsigned long total_faults;
934
935         if (!p->numa_faults_memory)
936                 return 0;
937
938         total_faults = p->total_numa_faults;
939
940         if (!total_faults)
941                 return 0;
942
943         return 1000 * task_faults(p, nid) / total_faults;
944 }
945
946 static inline unsigned long group_weight(struct task_struct *p, int nid)
947 {
948         if (!p->numa_group || !p->numa_group->total_faults)
949                 return 0;
950
951         return 1000 * group_faults(p, nid) / p->numa_group->total_faults;
952 }
953
954 bool should_numa_migrate_memory(struct task_struct *p, struct page * page,
955                                 int src_nid, int dst_cpu)
956 {
957         struct numa_group *ng = p->numa_group;
958         int dst_nid = cpu_to_node(dst_cpu);
959         int last_cpupid, this_cpupid;
960
961         this_cpupid = cpu_pid_to_cpupid(dst_cpu, current->pid);
962
963         /*
964          * Multi-stage node selection is used in conjunction with a periodic
965          * migration fault to build a temporal task<->page relation. By using
966          * a two-stage filter we remove short/unlikely relations.
967          *
968          * Using P(p) ~ n_p / n_t as per frequentist probability, we can equate
969          * a task's usage of a particular page (n_p) per total usage of this
970          * page (n_t) (in a given time-span) to a probability.
971          *
972          * Our periodic faults will sample this probability and getting the
973          * same result twice in a row, given these samples are fully
974          * independent, is then given by P(n)^2, provided our sample period
975          * is sufficiently short compared to the usage pattern.
976          *
977          * This quadric squishes small probabilities, making it less likely we
978          * act on an unlikely task<->page relation.
979          */
980         last_cpupid = page_cpupid_xchg_last(page, this_cpupid);
981         if (!cpupid_pid_unset(last_cpupid) &&
982                                 cpupid_to_nid(last_cpupid) != dst_nid)
983                 return false;
984
985         /* Always allow migrate on private faults */
986         if (cpupid_match_pid(p, last_cpupid))
987                 return true;
988
989         /* A shared fault, but p->numa_group has not been set up yet. */
990         if (!ng)
991                 return true;
992
993         /*
994          * Do not migrate if the destination is not a node that
995          * is actively used by this numa group.
996          */
997         if (!node_isset(dst_nid, ng->active_nodes))
998                 return false;
999
1000         /*
1001          * Source is a node that is not actively used by this
1002          * numa group, while the destination is. Migrate.
1003          */
1004         if (!node_isset(src_nid, ng->active_nodes))
1005                 return true;
1006
1007         /*
1008          * Both source and destination are nodes in active
1009          * use by this numa group. Maximize memory bandwidth
1010          * by migrating from more heavily used groups, to less
1011          * heavily used ones, spreading the load around.
1012          * Use a 1/4 hysteresis to avoid spurious page movement.
1013          */
1014         return group_faults(p, dst_nid) < (group_faults(p, src_nid) * 3 / 4);
1015 }
1016
1017 static unsigned long weighted_cpuload(const int cpu);
1018 static unsigned long source_load(int cpu, int type);
1019 static unsigned long target_load(int cpu, int type);
1020 static unsigned long capacity_of(int cpu);
1021 static long effective_load(struct task_group *tg, int cpu, long wl, long wg);
1022
1023 /* Cached statistics for all CPUs within a node */
1024 struct numa_stats {
1025         unsigned long nr_running;
1026         unsigned long load;
1027
1028         /* Total compute capacity of CPUs on a node */
1029         unsigned long compute_capacity;
1030
1031         /* Approximate capacity in terms of runnable tasks on a node */
1032         unsigned long task_capacity;
1033         int has_free_capacity;
1034 };
1035
1036 /*
1037  * XXX borrowed from update_sg_lb_stats
1038  */
1039 static void update_numa_stats(struct numa_stats *ns, int nid)
1040 {
1041         int cpu, cpus = 0;
1042
1043         memset(ns, 0, sizeof(*ns));
1044         for_each_cpu(cpu, cpumask_of_node(nid)) {
1045                 struct rq *rq = cpu_rq(cpu);
1046
1047                 ns->nr_running += rq->nr_running;
1048                 ns->load += weighted_cpuload(cpu);
1049                 ns->compute_capacity += capacity_of(cpu);
1050
1051                 cpus++;
1052         }
1053
1054         /*
1055          * If we raced with hotplug and there are no CPUs left in our mask
1056          * the @ns structure is NULL'ed and task_numa_compare() will
1057          * not find this node attractive.
1058          *
1059          * We'll either bail at !has_free_capacity, or we'll detect a huge
1060          * imbalance and bail there.
1061          */
1062         if (!cpus)
1063                 return;
1064
1065         ns->task_capacity =
1066                 DIV_ROUND_CLOSEST(ns->compute_capacity, SCHED_CAPACITY_SCALE);
1067         ns->has_free_capacity = (ns->nr_running < ns->task_capacity);
1068 }
1069
1070 struct task_numa_env {
1071         struct task_struct *p;
1072
1073         int src_cpu, src_nid;
1074         int dst_cpu, dst_nid;
1075
1076         struct numa_stats src_stats, dst_stats;
1077
1078         int imbalance_pct;
1079
1080         struct task_struct *best_task;
1081         long best_imp;
1082         int best_cpu;
1083 };
1084
1085 static void task_numa_assign(struct task_numa_env *env,
1086                              struct task_struct *p, long imp)
1087 {
1088         if (env->best_task)
1089                 put_task_struct(env->best_task);
1090         if (p)
1091                 get_task_struct(p);
1092
1093         env->best_task = p;
1094         env->best_imp = imp;
1095         env->best_cpu = env->dst_cpu;
1096 }
1097
1098 static bool load_too_imbalanced(long src_load, long dst_load,
1099                                 struct task_numa_env *env)
1100 {
1101         long imb, old_imb;
1102         long orig_src_load, orig_dst_load;
1103         long src_capacity, dst_capacity;
1104
1105         /*
1106          * The load is corrected for the CPU capacity available on each node.
1107          *
1108          * src_load        dst_load
1109          * ------------ vs ---------
1110          * src_capacity    dst_capacity
1111          */
1112         src_capacity = env->src_stats.compute_capacity;
1113         dst_capacity = env->dst_stats.compute_capacity;
1114
1115         /* We care about the slope of the imbalance, not the direction. */
1116         if (dst_load < src_load)
1117                 swap(dst_load, src_load);
1118
1119         /* Is the difference below the threshold? */
1120         imb = dst_load * src_capacity * 100 -
1121               src_load * dst_capacity * env->imbalance_pct;
1122         if (imb <= 0)
1123                 return false;
1124
1125         /*
1126          * The imbalance is above the allowed threshold.
1127          * Compare it with the old imbalance.
1128          */
1129         orig_src_load = env->src_stats.load;
1130         orig_dst_load = env->dst_stats.load;
1131
1132         if (orig_dst_load < orig_src_load)
1133                 swap(orig_dst_load, orig_src_load);
1134
1135         old_imb = orig_dst_load * src_capacity * 100 -
1136                   orig_src_load * dst_capacity * env->imbalance_pct;
1137
1138         /* Would this change make things worse? */
1139         return (imb > old_imb);
1140 }
1141
1142 /*
1143  * This checks if the overall compute and NUMA accesses of the system would
1144  * be improved if the source tasks was migrated to the target dst_cpu taking
1145  * into account that it might be best if task running on the dst_cpu should
1146  * be exchanged with the source task
1147  */
1148 static void task_numa_compare(struct task_numa_env *env,
1149                               long taskimp, long groupimp)
1150 {
1151         struct rq *src_rq = cpu_rq(env->src_cpu);
1152         struct rq *dst_rq = cpu_rq(env->dst_cpu);
1153         struct task_struct *cur;
1154         long src_load, dst_load;
1155         long load;
1156         long imp = env->p->numa_group ? groupimp : taskimp;
1157         long moveimp = imp;
1158
1159         rcu_read_lock();
1160         cur = ACCESS_ONCE(dst_rq->curr);
1161         if (cur->pid == 0) /* idle */
1162                 cur = NULL;
1163
1164         /*
1165          * "imp" is the fault differential for the source task between the
1166          * source and destination node. Calculate the total differential for
1167          * the source task and potential destination task. The more negative
1168          * the value is, the more rmeote accesses that would be expected to
1169          * be incurred if the tasks were swapped.
1170          */
1171         if (cur) {
1172                 /* Skip this swap candidate if cannot move to the source cpu */
1173                 if (!cpumask_test_cpu(env->src_cpu, tsk_cpus_allowed(cur)))
1174                         goto unlock;
1175
1176                 /*
1177                  * If dst and source tasks are in the same NUMA group, or not
1178                  * in any group then look only at task weights.
1179                  */
1180                 if (cur->numa_group == env->p->numa_group) {
1181                         imp = taskimp + task_weight(cur, env->src_nid) -
1182                               task_weight(cur, env->dst_nid);
1183                         /*
1184                          * Add some hysteresis to prevent swapping the
1185                          * tasks within a group over tiny differences.
1186                          */
1187                         if (cur->numa_group)
1188                                 imp -= imp/16;
1189                 } else {
1190                         /*
1191                          * Compare the group weights. If a task is all by
1192                          * itself (not part of a group), use the task weight
1193                          * instead.
1194                          */
1195                         if (cur->numa_group)
1196                                 imp += group_weight(cur, env->src_nid) -
1197                                        group_weight(cur, env->dst_nid);
1198                         else
1199                                 imp += task_weight(cur, env->src_nid) -
1200                                        task_weight(cur, env->dst_nid);
1201                 }
1202         }
1203
1204         if (imp <= env->best_imp && moveimp <= env->best_imp)
1205                 goto unlock;
1206
1207         if (!cur) {
1208                 /* Is there capacity at our destination? */
1209                 if (env->src_stats.has_free_capacity &&
1210                     !env->dst_stats.has_free_capacity)
1211                         goto unlock;
1212
1213                 goto balance;
1214         }
1215
1216         /* Balance doesn't matter much if we're running a task per cpu */
1217         if (imp > env->best_imp && src_rq->nr_running == 1 &&
1218                         dst_rq->nr_running == 1)
1219                 goto assign;
1220
1221         /*
1222          * In the overloaded case, try and keep the load balanced.
1223          */
1224 balance:
1225         load = task_h_load(env->p);
1226         dst_load = env->dst_stats.load + load;
1227         src_load = env->src_stats.load - load;
1228
1229         if (moveimp > imp && moveimp > env->best_imp) {
1230                 /*
1231                  * If the improvement from just moving env->p direction is
1232                  * better than swapping tasks around, check if a move is
1233                  * possible. Store a slightly smaller score than moveimp,
1234                  * so an actually idle CPU will win.
1235                  */
1236                 if (!load_too_imbalanced(src_load, dst_load, env)) {
1237                         imp = moveimp - 1;
1238                         cur = NULL;
1239                         goto assign;
1240                 }
1241         }
1242
1243         if (imp <= env->best_imp)
1244                 goto unlock;
1245
1246         if (cur) {
1247                 load = task_h_load(cur);
1248                 dst_load -= load;
1249                 src_load += load;
1250         }
1251
1252         if (load_too_imbalanced(src_load, dst_load, env))
1253                 goto unlock;
1254
1255 assign:
1256         task_numa_assign(env, cur, imp);
1257 unlock:
1258         rcu_read_unlock();
1259 }
1260
1261 static void task_numa_find_cpu(struct task_numa_env *env,
1262                                 long taskimp, long groupimp)
1263 {
1264         int cpu;
1265
1266         for_each_cpu(cpu, cpumask_of_node(env->dst_nid)) {
1267                 /* Skip this CPU if the source task cannot migrate */
1268                 if (!cpumask_test_cpu(cpu, tsk_cpus_allowed(env->p)))
1269                         continue;
1270
1271                 env->dst_cpu = cpu;
1272                 task_numa_compare(env, taskimp, groupimp);
1273         }
1274 }
1275
1276 static int task_numa_migrate(struct task_struct *p)
1277 {
1278         struct task_numa_env env = {
1279                 .p = p,
1280
1281                 .src_cpu = task_cpu(p),
1282                 .src_nid = task_node(p),
1283
1284                 .imbalance_pct = 112,
1285
1286                 .best_task = NULL,
1287                 .best_imp = 0,
1288                 .best_cpu = -1
1289         };
1290         struct sched_domain *sd;
1291         unsigned long taskweight, groupweight;
1292         int nid, ret;
1293         long taskimp, groupimp;
1294
1295         /*
1296          * Pick the lowest SD_NUMA domain, as that would have the smallest
1297          * imbalance and would be the first to start moving tasks about.
1298          *
1299          * And we want to avoid any moving of tasks about, as that would create
1300          * random movement of tasks -- counter the numa conditions we're trying
1301          * to satisfy here.
1302          */
1303         rcu_read_lock();
1304         sd = rcu_dereference(per_cpu(sd_numa, env.src_cpu));
1305         if (sd)
1306                 env.imbalance_pct = 100 + (sd->imbalance_pct - 100) / 2;
1307         rcu_read_unlock();
1308
1309         /*
1310          * Cpusets can break the scheduler domain tree into smaller
1311          * balance domains, some of which do not cross NUMA boundaries.
1312          * Tasks that are "trapped" in such domains cannot be migrated
1313          * elsewhere, so there is no point in (re)trying.
1314          */
1315         if (unlikely(!sd)) {
1316                 p->numa_preferred_nid = task_node(p);
1317                 return -EINVAL;
1318         }
1319
1320         taskweight = task_weight(p, env.src_nid);
1321         groupweight = group_weight(p, env.src_nid);
1322         update_numa_stats(&env.src_stats, env.src_nid);
1323         env.dst_nid = p->numa_preferred_nid;
1324         taskimp = task_weight(p, env.dst_nid) - taskweight;
1325         groupimp = group_weight(p, env.dst_nid) - groupweight;
1326         update_numa_stats(&env.dst_stats, env.dst_nid);
1327
1328         /* Try to find a spot on the preferred nid. */
1329         task_numa_find_cpu(&env, taskimp, groupimp);
1330
1331         /* No space available on the preferred nid. Look elsewhere. */
1332         if (env.best_cpu == -1) {
1333                 for_each_online_node(nid) {
1334                         if (nid == env.src_nid || nid == p->numa_preferred_nid)
1335                                 continue;
1336
1337                         /* Only consider nodes where both task and groups benefit */
1338                         taskimp = task_weight(p, nid) - taskweight;
1339                         groupimp = group_weight(p, nid) - groupweight;
1340                         if (taskimp < 0 && groupimp < 0)
1341                                 continue;
1342
1343                         env.dst_nid = nid;
1344                         update_numa_stats(&env.dst_stats, env.dst_nid);
1345                         task_numa_find_cpu(&env, taskimp, groupimp);
1346                 }
1347         }
1348
1349         /*
1350          * If the task is part of a workload that spans multiple NUMA nodes,
1351          * and is migrating into one of the workload's active nodes, remember
1352          * this node as the task's preferred numa node, so the workload can
1353          * settle down.
