Merge tag 'v3.19' into p/abusse/merge_upgrade
[projects/modsched/linux.git] / kernel / sched / cfs / fair.c
1 /*
2  * Completely Fair Scheduling (CFS) Class (SCHED_NORMAL/SCHED_BATCH)
3  *
4  *  Copyright (C) 2007 Red Hat, Inc., Ingo Molnar <mingo@redhat.com>
5  *
6  *  Interactivity improvements by Mike Galbraith
7  *  (C) 2007 Mike Galbraith <efault@gmx.de>
8  *
9  *  Various enhancements by Dmitry Adamushko.
10  *  (C) 2007 Dmitry Adamushko <dmitry.adamushko@gmail.com>
11  *
12  *  Group scheduling enhancements by Srivatsa Vaddagiri
13  *  Copyright IBM Corporation, 2007
14  *  Author: Srivatsa Vaddagiri <vatsa@linux.vnet.ibm.com>
15  *
16  *  Scaled math optimizations by Thomas Gleixner
17  *  Copyright (C) 2007, Thomas Gleixner <tglx@linutronix.de>
18  *
19  *  Adaptive scheduling granularity, math enhancements by Peter Zijlstra
20  *  Copyright (C) 2007 Red Hat, Inc., Peter Zijlstra <pzijlstr@redhat.com>
21  */
22
23 #include <linux/latencytop.h>
24 #include <linux/sched.h>
25 #include <linux/cpumask.h>
26 #include <linux/cpuidle.h>
27 #include <linux/slab.h>
28 #include <linux/profile.h>
29 #include <linux/interrupt.h>
30 #include <linux/mempolicy.h>
31 #include <linux/migrate.h>
32 #include <linux/task_work.h>
33
34 #include <trace/events/sched.h>
35
36 #include "sched.h"
37
38 /*
39  * Targeted preemption latency for CPU-bound tasks:
40  * (default: 6ms * (1 + ilog(ncpus)), units: nanoseconds)
41  *
42  * NOTE: this latency value is not the same as the concept of
43  * 'timeslice length' - timeslices in CFS are of variable length
44  * and have no persistent notion like in traditional, time-slice
45  * based scheduling concepts.
46  *
47  * (to see the precise effective timeslice length of your workload,
48  *  run vmstat and monitor the context-switches (cs) field)
49  */
50 unsigned int sysctl_sched_latency = 6000000ULL;
51 unsigned int normalized_sysctl_sched_latency = 6000000ULL;
52
53 /*
54  * The initial- and re-scaling of tunables is configurable
55  * (default SCHED_TUNABLESCALING_LOG = *(1+ilog(ncpus))
56  *
57  * Options are:
58  * SCHED_TUNABLESCALING_NONE - unscaled, always *1
59  * SCHED_TUNABLESCALING_LOG - scaled logarithmical, *1+ilog(ncpus)
60  * SCHED_TUNABLESCALING_LINEAR - scaled linear, *ncpus
61  */
62 enum sched_tunable_scaling sysctl_sched_tunable_scaling
63         = SCHED_TUNABLESCALING_LOG;
64
65 /*
66  * Minimal preemption granularity for CPU-bound tasks:
67  * (default: 0.75 msec * (1 + ilog(ncpus)), units: nanoseconds)
68  */
69 unsigned int sysctl_sched_min_granularity = 750000ULL;
70 unsigned int normalized_sysctl_sched_min_granularity = 750000ULL;
71
72 /*
73  * is kept at sysctl_sched_latency / sysctl_sched_min_granularity
74  */
75 static unsigned int sched_nr_latency = 8;
76
77 /*
78  * After fork, child runs first. If set to 0 (default) then
79  * parent will (try to) run first.
80  */
81 unsigned int sysctl_sched_child_runs_first __read_mostly;
82
83 /*
84  * SCHED_OTHER wake-up granularity.
85  * (default: 1 msec * (1 + ilog(ncpus)), units: nanoseconds)
86  *
87  * This option delays the preemption effects of decoupled workloads
88  * and reduces their over-scheduling. Synchronous workloads will still
89  * have immediate wakeup/sleep latencies.
90  */
91 unsigned int sysctl_sched_wakeup_granularity = 1000000UL;
92 unsigned int normalized_sysctl_sched_wakeup_granularity = 1000000UL;
93
94 const_debug unsigned int sysctl_sched_migration_cost = 500000UL;
95
96 /*
97  * The exponential sliding  window over which load is averaged for shares
98  * distribution.
99  * (default: 10msec)
100  */
101 unsigned int __read_mostly sysctl_sched_shares_window = 10000000UL;
102
103 #ifdef CONFIG_CFS_BANDWIDTH
104 /*
105  * Amount of runtime to allocate from global (tg) to local (per-cfs_rq) pool
106  * each time a cfs_rq requests quota.
107  *
108  * Note: in the case that the slice exceeds the runtime remaining (either due
109  * to consumption or the quota being specified to be smaller than the slice)
110  * we will always only issue the remaining available time.
111  *
112  * default: 5 msec, units: microseconds
113   */
114 unsigned int sysctl_sched_cfs_bandwidth_slice = 5000UL;
115 #endif
116
117 static inline void update_load_add(struct load_weight *lw, unsigned long inc)
118 {
119         lw->weight += inc;
120         lw->inv_weight = 0;
121 }
122
123 static inline void update_load_sub(struct load_weight *lw, unsigned long dec)
124 {
125         lw->weight -= dec;
126         lw->inv_weight = 0;
127 }
128
129 static inline void update_load_set(struct load_weight *lw, unsigned long w)
130 {
131         lw->weight = w;
132         lw->inv_weight = 0;
133 }
134
135 /*
136  * Increase the granularity value when there are more CPUs,
137  * because with more CPUs the 'effective latency' as visible
138  * to users decreases. But the relationship is not linear,
139  * so pick a second-best guess by going with the log2 of the
140  * number of CPUs.
141  *
142  * This idea comes from the SD scheduler of Con Kolivas:
143  */
144 static int get_update_sysctl_factor(void)
145 {
146         unsigned int cpus = min_t(int, num_online_cpus(), 8);
147         unsigned int factor;
148
149         switch (sysctl_sched_tunable_scaling) {
150         case SCHED_TUNABLESCALING_NONE:
151                 factor = 1;
152                 break;
153         case SCHED_TUNABLESCALING_LINEAR:
154                 factor = cpus;
155                 break;
156         case SCHED_TUNABLESCALING_LOG:
157         default:
158                 factor = 1 + ilog2(cpus);
159                 break;
160         }
161
162         return factor;
163 }
164
165 static void update_sysctl(void)
166 {
167         unsigned int factor = get_update_sysctl_factor();
168
169 #define SET_SYSCTL(name) \
170         (sysctl_##name = (factor) * normalized_sysctl_##name)
171         SET_SYSCTL(sched_min_granularity);
172         SET_SYSCTL(sched_latency);
173         SET_SYSCTL(sched_wakeup_granularity);
174 #undef SET_SYSCTL
175 }
176
177 void sched_init_granularity(void)
178 {
179         update_sysctl();
180 }
181
182 #define WMULT_CONST     (~0U)
183 #define WMULT_SHIFT     32
184
185 static void __update_inv_weight(struct load_weight *lw)
186 {
187         unsigned long w;
188
189         if (likely(lw->inv_weight))
190                 return;
191
192         w = scale_load_down(lw->weight);
193
194         if (BITS_PER_LONG > 32 && unlikely(w >= WMULT_CONST))
195                 lw->inv_weight = 1;
196         else if (unlikely(!w))
197                 lw->inv_weight = WMULT_CONST;
198         else
199                 lw->inv_weight = WMULT_CONST / w;
200 }
201
202 /*
203  * delta_exec * weight / lw.weight
204  *   OR
205  * (delta_exec * (weight * lw->inv_weight)) >> WMULT_SHIFT
206  *
207  * Either weight := NICE_0_LOAD and lw \e prio_to_wmult[], in which case
208  * we're guaranteed shift stays positive because inv_weight is guaranteed to
209  * fit 32 bits, and NICE_0_LOAD gives another 10 bits; therefore shift >= 22.
210  *
211  * Or, weight =< lw.weight (because lw.weight is the runqueue weight), thus
212  * weight/lw.weight <= 1, and therefore our shift will also be positive.