1354          * A task that migrated to a second choice node will be better off
1355          * trying for a better one later. Do not set the preferred node here.
1356          */
1357         if (p->numa_group) {
1358                 if (env.best_cpu == -1)
1359                         nid = env.src_nid;
1360                 else
1361                         nid = env.dst_nid;
1362
1363                 if (node_isset(nid, p->numa_group->active_nodes))
1364                         sched_setnuma(p, env.dst_nid);
1365         }
1366
1367         /* No better CPU than the current one was found. */
1368         if (env.best_cpu == -1)
1369                 return -EAGAIN;
1370
1371         /*
1372          * Reset the scan period if the task is being rescheduled on an
1373          * alternative node to recheck if the tasks is now properly placed.
1374          */
1375         p->numa_scan_period = task_scan_min(p);
1376
1377         if (env.best_task == NULL) {
1378                 ret = migrate_task_to(p, env.best_cpu);
1379                 if (ret != 0)
1380                         trace_sched_stick_numa(p, env.src_cpu, env.best_cpu);
1381                 return ret;
1382         }
1383
1384         ret = migrate_swap(p, env.best_task);
1385         if (ret != 0)
1386                 trace_sched_stick_numa(p, env.src_cpu, task_cpu(env.best_task));
1387         put_task_struct(env.best_task);
1388         return ret;
1389 }
1390
1391 /* Attempt to migrate a task to a CPU on the preferred node. */
1392 static void numa_migrate_preferred(struct task_struct *p)
1393 {
1394         unsigned long interval = HZ;
1395
1396         /* This task has no NUMA fault statistics yet */
1397         if (unlikely(p->numa_preferred_nid == -1 || !p->numa_faults_memory))
1398                 return;
1399
1400         /* Periodically retry migrating the task to the preferred node */
1401         interval = min(interval, msecs_to_jiffies(p->numa_scan_period) / 16);
1402         p->numa_migrate_retry = jiffies + interval;
1403
1404         /* Success if task is already running on preferred CPU */
1405         if (task_node(p) == p->numa_preferred_nid)
1406                 return;
1407
1408         /* Otherwise, try migrate to a CPU on the preferred node */
1409         task_numa_migrate(p);
1410 }
1411
1412 /*
1413  * Find the nodes on which the workload is actively running. We do this by
1414  * tracking the nodes from which NUMA hinting faults are triggered. This can
1415  * be different from the set of nodes where the workload's memory is currently
1416  * located.
1417  *
1418  * The bitmask is used to make smarter decisions on when to do NUMA page
1419  * migrations, To prevent flip-flopping, and excessive page migrations, nodes
1420  * are added when they cause over 6/16 of the maximum number of faults, but
1421  * only removed when they drop below 3/16.
1422  */
1423 static void update_numa_active_node_mask(struct numa_group *numa_group)
1424 {
1425         unsigned long faults, max_faults = 0;
1426         int nid;
1427
1428         for_each_online_node(nid) {
1429                 faults = group_faults_cpu(numa_group, nid);
1430                 if (faults > max_faults)
1431                         max_faults = faults;
1432         }
1433
1434         for_each_online_node(nid) {
1435                 faults = group_faults_cpu(numa_group, nid);
1436                 if (!node_isset(nid, numa_group->active_nodes)) {
1437                         if (faults > max_faults * 6 / 16)
1438                                 node_set(nid, numa_group->active_nodes);
1439                 } else if (faults < max_faults * 3 / 16)
1440                         node_clear(nid, numa_group->active_nodes);
1441         }
1442 }
1443
1444 /*
1445  * When adapting the scan rate, the period is divided into NUMA_PERIOD_SLOTS
1446  * increments. The more local the fault statistics are, the higher the scan
1447  * period will be for the next scan window. If local/(local+remote) ratio is
1448  * below NUMA_PERIOD_THRESHOLD (where range of ratio is 1..NUMA_PERIOD_SLOTS)
1449  * the scan period will decrease. Aim for 70% local accesses.
1450  */
1451 #define NUMA_PERIOD_SLOTS 10
1452 #define NUMA_PERIOD_THRESHOLD 7
1453
1454 /*
1455  * Increase the scan period (slow down scanning) if the majority of
1456  * our memory is already on our local node, or if the majority of
1457  * the page accesses are shared with other processes.
1458  * Otherwise, decrease the scan period.
1459  */
1460 static void update_task_scan_period(struct task_struct *p,
1461                         unsigned long shared, unsigned long private)
1462 {
1463         unsigned int period_slot;
1464         int ratio;
1465         int diff;
1466
1467         unsigned long remote = p->numa_faults_locality[0];
1468         unsigned long local = p->numa_faults_locality[1];
1469
1470         /*
1471          * If there were no record hinting faults then either the task is
1472          * completely idle or all activity is areas that are not of interest
1473          * to automatic numa balancing. Scan slower
1474          */
1475         if (local + shared == 0) {
1476                 p->numa_scan_period = min(p->numa_scan_period_max,
1477                         p->numa_scan_period << 1);
1478
1479                 p->mm->numa_next_scan = jiffies +
1480                         msecs_to_jiffies(p->numa_scan_period);
1481
1482                 return;
1483         }
1484
1485         /*
1486          * Prepare to scale scan period relative to the current period.
1487          *       == NUMA_PERIOD_THRESHOLD scan period stays the same
1488          *       <  NUMA_PERIOD_THRESHOLD scan period decreases (scan faster)
1489          *       >= NUMA_PERIOD_THRESHOLD scan period increases (scan slower)
1490          */
1491         period_slot = DIV_ROUND_UP(p->numa_scan_period, NUMA_PERIOD_SLOTS);
1492         ratio = (local * NUMA_PERIOD_SLOTS) / (local + remote);
1493         if (ratio >= NUMA_PERIOD_THRESHOLD) {
1494                 int slot = ratio - NUMA_PERIOD_THRESHOLD;
1495                 if (!slot)
1496                         slot = 1;
1497                 diff = slot * period_slot;
1498         } else {
1499                 diff = -(NUMA_PERIOD_THRESHOLD - ratio) * period_slot;
1500
1501                 /*
1502                  * Scale scan rate increases based on sharing. There is an
1503                  * inverse relationship between the degree of sharing and
1504                  * the adjustment made to the scanning period. Broadly
1505                  * speaking the intent is that there is little point
1506                  * scanning faster if shared accesses dominate as it may
1507                  * simply bounce migrations uselessly
1508                  */
1509                 ratio = DIV_ROUND_UP(private * NUMA_PERIOD_SLOTS, (private + shared));
1510                 diff = (diff * ratio) / NUMA_PERIOD_SLOTS;
1511         }
1512
1513         p->numa_scan_period = clamp(p->numa_scan_period + diff,
1514                         task_scan_min(p), task_scan_max(p));
1515         memset(p->numa_faults_locality, 0, sizeof(p->numa_faults_locality));
1516 }
1517
1518 /*
1519  * Get the fraction of time the task has been running since the last
1520  * NUMA placement cycle. The scheduler keeps similar statistics, but
1521  * decays those on a 32ms period, which is orders of magnitude off
1522  * from the dozens-of-seconds NUMA balancing period. Use the scheduler
1523  * stats only if the task is so new there are no NUMA statistics yet.
1524  */
1525 static u64 numa_get_avg_runtime(struct task_struct *p, u64 *period)
1526 {
1527         u64 runtime, delta, now;
1528         /* Use the start of this time slice to avoid calculations. */
1529         now = p->se.exec_start;
1530         runtime = p->se.sum_exec_runtime;
1531
1532         if (p->last_task_numa_placement) {
1533                 delta = runtime - p->last_sum_exec_runtime;
1534                 *period = now - p->last_task_numa_placement;
1535         } else {
1536                 delta = p->se.avg.runnable_avg_sum;
1537                 *period = p->se.avg.runnable_avg_period;
1538         }
1539
1540         p->last_sum_exec_runtime = runtime;
1541         p->last_task_numa_placement = now;
1542
1543         return delta;
1544 }
1545
1546 static void task_numa_placement(struct task_struct *p)
1547 {
1548         int seq, nid, max_nid = -1, max_group_nid = -1;
1549         unsigned long max_faults = 0, max_group_faults = 0;
1550         unsigned long fault_types[2] = { 0, 0 };
1551         unsigned long total_faults;
1552         u64 runtime, period;
1553         spinlock_t *group_lock = NULL;
1554
1555         seq = ACCESS_ONCE(p->mm->numa_scan_seq);
1556         if (p->numa_scan_seq == seq)
1557                 return;
1558         p->numa_scan_seq = seq;
1559         p->numa_scan_period_max = task_scan_max(p);
1560
1561         total_faults = p->numa_faults_locality[0] +
1562                        p->numa_faults_locality[1];
1563         runtime = numa_get_avg_runtime(p, &period);
1564
1565         /* If the task is part of a group prevent parallel updates to group stats */
1566         if (p->numa_group) {
1567                 group_lock = &p->numa_group->lock;
1568                 spin_lock_irq(group_lock);
1569         }
1570
1571         /* Find the node with the highest number of faults */
1572         for_each_online_node(nid) {
1573                 unsigned long faults = 0, group_faults = 0;
1574                 int priv, i;
1575
1576                 for (priv = 0; priv < NR_NUMA_HINT_FAULT_TYPES; priv++) {
1577                         long diff, f_diff, f_weight;
1578
1579                         i = task_faults_idx(nid, priv);
1580
1581                         /* Decay existing window, copy faults since last scan */
1582                         diff = p->numa_faults_buffer_memory[i] - p->numa_faults_memory[i] / 2;
1583                         fault_types[priv] += p->numa_faults_buffer_memory[i];
1584                         p->numa_faults_buffer_memory[i] = 0;
1585
1586                         /*
1587                          * Normalize the faults_from, so all tasks in a group
1588                          * count according to CPU use, instead of by the raw
1589                          * number of faults. Tasks with little runtime have
1590                          * little over-all impact on throughput, and thus their
1591                          * faults are less important.
1592                          */
1593                         f_weight = div64_u64(runtime << 16, period + 1);
1594                         f_weight = (f_weight * p->numa_faults_buffer_cpu[i]) /
1595                                    (total_faults + 1);
1596                         f_diff = f_weight - p->numa_faults_cpu[i] / 2;
1597                         p->numa_faults_buffer_cpu[i] = 0;
1598
1599                         p->numa_faults_memory[i] += diff;
1600                         p->numa_faults_cpu[i] += f_diff;
1601                         faults += p->numa_faults_memory[i];
1602                         p->total_numa_faults += diff;
1603                         if (p->numa_group) {
1604                                 /* safe because we can only change our own group */
1605                                 p->numa_group->faults[i] += diff;
1606                                 p->numa_group->faults_cpu[i] += f_diff;
1607                                 p->numa_group->total_faults += diff;
1608                                 group_faults += p->numa_group->faults[i];
1609                         }
1610                 }
1611
1612                 if (faults > max_faults) {
1613                         max_faults = faults;
1614                         max_nid = nid;
1615                 }
1616
1617                 if (group_faults > max_group_faults) {
1618                         max_group_faults = group_faults;
1619                         max_group_nid = nid;
1620                 }
1621         }
1622
1623         update_task_scan_period(p, fault_types[0], fault_types[1]);
1624
1625         if (p->numa_group) {
1626                 update_numa_active_node_mask(p->numa_group);
1627                 spin_unlock_irq(group_lock);
1628                 max_nid = max_group_nid;
1629         }
1630
1631         if (max_faults) {
1632                 /* Set the new preferred node */
1633                 if (max_nid != p->numa_preferred_nid)
1634                         sched_setnuma(p, max_nid);
1635
1636                 if (task_node(p) != p->numa_preferred_nid)
1637                         numa_migrate_preferred(p);
1638         }
1639 }
1640
1641 static inline int get_numa_group(struct numa_group *grp)
1642 {
1643         return atomic_inc_not_zero(&grp->refcount);
1644 }
1645
1646 static inline void put_numa_group(struct numa_group *grp)
1647 {
1648         if (atomic_dec_and_test(&grp->refcount))
1649                 kfree_rcu(grp, rcu);
1650 }
1651
1652 static void task_numa_group(struct task_struct *p, int cpupid, int flags,
1653                         int *priv)
1654 {
1655         struct numa_group *grp, *my_grp;
1656         struct task_struct *tsk;
1657         bool join = false;
1658         int cpu = cpupid_to_cpu(cpupid);
1659         int i;
1660
1661         if (unlikely(!p->numa_group)) {
1662                 unsigned int size = sizeof(struct numa_group) +
1663                                     4*nr_node_ids*sizeof(unsigned long);
1664
1665                 grp = kzalloc(size, GFP_KERNEL | __GFP_NOWARN);
1666                 if (!grp)
1667                         return;
1668
1669                 atomic_set(&grp->refcount, 1);
1670                 spin_lock_init(&grp->lock);
1671                 INIT_LIST_HEAD(&grp->task_list);
1672                 grp->gid = p->pid;
1673                 /* Second half of the array tracks nids where faults happen */
1674                 grp->faults_cpu = grp->faults + NR_NUMA_HINT_FAULT_TYPES *
1675                                                 nr_node_ids;
1676
1677                 node_set(task_node(current), grp->active_nodes);
1678
1679                 for (i = 0; i < NR_NUMA_HINT_FAULT_STATS * nr_node_ids; i++)
1680                         grp->faults[i] = p->numa_faults_memory[i];
1681
1682                 grp->total_faults = p->total_numa_faults;
1683
1684                 list_add(&p->numa_entry, &grp->task_list);
1685                 grp->nr_tasks++;
1686                 rcu_assign_pointer(p->numa_group, grp);
1687         }
1688
1689         rcu_read_lock();
1690         tsk = ACCESS_ONCE(cpu_rq(cpu)->curr);
1691
1692         if (!cpupid_match_pid(tsk, cpupid))
1693                 goto no_join;
1694
1695         grp = rcu_dereference(tsk->numa_group);
1696         if (!grp)
1697                 goto no_join;
1698
1699         my_grp = p->numa_group;
1700         if (grp == my_grp)
1701                 goto no_join;
1702
1703         /*
1704          * Only join the other group if its bigger; if we're the bigger group,
1705          * the other task will join us.
1706          */
1707         if (my_grp->nr_tasks > grp->nr_tasks)
1708                 goto no_join;
1709
1710         /*
1711          * Tie-break on the grp address.
1712          */
1713         if (my_grp->nr_tasks == grp->nr_tasks && my_grp > grp)
1714                 goto no_join;
1715
1716         /* Always join threads in the same process. */
1717         if (tsk->mm == current->mm)
1718                 join = true;
1719
1720         /* Simple filter to avoid false positives due to PID collisions */
1721         if (flags & TNF_SHARED)
1722                 join = true;
1723
1724         /* Update priv based on whether false sharing was detected */
1725         *priv = !join;
1726
1727         if (join && !get_numa_group(grp))
1728                 goto no_join;
1729
1730         rcu_read_unlock();
1731
1732         if (!join)
1733                 return;
1734
1735         BUG_ON(irqs_disabled());
1736         double_lock_irq(&my_grp->lock, &grp->lock);
1737
1738         for (i = 0; i < NR_NUMA_HINT_FAULT_STATS * nr_node_ids; i++) {
1739                 my_grp->faults[i] -= p->numa_faults_memory[i];
1740                 grp->faults[i] += p->numa_faults_memory[i];
1741         }
1742         my_grp->total_faults -= p->total_numa_faults;
1743         grp->total_faults += p->total_numa_faults;
1744
1745         list_move(&p->numa_entry, &grp->task_list);
1746         my_grp->nr_tasks--;
1747         grp->nr_tasks++;
1748
1749         spin_unlock(&my_grp->lock);
1750         spin_unlock_irq(&grp->lock);
1751
1752         rcu_assign_pointer(p->numa_group, grp);
1753
1754         put_numa_group(my_grp);
1755         return;
1756
1757 no_join:
1758         rcu_read_unlock();
1759         return;
1760 }
1761
1762 void task_numa_free(struct task_struct *p)
1763 {
1764         struct numa_group *grp = p->numa_group;
1765         void *numa_faults = p->numa_faults_memory;
1766         unsigned long flags;
1767         int i;
1768
1769         if (grp) {
1770                 spin_lock_irqsave(&grp->lock, flags);
1771                 for (i = 0; i < NR_NUMA_HINT_FAULT_STATS * nr_node_ids; i++)
1772                         grp->faults[i] -= p->numa_faults_memory[i];
1773                 grp->total_faults -= p->total_numa_faults;
1774
1775                 list_del(&p->numa_entry);
1776                 grp->nr_tasks--;
1777                 spin_unlock_irqrestore(&grp->lock, flags);
1778                 rcu_assign_pointer(p->numa_group, NULL);
1779                 put_numa_group(grp);
1780         }
1781
1782         p->numa_faults_memory = NULL;
1783         p->numa_faults_buffer_memory = NULL;
1784         p->numa_faults_cpu= NULL;
1785         p->numa_faults_buffer_cpu = NULL;
1786         kfree(numa_faults);
1787 }
1788
1789 /*
1790  * Got a PROT_NONE fault for a page on @node.
1791  */
1792 void task_numa_fault(int last_cpupid, int mem_node, int pages, int flags)
1793 {
1794         struct task_struct *p = current;
1795         bool migrated = flags & TNF_MIGRATED;
1796         int cpu_node = task_node(current);
1797         int local = !!(flags & TNF_FAULT_LOCAL);
1798         int priv;
1799
1800         if (!numabalancing_enabled)
1801                 return;
1802
1803         /* for example, ksmd faulting in a user's mm */
1804         if (!p->mm)
1805                 return;
1806
1807         /* Do not worry about placement if exiting */
1808         if (p->state == TASK_DEAD)
1809                 return;
1810
1811         /* Allocate buffer to track faults on a per-node basis */
1812         if (unlikely(!p->numa_faults_memory)) {
1813                 int size = sizeof(*p->numa_faults_memory) *
1814                            NR_NUMA_HINT_FAULT_BUCKETS * nr_node_ids;
1815
1816                 p->numa_faults_memory = kzalloc(size, GFP_KERNEL|__GFP_NOWARN);
1817                 if (!p->numa_faults_memory)
1818                         return;
1819
1820                 BUG_ON(p->numa_faults_buffer_memory);
1821                 /*
1822                  * The averaged statistics, shared & private, memory & cpu,
1823                  * occupy the first half of the array. The second half of the
1824                  * array is for current counters, which are averaged into the
1825                  * first set by task_numa_placement.
1826                  */
1827                 p->numa_faults_cpu = p->numa_faults_memory + (2 * nr_node_ids);
1828                 p->numa_faults_buffer_memory = p->numa_faults_memory + (4 * nr_node_ids);
1829                 p->numa_faults_buffer_cpu = p->numa_faults_memory + (6 * nr_node_ids);
1830                 p->total_numa_faults = 0;
1831                 memset(p->numa_faults_locality, 0, sizeof(p->numa_faults_locality));
1832         }
1833
1834         /*
1835          * First accesses are treated as private, otherwise consider accesses
1836          * to be private if the accessing pid has not changed
1837          */
1838         if (unlikely(last_cpupid == (-1 & LAST_CPUPID_MASK))) {
1839                 priv = 1;
1840         } else {
1841                 priv = cpupid_match_pid(p, last_cpupid);
1842                 if (!priv && !(flags & TNF_NO_GROUP))
1843                         task_numa_group(p, last_cpupid, flags, &priv);
1844         }
1845
1846         /*
1847          * If a workload spans multiple NUMA nodes, a shared fault that
1848          * occurs wholly within the set of nodes that the workload is
1849          * actively using should be counted as local. This allows the
1850          * scan rate to slow down when a workload has settled down.
1851          */
1852         if (!priv && !local && p->numa_group &&
1853                         node_isset(cpu_node, p->numa_group->active_nodes) &&
1854                         node_isset(mem_node, p->numa_group->active_nodes))
1855                 local = 1;
1856
1857         task_numa_placement(p);
1858
1859         /*
1860          * Retry task to preferred node migration periodically, in case it
1861          * case it previously failed, or the scheduler moved us.
1862          */
1863         if (time_after(jiffies, p->numa_migrate_retry))
1864                 numa_migrate_preferred(p);
1865
1866         if (migrated)
1867                 p->numa_pages_migrated += pages;
1868
1869         p->numa_faults_buffer_memory[task_faults_idx(mem_node, priv)] += pages;
1870         p->numa_faults_buffer_cpu[task_faults_idx(cpu_node, priv)] += pages;
1871         p->numa_faults_locality[local] += pages;
1872 }
1873
1874 static void reset_ptenuma_scan(struct task_struct *p)
1875 {
1876         ACCESS_ONCE(p->mm->numa_scan_seq)++;
1877         p->mm->numa_scan_offset = 0;
1878 }
1879
1880 /*
1881  * The expensive part of numa migration is done from task_work context.
1882  * Triggered from task_tick_numa().
1883  */
1884 void task_numa_work(struct callback_head *work)
1885 {
1886         unsigned long migrate, next_scan, now = jiffies;
1887         struct task_struct *p = current;
1888         struct mm_struct *mm = p->mm;
1889         struct vm_area_struct *vma;
1890         unsigned long start, end;
1891         unsigned long nr_pte_updates = 0;
1892         long pages;
1893
1894         WARN_ON_ONCE(p != container_of(work, struct task_struct, numa_work));
1895
1896         work->next = work; /* protect against double add */
1897         /*
1898          * Who cares about NUMA placement when they're dying.
1899          *
1900          * NOTE: make sure not to dereference p->mm before this check,
1901          * exit_task_work() happens _after_ exit_mm() so we could be called
1902          * without p->mm even though we still had it when we enqueued this
1903          * work.
1904          */
1905         if (p->flags & PF_EXITING)
1906                 return;
1907
1908         if (!mm->numa_next_scan) {
1909                 mm->numa_next_scan = now +
1910                         msecs_to_jiffies(sysctl_numa_balancing_scan_delay);
1911         }
1912
1913         /*
1914          * Enforce maximal scan/migration frequency..
1915          */
1916         migrate = mm->numa_next_scan;
1917         if (time_before(now, migrate))
1918                 return;
1919
1920         if (p->numa_scan_period == 0) {
1921                 p->numa_scan_period_max = task_scan_max(p);
1922                 p->numa_scan_period = task_scan_min(p);
1923         }
1924
1925         next_scan = now + msecs_to_jiffies(p->numa_scan_period);
1926         if (cmpxchg(&mm->numa_next_scan, migrate, next_scan) != migrate)
1927                 return;
1928
1929         /*
1930          * Delay this task enough that another task of this mm will likely win
1931          * the next time around.
1932          */
1933         p->node_stamp += 2 * TICK_NSEC;
1934
1935         start = mm->numa_scan_offset;
1936         pages = sysctl_numa_balancing_scan_size;
1937         pages <<= 20 - PAGE_SHIFT; /* MB in pages */
1938         if (!pages)
1939                 return;
1940
1941         down_read(&mm->mmap_sem);
1942         vma = find_vma(mm, start);
1943         if (!vma) {
1944                 reset_ptenuma_scan(p);
1945                 start = 0;
1946                 vma = mm->mmap;
1947         }
1948         for (; vma; vma = vma->vm_next) {
1949                 if (!vma_migratable(vma) || !vma_policy_mof(p, vma))
1950                         continue;
1951
1952                 /*
1953                  * Shared library pages mapped by multiple processes are not
1954                  * migrated as it is expected they are cache replicated. Avoid
1955                  * hinting faults in read-only file-backed mappings or the vdso
1956                  * as migrating the pages will be of marginal benefit.
1957                  */
1958                 if (!vma->vm_mm ||
1959                     (vma->vm_file && (vma->vm_flags & (VM_READ|VM_WRITE)) == (VM_READ)))
1960                         continue;
1961
1962                 /*
1963                  * Skip inaccessible VMAs to avoid any confusion between
1964                  * PROT_NONE and NUMA hinting ptes
1965                  */
1966                 if (!(vma->vm_flags & (VM_READ | VM_EXEC | VM_WRITE)))
1967                         continue;
1968
1969                 do {
1970                         start = max(start, vma->vm_start);
1971                         end = ALIGN(start + (pages << PAGE_SHIFT), HPAGE_SIZE);
1972                         end = min(end, vma->vm_end);
1973                         nr_pte_updates += change_prot_numa(vma, start, end);
1974
1975                         /*
1976                          * Scan sysctl_numa_balancing_scan_size but ensure that
1977                          * at least one PTE is updated so that unused virtual
1978                          * address space is quickly skipped.
1979                          */
1980                         if (nr_pte_updates)
1981                                 pages -= (end - start) >> PAGE_SHIFT;
1982
1983                         start = end;
1984                         if (pages <= 0)
1985                                 goto out;
1986
1987                         cond_resched();
1988                 } while (end != vma->vm_end);
1989         }
1990
1991 out:
1992         /*
1993          * It is possible to reach the end of the VMA list but the last few
1994          * VMAs are not guaranteed to the vma_migratable. If they are not, we
1995          * would find the !migratable VMA on the next scan but not reset the
1996          * scanner to the start so check it now.
1997          */
1998         if (vma)
1999                 mm->numa_scan_offset = start;
2000         else
2001                 reset_ptenuma_scan(p);
2002         up_read(&mm->mmap_sem);
2003 }
2004
2005 /*
2006  * Drive the periodic memory faults..
2007  */
2008 void task_tick_numa(struct rq *rq, struct task_struct *curr)
2009 {
2010         struct callback_head *work = &curr->numa_work;
2011         u64 period, now;
2012
2013         /*
2014          * We don't care about NUMA placement if we don't have memory.
2015          */
2016         if (!curr->mm || (curr->flags & PF_EXITING) || work->next != work)
2017                 return;
2018
2019         /*
2020          * Using runtime rather than walltime has the dual advantage that
2021          * we (mostly) drive the selection from busy threads and that the
2022          * task needs to have done some actual work before we bother with
2023          * NUMA placement.
2024          */
2025         now = curr->se.sum_exec_runtime;
2026         period = (u64)curr->numa_scan_period * NSEC_PER_MSEC;
2027
2028         if (now - curr->node_stamp > period) {
2029                 if (!curr->node_stamp)
2030                         curr->numa_scan_period = task_scan_min(curr);
2031                 curr->node_stamp += period;
2032
2033                 if (!time_before(jiffies, curr->mm->numa_next_scan)) {
2034                         init_task_work(work, task_numa_work); /* TODO: move this into sched_fork() */
2035                         task_work_add(curr, work, true);
2036                 }
2037         }
2038 }
2039 #else
2040 static void task_tick_numa(struct rq *rq, struct task_struct *curr)
2041 {
2042 }
2043
2044 static inline void account_numa_enqueue(struct rq *rq, struct task_struct *p)
2045 {
2046 }
2047
2048 static inline void account_numa_dequeue(struct rq *rq, struct task_struct *p)
2049 {
2050 }
2051 #endif /* CONFIG_NUMA_BALANCING */
2052
2053 static void
2054 account_entity_enqueue(struct cfs_rq *cfs_rq, struct sched_entity *se)
2055 {
2056         update_load_add(&cfs_rq->load, se->load.weight);
2057         if (!parent_entity(se))
2058                 update_load_add(&rq_of(cfs_rq)->load, se->load.weight);
2059 #ifdef CONFIG_SMP
2060         if (entity_is_task(se)) {
2061                 struct rq *rq = rq_of(cfs_rq);
2062
2063                 account_numa_enqueue(rq, task_of(se));
2064                 list_add(&se->group_node, &rq->cfs_tasks);
2065         }
2066 #endif
2067         cfs_rq->nr_running++;
2068 }
2069
2070 static void
2071 account_entity_dequeue(struct cfs_rq *cfs_rq, struct sched_entity *se)
2072 {
2073         update_load_sub(&cfs_rq->load, se->load.weight);
2074         if (!parent_entity(se))
2075                 update_load_sub(&rq_of(cfs_rq)->load, se->load.weight);
2076         if (entity_is_task(se)) {
2077                 account_numa_dequeue(rq_of(cfs_rq), task_of(se));
2078                 list_del_init(&se->group_node);
2079         }
2080         cfs_rq->nr_running--;
2081 }
2082
2083 #ifdef CONFIG_FAIR_GROUP_SCHED
2084 # ifdef CONFIG_SMP
2085 static inline long calc_tg_weight(struct task_group *tg, struct cfs_rq *cfs_rq)
2086 {
2087         long tg_weight;
2088
2089         /*
2090          * Use this CPU's actual weight instead of the last load_contribution
2091          * to gain a more accurate current total weight. See
2092          * update_cfs_rq_load_contribution().