213  */
214 static u64 __calc_delta(u64 delta_exec, unsigned long weight, struct load_weight *lw)
215 {
216         u64 fact = scale_load_down(weight);
217         int shift = WMULT_SHIFT;
218
219         __update_inv_weight(lw);
220
221         if (unlikely(fact >> 32)) {
222                 while (fact >> 32) {
223                         fact >>= 1;
224                         shift--;
225                 }
226         }
227
228         /* hint to use a 32x32->64 mul */
229         fact = (u64)(u32)fact * lw->inv_weight;
230
231         while (fact >> 32) {
232                 fact >>= 1;
233                 shift--;
234         }
235
236         return mul_u64_u32_shr(delta_exec, fact, shift);
237 }
238
239
240 const struct sched_class fair_sched_class;
241
242 /**************************************************************
243  * CFS operations on generic schedulable entities:
244  */
245
246 #ifdef CONFIG_FAIR_GROUP_SCHED
247
248 /* cpu runqueue to which this cfs_rq is attached */
249 static inline struct rq *rq_of(struct cfs_rq *cfs_rq)
250 {
251         return cfs_rq->rq;
252 }
253
254 /* An entity is a task if it doesn't "own" a runqueue */
255 #define entity_is_task(se)      (!se->my_q)
256
257 static inline struct task_struct *task_of(struct sched_entity *se)
258 {
259 #ifdef CONFIG_SCHED_DEBUG
260         WARN_ON_ONCE(!entity_is_task(se));
261 #endif
262         return container_of(se, struct task_struct, se);
263 }
264
265 /* Walk up scheduling entities hierarchy */
266 #define for_each_sched_entity(se) \
267                 for (; se; se = se->parent)
268
269 static inline struct cfs_rq *task_cfs_rq(struct task_struct *p)
270 {
271         return p->se.cfs_rq;
272 }
273
274 /* runqueue on which this entity is (to be) queued */
275 static inline struct cfs_rq *cfs_rq_of(struct sched_entity *se)
276 {
277         return se->cfs_rq;
278 }
279
280 /* runqueue "owned" by this group */
281 static inline struct cfs_rq *group_cfs_rq(struct sched_entity *grp)
282 {
283         return grp->my_q;
284 }
285
286 static void update_cfs_rq_blocked_load(struct cfs_rq *cfs_rq,
287                                        int force_update);
288
289 static inline void list_add_leaf_cfs_rq(struct cfs_rq *cfs_rq)
290 {
291         if (!cfs_rq->on_list) {
292                 /*
293                  * Ensure we either appear before our parent (if already
294                  * enqueued) or force our parent to appear after us when it is
295                  * enqueued.  The fact that we always enqueue bottom-up
296                  * reduces this to two cases.
297                  */
298                 if (cfs_rq->tg->parent &&
299                     cfs_rq->tg->parent->cfs_rq[cpu_of(rq_of(cfs_rq))]->on_list) {
300                         list_add_rcu(&cfs_rq->leaf_cfs_rq_list,
301                                 &rq_of(cfs_rq)->leaf_cfs_rq_list);
302                 } else {
303                         list_add_tail_rcu(&cfs_rq->leaf_cfs_rq_list,
304                                 &rq_of(cfs_rq)->leaf_cfs_rq_list);
305                 }
306
307                 cfs_rq->on_list = 1;
308                 /* We should have no load, but we need to update last_decay. */
309                 update_cfs_rq_blocked_load(cfs_rq, 0);
310         }
311 }
312
313 static inline void list_del_leaf_cfs_rq(struct cfs_rq *cfs_rq)
314 {
315         if (cfs_rq->on_list) {
316                 list_del_rcu(&cfs_rq->leaf_cfs_rq_list);
317                 cfs_rq->on_list = 0;
318         }
319 }
320
321 /* Iterate thr' all leaf cfs_rq's on a runqueue */
322 #define for_each_leaf_cfs_rq(rq, cfs_rq) \
323         list_for_each_entry_rcu(cfs_rq, &rq->leaf_cfs_rq_list, leaf_cfs_rq_list)
324
325 /* Do the two (enqueued) entities belong to the same group ? */
326 static inline struct cfs_rq *
327 is_same_group(struct sched_entity *se, struct sched_entity *pse)
328 {
329         if (se->cfs_rq == pse->cfs_rq)
330                 return se->cfs_rq;
331
332         return NULL;
333 }
334
335 static inline struct sched_entity *parent_entity(struct sched_entity *se)
336 {
337         return se->parent;
338 }
339
340 static void
341 find_matching_se(struct sched_entity **se, struct sched_entity **pse)
342 {
343         int se_depth, pse_depth;
344
345         /*
346          * preemption test can be made between sibling entities who are in the
347          * same cfs_rq i.e who have a common parent. Walk up the hierarchy of
348          * both tasks until we find their ancestors who are siblings of common
349          * parent.
350          */
351
352         /* First walk up until both entities are at same depth */
353         se_depth = (*se)->depth;
354         pse_depth = (*pse)->depth;
355
356         while (se_depth > pse_depth) {
357                 se_depth--;
358                 *se = parent_entity(*se);
359         }
360
361         while (pse_depth > se_depth) {
362                 pse_depth--;
363                 *pse = parent_entity(*pse);
364         }
365
366         while (!is_same_group(*se, *pse)) {
367                 *se = parent_entity(*se);
368                 *pse = parent_entity(*pse);
369         }
370 }
371
372 #else   /* !CONFIG_FAIR_GROUP_SCHED */
373
374 static inline struct task_struct *task_of(struct sched_entity *se)
375 {
376         return container_of(se, struct task_struct, se);
377 }
378
379 static inline struct rq *rq_of(struct cfs_rq *cfs_rq)
380 {
381         return container_of(cfs_rq, struct rq, cfs);
382 }
383
384 #define entity_is_task(se)      1
385
386 #define for_each_sched_entity(se) \
387                 for (; se; se = NULL)
388
389 static inline struct cfs_rq *task_cfs_rq(struct task_struct *p)
390 {
391         return &task_rq(p)->cfs;
392 }
393
394 static inline struct cfs_rq *cfs_rq_of(struct sched_entity *se)
395 {
396         struct task_struct *p = task_of(se);
397         struct rq *rq = task_rq(p);
398
399         return &rq->cfs;
400 }
401
402 /* runqueue "owned" by this group */
403 static inline struct cfs_rq *group_cfs_rq(struct sched_entity *grp)
404 {
405         return NULL;
406 }
407
408 static inline void list_add_leaf_cfs_rq(struct cfs_rq *cfs_rq)
409 {
410 }
411
412 static inline void list_del_leaf_cfs_rq(struct cfs_rq *cfs_rq)
413 {
414 }
415
416 #define for_each_leaf_cfs_rq(rq, cfs_rq) \
417                 for (cfs_rq = &rq->cfs; cfs_rq; cfs_rq = NULL)
418
419 static inline struct sched_entity *parent_entity(struct sched_entity *se)
420 {
421         return NULL;
422 }
423
424 static inline void
425 find_matching_se(struct sched_entity **se, struct sched_entity **pse)
426 {
427 }
428
429 #endif  /* CONFIG_FAIR_GROUP_SCHED */
430
431 static __always_inline
432 void account_cfs_rq_runtime(struct cfs_rq *cfs_rq, u64 delta_exec);
433
434 /**************************************************************
435  * Scheduling class tree data structure manipulation methods:
436  */
437
438 static inline u64 max_vruntime(u64 max_vruntime, u64 vruntime)
439 {
440         s64 delta = (s64)(vruntime - max_vruntime);
441         if (delta > 0)
442                 max_vruntime = vruntime;
443
444         return max_vruntime;
445 }
446
447 static inline u64 min_vruntime(u64 min_vruntime, u64 vruntime)
448 {
449         s64 delta = (s64)(vruntime - min_vruntime);
450         if (delta < 0)
451                 min_vruntime = vruntime;
452
453         return min_vruntime;
454 }
455
456 static inline int entity_before(struct sched_entity *a,
457                                 struct sched_entity *b)
458 {
459         return (s64)(a->vruntime - b->vruntime) < 0;
460 }
461
462 static void update_min_vruntime(struct cfs_rq *cfs_rq)
463 {
464         u64 vruntime = cfs_rq->min_vruntime;
465
466         if (cfs_rq->curr)
467                 vruntime = cfs_rq->curr->vruntime;
468
469         if (cfs_rq->rb_leftmost) {
470                 struct sched_entity *se = rb_entry(cfs_rq->rb_leftmost,
471                                                    struct sched_entity,
472                                                    run_node);
473
474                 if (!cfs_rq->curr)
475                         vruntime = se->vruntime;
476                 else
477                         vruntime = min_vruntime(vruntime, se->vruntime);
478         }
479
480         /* ensure we never gain time by being placed backwards. */
481         cfs_rq->min_vruntime = max_vruntime(cfs_rq->min_vruntime, vruntime);
482 #ifndef CONFIG_64BIT
483         smp_wmb();
484         cfs_rq->min_vruntime_copy = cfs_rq->min_vruntime;
485 #endif
486 }
487
488 /*
489  * Enqueue an entity into the rb-tree:
490  */
491 static void __enqueue_entity(struct cfs_rq *cfs_rq, struct sched_entity *se)
492 {
493         struct rb_node **link = &cfs_rq->tasks_timeline.rb_node;
494         struct rb_node *parent = NULL;
495         struct sched_entity *entry;
496         int leftmost = 1;
497
498         /*
499          * Find the right place in the rbtree:
500          */
501         while (*link) {
502                 parent = *link;
503                 entry = rb_entry(parent, struct sched_entity, run_node);
504                 /*
505                  * We dont care about collisions. Nodes with
506                  * the same key stay together.