2093          */
2094         tg_weight = atomic_long_read(&tg->load_avg);
2095         tg_weight -= cfs_rq->tg_load_contrib;
2096         tg_weight += cfs_rq->load.weight;
2097
2098         return tg_weight;
2099 }
2100
2101 static long calc_cfs_shares(struct cfs_rq *cfs_rq, struct task_group *tg)
2102 {
2103         long tg_weight, load, shares;
2104
2105         tg_weight = calc_tg_weight(tg, cfs_rq);
2106         load = cfs_rq->load.weight;
2107
2108         shares = (tg->shares * load);
2109         if (tg_weight)
2110                 shares /= tg_weight;
2111
2112         if (shares < MIN_SHARES)
2113                 shares = MIN_SHARES;
2114         if (shares > tg->shares)
2115                 shares = tg->shares;
2116
2117         return shares;
2118 }
2119 # else /* CONFIG_SMP */
2120 static inline long calc_cfs_shares(struct cfs_rq *cfs_rq, struct task_group *tg)
2121 {
2122         return tg->shares;
2123 }
2124 # endif /* CONFIG_SMP */
2125 static void reweight_entity(struct cfs_rq *cfs_rq, struct sched_entity *se,
2126                             unsigned long weight)
2127 {
2128         if (se->on_rq) {
2129                 /* commit outstanding execution time */
2130                 if (cfs_rq->curr == se)
2131                         update_curr(cfs_rq);
2132                 account_entity_dequeue(cfs_rq, se);
2133         }
2134
2135         update_load_set(&se->load, weight);
2136
2137         if (se->on_rq)
2138                 account_entity_enqueue(cfs_rq, se);
2139 }
2140
2141 static inline int throttled_hierarchy(struct cfs_rq *cfs_rq);
2142
2143 static void update_cfs_shares(struct cfs_rq *cfs_rq)
2144 {
2145         struct task_group *tg;
2146         struct sched_entity *se;
2147         long shares;
2148
2149         tg = cfs_rq->tg;
2150         se = tg->se[cpu_of(rq_of(cfs_rq))];
2151         if (!se || throttled_hierarchy(cfs_rq))
2152                 return;
2153 #ifndef CONFIG_SMP
2154         if (likely(se->load.weight == tg->shares))
2155                 return;
2156 #endif
2157         shares = calc_cfs_shares(cfs_rq, tg);
2158
2159         reweight_entity(cfs_rq_of(se), se, shares);
2160 }
2161 #else /* CONFIG_FAIR_GROUP_SCHED */
2162 static inline void update_cfs_shares(struct cfs_rq *cfs_rq)
2163 {
2164 }
2165 #endif /* CONFIG_FAIR_GROUP_SCHED */
2166
2167 #ifdef CONFIG_SMP
2168 /*
2169  * We choose a half-life close to 1 scheduling period.
2170  * Note: The tables below are dependent on this value.
2171  */
2172 #define LOAD_AVG_PERIOD 32
2173 #define LOAD_AVG_MAX 47742 /* maximum possible load avg */
2174 #define LOAD_AVG_MAX_N 345 /* number of full periods to produce LOAD_MAX_AVG */
2175
2176 /* Precomputed fixed inverse multiplies for multiplication by y^n */
2177 static const u32 runnable_avg_yN_inv[] = {
2178         0xffffffff, 0xfa83b2da, 0xf5257d14, 0xefe4b99a, 0xeac0c6e6, 0xe5b906e6,
2179         0xe0ccdeeb, 0xdbfbb796, 0xd744fcc9, 0xd2a81d91, 0xce248c14, 0xc9b9bd85,
2180         0xc5672a10, 0xc12c4cc9, 0xbd08a39e, 0xb8fbaf46, 0xb504f333, 0xb123f581,
2181         0xad583ee9, 0xa9a15ab4, 0xa5fed6a9, 0xa2704302, 0x9ef5325f, 0x9b8d39b9,
2182         0x9837f050, 0x94f4efa8, 0x91c3d373, 0x8ea4398a, 0x8b95c1e3, 0x88980e80,
2183         0x85aac367, 0x82cd8698,
2184 };
2185
2186 /*
2187  * Precomputed \Sum y^k { 1<=k<=n }.  These are floor(true_value) to prevent
2188  * over-estimates when re-combining.
2189  */
2190 static const u32 runnable_avg_yN_sum[] = {
2191             0, 1002, 1982, 2941, 3880, 4798, 5697, 6576, 7437, 8279, 9103,
2192          9909,10698,11470,12226,12966,13690,14398,15091,15769,16433,17082,
2193         17718,18340,18949,19545,20128,20698,21256,21802,22336,22859,23371,
2194 };
2195
2196 /*
2197  * Approximate:
2198  *   val * y^n,    where y^32 ~= 0.5 (~1 scheduling period)
2199  */
2200 static __always_inline u64 decay_load(u64 val, u64 n)
2201 {
2202         unsigned int local_n;
2203
2204         if (!n)
2205                 return val;
2206         else if (unlikely(n > LOAD_AVG_PERIOD * 63))
2207                 return 0;
2208
2209         /* after bounds checking we can collapse to 32-bit */
2210         local_n = n;
2211
2212         /*
2213          * As y^PERIOD = 1/2, we can combine
2214          *    y^n = 1/2^(n/PERIOD) * k^(n%PERIOD)
2215          * With a look-up table which covers k^n (n<PERIOD)
2216          *
2217          * To achieve constant time decay_load.
2218          */
2219         if (unlikely(local_n >= LOAD_AVG_PERIOD)) {
2220                 val >>= local_n / LOAD_AVG_PERIOD;
2221                 local_n %= LOAD_AVG_PERIOD;
2222         }
2223
2224         val *= runnable_avg_yN_inv[local_n];
2225         /* We don't use SRR here since we always want to round down. */
2226         return val >> 32;
2227 }
2228
2229 /*
2230  * For updates fully spanning n periods, the contribution to runnable
2231  * average will be: \Sum 1024*y^n
2232  *
2233  * We can compute this reasonably efficiently by combining:
2234  *   y^PERIOD = 1/2 with precomputed \Sum 1024*y^n {for  n <PERIOD}
2235  */
2236 static u32 __compute_runnable_contrib(u64 n)
2237 {
2238         u32 contrib = 0;
2239
2240         if (likely(n <= LOAD_AVG_PERIOD))
2241                 return runnable_avg_yN_sum[n];
2242         else if (unlikely(n >= LOAD_AVG_MAX_N))
2243                 return LOAD_AVG_MAX;
2244
2245         /* Compute \Sum k^n combining precomputed values for k^i, \Sum k^j */
2246         do {
2247                 contrib /= 2; /* y^LOAD_AVG_PERIOD = 1/2 */
2248                 contrib += runnable_avg_yN_sum[LOAD_AVG_PERIOD];
2249
2250                 n -= LOAD_AVG_PERIOD;
2251         } while (n > LOAD_AVG_PERIOD);
2252
2253         contrib = decay_load(contrib, n);
2254         return contrib + runnable_avg_yN_sum[n];
2255 }
2256
2257 /*
2258  * We can represent the historical contribution to runnable average as the
2259  * coefficients of a geometric series.  To do this we sub-divide our runnable
2260  * history into segments of approximately 1ms (1024us); label the segment that
2261  * occurred N-ms ago p_N, with p_0 corresponding to the current period, e.g.
2262  *
2263  * [<- 1024us ->|<- 1024us ->|<- 1024us ->| ...
2264  *      p0            p1           p2
2265  *     (now)       (~1ms ago)  (~2ms ago)
2266  *
2267  * Let u_i denote the fraction of p_i that the entity was runnable.
2268  *
2269  * We then designate the fractions u_i as our co-efficients, yielding the
2270  * following representation of historical load:
2271  *   u_0 + u_1*y + u_2*y^2 + u_3*y^3 + ...
2272  *
2273  * We choose y based on the with of a reasonably scheduling period, fixing:
2274  *   y^32 = 0.5
2275  *
2276  * This means that the contribution to load ~32ms ago (u_32) will be weighted
2277  * approximately half as much as the contribution to load within the last ms
2278  * (u_0).
2279  *
2280  * When a period "rolls over" and we have new u_0`, multiplying the previous
2281  * sum again by y is sufficient to update:
2282  *   load_avg = u_0` + y*(u_0 + u_1*y + u_2*y^2 + ... )
2283  *            = u_0 + u_1*y + u_2*y^2 + ... [re-labeling u_i --> u_{i+1}]
2284  */
2285 static __always_inline int __update_entity_runnable_avg(u64 now,
2286                                                         struct sched_avg *sa,
2287                                                         int runnable)
2288 {
2289         u64 delta, periods;
2290         u32 runnable_contrib;
2291         int delta_w, decayed = 0;
2292
2293         delta = now - sa->last_runnable_update;
2294         /*
2295          * This should only happen when time goes backwards, which it
2296          * unfortunately does during sched clock init when we swap over to TSC.
2297          */
2298         if ((s64)delta < 0) {
2299                 sa->last_runnable_update = now;
2300                 return 0;
2301         }
2302
2303         /*
2304          * Use 1024ns as the unit of measurement since it's a reasonable
2305          * approximation of 1us and fast to compute.
2306          */
2307         delta >>= 10;
2308         if (!delta)
2309                 return 0;
2310         sa->last_runnable_update = now;
2311
2312         /* delta_w is the amount already accumulated against our next period */
2313         delta_w = sa->runnable_avg_period % 1024;
2314         if (delta + delta_w >= 1024) {
2315                 /* period roll-over */
2316                 decayed = 1;
2317
2318                 /*
2319                  * Now that we know we're crossing a period boundary, figure
2320                  * out how much from delta we need to complete the current
2321                  * period and accrue it.
2322                  */
2323                 delta_w = 1024 - delta_w;
2324                 if (runnable)
2325                         sa->runnable_avg_sum += delta_w;
2326                 sa->runnable_avg_period += delta_w;
2327
2328                 delta -= delta_w;
2329
2330                 /* Figure out how many additional periods this update spans */
2331                 periods = delta / 1024;
2332                 delta %= 1024;
2333
2334                 sa->runnable_avg_sum = decay_load(sa->runnable_avg_sum,
2335                                                   periods + 1);
2336                 sa->runnable_avg_period = decay_load(sa->runnable_avg_period,
2337                                                      periods + 1);
2338
2339                 /* Efficiently calculate \sum (1..n_period) 1024*y^i */
2340                 runnable_contrib = __compute_runnable_contrib(periods);
2341                 if (runnable)
2342                         sa->runnable_avg_sum += runnable_contrib;
2343                 sa->runnable_avg_period += runnable_contrib;
2344         }
2345
2346         /* Remainder of delta accrued against u_0` */
2347         if (runnable)
2348                 sa->runnable_avg_sum += delta;
2349         sa->runnable_avg_period += delta;
2350
2351         return decayed;
2352 }
2353
2354 /* Synchronize an entity's decay with its parenting cfs_rq.*/
2355 static inline u64 __synchronize_entity_decay(struct sched_entity *se)
2356 {
2357         struct cfs_rq *cfs_rq = cfs_rq_of(se);
2358         u64 decays = atomic64_read(&cfs_rq->decay_counter);
2359
2360         decays -= se->avg.decay_count;
2361         if (!decays)
2362                 return 0;
2363
2364         se->avg.load_avg_contrib = decay_load(se->avg.load_avg_contrib, decays);
2365         se->avg.decay_count = 0;
2366
2367         return decays;
2368 }
2369
2370 #ifdef CONFIG_FAIR_GROUP_SCHED
2371 static inline void __update_cfs_rq_tg_load_contrib(struct cfs_rq *cfs_rq,
2372                                                  int force_update)
2373 {
2374         struct task_group *tg = cfs_rq->tg;
2375         long tg_contrib;
2376
2377         tg_contrib = cfs_rq->runnable_load_avg + cfs_rq->blocked_load_avg;
2378         tg_contrib -= cfs_rq->tg_load_contrib;
2379
2380         if (force_update || abs(tg_contrib) > cfs_rq->tg_load_contrib / 8) {
2381                 atomic_long_add(tg_contrib, &tg->load_avg);
2382                 cfs_rq->tg_load_contrib += tg_contrib;
2383         }
2384 }
2385
2386 /*
2387  * Aggregate cfs_rq runnable averages into an equivalent task_group
2388  * representation for computing load contributions.
2389  */
2390 static inline void __update_tg_runnable_avg(struct sched_avg *sa,
2391                                                   struct cfs_rq *cfs_rq)
2392 {
2393         struct task_group *tg = cfs_rq->tg;
2394         long contrib;
2395
2396         /* The fraction of a cpu used by this cfs_rq */
2397         contrib = div_u64((u64)sa->runnable_avg_sum << NICE_0_SHIFT,
2398                           sa->runnable_avg_period + 1);
2399         contrib -= cfs_rq->tg_runnable_contrib;
2400
2401         if (abs(contrib) > cfs_rq->tg_runnable_contrib / 64) {
2402                 atomic_add(contrib, &tg->runnable_avg);
2403                 cfs_rq->tg_runnable_contrib += contrib;
2404         }
2405 }
2406
2407 static inline void __update_group_entity_contrib(struct sched_entity *se)
2408 {
2409         struct cfs_rq *cfs_rq = group_cfs_rq(se);
2410         struct task_group *tg = cfs_rq->tg;
2411         int runnable_avg;
2412
2413         u64 contrib;
2414
2415         contrib = cfs_rq->tg_load_contrib * tg->shares;
2416         se->avg.load_avg_contrib = div_u64(contrib,
2417                                      atomic_long_read(&tg->load_avg) + 1);
2418
2419         /*
2420          * For group entities we need to compute a correction term in the case
2421          * that they are consuming <1 cpu so that we would contribute the same
2422          * load as a task of equal weight.
2423          *
2424          * Explicitly co-ordinating this measurement would be expensive, but
2425          * fortunately the sum of each cpus contribution forms a usable
2426          * lower-bound on the true value.
2427          *
2428          * Consider the aggregate of 2 contributions.  Either they are disjoint
2429          * (and the sum represents true value) or they are disjoint and we are
2430          * understating by the aggregate of their overlap.
2431          *
2432          * Extending this to N cpus, for a given overlap, the maximum amount we
2433          * understand is then n_i(n_i+1)/2 * w_i where n_i is the number of
2434          * cpus that overlap for this interval and w_i is the interval width.
2435          *
2436          * On a small machine; the first term is well-bounded which bounds the
2437          * total error since w_i is a subset of the period.  Whereas on a
2438          * larger machine, while this first term can be larger, if w_i is the
2439          * of consequential size guaranteed to see n_i*w_i quickly converge to
2440          * our upper bound of 1-cpu.