507                  */
508                 if (entity_before(se, entry)) {
509                         link = &parent->rb_left;
510                 } else {
511                         link = &parent->rb_right;
512                         leftmost = 0;
513                 }
514         }
515
516         /*
517          * Maintain a cache of leftmost tree entries (it is frequently
518          * used):
519          */
520         if (leftmost)
521                 cfs_rq->rb_leftmost = &se->run_node;
522
523         rb_link_node(&se->run_node, parent, link);
524         rb_insert_color(&se->run_node, &cfs_rq->tasks_timeline);
525 }
526
527 static void __dequeue_entity(struct cfs_rq *cfs_rq, struct sched_entity *se)
528 {
529         if (cfs_rq->rb_leftmost == &se->run_node) {
530                 struct rb_node *next_node;
531
532                 next_node = rb_next(&se->run_node);
533                 cfs_rq->rb_leftmost = next_node;
534         }
535
536         rb_erase(&se->run_node, &cfs_rq->tasks_timeline);
537 }
538
539 struct sched_entity *__pick_first_entity(struct cfs_rq *cfs_rq)
540 {
541         struct rb_node *left = cfs_rq->rb_leftmost;
542
543         if (!left)
544                 return NULL;
545
546         return rb_entry(left, struct sched_entity, run_node);
547 }
548
549 static struct sched_entity *__pick_next_entity(struct sched_entity *se)
550 {
551         struct rb_node *next = rb_next(&se->run_node);
552
553         if (!next)
554                 return NULL;
555
556         return rb_entry(next, struct sched_entity, run_node);
557 }
558
559 #ifdef CONFIG_SCHED_DEBUG
560 struct sched_entity *__pick_last_entity(struct cfs_rq *cfs_rq)
561 {
562         struct rb_node *last = rb_last(&cfs_rq->tasks_timeline);
563
564         if (!last)
565                 return NULL;
566
567         return rb_entry(last, struct sched_entity, run_node);
568 }
569
570 /**************************************************************
571  * Scheduling class statistics methods:
572  */
573
574 int sched_proc_update_handler(struct ctl_table *table, int write,
575                 void __user *buffer, size_t *lenp,
576                 loff_t *ppos)
577 {
578         int ret = proc_dointvec_minmax(table, write, buffer, lenp, ppos);
579         int factor = get_update_sysctl_factor();
580
581         if (ret || !write)
582                 return ret;
583
584         sched_nr_latency = DIV_ROUND_UP(sysctl_sched_latency,
585                                         sysctl_sched_min_granularity);
586
587 #define WRT_SYSCTL(name) \
588         (normalized_sysctl_##name = sysctl_##name / (factor))
589         WRT_SYSCTL(sched_min_granularity);
590         WRT_SYSCTL(sched_latency);
591         WRT_SYSCTL(sched_wakeup_granularity);
592 #undef WRT_SYSCTL
593
594         return 0;
595 }
596 #endif
597
598 /*
599  * delta /= w
600  */
601 static inline u64 calc_delta_fair(u64 delta, struct sched_entity *se)
602 {
603         if (unlikely(se->load.weight != NICE_0_LOAD))
604                 delta = __calc_delta(delta, NICE_0_LOAD, &se->load);
605
606         return delta;
607 }
608
609 /*
610  * The idea is to set a period in which each task runs once.
611  *
612  * When there are too many tasks (sched_nr_latency) we have to stretch
613  * this period because otherwise the slices get too small.
614  *
615  * p = (nr <= nl) ? l : l*nr/nl
616  */
617 static u64 __sched_period(unsigned long nr_running)
618 {
619         u64 period = sysctl_sched_latency;
620         unsigned long nr_latency = sched_nr_latency;
621
622         if (unlikely(nr_running > nr_latency)) {
623                 period = sysctl_sched_min_granularity;
624                 period *= nr_running;
625         }
626
627         return period;
628 }
629
630 /*
631  * We calculate the wall-time slice from the period by taking a part
632  * proportional to the weight.
633  *
634  * s = p*P[w/rw]
635  */
636 static u64 sched_slice(struct cfs_rq *cfs_rq, struct sched_entity *se)
637 {
638         u64 slice = __sched_period(cfs_rq->nr_running + !se->on_rq);
639
640         for_each_sched_entity(se) {
641                 struct load_weight *load;
642                 struct load_weight lw;
643
644                 cfs_rq = cfs_rq_of(se);
645                 load = &cfs_rq->load;
646
647                 if (unlikely(!se->on_rq)) {
648                         lw = cfs_rq->load;
649
650                         update_load_add(&lw, se->load.weight);
651                         load = &lw;
652                 }
653                 slice = __calc_delta(slice, se->load.weight, load);
654         }
655         return slice;
656 }
657
658 /*
659  * We calculate the vruntime slice of a to-be-inserted task.
660  *
661  * vs = s/w
662  */
663 static u64 sched_vslice(struct cfs_rq *cfs_rq, struct sched_entity *se)
664 {
665         return calc_delta_fair(sched_slice(cfs_rq, se), se);
666 }
667
668 #ifdef CONFIG_SMP
669 static int select_idle_sibling(struct task_struct *p, int cpu);
670 static unsigned long task_h_load(struct task_struct *p);
671
672 static inline void __update_task_entity_contrib(struct sched_entity *se);
673
674 /* Give new task start runnable values to heavy its load in infant time */
675 void init_task_runnable_average(struct task_struct *p)
676 {
677         u32 slice;
678
679         p->se.avg.decay_count = 0;
680         slice = sched_slice(task_cfs_rq(p), &p->se) >> 10;
681         p->se.avg.runnable_avg_sum = slice;
682         p->se.avg.runnable_avg_period = slice;
683         __update_task_entity_contrib(&p->se);
684 }
685 #else
686 void init_task_runnable_average(struct task_struct *p)
687 {
688 }
689 #endif
690
691 /*
692  * Update the current task's runtime statistics.