2441          */
2442         runnable_avg = atomic_read(&tg->runnable_avg);
2443         if (runnable_avg < NICE_0_LOAD) {
2444                 se->avg.load_avg_contrib *= runnable_avg;
2445                 se->avg.load_avg_contrib >>= NICE_0_SHIFT;
2446         }
2447 }
2448
2449 static inline void update_rq_runnable_avg(struct rq *rq, int runnable)
2450 {
2451         __update_entity_runnable_avg(rq_clock_task(rq), &rq->avg, runnable);
2452         __update_tg_runnable_avg(&rq->avg, &rq->cfs);
2453 }
2454 #else /* CONFIG_FAIR_GROUP_SCHED */
2455 static inline void __update_cfs_rq_tg_load_contrib(struct cfs_rq *cfs_rq,
2456                                                  int force_update) {}
2457 static inline void __update_tg_runnable_avg(struct sched_avg *sa,
2458                                                   struct cfs_rq *cfs_rq) {}
2459 static inline void __update_group_entity_contrib(struct sched_entity *se) {}
2460 static inline void update_rq_runnable_avg(struct rq *rq, int runnable) {}
2461 #endif /* CONFIG_FAIR_GROUP_SCHED */
2462
2463 static inline void __update_task_entity_contrib(struct sched_entity *se)
2464 {
2465         u32 contrib;
2466
2467         /* avoid overflowing a 32-bit type w/ SCHED_LOAD_SCALE */
2468         contrib = se->avg.runnable_avg_sum * scale_load_down(se->load.weight);
2469         contrib /= (se->avg.runnable_avg_period + 1);
2470         se->avg.load_avg_contrib = scale_load(contrib);
2471 }
2472
2473 /* Compute the current contribution to load_avg by se, return any delta */
2474 static long __update_entity_load_avg_contrib(struct sched_entity *se)
2475 {
2476         long old_contrib = se->avg.load_avg_contrib;
2477
2478         if (entity_is_task(se)) {
2479                 __update_task_entity_contrib(se);
2480         } else {
2481                 __update_tg_runnable_avg(&se->avg, group_cfs_rq(se));
2482                 __update_group_entity_contrib(se);
2483         }
2484
2485         return se->avg.load_avg_contrib - old_contrib;
2486 }
2487
2488 static inline void subtract_blocked_load_contrib(struct cfs_rq *cfs_rq,
2489                                                  long load_contrib)
2490 {
2491         if (likely(load_contrib < cfs_rq->blocked_load_avg))
2492                 cfs_rq->blocked_load_avg -= load_contrib;
2493         else
2494                 cfs_rq->blocked_load_avg = 0;
2495 }
2496
2497 static inline u64 cfs_rq_clock_task(struct cfs_rq *cfs_rq);
2498
2499 /* Update a sched_entity's runnable average */
2500 static inline void update_entity_load_avg(struct sched_entity *se,
2501                                           int update_cfs_rq)
2502 {
2503         struct cfs_rq *cfs_rq = cfs_rq_of(se);
2504         long contrib_delta;
2505         u64 now;
2506
2507         /*
2508          * For a group entity we need to use their owned cfs_rq_clock_task() in
2509          * case they are the parent of a throttled hierarchy.
2510          */
2511         if (entity_is_task(se))
2512                 now = cfs_rq_clock_task(cfs_rq);
2513         else
2514                 now = cfs_rq_clock_task(group_cfs_rq(se));
2515
2516         if (!__update_entity_runnable_avg(now, &se->avg, se->on_rq))
2517                 return;
2518
2519         contrib_delta = __update_entity_load_avg_contrib(se);
2520
2521         if (!update_cfs_rq)
2522                 return;
2523
2524         if (se->on_rq)
2525                 cfs_rq->runnable_load_avg += contrib_delta;
2526         else
2527                 subtract_blocked_load_contrib(cfs_rq, -contrib_delta);
2528 }
2529
2530 /*
2531  * Decay the load contributed by all blocked children and account this so that
2532  * their contribution may appropriately discounted when they wake up.
2533  */
2534 static void update_cfs_rq_blocked_load(struct cfs_rq *cfs_rq, int force_update)
2535 {
2536         u64 now = cfs_rq_clock_task(cfs_rq) >> 20;
2537         u64 decays;
2538
2539         decays = now - cfs_rq->last_decay;
2540         if (!decays && !force_update)
2541                 return;
2542
2543         if (atomic_long_read(&cfs_rq->removed_load)) {
2544                 unsigned long removed_load;
2545                 removed_load = atomic_long_xchg(&cfs_rq->removed_load, 0);
2546                 subtract_blocked_load_contrib(cfs_rq, removed_load);
2547         }
2548
2549         if (decays) {
2550                 cfs_rq->blocked_load_avg = decay_load(cfs_rq->blocked_load_avg,
2551                                                       decays);
2552                 atomic64_add(decays, &cfs_rq->decay_counter);
2553                 cfs_rq->last_decay = now;
2554         }
2555
2556         __update_cfs_rq_tg_load_contrib(cfs_rq, force_update);
2557 }
2558
2559 /* Add the load generated by se into cfs_rq's child load-average */
2560 static inline void enqueue_entity_load_avg(struct cfs_rq *cfs_rq,
2561                                                   struct sched_entity *se,
2562                                                   int wakeup)
2563 {
2564         /*
2565          * We track migrations using entity decay_count <= 0, on a wake-up
2566          * migration we use a negative decay count to track the remote decays
2567          * accumulated while sleeping.
2568          *
2569          * Newly forked tasks are enqueued with se->avg.decay_count == 0, they
2570          * are seen by enqueue_entity_load_avg() as a migration with an already
2571          * constructed load_avg_contrib.
2572          */
2573         if (unlikely(se->avg.decay_count <= 0)) {
2574                 se->avg.last_runnable_update = rq_clock_task(rq_of(cfs_rq));
2575                 if (se->avg.decay_count) {
2576                         /*
2577                          * In a wake-up migration we have to approximate the
2578                          * time sleeping.  This is because we can't synchronize
2579                          * clock_task between the two cpus, and it is not
2580                          * guaranteed to be read-safe.  Instead, we can
2581                          * approximate this using our carried decays, which are
2582                          * explicitly atomically readable.
2583                          */
2584                         se->avg.last_runnable_update -= (-se->avg.decay_count)
2585                                                         << 20;
2586                         update_entity_load_avg(se, 0);
2587                         /* Indicate that we're now synchronized and on-rq */
2588                         se->avg.decay_count = 0;
2589                 }
2590                 wakeup = 0;
2591         } else {
2592                 __synchronize_entity_decay(se);
2593         }
2594
2595         /* migrated tasks did not contribute to our blocked load */
2596         if (wakeup) {
2597                 subtract_blocked_load_contrib(cfs_rq, se->avg.load_avg_contrib);
2598                 update_entity_load_avg(se, 0);
2599         }
2600
2601         cfs_rq->runnable_load_avg += se->avg.load_avg_contrib;
2602         /* we force update consideration on load-balancer moves */
2603         update_cfs_rq_blocked_load(cfs_rq, !wakeup);
2604 }
2605
2606 /*
2607  * Remove se's load from this cfs_rq child load-average, if the entity is
2608  * transitioning to a blocked state we track its projected decay using
2609  * blocked_load_avg.
2610  */
2611 static inline void dequeue_entity_load_avg(struct cfs_rq *cfs_rq,
2612                                                   struct sched_entity *se,
2613                                                   int sleep)
2614 {
2615         update_entity_load_avg(se, 1);
2616         /* we force update consideration on load-balancer moves */
2617         update_cfs_rq_blocked_load(cfs_rq, !sleep);
2618
2619         cfs_rq->runnable_load_avg -= se->avg.load_avg_contrib;
2620         if (sleep) {
2621                 cfs_rq->blocked_load_avg += se->avg.load_avg_contrib;
2622                 se->avg.decay_count = atomic64_read(&cfs_rq->decay_counter);
2623         } /* migrations, e.g. sleep=0 leave decay_count == 0 */
2624 }
2625
2626 /*
2627  * Update the rq's load with the elapsed running time before entering
2628  * idle. if the last scheduled task is not a CFS task, idle_enter will
2629  * be the only way to update the runnable statistic.
2630  */
2631 void idle_enter_fair(struct rq *this_rq)
2632 {
2633         update_rq_runnable_avg(this_rq, 1);
2634 }
2635
2636 /*
2637  * Update the rq's load with the elapsed idle time before a task is
2638  * scheduled. if the newly scheduled task is not a CFS task, idle_exit will
2639  * be the only way to update the runnable statistic.
2640  */
2641 void idle_exit_fair(struct rq *this_rq)
2642 {
2643         update_rq_runnable_avg(this_rq, 0);
2644 }
2645
2646 static int idle_balance(struct rq *this_rq);
2647
2648 #else /* CONFIG_SMP */
2649
2650 static inline void update_entity_load_avg(struct sched_entity *se,
2651                                           int update_cfs_rq) {}
2652 static inline void update_rq_runnable_avg(struct rq *rq, int runnable) {}
2653 static inline void enqueue_entity_load_avg(struct cfs_rq *cfs_rq,
2654                                            struct sched_entity *se,
2655                                            int wakeup) {}
2656 static inline void dequeue_entity_load_avg(struct cfs_rq *cfs_rq,
2657                                            struct sched_entity *se,
2658                                            int sleep) {}
2659 static inline void update_cfs_rq_blocked_load(struct cfs_rq *cfs_rq,
2660                                               int force_update) {}
2661
2662 static inline int idle_balance(struct rq *rq)
2663 {
2664         return 0;
2665 }
2666
2667 #endif /* CONFIG_SMP */
2668
2669 static void enqueue_sleeper(struct cfs_rq *cfs_rq, struct sched_entity *se)
2670 {
2671 #ifdef CONFIG_SCHEDSTATS
2672         struct task_struct *tsk = NULL;
2673
2674         if (entity_is_task(se))
2675                 tsk = task_of(se);
2676
2677         if (se->statistics.sleep_start) {
2678                 u64 delta = rq_clock(rq_of(cfs_rq)) - se->statistics.sleep_start;
2679
2680                 if ((s64)delta < 0)
2681                         delta = 0;
2682
2683                 if (unlikely(delta > se->statistics.sleep_max))
2684                         se->statistics.sleep_max = delta;
2685
2686                 se->statistics.sleep_start = 0;
2687                 se->statistics.sum_sleep_runtime += delta;
2688
2689                 if (tsk) {
2690                         account_scheduler_latency(tsk, delta >> 10, 1);
2691                         trace_sched_stat_sleep(tsk, delta);
2692                 }
2693         }
2694         if (se->statistics.block_start) {
2695                 u64 delta = rq_clock(rq_of(cfs_rq)) - se->statistics.block_start;
2696
2697                 if ((s64)delta < 0)
2698                         delta = 0;
2699
2700                 if (unlikely(delta > se->statistics.block_max))
2701                         se->statistics.block_max = delta;
2702
2703                 se->statistics.block_start = 0;
2704                 se->statistics.sum_sleep_runtime += delta;
2705
2706                 if (tsk) {
2707                         if (tsk->in_iowait) {
2708                                 se->statistics.iowait_sum += delta;
2709                                 se->statistics.iowait_count++;
2710                                 trace_sched_stat_iowait(tsk, delta);
2711                         }
2712
2713                         trace_sched_stat_blocked(tsk, delta);
2714
2715                         /*
2716                          * Blocking time is in units of nanosecs, so shift by
2717                          * 20 to get a milliseconds-range estimation of the
2718                          * amount of time that the task spent sleeping:
2719                          */
2720                         if (unlikely(prof_on == SLEEP_PROFILING)) {
2721                                 profile_hits(SLEEP_PROFILING,
2722                                                 (void *)get_wchan(tsk),
2723                                                 delta >> 20);
2724                         }
2725                         account_scheduler_latency(tsk, delta >> 10, 0);
2726                 }
2727         }
2728 #endif
2729 }
2730
2731 static void check_spread(struct cfs_rq *cfs_rq, struct sched_entity *se)
2732 {
2733 #ifdef CONFIG_SCHED_DEBUG
2734         s64 d = se->vruntime - cfs_rq->min_vruntime;
2735
2736         if (d < 0)
2737                 d = -d;
2738
2739         if (d > 3*sysctl_sched_latency)
2740                 schedstat_inc(cfs_rq, nr_spread_over);
2741 #endif
2742 }
2743
2744 static void
2745 place_entity(struct cfs_rq *cfs_rq, struct sched_entity *se, int initial)
2746 {
2747         u64 vruntime = cfs_rq->min_vruntime;
2748
2749         /*
2750          * The 'current' period is already promised to the current tasks,
2751          * however the extra weight of the new task will slow them down a
2752          * little, place the new task so that it fits in the slot that
2753          * stays open at the end.
2754          */
2755         if (initial && sched_feat(START_DEBIT))
2756                 vruntime += sched_vslice(cfs_rq, se);
2757
2758         /* sleeps up to a single latency don't count. */
2759         if (!initial) {
2760                 unsigned long thresh = sysctl_sched_latency;
2761
2762                 /*
2763                  * Halve their sleep time's effect, to allow
2764                  * for a gentler effect of sleepers:
2765                  */
2766                 if (sched_feat(GENTLE_FAIR_SLEEPERS))
2767                         thresh >>= 1;
2768
2769                 vruntime -= thresh;
2770         }
2771
2772         /* ensure we never gain time by being placed backwards. */
2773         se->vruntime = max_vruntime(se->vruntime, vruntime);
2774 }
2775
2776 static void check_enqueue_throttle(struct cfs_rq *cfs_rq);
2777
2778 static void
2779 enqueue_entity(struct cfs_rq *cfs_rq, struct sched_entity *se, int flags)
2780 {
2781         /*
2782          * Update the normalized vruntime before updating min_vruntime
2783          * through calling update_curr().
2784          */
2785         if (!(flags & ENQUEUE_WAKEUP) || (flags & ENQUEUE_WAKING))
2786                 se->vruntime += cfs_rq->min_vruntime;
2787
2788         /*
2789          * Update run-time statistics of the 'current'.
2790          */
2791         update_curr(cfs_rq);
2792         enqueue_entity_load_avg(cfs_rq, se, flags & ENQUEUE_WAKEUP);
2793         account_entity_enqueue(cfs_rq, se);
2794         update_cfs_shares(cfs_rq);
2795
2796         if (flags & ENQUEUE_WAKEUP) {
2797                 place_entity(cfs_rq, se, 0);
2798                 enqueue_sleeper(cfs_rq, se);
2799         }
2800
2801         update_stats_enqueue(cfs_rq, se);
2802         check_spread(cfs_rq, se);
2803         if (se != cfs_rq->curr)
2804                 __enqueue_entity(cfs_rq, se);
2805         se->on_rq = 1;
2806
2807         if (cfs_rq->nr_running == 1) {
2808                 list_add_leaf_cfs_rq(cfs_rq);
2809                 check_enqueue_throttle(cfs_rq);
2810         }
2811 }
2812
2813 static void __clear_buddies_last(struct sched_entity *se)
2814 {
2815         for_each_sched_entity(se) {
2816                 struct cfs_rq *cfs_rq = cfs_rq_of(se);
2817                 if (cfs_rq->last != se)
2818                         break;
2819
2820                 cfs_rq->last = NULL;
2821         }
2822 }
2823
2824 static void __clear_buddies_next(struct sched_entity *se)
2825 {
2826         for_each_sched_entity(se) {
2827                 struct cfs_rq *cfs_rq = cfs_rq_of(se);
2828                 if (cfs_rq->next != se)
2829                         break;
2830
2831                 cfs_rq->next = NULL;
2832         }
2833 }
2834
2835 static void __clear_buddies_skip(struct sched_entity *se)
2836 {
2837         for_each_sched_entity(se) {
2838                 struct cfs_rq *cfs_rq = cfs_rq_of(se);
2839                 if (cfs_rq->skip != se)
2840                         break;
2841
2842                 cfs_rq->skip = NULL;
2843         }
2844 }
2845
2846 static void clear_buddies(struct cfs_rq *cfs_rq, struct sched_entity *se)
2847 {
2848         if (cfs_rq->last == se)
2849                 __clear_buddies_last(se);
2850
2851         if (cfs_rq->next == se)
2852                 __clear_buddies_next(se);
2853
2854         if (cfs_rq->skip == se)
2855                 __clear_buddies_skip(se);
2856 }
2857
2858 static __always_inline void return_cfs_rq_runtime(struct cfs_rq *cfs_rq);
2859
2860 static void
2861 dequeue_entity(struct cfs_rq *cfs_rq, struct sched_entity *se, int flags)
2862 {
2863         /*
2864          * Update run-time statistics of the 'current'.
2865          */
2866         update_curr(cfs_rq);
2867         dequeue_entity_load_avg(cfs_rq, se, flags & DEQUEUE_SLEEP);
2868
2869         update_stats_dequeue(cfs_rq, se);
2870         if (flags & DEQUEUE_SLEEP) {
2871 #ifdef CONFIG_SCHEDSTATS
2872                 if (entity_is_task(se)) {
2873                         struct task_struct *tsk = task_of(se);
2874
2875                         if (tsk->state & TASK_INTERRUPTIBLE)
2876                                 se->statistics.sleep_start = rq_clock(rq_of(cfs_rq));
2877                         if (tsk->state & TASK_UNINTERRUPTIBLE)
2878                                 se->statistics.block_start = rq_clock(rq_of(cfs_rq));
2879                 }
2880 #endif
2881         }
2882
2883         clear_buddies(cfs_rq, se);
2884
2885         if (se != cfs_rq->curr)
2886                 __dequeue_entity(cfs_rq, se);
2887         se->on_rq = 0;
2888         account_entity_dequeue(cfs_rq, se);
2889
2890         /*
2891          * Normalize the entity after updating the min_vruntime because the
2892          * update can refer to the ->curr item and we need to reflect this
2893          * movement in our normalized position.
2894          */
2895         if (!(flags & DEQUEUE_SLEEP))
2896                 se->vruntime -= cfs_rq->min_vruntime;
2897
2898         /* return excess runtime on last dequeue */
2899         return_cfs_rq_runtime(cfs_rq);
2900
2901         update_min_vruntime(cfs_rq);
2902         update_cfs_shares(cfs_rq);
2903 }
2904
2905 /*
2906  * Preempt the current task with a newly woken task if needed:
2907  */
2908 static void
2909 check_preempt_tick(struct cfs_rq *cfs_rq, struct sched_entity *curr)
2910 {
2911         unsigned long ideal_runtime, delta_exec;
2912         struct sched_entity *se;
2913         s64 delta;
2914
2915         ideal_runtime = sched_slice(cfs_rq, curr);
2916         delta_exec = curr->sum_exec_runtime - curr->prev_sum_exec_runtime;
2917         if (delta_exec > ideal_runtime) {
2918                 resched_curr(rq_of(cfs_rq));
2919                 /*
2920                  * The current task ran long enough, ensure it doesn't get
2921                  * re-elected due to buddy favours.
2922                  */
2923                 clear_buddies(cfs_rq, curr);
2924                 return;
2925         }
2926
2927         /*
2928          * Ensure that a task that missed wakeup preemption by a
2929          * narrow margin doesn't have to wait for a full slice.
2930          * This also mitigates buddy induced latencies under load.
2931          */
2932         if (delta_exec < sysctl_sched_min_granularity)
2933                 return;
2934
2935         se = __pick_first_entity(cfs_rq);
2936         delta = curr->vruntime - se->vruntime;
2937
2938         if (delta < 0)
2939                 return;
2940
2941         if (delta > ideal_runtime)
2942                 resched_curr(rq_of(cfs_rq));
2943 }
2944
2945 static void
2946 set_next_entity(struct cfs_rq *cfs_rq, struct sched_entity *se)
2947 {
2948         /* 'current' is not kept within the tree. */
2949         if (se->on_rq) {
2950                 /*
2951                  * Any task has to be enqueued before it get to execute on
2952                  * a CPU. So account for the time it spent waiting on the
2953                  * runqueue.
2954                  */
2955                 update_stats_wait_end(cfs_rq, se);
2956                 __dequeue_entity(cfs_rq, se);
2957         }
2958
2959         update_stats_curr_start(cfs_rq, se);
2960         cfs_rq->curr = se;
2961 #ifdef CONFIG_SCHEDSTATS
2962         /*
2963          * Track our maximum slice length, if the CPU's load is at
2964          * least twice that of our own weight (i.e. dont track it
2965          * when there are only lesser-weight tasks around):
2966          */
2967         if (rq_of(cfs_rq)->load.weight >= 2*se->load.weight) {
2968                 se->statistics.slice_max = max(se->statistics.slice_max,
2969                         se->sum_exec_runtime - se->prev_sum_exec_runtime);
2970         }
2971 #endif
2972         se->prev_sum_exec_runtime = se->sum_exec_runtime;
2973 }
2974
2975 static int
2976 wakeup_preempt_entity(struct sched_entity *curr, struct sched_entity *se);
2977
2978 /*
2979  * Pick the next process, keeping these things in mind, in this order:
2980  * 1) keep things fair between processes/task groups
2981  * 2) pick the "next" process, since someone really wants that to run
2982  * 3) pick the "last" process, for cache locality
2983  * 4) do not run the "skip" process, if something else is available
2984  */
2985 static struct sched_entity *
2986 pick_next_entity(struct cfs_rq *cfs_rq, struct sched_entity *curr)
2987 {
2988         struct sched_entity *left = __pick_first_entity(cfs_rq);
2989         struct sched_entity *se;
2990
2991         /*
2992          * If curr is set we have to see if its left of the leftmost entity
2993          * still in the tree, provided there was anything in the tree at all.
2994          */
2995         if (!left || (curr && entity_before(curr, left)))
2996                 left = curr;
2997
2998         se = left; /* ideally we run the leftmost entity */
2999
3000         /*
3001          * Avoid running the skip buddy, if running something else can
3002          * be done without getting too unfair.
3003          */
3004         if (cfs_rq->skip == se) {
3005                 struct sched_entity *second;
3006
3007                 if (se == curr) {
3008                         second = __pick_first_entity(cfs_rq);
3009                 } else {
3010                         second = __pick_next_entity(se);
3011                         if (!second || (curr && entity_before(curr, second)))
3012                                 second = curr;
3013                 }
3014
3015                 if (second && wakeup_preempt_entity(second, left) < 1)
3016                         se = second;
3017         }
3018
3019         /*
3020          * Prefer last buddy, try to return the CPU to a preempted task.
3021          */
3022         if (cfs_rq->last && wakeup_preempt_entity(cfs_rq->last, left) < 1)
3023                 se = cfs_rq->last;
3024
3025         /*
3026          * Someone really wants this to run. If it's not unfair, run it.
3027          */
3028         if (cfs_rq->next && wakeup_preempt_entity(cfs_rq->next, left) < 1)
3029                 se = cfs_rq->next;
3030
3031         clear_buddies(cfs_rq, se);
3032
3033         return se;
3034 }
3035
3036 static bool check_cfs_rq_runtime(struct cfs_rq *cfs_rq);
3037
3038 static void put_prev_entity(struct cfs_rq *cfs_rq, struct sched_entity *prev)
3039 {
3040         /*
3041          * If still on the runqueue then deactivate_task()
3042          * was not called and update_curr() has to be done:
3043          */
3044         if (prev->on_rq)
3045                 update_curr(cfs_rq);
3046
3047         /* throttle cfs_rqs exceeding runtime */
3048         check_cfs_rq_runtime(cfs_rq);
3049
3050         check_spread(cfs_rq, prev);
3051         if (prev->on_rq) {
3052                 update_stats_wait_start(cfs_rq, prev);
3053                 /* Put 'current' back into the tree. */
3054                 __enqueue_entity(cfs_rq, prev);
3055                 /* in !on_rq case, update occurred at dequeue */
3056                 update_entity_load_avg(prev, 1);
3057         }
3058         cfs_rq->curr = NULL;
3059 }
3060
3061 static void
3062 entity_tick(struct cfs_rq *cfs_rq, struct sched_entity *curr, int queued)
3063 {
3064         /*
3065          * Update run-time statistics of the 'current'.
3066          */
3067         update_curr(cfs_rq);
3068
3069         /*
3070          * Ensure that runnable average is periodically updated.
3071          */
3072         update_entity_load_avg(curr, 1);
3073         update_cfs_rq_blocked_load(cfs_rq, 1);
3074         update_cfs_shares(cfs_rq);
3075
3076 #ifdef CONFIG_SCHED_HRTICK
3077         /*
3078          * queued ticks are scheduled to match the slice, so don't bother
3079          * validating it and just reschedule.
3080          */
3081         if (queued) {
3082                 resched_curr(rq_of(cfs_rq));
3083                 return;
3084         }
3085         /*
3086          * don't let the period tick interfere with the hrtick preemption
3087          */
3088         if (!sched_feat(DOUBLE_TICK) &&
3089                         hrtimer_active(&rq_of(cfs_rq)->hrtick_timer))
3090                 return;
3091 #endif
3092
3093         if (cfs_rq->nr_running > 1)
3094                 check_preempt_tick(cfs_rq, curr);
3095 }
3096
3097
3098 /**************************************************
3099  * CFS bandwidth control machinery
3100  */
3101
3102 #ifdef CONFIG_CFS_BANDWIDTH
3103
3104 #ifdef HAVE_JUMP_LABEL
3105 static struct static_key __cfs_bandwidth_used;
3106
3107 static inline bool cfs_bandwidth_used(void)
3108 {
3109         return static_key_false(&__cfs_bandwidth_used);
3110 }
3111
3112 void cfs_bandwidth_usage_inc(void)
3113 {
3114         static_key_slow_inc(&__cfs_bandwidth_used);
3115 }
3116
3117 void cfs_bandwidth_usage_dec(void)
3118 {
3119         static_key_slow_dec(&__cfs_bandwidth_used);
3120 }
3121 #else /* HAVE_JUMP_LABEL */
3122 static bool cfs_bandwidth_used(void)
3123 {
3124         return true;
3125 }
3126
3127 void cfs_bandwidth_usage_inc(void) {}
3128 void cfs_bandwidth_usage_dec(void) {}
3129 #endif /* HAVE_JUMP_LABEL */
3130
3131 /*
3132  * default period for cfs group bandwidth.
3133  * default: 0.1s, units: nanoseconds
3134  */
3135 static inline u64 default_cfs_period(void)
3136 {
3137         return 100000000ULL;
3138 }
3139
3140 static inline u64 sched_cfs_bandwidth_slice(void)
3141 {
3142         return (u64)sysctl_sched_cfs_bandwidth_slice * NSEC_PER_USEC;
3143 }
3144
3145 /*
3146  * Replenish runtime according to assigned quota and update expiration time.
3147  * We use sched_clock_cpu directly instead of rq->clock to avoid adding
3148  * additional synchronization around rq->lock.
3149  *
3150  * requires cfs_b->lock
3151  */
3152 void __refill_cfs_bandwidth_runtime(struct cfs_bandwidth *cfs_b)
3153 {
3154         u64 now;
3155
3156         if (cfs_b->quota == RUNTIME_INF)
3157                 return;
3158
3159         now = sched_clock_cpu(smp_processor_id());
3160         cfs_b->runtime = cfs_b->quota;
3161         cfs_b->runtime_expires = now + ktime_to_ns(cfs_b->period);
3162 }
3163
3164 static inline struct cfs_bandwidth *tg_cfs_bandwidth(struct task_group *tg)
3165 {
3166         return &tg->cfs_bandwidth;
3167 }
3168
3169 /* rq->task_clock normalized against any time this cfs_rq has spent throttled */
3170 static inline u64 cfs_rq_clock_task(struct cfs_rq *cfs_rq)
3171 {
3172         if (unlikely(cfs_rq->throttle_count))
3173                 return cfs_rq->throttled_clock_task;
3174
3175         return rq_clock_task(rq_of(cfs_rq)) - cfs_rq->throttled_clock_task_time;
3176 }
3177
3178 /* returns 0 on failure to allocate runtime */
3179 static int assign_cfs_rq_runtime(struct cfs_rq *cfs_rq)
3180 {
3181         struct task_group *tg = cfs_rq->tg;
3182         struct cfs_bandwidth *cfs_b = tg_cfs_bandwidth(tg);
3183         u64 amount = 0, min_amount, expires;
3184
3185         /* note: this is a positive sum as runtime_remaining <= 0 */
3186         min_amount = sched_cfs_bandwidth_slice() - cfs_rq->runtime_remaining;
3187
3188         raw_spin_lock(&cfs_b->lock);
3189         if (cfs_b->quota == RUNTIME_INF)
3190                 amount = min_amount;
3191         else {
3192                 /*
3193                  * If the bandwidth pool has become inactive, then at least one
3194                  * period must have elapsed since the last consumption.
3195                  * Refresh the global state and ensure bandwidth timer becomes
3196                  * active.
3197                  */
3198                 if (!cfs_b->timer_active) {
3199                         __refill_cfs_bandwidth_runtime(cfs_b);
3200                         __start_cfs_bandwidth(cfs_b, false);
3201                 }
3202
3203                 if (cfs_b->runtime > 0) {
3204                         amount = min(cfs_b->runtime, min_amount);
3205                         cfs_b->runtime -= amount;
3206                         cfs_b->idle = 0;
3207                 }
3208         }
3209         expires = cfs_b->runtime_expires;
3210         raw_spin_unlock(&cfs_b->lock);
3211
3212         cfs_rq->runtime_remaining += amount;
3213         /*
3214          * we may have advanced our local expiration to account for allowed
3215          * spread between our sched_clock and the one on which runtime was
3216          * issued.