693  */
694 static void update_curr(struct cfs_rq *cfs_rq)
695 {
696         struct sched_entity *curr = cfs_rq->curr;
697         u64 now = rq_clock_task(rq_of(cfs_rq));
698         u64 delta_exec;
699
700         if (unlikely(!curr))
701                 return;
702
703         delta_exec = now - curr->exec_start;
704         if (unlikely((s64)delta_exec <= 0))
705                 return;
706
707         curr->exec_start = now;
708
709         schedstat_set(curr->statistics.exec_max,
710                       max(delta_exec, curr->statistics.exec_max));
711
712         curr->sum_exec_runtime += delta_exec;
713         schedstat_add(cfs_rq, exec_clock, delta_exec);
714
715         curr->vruntime += calc_delta_fair(delta_exec, curr);
716         update_min_vruntime(cfs_rq);
717
718         if (entity_is_task(curr)) {
719                 struct task_struct *curtask = task_of(curr);
720
721                 trace_sched_stat_runtime(curtask, delta_exec, curr->vruntime);
722                 cpuacct_charge(curtask, delta_exec);
723                 account_group_exec_runtime(curtask, delta_exec);
724         }
725
726         account_cfs_rq_runtime(cfs_rq, delta_exec);
727 }
728
729 static void update_curr_fair(struct rq *rq)
730 {
731         update_curr(cfs_rq_of(&rq->curr->se));
732 }
733
734 static inline void
735 update_stats_wait_start(struct cfs_rq *cfs_rq, struct sched_entity *se)
736 {
737         schedstat_set(se->statistics.wait_start, rq_clock(rq_of(cfs_rq)));
738 }
739
740 /*
741  * Task is being enqueued - update stats:
742  */
743 static void update_stats_enqueue(struct cfs_rq *cfs_rq, struct sched_entity *se)
744 {
745         /*
746          * Are we enqueueing a waiting task? (for current tasks
747          * a dequeue/enqueue event is a NOP)
748          */
749         if (se != cfs_rq->curr)
750                 update_stats_wait_start(cfs_rq, se);
751 }
752
753 static void
754 update_stats_wait_end(struct cfs_rq *cfs_rq, struct sched_entity *se)
755 {
756         schedstat_set(se->statistics.wait_max, max(se->statistics.wait_max,
757                         rq_clock(rq_of(cfs_rq)) - se->statistics.wait_start));
758         schedstat_set(se->statistics.wait_count, se->statistics.wait_count + 1);
759         schedstat_set(se->statistics.wait_sum, se->statistics.wait_sum +
760                         rq_clock(rq_of(cfs_rq)) - se->statistics.wait_start);
761 #ifdef CONFIG_SCHEDSTATS
762         if (entity_is_task(se)) {
763                 trace_sched_stat_wait(task_of(se),
764                         rq_clock(rq_of(cfs_rq)) - se->statistics.wait_start);
765         }
766 #endif
767         schedstat_set(se->statistics.wait_start, 0);
768 }
769
770 static inline void
771 update_stats_dequeue(struct cfs_rq *cfs_rq, struct sched_entity *se)
772 {
773         /*
774          * Mark the end of the wait period if dequeueing a
775          * waiting task:
776          */
777         if (se != cfs_rq->curr)
778                 update_stats_wait_end(cfs_rq, se);
779 }
780
781 /*
782  * We are picking a new current task - update its stats:
783  */
784 static inline void
785 update_stats_curr_start(struct cfs_rq *cfs_rq, struct sched_entity *se)
786 {
787         /*
788          * We are starting a new run period:
789          */
790         se->exec_start = rq_clock_task(rq_of(cfs_rq));
791 }
792
793 /**************************************************
794  * Scheduling class queueing methods:
795  */
796
797 #ifdef CONFIG_NUMA_BALANCING
798 /*
799  * Approximate time to scan a full NUMA task in ms. The task scan period is
800  * calculated based on the tasks virtual memory size and
801  * numa_balancing_scan_size.
802  */
803 unsigned int sysctl_numa_balancing_scan_period_min = 1000;
804 unsigned int sysctl_numa_balancing_scan_period_max = 60000;
805
806 /* Portion of address space to scan in MB */
807 unsigned int sysctl_numa_balancing_scan_size = 256;
808
809 /* Scan @scan_size MB every @scan_period after an initial @scan_delay in ms */
810 unsigned int sysctl_numa_balancing_scan_delay = 1000;
811
812 static unsigned int task_nr_scan_windows(struct task_struct *p)
813 {
814         unsigned long rss = 0;
815         unsigned long nr_scan_pages;
816
817         /*
818          * Calculations based on RSS as non-present and empty pages are skipped
819          * by the PTE scanner and NUMA hinting faults should be trapped based
820          * on resident pages
821          */
822         nr_scan_pages = sysctl_numa_balancing_scan_size << (20 - PAGE_SHIFT);
823         rss = get_mm_rss(p->mm);
824         if (!rss)
825                 rss = nr_scan_pages;
826
827         rss = round_up(rss, nr_scan_pages);
828         return rss / nr_scan_pages;
829 }
830
831 /* For sanitys sake, never scan more PTEs than MAX_SCAN_WINDOW MB/sec. */
832 #define MAX_SCAN_WINDOW 2560
833
834 static unsigned int task_scan_min(struct task_struct *p)
835 {
836         unsigned int scan_size = ACCESS_ONCE(sysctl_numa_balancing_scan_size);
837         unsigned int scan, floor;
838         unsigned int windows = 1;
839
840         if (scan_size < MAX_SCAN_WINDOW)
841                 windows = MAX_SCAN_WINDOW / scan_size;
842         floor = 1000 / windows;
843
844         scan = sysctl_numa_balancing_scan_period_min / task_nr_scan_windows(p);
845         return max_t(unsigned int, floor, scan);
846 }
847
848 static unsigned int task_scan_max(struct task_struct *p)
849 {
850         unsigned int smin = task_scan_min(p);
851         unsigned int smax;
852
853         /* Watch for min being lower than max due to floor calculations */
854         smax = sysctl_numa_balancing_scan_period_max / task_nr_scan_windows(p);
855         return max(smin, smax);
856 }
857
858 static void account_numa_enqueue(struct rq *rq, struct task_struct *p)
859 {
860         rq->nr_numa_running += (p->numa_preferred_nid != -1);
861         rq->nr_preferred_running += (p->numa_preferred_nid == task_node(p));
862 }
863
864 static void account_numa_dequeue(struct rq *rq, struct task_struct *p)
865 {
866         rq->nr_numa_running -= (p->numa_preferred_nid != -1);
867         rq->nr_preferred_running -= (p->numa_preferred_nid == task_node(p));
868 }
869
870 struct numa_group {
871         atomic_t refcount;
872
873         spinlock_t lock; /* nr_tasks, tasks */
874         int nr_tasks;
875         pid_t gid;
876
877         struct rcu_head rcu;
878         nodemask_t active_nodes;
879         unsigned long total_faults;
880         /*
881          * Faults_cpu is used to decide whether memory should move
882          * towards the CPU. As a consequence, these stats are weighted
883          * more by CPU use than by memory faults.
884          */
885         unsigned long *faults_cpu;
886         unsigned long faults[0];
887 };
888
889 /* Shared or private faults. */
890 #define NR_NUMA_HINT_FAULT_TYPES 2
891
892 /* Memory and CPU locality */
893 #define NR_NUMA_HINT_FAULT_STATS (NR_NUMA_HINT_FAULT_TYPES * 2)
894
895 /* Averaged statistics, and temporary buffers. */
896 #define NR_NUMA_HINT_FAULT_BUCKETS (NR_NUMA_HINT_FAULT_STATS * 2)
897
898 pid_t task_numa_group_id(struct task_struct *p)
899 {
900         return p->numa_group ? p->numa_group->gid : 0;
901 }
902
903 /*
904  * The averaged statistics, shared & private, memory & cpu,
905  * occupy the first half of the array. The second half of the
906  * array is for current counters, which are averaged into the
907  * first set by task_numa_placement.
908  */
909 static inline int task_faults_idx(enum numa_faults_stats s, int nid, int priv)
910 {
911         return NR_NUMA_HINT_FAULT_TYPES * (s * nr_node_ids + nid) + priv;
912 }
913
914 static inline unsigned long task_faults(struct task_struct *p, int nid)
915 {
916         if (!p->numa_faults)
917                 return 0;
918
919         return p->numa_faults[task_faults_idx(NUMA_MEM, nid, 0)] +
920                 p->numa_faults[task_faults_idx(NUMA_MEM, nid, 1)];
921 }
922
923 static inline unsigned long group_faults(struct task_struct *p, int nid)
924 {
925         if (!p->numa_group)
926                 return 0;
927
928         return p->numa_group->faults[task_faults_idx(NUMA_MEM, nid, 0)] +
929                 p->numa_group->faults[task_faults_idx(NUMA_MEM, nid, 1)];
930 }
931
932 static inline unsigned long group_faults_cpu(struct numa_group *group, int nid)
933 {
934         return group->faults_cpu[task_faults_idx(NUMA_MEM, nid, 0)] +
935                 group->faults_cpu[task_faults_idx(NUMA_MEM, nid, 1)];
936 }
937
938 /* Handle placement on systems where not all nodes are directly connected. */
939 static unsigned long score_nearby_nodes(struct task_struct *p, int nid,
940                                         int maxdist, bool task)
941 {
942         unsigned long score = 0;
943         int node;
944
945         /*
946          * All nodes are directly connected, and the same distance
947          * from each other. No need for fancy placement algorithms.
948          */
949         if (sched_numa_topology_type == NUMA_DIRECT)
950                 return 0;
951
952         /*
953          * This code is called for each node, introducing N^2 complexity,
954          * which should be ok given the number of nodes rarely exceeds 8.