3217          */
3218         if ((s64)(expires - cfs_rq->runtime_expires) > 0)
3219                 cfs_rq->runtime_expires = expires;
3220
3221         return cfs_rq->runtime_remaining > 0;
3222 }
3223
3224 /*
3225  * Note: This depends on the synchronization provided by sched_clock and the
3226  * fact that rq->clock snapshots this value.
3227  */
3228 static void expire_cfs_rq_runtime(struct cfs_rq *cfs_rq)
3229 {
3230         struct cfs_bandwidth *cfs_b = tg_cfs_bandwidth(cfs_rq->tg);
3231
3232         /* if the deadline is ahead of our clock, nothing to do */
3233         if (likely((s64)(rq_clock(rq_of(cfs_rq)) - cfs_rq->runtime_expires) < 0))
3234                 return;
3235
3236         if (cfs_rq->runtime_remaining < 0)
3237                 return;
3238
3239         /*
3240          * If the local deadline has passed we have to consider the
3241          * possibility that our sched_clock is 'fast' and the global deadline
3242          * has not truly expired.
3243          *
3244          * Fortunately we can check determine whether this the case by checking
3245          * whether the global deadline has advanced. It is valid to compare
3246          * cfs_b->runtime_expires without any locks since we only care about
3247          * exact equality, so a partial write will still work.
3248          */
3249
3250         if (cfs_rq->runtime_expires != cfs_b->runtime_expires) {
3251                 /* extend local deadline, drift is bounded above by 2 ticks */
3252                 cfs_rq->runtime_expires += TICK_NSEC;
3253         } else {
3254                 /* global deadline is ahead, expiration has passed */
3255                 cfs_rq->runtime_remaining = 0;
3256         }
3257 }
3258
3259 static void __account_cfs_rq_runtime(struct cfs_rq *cfs_rq, u64 delta_exec)
3260 {
3261         /* dock delta_exec before expiring quota (as it could span periods) */
3262         cfs_rq->runtime_remaining -= delta_exec;
3263         expire_cfs_rq_runtime(cfs_rq);
3264
3265         if (likely(cfs_rq->runtime_remaining > 0))
3266                 return;
3267
3268         /*
3269          * if we're unable to extend our runtime we resched so that the active
3270          * hierarchy can be throttled
3271          */
3272         if (!assign_cfs_rq_runtime(cfs_rq) && likely(cfs_rq->curr))
3273                 resched_curr(rq_of(cfs_rq));
3274 }
3275
3276 static __always_inline
3277 void account_cfs_rq_runtime(struct cfs_rq *cfs_rq, u64 delta_exec)
3278 {
3279         if (!cfs_bandwidth_used() || !cfs_rq->runtime_enabled)
3280                 return;
3281
3282         __account_cfs_rq_runtime(cfs_rq, delta_exec);
3283 }
3284
3285 static inline int cfs_rq_throttled(struct cfs_rq *cfs_rq)
3286 {
3287         return cfs_bandwidth_used() && cfs_rq->throttled;
3288 }
3289
3290 /* check whether cfs_rq, or any parent, is throttled */
3291 static inline int throttled_hierarchy(struct cfs_rq *cfs_rq)
3292 {
3293         return cfs_bandwidth_used() && cfs_rq->throttle_count;
3294 }
3295
3296 /*
3297  * Ensure that neither of the group entities corresponding to src_cpu or
3298  * dest_cpu are members of a throttled hierarchy when performing group
3299  * load-balance operations.
3300  */
3301 static inline int throttled_lb_pair(struct task_group *tg,
3302                                     int src_cpu, int dest_cpu)
3303 {
3304         struct cfs_rq *src_cfs_rq, *dest_cfs_rq;
3305
3306         src_cfs_rq = tg->cfs_rq[src_cpu];
3307         dest_cfs_rq = tg->cfs_rq[dest_cpu];
3308
3309         return throttled_hierarchy(src_cfs_rq) ||
3310                throttled_hierarchy(dest_cfs_rq);
3311 }
3312
3313 /* updated child weight may affect parent so we have to do this bottom up */
3314 static int tg_unthrottle_up(struct task_group *tg, void *data)
3315 {
3316         struct rq *rq = data;
3317         struct cfs_rq *cfs_rq = tg->cfs_rq[cpu_of(rq)];
3318
3319         cfs_rq->throttle_count--;
3320 #ifdef CONFIG_SMP
3321         if (!cfs_rq->throttle_count) {
3322                 /* adjust cfs_rq_clock_task() */
3323                 cfs_rq->throttled_clock_task_time += rq_clock_task(rq) -
3324                                              cfs_rq->throttled_clock_task;
3325         }
3326 #endif
3327
3328         return 0;
3329 }
3330
3331 static int tg_throttle_down(struct task_group *tg, void *data)
3332 {
3333         struct rq *rq = data;
3334         struct cfs_rq *cfs_rq = tg->cfs_rq[cpu_of(rq)];
3335
3336         /* group is entering throttled state, stop time */
3337         if (!cfs_rq->throttle_count)
3338                 cfs_rq->throttled_clock_task = rq_clock_task(rq);
3339         cfs_rq->throttle_count++;
3340
3341         return 0;
3342 }
3343
3344 static void throttle_cfs_rq(struct cfs_rq *cfs_rq)
3345 {
3346         struct rq *rq = rq_of(cfs_rq);
3347         struct cfs_bandwidth *cfs_b = tg_cfs_bandwidth(cfs_rq->tg);
3348         struct sched_entity *se;
3349         long task_delta, dequeue = 1;
3350
3351         se = cfs_rq->tg->se[cpu_of(rq_of(cfs_rq))];
3352
3353         /* freeze hierarchy runnable averages while throttled */
3354         rcu_read_lock();
3355         walk_tg_tree_from(cfs_rq->tg, tg_throttle_down, tg_nop, (void *)rq);
3356         rcu_read_unlock();
3357
3358         task_delta = cfs_rq->h_nr_running;
3359         for_each_sched_entity(se) {
3360                 struct cfs_rq *qcfs_rq = cfs_rq_of(se);
3361                 /* throttled entity or throttle-on-deactivate */
3362                 if (!se->on_rq)
3363                         break;
3364
3365                 if (dequeue)
3366                         dequeue_entity(qcfs_rq, se, DEQUEUE_SLEEP);
3367                 qcfs_rq->h_nr_running -= task_delta;
3368
3369                 if (qcfs_rq->load.weight)
3370                         dequeue = 0;
3371         }
3372
3373         if (!se)
3374                 sub_nr_running(rq, task_delta);
3375
3376         cfs_rq->throttled = 1;
3377         cfs_rq->throttled_clock = rq_clock(rq);
3378         raw_spin_lock(&cfs_b->lock);
3379         /*
3380          * Add to the _head_ of the list, so that an already-started
3381          * distribute_cfs_runtime will not see us
3382          */
3383         list_add_rcu(&cfs_rq->throttled_list, &cfs_b->throttled_cfs_rq);
3384         if (!cfs_b->timer_active)
3385                 __start_cfs_bandwidth(cfs_b, false);
3386         raw_spin_unlock(&cfs_b->lock);
3387 }
3388
3389 void unthrottle_cfs_rq(struct cfs_rq *cfs_rq)
3390 {
3391         struct rq *rq = rq_of(cfs_rq);
3392         struct cfs_bandwidth *cfs_b = tg_cfs_bandwidth(cfs_rq->tg);
3393         struct sched_entity *se;
3394         int enqueue = 1;
3395         long task_delta;
3396
3397         se = cfs_rq->tg->se[cpu_of(rq)];
3398
3399         cfs_rq->throttled = 0;
3400
3401         update_rq_clock(rq);
3402
3403         raw_spin_lock(&cfs_b->lock);
3404         cfs_b->throttled_time += rq_clock(rq) - cfs_rq->throttled_clock;
3405         list_del_rcu(&cfs_rq->throttled_list);
3406         raw_spin_unlock(&cfs_b->lock);
3407
3408         /* update hierarchical throttle state */
3409         walk_tg_tree_from(cfs_rq->tg, tg_nop, tg_unthrottle_up, (void *)rq);
3410
3411         if (!cfs_rq->load.weight)
3412                 return;
3413
3414         task_delta = cfs_rq->h_nr_running;
3415         for_each_sched_entity(se) {
3416                 if (se->on_rq)
3417                         enqueue = 0;
3418
3419                 cfs_rq = cfs_rq_of(se);
3420                 if (enqueue)
3421                         enqueue_entity(cfs_rq, se, ENQUEUE_WAKEUP);
3422                 cfs_rq->h_nr_running += task_delta;
3423
3424                 if (cfs_rq_throttled(cfs_rq))
3425                         break;
3426         }
3427
3428         if (!se)
3429                 add_nr_running(rq, task_delta);
3430
3431         /* determine whether we need to wake up potentially idle cpu */
3432         if (rq->curr == rq->idle && rq->cfs.nr_running)
3433                 resched_curr(rq);
3434 }
3435
3436 static u64 distribute_cfs_runtime(struct cfs_bandwidth *cfs_b,
3437                 u64 remaining, u64 expires)
3438 {
3439         struct cfs_rq *cfs_rq;
3440         u64 runtime;
3441         u64 starting_runtime = remaining;
3442
3443         rcu_read_lock();
3444         list_for_each_entry_rcu(cfs_rq, &cfs_b->throttled_cfs_rq,
3445                                 throttled_list) {
3446                 struct rq *rq = rq_of(cfs_rq);
3447
3448                 raw_spin_lock(&rq->lock);
3449                 if (!cfs_rq_throttled(cfs_rq))
3450                         goto next;
3451
3452                 runtime = -cfs_rq->runtime_remaining + 1;
3453                 if (runtime > remaining)
3454                         runtime = remaining;
3455                 remaining -= runtime;
3456
3457                 cfs_rq->runtime_remaining += runtime;
3458                 cfs_rq->runtime_expires = expires;
3459
3460                 /* we check whether we're throttled above */
3461                 if (cfs_rq->runtime_remaining > 0)
3462                         unthrottle_cfs_rq(cfs_rq);
3463
3464 next:
3465                 raw_spin_unlock(&rq->lock);
3466
3467                 if (!remaining)
3468                         break;
3469         }
3470         rcu_read_unlock();
3471
3472         return starting_runtime - remaining;
3473 }
3474
3475 /*
3476  * Responsible for refilling a task_group's bandwidth and unthrottling its
3477  * cfs_rqs as appropriate. If there has been no activity within the last
3478  * period the timer is deactivated until scheduling resumes; cfs_b->idle is
3479  * used to track this state.
3480  */
3481 static int do_sched_cfs_period_timer(struct cfs_bandwidth *cfs_b, int overrun)
3482 {
3483         u64 runtime, runtime_expires;
3484         int throttled;
3485
3486         /* no need to continue the timer with no bandwidth constraint */
3487         if (cfs_b->quota == RUNTIME_INF)
3488                 goto out_deactivate;
3489
3490         throttled = !list_empty(&cfs_b->throttled_cfs_rq);
3491         cfs_b->nr_periods += overrun;
3492
3493         /*
3494          * idle depends on !throttled (for the case of a large deficit), and if
3495          * we're going inactive then everything else can be deferred
3496          */
3497         if (cfs_b->idle && !throttled)
3498                 goto out_deactivate;
3499
3500         /*
3501          * if we have relooped after returning idle once, we need to update our
3502          * status as actually running, so that other cpus doing
3503          * __start_cfs_bandwidth will stop trying to cancel us.
3504          */
3505         cfs_b->timer_active = 1;
3506
3507         __refill_cfs_bandwidth_runtime(cfs_b);
3508
3509         if (!throttled) {
3510                 /* mark as potentially idle for the upcoming period */
3511                 cfs_b->idle = 1;
3512                 return 0;
3513         }
3514
3515         /* account preceding periods in which throttling occurred */
3516         cfs_b->nr_throttled += overrun;
3517
3518         runtime_expires = cfs_b->runtime_expires;
3519
3520         /*
3521          * This check is repeated as we are holding onto the new bandwidth while
3522          * we unthrottle. This can potentially race with an unthrottled group
3523          * trying to acquire new bandwidth from the global pool. This can result
3524          * in us over-using our runtime if it is all used during this loop, but
3525          * only by limited amounts in that extreme case.
3526          */
3527         while (throttled && cfs_b->runtime > 0) {
3528                 runtime = cfs_b->runtime;
3529                 raw_spin_unlock(&cfs_b->lock);
3530                 /* we can't nest cfs_b->lock while distributing bandwidth */
3531                 runtime = distribute_cfs_runtime(cfs_b, runtime,
3532                                                  runtime_expires);
3533                 raw_spin_lock(&cfs_b->lock);
3534
3535                 throttled = !list_empty(&cfs_b->throttled_cfs_rq);
3536
3537                 cfs_b->runtime -= min(runtime, cfs_b->runtime);
3538         }
3539
3540         /*
3541          * While we are ensured activity in the period following an
3542          * unthrottle, this also covers the case in which the new bandwidth is
3543          * insufficient to cover the existing bandwidth deficit.  (Forcing the
3544          * timer to remain active while there are any throttled entities.)
3545          */
3546         cfs_b->idle = 0;
3547
3548         return 0;
3549
3550 out_deactivate:
3551         cfs_b->timer_active = 0;
3552         return 1;
3553 }
3554
3555 /* a cfs_rq won't donate quota below this amount */
3556 static const u64 min_cfs_rq_runtime = 1 * NSEC_PER_MSEC;
3557 /* minimum remaining period time to redistribute slack quota */
3558 static const u64 min_bandwidth_expiration = 2 * NSEC_PER_MSEC;
3559 /* how long we wait to gather additional slack before distributing */
3560 static const u64 cfs_bandwidth_slack_period = 5 * NSEC_PER_MSEC;
3561
3562 /*
3563  * Are we near the end of the current quota period?
3564  *
3565  * Requires cfs_b->lock for hrtimer_expires_remaining to be safe against the
3566  * hrtimer base being cleared by __hrtimer_start_range_ns. In the case of
3567  * migrate_hrtimers, base is never cleared, so we are fine.