955          */
956         for_each_online_node(node) {
957                 unsigned long faults;
958                 int dist = node_distance(nid, node);
959
960                 /*
961                  * The furthest away nodes in the system are not interesting
962                  * for placement; nid was already counted.
963                  */
964                 if (dist == sched_max_numa_distance || node == nid)
965                         continue;
966
967                 /*
968                  * On systems with a backplane NUMA topology, compare groups
969                  * of nodes, and move tasks towards the group with the most
970                  * memory accesses. When comparing two nodes at distance
971                  * "hoplimit", only nodes closer by than "hoplimit" are part
972                  * of each group. Skip other nodes.
973                  */
974                 if (sched_numa_topology_type == NUMA_BACKPLANE &&
975                                         dist > maxdist)
976                         continue;
977
978                 /* Add up the faults from nearby nodes. */
979                 if (task)
980                         faults = task_faults(p, node);
981                 else
982                         faults = group_faults(p, node);
983
984                 /*
985                  * On systems with a glueless mesh NUMA topology, there are
986                  * no fixed "groups of nodes". Instead, nodes that are not
987                  * directly connected bounce traffic through intermediate
988                  * nodes; a numa_group can occupy any set of nodes.
989                  * The further away a node is, the less the faults count.
990                  * This seems to result in good task placement.
991                  */
992                 if (sched_numa_topology_type == NUMA_GLUELESS_MESH) {
993                         faults *= (sched_max_numa_distance - dist);
994                         faults /= (sched_max_numa_distance - LOCAL_DISTANCE);
995                 }
996
997                 score += faults;
998         }
999
1000         return score;
1001 }
1002
1003 /*
1004  * These return the fraction of accesses done by a particular task, or
1005  * task group, on a particular numa node.  The group weight is given a
1006  * larger multiplier, in order to group tasks together that are almost
1007  * evenly spread out between numa nodes.
1008  */
1009 static inline unsigned long task_weight(struct task_struct *p, int nid,
1010                                         int dist)
1011 {
1012         unsigned long faults, total_faults;
1013
1014         if (!p->numa_faults)
1015                 return 0;
1016
1017         total_faults = p->total_numa_faults;
1018
1019         if (!total_faults)
1020                 return 0;
1021
1022         faults = task_faults(p, nid);
1023         faults += score_nearby_nodes(p, nid, dist, true);
1024
1025         return 1000 * faults / total_faults;
1026 }
1027
1028 static inline unsigned long group_weight(struct task_struct *p, int nid,
1029                                          int dist)
1030 {
1031         unsigned long faults, total_faults;
1032
1033         if (!p->numa_group)
1034                 return 0;
1035
1036         total_faults = p->numa_group->total_faults;
1037
1038         if (!total_faults)
1039                 return 0;
1040
1041         faults = group_faults(p, nid);
1042         faults += score_nearby_nodes(p, nid, dist, false);
1043
1044         return 1000 * faults / total_faults;
1045 }
1046
1047 bool should_numa_migrate_memory(struct task_struct *p, struct page * page,
1048                                 int src_nid, int dst_cpu)
1049 {
1050         struct numa_group *ng = p->numa_group;
1051         int dst_nid = cpu_to_node(dst_cpu);
1052         int last_cpupid, this_cpupid;
1053
1054         this_cpupid = cpu_pid_to_cpupid(dst_cpu, current->pid);
1055
1056         /*
1057          * Multi-stage node selection is used in conjunction with a periodic
1058          * migration fault to build a temporal task<->page relation. By using
1059          * a two-stage filter we remove short/unlikely relations.
1060          *
1061          * Using P(p) ~ n_p / n_t as per frequentist probability, we can equate
1062          * a task's usage of a particular page (n_p) per total usage of this
1063          * page (n_t) (in a given time-span) to a probability.
1064          *
1065          * Our periodic faults will sample this probability and getting the
1066          * same result twice in a row, given these samples are fully
1067          * independent, is then given by P(n)^2, provided our sample period
1068          * is sufficiently short compared to the usage pattern.
1069          *
1070          * This quadric squishes small probabilities, making it less likely we
1071          * act on an unlikely task<->page relation.
1072          */
1073         last_cpupid = page_cpupid_xchg_last(page, this_cpupid);
1074         if (!cpupid_pid_unset(last_cpupid) &&
1075                                 cpupid_to_nid(last_cpupid) != dst_nid)
1076                 return false;
1077
1078         /* Always allow migrate on private faults */
1079         if (cpupid_match_pid(p, last_cpupid))
1080                 return true;
1081
1082         /* A shared fault, but p->numa_group has not been set up yet. */
1083         if (!ng)
1084                 return true;
1085
1086         /*
1087          * Do not migrate if the destination is not a node that
1088          * is actively used by this numa group.
1089          */
1090         if (!node_isset(dst_nid, ng->active_nodes))
1091                 return false;
1092
1093         /*
1094          * Source is a node that is not actively used by this
1095          * numa group, while the destination is. Migrate.
1096          */
1097         if (!node_isset(src_nid, ng->active_nodes))
1098                 return true;
1099
1100         /*
1101          * Both source and destination are nodes in active
1102          * use by this numa group. Maximize memory bandwidth
1103          * by migrating from more heavily used groups, to less
1104          * heavily used ones, spreading the load around.
1105          * Use a 1/4 hysteresis to avoid spurious page movement.
1106          */
1107         return group_faults(p, dst_nid) < (group_faults(p, src_nid) * 3 / 4);
1108 }
1109
1110 static unsigned long weighted_cpuload(const int cpu);
1111 static unsigned long source_load(int cpu, int type);
1112 static unsigned long target_load(int cpu, int type);
1113 static unsigned long capacity_of(int cpu);
1114 static long effective_load(struct task_group *tg, int cpu, long wl, long wg);
1115
1116 /* Cached statistics for all CPUs within a node */
1117 struct numa_stats {
1118         unsigned long nr_running;
1119         unsigned long load;
1120
1121         /* Total compute capacity of CPUs on a node */
1122         unsigned long compute_capacity;
1123
1124         /* Approximate capacity in terms of runnable tasks on a node */
1125         unsigned long task_capacity;
1126         int has_free_capacity;
1127 };
1128
1129 /*
1130  * XXX borrowed from update_sg_lb_stats
1131  */
1132 static void update_numa_stats(struct numa_stats *ns, int nid)
1133 {
1134         int smt, cpu, cpus = 0;
1135         unsigned long capacity;
1136
1137         memset(ns, 0, sizeof(*ns));
1138         for_each_cpu(cpu, cpumask_of_node(nid)) {
1139                 struct rq *rq = cpu_rq(cpu);
1140
1141                 ns->nr_running += rq->nr_running;
1142                 ns->load += weighted_cpuload(cpu);
1143                 ns->compute_capacity += capacity_of(cpu);
1144
1145                 cpus++;
1146         }
1147
1148         /*
1149          * If we raced with hotplug and there are no CPUs left in our mask
1150          * the @ns structure is NULL'ed and task_numa_compare() will
1151          * not find this node attractive.
1152          *
1153          * We'll either bail at !has_free_capacity, or we'll detect a huge
1154          * imbalance and bail there.
1155          */
1156         if (!cpus)
1157                 return;
1158
1159         /* smt := ceil(cpus / capacity), assumes: 1 < smt_power < 2 */
1160         smt = DIV_ROUND_UP(SCHED_CAPACITY_SCALE * cpus, ns->compute_capacity);
1161         capacity = cpus / smt; /* cores */
1162
1163         ns->task_capacity = min_t(unsigned, capacity,
1164                 DIV_ROUND_CLOSEST(ns->compute_capacity, SCHED_CAPACITY_SCALE));
1165         ns->has_free_capacity = (ns->nr_running < ns->task_capacity);
1166 }
1167
1168 struct task_numa_env {
1169         struct task_struct *p;
1170
1171         int src_cpu, src_nid;
1172         int dst_cpu, dst_nid;
1173
1174         struct numa_stats src_stats, dst_stats;
1175
1176         int imbalance_pct;
1177         int dist;
1178
1179         struct task_struct *best_task;
1180         long best_imp;
1181         int best_cpu;
1182 };
1183
1184 static void task_numa_assign(struct task_numa_env *env,
1185                              struct task_struct *p, long imp)
1186 {
1187         if (env->best_task)
1188                 put_task_struct(env->best_task);
1189         if (p)
1190                 get_task_struct(p);
1191
1192         env->best_task = p;
1193         env->best_imp = imp;
1194         env->best_cpu = env->dst_cpu;
1195 }
1196
1197 static bool load_too_imbalanced(long src_load, long dst_load,
1198                                 struct task_numa_env *env)
1199 {
1200         long imb, old_imb;
1201         long orig_src_load, orig_dst_load;
1202         long src_capacity, dst_capacity;
1203
1204         /*
1205          * The load is corrected for the CPU capacity available on each node.
1206          *
1207          * src_load        dst_load
1208          * ------------ vs ---------
1209          * src_capacity    dst_capacity
1210          */
1211         src_capacity = env->src_stats.compute_capacity;
1212         dst_capacity = env->dst_stats.compute_capacity;
1213
1214         /* We care about the slope of the imbalance, not the direction. */
1215         if (dst_load < src_load)
1216                 swap(dst_load, src_load);
1217
1218         /* Is the difference below the threshold? */
1219         imb = dst_load * src_capacity * 100 -
1220               src_load * dst_capacity * env->imbalance_pct;
1221         if (imb <= 0)
1222                 return false;
1223
1224         /*
1225          * The imbalance is above the allowed threshold.
1226          * Compare it with the old imbalance.
1227          */
1228         orig_src_load = env->src_stats.load;
1229         orig_dst_load = env->dst_stats.load;
1230
1231         if (orig_dst_load < orig_src_load)
1232                 swap(orig_dst_load, orig_src_load);
1233
1234         old_imb = orig_dst_load * src_capacity * 100 -
1235                   orig_src_load * dst_capacity * env->imbalance_pct;
1236
1237         /* Would this change make things worse? */
1238         return (imb > old_imb);
1239 }
1240
1241 /*
1242  * This checks if the overall compute and NUMA accesses of the system would
1243  * be improved if the source tasks was migrated to the target dst_cpu taking
1244  * into account that it might be best if task running on the dst_cpu should
1245  * be exchanged with the source task
1246  */
1247 static void task_numa_compare(struct task_numa_env *env,
1248                               long taskimp, long groupimp)
1249 {
1250         struct rq *src_rq = cpu_rq(env->src_cpu);
1251         struct rq *dst_rq = cpu_rq(env->dst_cpu);
1252         struct task_struct *cur;
1253         long src_load, dst_load;
1254         long load;
1255         long imp = env->p->numa_group ? groupimp : taskimp;
1256         long moveimp = imp;
1257         int dist = env->dist;
1258
1259         rcu_read_lock();
1260
1261         raw_spin_lock_irq(&dst_rq->lock);
1262         cur = dst_rq->curr;
1263         /*
1264          * No need to move the exiting task, and this ensures that ->curr
1265          * wasn't reaped and thus get_task_struct() in task_numa_assign()
1266          * is safe under RCU read lock.
1267          * Note that rcu_read_lock() itself can't protect from the final
1268          * put_task_struct() after the last schedule().
1269          */
1270         if ((cur->flags & PF_EXITING) || is_idle_task(cur))
1271                 cur = NULL;
1272         raw_spin_unlock_irq(&dst_rq->lock);
1273
1274         /*
1275          * Because we have preemption enabled we can get migrated around and
1276          * end try selecting ourselves (current == env->p) as a swap candidate.
1277          */
1278         if (cur == env->p)
1279                 goto unlock;
1280
1281         /*
1282          * "imp" is the fault differential for the source task between the
1283          * source and destination node. Calculate the total differential for
1284          * the source task and potential destination task. The more negative
1285          * the value is, the more rmeote accesses that would be expected to
1286          * be incurred if the tasks were swapped.
1287          */
1288         if (cur) {
1289                 /* Skip this swap candidate if cannot move to the source cpu */
1290                 if (!cpumask_test_cpu(env->src_cpu, tsk_cpus_allowed(cur)))
1291                         goto unlock;
1292
1293                 /*
1294                  * If dst and source tasks are in the same NUMA group, or not
1295                  * in any group then look only at task weights.
1296                  */
1297                 if (cur->numa_group == env->p->numa_group) {
1298                         imp = taskimp + task_weight(cur, env->src_nid, dist) -
1299                               task_weight(cur, env->dst_nid, dist);
1300                         /*
1301                          * Add some hysteresis to prevent swapping the
1302                          * tasks within a group over tiny differences.
1303                          */
1304                         if (cur->numa_group)
1305                                 imp -= imp/16;
1306                 } else {
1307                         /*
1308                          * Compare the group weights. If a task is all by
1309                          * itself (not part of a group), use the task weight
1310                          * instead.
1311                          */
1312                         if (cur->numa_group)
1313                                 imp += group_weight(cur, env->src_nid, dist) -
1314                                        group_weight(cur, env->dst_nid, dist);
1315                         else
1316                                 imp += task_weight(cur, env->src_nid, dist) -
1317                                        task_weight(cur, env->dst_nid, dist);
1318                 }
1319         }
1320
1321         if (imp <= env->best_imp && moveimp <= env->best_imp)
1322                 goto unlock;
1323
1324         if (!cur) {
1325                 /* Is there capacity at our destination? */
1326                 if (env->src_stats.nr_running <= env->src_stats.task_capacity &&
1327                     !env->dst_stats.has_free_capacity)
1328                         goto unlock;
1329
1330                 goto balance;
1331         }
1332
1333         /* Balance doesn't matter much if we're running a task per cpu */
1334         if (imp > env->best_imp && src_rq->nr_running == 1 &&
1335                         dst_rq->nr_running == 1)
1336                 goto assign;
1337
1338         /*
1339          * In the overloaded case, try and keep the load balanced.
1340          */
1341 balance:
1342         load = task_h_load(env->p);
1343         dst_load = env->dst_stats.load + load;
1344         src_load = env->src_stats.load - load;
1345
1346         if (moveimp > imp && moveimp > env->best_imp) {
1347                 /*
1348                  * If the improvement from just moving env->p direction is
1349                  * better than swapping tasks around, check if a move is
1350                  * possible. Store a slightly smaller score than moveimp,
1351                  * so an actually idle CPU will win.
1352                  */
1353                 if (!load_too_imbalanced(src_load, dst_load, env)) {
1354                         imp = moveimp - 1;
1355                         cur = NULL;
1356                         goto assign;
1357                 }
1358         }
1359
1360         if (imp <= env->best_imp)
1361                 goto unlock;
1362
1363         if (cur) {
1364                 load = task_h_load(cur);
1365                 dst_load -= load;
1366                 src_load += load;
1367         }
1368
1369         if (load_too_imbalanced(src_load, dst_load, env))
1370                 goto unlock;
1371
1372         /*
1373          * One idle CPU per node is evaluated for a task numa move.
1374          * Call select_idle_sibling to maybe find a better one.
1375          */
1376         if (!cur)
1377                 env->dst_cpu = select_idle_sibling(env->p, env->dst_cpu);
1378
1379 assign:
1380         task_numa_assign(env, cur, imp);
1381 unlock:
1382         rcu_read_unlock();
1383 }
1384
1385 static void task_numa_find_cpu(struct task_numa_env *env,
1386                                 long taskimp, long groupimp)
1387 {
1388         int cpu;
1389
1390         for_each_cpu(cpu, cpumask_of_node(env->dst_nid)) {
1391                 /* Skip this CPU if the source task cannot migrate */
1392                 if (!cpumask_test_cpu(cpu, tsk_cpus_allowed(env->p)))
1393                         continue;
1394
1395                 env->dst_cpu = cpu;
1396                 task_numa_compare(env, taskimp, groupimp);
1397         }
1398 }
1399
1400 static int task_numa_migrate(struct task_struct *p)
1401 {
1402         struct task_numa_env env = {
1403                 .p = p,
1404
1405                 .src_cpu = task_cpu(p),
1406                 .src_nid = task_node(p),
1407
1408                 .imbalance_pct = 112,
1409
1410                 .best_task = NULL,
1411                 .best_imp = 0,
1412                 .best_cpu = -1
1413         };
1414         struct sched_domain *sd;
1415         unsigned long taskweight, groupweight;
1416         int nid, ret, dist;
1417         long taskimp, groupimp;
1418
1419         /*
1420          * Pick the lowest SD_NUMA domain, as that would have the smallest
1421          * imbalance and would be the first to start moving tasks about.
1422          *
1423          * And we want to avoid any moving of tasks about, as that would create
1424          * random movement of tasks -- counter the numa conditions we're trying
1425          * to satisfy here.