3568  */
3569 static int runtime_refresh_within(struct cfs_bandwidth *cfs_b, u64 min_expire)
3570 {
3571         struct hrtimer *refresh_timer = &cfs_b->period_timer;
3572         u64 remaining;
3573
3574         /* if the call-back is running a quota refresh is already occurring */
3575         if (hrtimer_callback_running(refresh_timer))
3576                 return 1;
3577
3578         /* is a quota refresh about to occur? */
3579         remaining = ktime_to_ns(hrtimer_expires_remaining(refresh_timer));
3580         if (remaining < min_expire)
3581                 return 1;
3582
3583         return 0;
3584 }
3585
3586 static void start_cfs_slack_bandwidth(struct cfs_bandwidth *cfs_b)
3587 {
3588         u64 min_left = cfs_bandwidth_slack_period + min_bandwidth_expiration;
3589
3590         /* if there's a quota refresh soon don't bother with slack */
3591         if (runtime_refresh_within(cfs_b, min_left))
3592                 return;
3593
3594         start_bandwidth_timer(&cfs_b->slack_timer,
3595                                 ns_to_ktime(cfs_bandwidth_slack_period));
3596 }
3597
3598 /* we know any runtime found here is valid as update_curr() precedes return */
3599 static void __return_cfs_rq_runtime(struct cfs_rq *cfs_rq)
3600 {
3601         struct cfs_bandwidth *cfs_b = tg_cfs_bandwidth(cfs_rq->tg);
3602         s64 slack_runtime = cfs_rq->runtime_remaining - min_cfs_rq_runtime;
3603
3604         if (slack_runtime <= 0)
3605                 return;
3606
3607         raw_spin_lock(&cfs_b->lock);
3608         if (cfs_b->quota != RUNTIME_INF &&
3609             cfs_rq->runtime_expires == cfs_b->runtime_expires) {
3610                 cfs_b->runtime += slack_runtime;
3611
3612                 /* we are under rq->lock, defer unthrottling using a timer */
3613                 if (cfs_b->runtime > sched_cfs_bandwidth_slice() &&
3614                     !list_empty(&cfs_b->throttled_cfs_rq))
3615                         start_cfs_slack_bandwidth(cfs_b);
3616         }
3617         raw_spin_unlock(&cfs_b->lock);
3618
3619         /* even if it's not valid for return we don't want to try again */
3620         cfs_rq->runtime_remaining -= slack_runtime;
3621 }
3622
3623 static __always_inline void return_cfs_rq_runtime(struct cfs_rq *cfs_rq)
3624 {
3625         if (!cfs_bandwidth_used())
3626                 return;
3627
3628         if (!cfs_rq->runtime_enabled || cfs_rq->nr_running)
3629                 return;
3630
3631         __return_cfs_rq_runtime(cfs_rq);
3632 }
3633
3634 /*
3635  * This is done with a timer (instead of inline with bandwidth return) since
3636  * it's necessary to juggle rq->locks to unthrottle their respective cfs_rqs.
3637  */
3638 static void do_sched_cfs_slack_timer(struct cfs_bandwidth *cfs_b)
3639 {
3640         u64 runtime = 0, slice = sched_cfs_bandwidth_slice();
3641         u64 expires;
3642
3643         /* confirm we're still not at a refresh boundary */
3644         raw_spin_lock(&cfs_b->lock);
3645         if (runtime_refresh_within(cfs_b, min_bandwidth_expiration)) {
3646                 raw_spin_unlock(&cfs_b->lock);
3647                 return;
3648         }
3649
3650         if (cfs_b->quota != RUNTIME_INF && cfs_b->runtime > slice)
3651                 runtime = cfs_b->runtime;
3652
3653         expires = cfs_b->runtime_expires;
3654         raw_spin_unlock(&cfs_b->lock);
3655
3656         if (!runtime)
3657                 return;
3658
3659         runtime = distribute_cfs_runtime(cfs_b, runtime, expires);
3660
3661         raw_spin_lock(&cfs_b->lock);
3662         if (expires == cfs_b->runtime_expires)
3663                 cfs_b->runtime -= min(runtime, cfs_b->runtime);
3664         raw_spin_unlock(&cfs_b->lock);
3665 }
3666
3667 /*
3668  * When a group wakes up we want to make sure that its quota is not already
3669  * expired/exceeded, otherwise it may be allowed to steal additional ticks of
3670  * runtime as update_curr() throttling can not not trigger until it's on-rq.
3671  */
3672 static void check_enqueue_throttle(struct cfs_rq *cfs_rq)
3673 {
3674         if (!cfs_bandwidth_used())
3675                 return;
3676
3677         /* an active group must be handled by the update_curr()->put() path */
3678         if (!cfs_rq->runtime_enabled || cfs_rq->curr)
3679                 return;
3680
3681         /* ensure the group is not already throttled */
3682         if (cfs_rq_throttled(cfs_rq))
3683                 return;
3684
3685         /* update runtime allocation */
3686         account_cfs_rq_runtime(cfs_rq, 0);
3687         if (cfs_rq->runtime_remaining <= 0)
3688                 throttle_cfs_rq(cfs_rq);
3689 }
3690
3691 /* conditionally throttle active cfs_rq's from put_prev_entity() */
3692 static bool check_cfs_rq_runtime(struct cfs_rq *cfs_rq)
3693 {
3694         if (!cfs_bandwidth_used())
3695                 return false;
3696
3697         if (likely(!cfs_rq->runtime_enabled || cfs_rq->runtime_remaining > 0))
3698                 return false;
3699
3700         /*
3701          * it's possible for a throttled entity to be forced into a running
3702          * state (e.g. set_curr_task), in this case we're finished.
3703          */
3704         if (cfs_rq_throttled(cfs_rq))
3705                 return true;
3706
3707         throttle_cfs_rq(cfs_rq);
3708         return true;
3709 }
3710
3711 static enum hrtimer_restart sched_cfs_slack_timer(struct hrtimer *timer)
3712 {
3713         struct cfs_bandwidth *cfs_b =
3714                 container_of(timer, struct cfs_bandwidth, slack_timer);
3715         do_sched_cfs_slack_timer(cfs_b);
3716
3717         return HRTIMER_NORESTART;
3718 }
3719
3720 static enum hrtimer_restart sched_cfs_period_timer(struct hrtimer *timer)
3721 {
3722         struct cfs_bandwidth *cfs_b =
3723                 container_of(timer, struct cfs_bandwidth, period_timer);
3724         ktime_t now;
3725         int overrun;
3726         int idle = 0;
3727
3728         raw_spin_lock(&cfs_b->lock);
3729         for (;;) {
3730                 now = hrtimer_cb_get_time(timer);
3731                 overrun = hrtimer_forward(timer, now, cfs_b->period);
3732
3733                 if (!overrun)
3734                         break;
3735
3736                 idle = do_sched_cfs_period_timer(cfs_b, overrun);
3737         }
3738         raw_spin_unlock(&cfs_b->lock);
3739
3740         return idle ? HRTIMER_NORESTART : HRTIMER_RESTART;
3741 }
3742
3743 void init_cfs_bandwidth(struct cfs_bandwidth *cfs_b)
3744 {
3745         raw_spin_lock_init(&cfs_b->lock);
3746         cfs_b->runtime = 0;
3747         cfs_b->quota = RUNTIME_INF;
3748         cfs_b->period = ns_to_ktime(default_cfs_period());
3749
3750         INIT_LIST_HEAD(&cfs_b->throttled_cfs_rq);
3751         hrtimer_init(&cfs_b->period_timer, CLOCK_MONOTONIC, HRTIMER_MODE_REL);
3752         cfs_b->period_timer.function = sched_cfs_period_timer;
3753         hrtimer_init(&cfs_b->slack_timer, CLOCK_MONOTONIC, HRTIMER_MODE_REL);
3754         cfs_b->slack_timer.function = sched_cfs_slack_timer;
3755 }
3756
3757 static void init_cfs_rq_runtime(struct cfs_rq *cfs_rq)
3758 {
3759         cfs_rq->runtime_enabled = 0;
3760         INIT_LIST_HEAD(&cfs_rq->throttled_list);
3761 }
3762
3763 /* requires cfs_b->lock, may release to reprogram timer */
3764 void __start_cfs_bandwidth(struct cfs_bandwidth *cfs_b, bool force)
3765 {
3766         /*
3767          * The timer may be active because we're trying to set a new bandwidth
3768          * period or because we're racing with the tear-down path
3769          * (timer_active==0 becomes visible before the hrtimer call-back
3770          * terminates).  In either case we ensure that it's re-programmed
3771          */
3772         while (unlikely(hrtimer_active(&cfs_b->period_timer)) &&
3773                hrtimer_try_to_cancel(&cfs_b->period_timer) < 0) {
3774                 /* bounce the lock to allow do_sched_cfs_period_timer to run */
3775                 raw_spin_unlock(&cfs_b->lock);
3776                 cpu_relax();
3777                 raw_spin_lock(&cfs_b->lock);
3778                 /* if someone else restarted the timer then we're done */
3779                 if (!force && cfs_b->timer_active)
3780                         return;
3781         }
3782
3783         cfs_b->timer_active = 1;
3784         start_bandwidth_timer(&cfs_b->period_timer, cfs_b->period);
3785 }
3786
3787 static void destroy_cfs_bandwidth(struct cfs_bandwidth *cfs_b)
3788 {
3789         hrtimer_cancel(&cfs_b->period_timer);
3790         hrtimer_cancel(&cfs_b->slack_timer);
3791 }
3792
3793 static void __maybe_unused update_runtime_enabled(struct rq *rq)
3794 {
3795         struct cfs_rq *cfs_rq;
3796
3797         for_each_leaf_cfs_rq(rq, cfs_rq) {
3798                 struct cfs_bandwidth *cfs_b = &cfs_rq->tg->cfs_bandwidth;
3799
3800                 raw_spin_lock(&cfs_b->lock);
3801                 cfs_rq->runtime_enabled = cfs_b->quota != RUNTIME_INF;
3802                 raw_spin_unlock(&cfs_b->lock);
3803         }
3804 }
3805
3806 static void __maybe_unused unthrottle_offline_cfs_rqs(struct rq *rq)
3807 {
3808         struct cfs_rq *cfs_rq;
3809
3810         for_each_leaf_cfs_rq(rq, cfs_rq) {
3811                 if (!cfs_rq->runtime_enabled)
3812                         continue;
3813
3814                 /*
3815                  * clock_task is not advancing so we just need to make sure
3816                  * there's some valid quota amount
3817                  */
3818                 cfs_rq->runtime_remaining = 1;
3819                 /*
3820                  * Offline rq is schedulable till cpu is completely disabled
3821                  * in take_cpu_down(), so we prevent new cfs throttling here.
3822                  */
3823                 cfs_rq->runtime_enabled = 0;
3824
3825                 if (cfs_rq_throttled(cfs_rq))
3826                         unthrottle_cfs_rq(cfs_rq);
3827         }
3828 }
3829
3830 #else /* CONFIG_CFS_BANDWIDTH */
3831 static inline u64 cfs_rq_clock_task(struct cfs_rq *cfs_rq)
3832 {
3833         return rq_clock_task(rq_of(cfs_rq));
3834 }
3835
3836 static void account_cfs_rq_runtime(struct cfs_rq *cfs_rq, u64 delta_exec) {}
3837 static bool check_cfs_rq_runtime(struct cfs_rq *cfs_rq) { return false; }
3838 static void check_enqueue_throttle(struct cfs_rq *cfs_rq) {}
3839 static __always_inline void return_cfs_rq_runtime(struct cfs_rq *cfs_rq) {}
3840
3841 static inline int cfs_rq_throttled(struct cfs_rq *cfs_rq)
3842 {
3843         return 0;
3844 }
3845
3846 static inline int throttled_hierarchy(struct cfs_rq *cfs_rq)
3847 {
3848         return 0;
3849 }
3850
3851 static inline int throttled_lb_pair(struct task_group *tg,
3852                                     int src_cpu, int dest_cpu)
3853 {
3854         return 0;
3855 }
3856
3857 void init_cfs_bandwidth(struct cfs_bandwidth *cfs_b) {}
3858
3859 #ifdef CONFIG_FAIR_GROUP_SCHED
3860 static void init_cfs_rq_runtime(struct cfs_rq *cfs_rq) {}
3861 #endif
3862
3863 static inline struct cfs_bandwidth *tg_cfs_bandwidth(struct task_group *tg)
3864 {
3865         return NULL;
3866 }
3867 static inline void destroy_cfs_bandwidth(struct cfs_bandwidth *cfs_b) {}
3868 static inline void update_runtime_enabled(struct rq *rq) {}
3869 static inline void unthrottle_offline_cfs_rqs(struct rq *rq) {}
3870
3871 #endif /* CONFIG_CFS_BANDWIDTH */
3872
3873 /**************************************************
3874  * CFS operations on tasks:
3875  */
3876
3877 #ifdef CONFIG_SCHED_HRTICK
3878 static void hrtick_start_fair(struct rq *rq, struct task_struct *p)
3879 {
3880         struct sched_entity *se = &p->se;
3881         struct cfs_rq *cfs_rq = cfs_rq_of(se);
3882
3883         WARN_ON(task_rq(p) != rq);
3884
3885         if (cfs_rq->nr_running > 1) {
3886                 u64 slice = sched_slice(cfs_rq, se);
3887                 u64 ran = se->sum_exec_runtime - se->prev_sum_exec_runtime;
3888                 s64 delta = slice - ran;
3889
3890                 if (delta < 0) {
3891                         if (rq->curr == p)
3892                                 resched_curr(rq);
3893                         return;
3894                 }
3895
3896                 /*
3897                  * Don't schedule slices shorter than 10000ns, that just
3898                  * doesn't make sense. Rely on vruntime for fairness.
3899                  */
3900                 if (rq->curr != p)
3901                         delta = max_t(s64, 10000LL, delta);
3902
3903                 hrtick_start(rq, delta);
3904         }
3905 }
3906
3907 /*
3908  * called from enqueue/dequeue and updates the hrtick when the
3909  * current task is from our class and nr_running is low enough
3910  * to matter.
3911  */
3912 static void hrtick_update(struct rq *rq)
3913 {
3914         struct task_struct *curr = rq->curr;
3915
3916         if (!hrtick_enabled(rq) || curr->sched_class != &fair_sched_class)
3917                 return;
3918
3919         if (cfs_rq_of(&curr->se)->nr_running < sched_nr_latency)
3920                 hrtick_start_fair(rq, curr);
3921 }
3922 #else /* !CONFIG_SCHED_HRTICK */
3923 static inline void
3924 hrtick_start_fair(struct rq *rq, struct task_struct *p)
3925 {
3926 }
3927
3928 static inline void hrtick_update(struct rq *rq)
3929 {
3930 }
3931 #endif
3932
3933 /*
3934  * The enqueue_task method is called before nr_running is
3935  * increased. Here we update the fair scheduling stats and