1426          */
1427         rcu_read_lock();
1428         sd = rcu_dereference(per_cpu(sd_numa, env.src_cpu));
1429         if (sd)
1430                 env.imbalance_pct = 100 + (sd->imbalance_pct - 100) / 2;
1431         rcu_read_unlock();
1432
1433         /*
1434          * Cpusets can break the scheduler domain tree into smaller
1435          * balance domains, some of which do not cross NUMA boundaries.
1436          * Tasks that are "trapped" in such domains cannot be migrated
1437          * elsewhere, so there is no point in (re)trying.
1438          */
1439         if (unlikely(!sd)) {
1440                 p->numa_preferred_nid = task_node(p);
1441                 return -EINVAL;
1442         }
1443
1444         env.dst_nid = p->numa_preferred_nid;
1445         dist = env.dist = node_distance(env.src_nid, env.dst_nid);
1446         taskweight = task_weight(p, env.src_nid, dist);
1447         groupweight = group_weight(p, env.src_nid, dist);
1448         update_numa_stats(&env.src_stats, env.src_nid);
1449         taskimp = task_weight(p, env.dst_nid, dist) - taskweight;
1450         groupimp = group_weight(p, env.dst_nid, dist) - groupweight;
1451         update_numa_stats(&env.dst_stats, env.dst_nid);
1452
1453         /* Try to find a spot on the preferred nid. */
1454         task_numa_find_cpu(&env, taskimp, groupimp);
1455
1456         /*
1457          * Look at other nodes in these cases:
1458          * - there is no space available on the preferred_nid
1459          * - the task is part of a numa_group that is interleaved across
1460          *   multiple NUMA nodes; in order to better consolidate the group,
1461          *   we need to check other locations.
1462          */
1463         if (env.best_cpu == -1 || (p->numa_group &&
1464                         nodes_weight(p->numa_group->active_nodes) > 1)) {
1465                 for_each_online_node(nid) {
1466                         if (nid == env.src_nid || nid == p->numa_preferred_nid)
1467                                 continue;
1468
1469                         dist = node_distance(env.src_nid, env.dst_nid);
1470                         if (sched_numa_topology_type == NUMA_BACKPLANE &&
1471                                                 dist != env.dist) {
1472                                 taskweight = task_weight(p, env.src_nid, dist);
1473                                 groupweight = group_weight(p, env.src_nid, dist);
1474                         }
1475
1476                         /* Only consider nodes where both task and groups benefit */
1477                         taskimp = task_weight(p, nid, dist) - taskweight;
1478                         groupimp = group_weight(p, nid, dist) - groupweight;
1479                         if (taskimp < 0 && groupimp < 0)
1480                                 continue;
1481
1482                         env.dist = dist;
1483                         env.dst_nid = nid;
1484                         update_numa_stats(&env.dst_stats, env.dst_nid);
1485                         task_numa_find_cpu(&env, taskimp, groupimp);
1486                 }
1487         }
1488
1489         /*
1490          * If the task is part of a workload that spans multiple NUMA nodes,
1491          * and is migrating into one of the workload's active nodes, remember
1492          * this node as the task's preferred numa node, so the workload can
1493          * settle down.
1494          * A task that migrated to a second choice node will be better off
1495          * trying for a better one later. Do not set the preferred node here.
1496          */
1497         if (p->numa_group) {
1498                 if (env.best_cpu == -1)
1499                         nid = env.src_nid;
1500                 else
1501                         nid = env.dst_nid;
1502
1503                 if (node_isset(nid, p->numa_group->active_nodes))
1504                         sched_setnuma(p, env.dst_nid);
1505         }
1506
1507         /* No better CPU than the current one was found. */
1508         if (env.best_cpu == -1)
1509                 return -EAGAIN;
1510
1511         /*
1512          * Reset the scan period if the task is being rescheduled on an
1513          * alternative node to recheck if the tasks is now properly placed.
1514          */
1515         p->numa_scan_period = task_scan_min(p);
1516
1517         if (env.best_task == NULL) {
1518                 ret = migrate_task_to(p, env.best_cpu);
1519                 if (ret != 0)
1520                         trace_sched_stick_numa(p, env.src_cpu, env.best_cpu);
1521                 return ret;
1522         }
1523
1524         ret = migrate_swap(p, env.best_task);
1525         if (ret != 0)
1526                 trace_sched_stick_numa(p, env.src_cpu, task_cpu(env.best_task));
1527         put_task_struct(env.best_task);
1528         return ret;
1529 }
1530
1531 /* Attempt to migrate a task to a CPU on the preferred node. */
1532 static void numa_migrate_preferred(struct task_struct *p)
1533 {
1534         unsigned long interval = HZ;
1535
1536         /* This task has no NUMA fault statistics yet */
1537         if (unlikely(p->numa_preferred_nid == -1 || !p->numa_faults))
1538                 return;
1539
1540         /* Periodically retry migrating the task to the preferred node */
1541         interval = min(interval, msecs_to_jiffies(p->numa_scan_period) / 16);
1542         p->numa_migrate_retry = jiffies + interval;
1543
1544         /* Success if task is already running on preferred CPU */
1545         if (task_node(p) == p->numa_preferred_nid)
1546                 return;
1547
1548         /* Otherwise, try migrate to a CPU on the preferred node */
1549         task_numa_migrate(p);
1550 }
1551
1552 /*
1553  * Find the nodes on which the workload is actively running. We do this by
1554  * tracking the nodes from which NUMA hinting faults are triggered. This can
1555  * be different from the set of nodes where the workload's memory is currently
1556  * located.
1557  *
1558  * The bitmask is used to make smarter decisions on when to do NUMA page
1559  * migrations, To prevent flip-flopping, and excessive page migrations, nodes
1560  * are added when they cause over 6/16 of the maximum number of faults, but
1561  * only removed when they drop below 3/16.
1562  */
1563 static void update_numa_active_node_mask(struct numa_group *numa_group)
1564 {
1565         unsigned long faults, max_faults = 0;
1566         int nid;
1567
1568         for_each_online_node(nid) {
1569                 faults = group_faults_cpu(numa_group, nid);
1570                 if (faults > max_faults)
1571                         max_faults = faults;
1572         }
1573
1574         for_each_online_node(nid) {
1575                 faults = group_faults_cpu(numa_group, nid);
1576                 if (!node_isset(nid, numa_group->active_nodes)) {
1577                         if (faults > max_faults * 6 / 16)
1578                                 node_set(nid, numa_group->active_nodes);
1579                 } else if (faults < max_faults * 3 / 16)
1580                         node_clear(nid, numa_group->active_nodes);
1581         }
1582 }
1583
1584 /*
1585  * When adapting the scan rate, the period is divided into NUMA_PERIOD_SLOTS
1586  * increments. The more local the fault statistics are, the higher the scan
1587  * period will be for the next scan window. If local/(local+remote) ratio is
1588  * below NUMA_PERIOD_THRESHOLD (where range of ratio is 1..NUMA_PERIOD_SLOTS)
1589  * the scan period will decrease. Aim for 70% local accesses.
1590  */
1591 #define NUMA_PERIOD_SLOTS 10
1592 #define NUMA_PERIOD_THRESHOLD 7
1593
1594 /*
1595  * Increase the scan period (slow down scanning) if the majority of
1596  * our memory is already on our local node, or if the majority of
1597  * the page accesses are shared with other processes.
1598  * Otherwise, decrease the scan period.
1599  */
1600 static void update_task_scan_period(struct task_struct *p,
1601                         unsigned long shared, unsigned long private)
1602 {
1603         unsigned int period_slot;
1604         int ratio;
1605         int diff;
1606
1607         unsigned long remote = p->numa_faults_locality[0];
1608         unsigned long local = p->numa_faults_locality[1];
1609
1610         /*
1611          * If there were no record hinting faults then either the task is
1612          * completely idle or all activity is areas that are not of interest
1613          * to automatic numa balancing. Scan slower
1614          */
1615         if (local + shared == 0) {
1616                 p->numa_scan_period = min(p->numa_scan_period_max,
1617                         p->numa_scan_period << 1);
1618
1619                 p->mm->numa_next_scan = jiffies +
1620                         msecs_to_jiffies(p->numa_scan_period);
1621
1622                 return;
1623         }
1624
1625         /*
1626          * Prepare to scale scan period relative to the current period.
1627          *       == NUMA_PERIOD_THRESHOLD scan period stays the same
1628          *       <  NUMA_PERIOD_THRESHOLD scan period decreases (scan faster)
1629          *       >= NUMA_PERIOD_THRESHOLD scan period increases (scan slower)
1630          */
1631         period_slot = DIV_ROUND_UP(p->numa_scan_period, NUMA_PERIOD_SLOTS);
1632         ratio = (local * NUMA_PERIOD_SLOTS) / (local + remote);
1633         if (ratio >= NUMA_PERIOD_THRESHOLD) {
1634                 int slot = ratio - NUMA_PERIOD_THRESHOLD;
1635                 if (!slot)
1636                         slot = 1;
1637                 diff = slot * period_slot;
1638         } else {
1639                 diff = -(NUMA_PERIOD_THRESHOLD - ratio) * period_slot;
1640
1641                 /*
1642                  * Scale scan rate increases based on sharing. There is an
1643                  * inverse relationship between the degree of sharing and
1644                  * the adjustment made to the scanning period. Broadly
1645                  * speaking the intent is that there is little point
1646                  * scanning faster if shared accesses dominate as it may
1647                  * simply bounce migrations uselessly
1648                  */
1649                 ratio = DIV_ROUND_UP(private * NUMA_PERIOD_SLOTS, (private + shared + 1));
1650                 diff = (diff * ratio) / NUMA_PERIOD_SLOTS;
1651         }
1652
1653         p->numa_scan_period = clamp(p->numa_scan_period + diff,
1654                         task_scan_min(p), task_scan_max(p));
1655         memset(p->numa_faults_locality, 0, sizeof(p->numa_faults_locality));
1656 }
1657
1658 /*
1659  * Get the fraction of time the task has been running since the last
1660  * NUMA placement cycle. The scheduler keeps similar statistics, but
1661  * decays those on a 32ms period, which is orders of magnitude off
1662  * from the dozens-of-seconds NUMA balancing period. Use the scheduler
1663  * stats only if the task is so new there are no NUMA statistics yet.
1664  */
1665 static u64 numa_get_avg_runtime(struct task_struct *p, u64 *period)
1666 {
1667         u64 runtime, delta, now;
1668         /* Use the start of this time slice to avoid calculations. */
1669         now = p->se.exec_start;
1670         runtime = p->se.sum_exec_runtime;
1671
1672         if (p->last_task_numa_placement) {
1673                 delta = runtime - p->last_sum_exec_runtime;
1674                 *period = now - p->last_task_numa_placement;
1675         } else {
1676                 delta = p->se.avg.runnable_avg_sum;
1677                 *period = p->se.avg.runnable_avg_period;
1678         }
1679
1680         p->last_sum_exec_runtime = runtime;
1681         p->last_task_numa_placement = now;
1682
1683         return delta;
1684 }
1685
1686 /*
1687  * Determine the preferred nid for a task in a numa_group. This needs to
1688  * be done in a way that produces consistent results with group_weight,
1689  * otherwise workloads might not converge.
1690  */
1691 static int preferred_group_nid(struct task_struct *p, int nid)
1692 {
1693         nodemask_t nodes;
1694         int dist;
1695
1696         /* Direct connections between all NUMA nodes. */
1697         if (sched_numa_topology_type == NUMA_DIRECT)
1698                 return nid;
1699
1700         /*
1701          * On a system with glueless mesh NUMA topology, group_weight
1702          * scores nodes according to the number of NUMA hinting faults on
1703          * both the node itself, and on nearby nodes.
1704          */
1705         if (sched_numa_topology_type == NUMA_GLUELESS_MESH) {
1706                 unsigned long score, max_score = 0;
1707                 int node, max_node = nid;
1708
1709                 dist = sched_max_numa_distance;
1710
1711                 for_each_online_node(node) {
1712                         score = group_weight(p, node, dist);
1713                         if (score > max_score) {
1714                                 max_score = score;
1715                                 max_node = node;
1716                         }
1717                 }
1718                 return max_node;
1719         }
1720
1721         /*
1722          * Finding the preferred nid in a system with NUMA backplane
1723          * interconnect topology is more involved. The goal is to locate
1724          * tasks from numa_groups near each other in the system, and
1725          * untangle workloads from different sides of the system. This requires
1726          * searching down the hierarchy of node groups, recursively searching
1727          * inside the highest scoring group of nodes. The nodemask tricks
1728          * keep the complexity of the search down.
1729          */
1730         nodes = node_online_map;
1731         for (dist = sched_max_numa_distance; dist > LOCAL_DISTANCE; dist--) {
1732                 unsigned long max_faults = 0;
1733                 nodemask_t max_group = NODE_MASK_NONE;
1734                 int a, b;
1735
1736                 /* Are there nodes at this distance from each other? */
1737                 if (!find_numa_distance(dist))
1738                         continue;
1739
1740                 for_each_node_mask(a, nodes) {
1741                         unsigned long faults = 0;
1742                         nodemask_t this_group;
1743                         nodes_clear(this_group);
1744
1745                         /* Sum group's NUMA faults; includes a==b case. */
1746                         for_each_node_mask(b, nodes) {
1747                                 if (node_distance(a, b) < dist) {
1748                                         faults += group_faults(p, b);
1749                                         node_set(b, this_group);
1750                                         node_clear(b, nodes);
1751                                 }
1752                         }
1753
1754                         /* Remember the top group. */
1755                         if (faults > max_faults) {
1756                                 max_faults = faults;
1757                                 max_group = this_group;
1758                                 /*
1759                                  * subtle: at the smallest distance there is
1760                                  * just one node left in each "group", the
1761                                  * winner is the preferred nid.
1762                                  */
1763                                 nid = a;
1764                         }
1765                 }
1766                 /* Next round, evaluate the nodes within max_group. */
1767                 nodes = max_group;
1768         }
1769         return nid;
1770 }
1771
1772 static void task_numa_placement(struct task_struct *p)
1773 {
1774         int seq, nid, max_nid = -1, max_group_nid = -1;
1775         unsigned long max_faults = 0, max_group_faults = 0;
1776         unsigned long fault_types[2] = { 0, 0 };
1777         unsigned long total_faults;
1778         u64 runtime, period;
1779         spinlock_t *group_lock = NULL;
1780
1781         seq = ACCESS_ONCE(p->mm->numa_scan_seq);
1782         if (p->numa_scan_seq == seq)
1783                 return;
1784         p->numa_scan_seq = seq;
1785         p->numa_scan_period_max = task_scan_max(p);
1786
1787         total_faults = p->numa_faults_locality[0] +
1788                        p->numa_faults_locality[1];
1789         runtime = numa_get_avg_runtime(p, &period);
1790
1791         /* If the task is part of a group prevent parallel updates to group stats */
1792         if (p->numa_group) {
1793                 group_lock = &p->numa_group->lock;
1794                 spin_lock_irq(group_lock);
1795         }
1796
1797         /* Find the node with the highest number of faults */
1798         for_each_online_node(nid) {
1799                 /* Keep track of the offsets in numa_faults array */
1800                 int mem_idx, membuf_idx, cpu_idx, cpubuf_idx;
1801                 unsigned long faults = 0, group_faults = 0;
1802                 int priv;
1803
1804                 for (priv = 0; priv < NR_NUMA_HINT_FAULT_TYPES; priv++) {
1805                         long diff, f_diff, f_weight;
1806
1807                         mem_idx = task_faults_idx(NUMA_MEM, nid, priv);
1808                         membuf_idx = task_faults_idx(NUMA_MEMBUF, nid, priv);
1809                         cpu_idx = task_faults_idx(NUMA_CPU, nid, priv);
1810                         cpubuf_idx = task_faults_idx(NUMA_CPUBUF, nid, priv);
1811
1812                         /* Decay existing window, copy faults since last scan */
1813                         diff = p->numa_faults[membuf_idx] - p->numa_faults[mem_idx] / 2;
1814                         fault_types[priv] += p->numa_faults[membuf_idx];
1815                         p->numa_faults[membuf_idx] = 0;
1816
1817                         /*
1818                          * Normalize the faults_from, so all tasks in a group
1819                          * count according to CPU use, instead of by the raw
1820                          * number of faults. Tasks with little runtime have
1821                          * little over-all impact on throughput, and thus their
1822                          * faults are less important.
1823                          */
1824                         f_weight = div64_u64(runtime << 16, period + 1);
1825                         f_weight = (f_weight * p->numa_faults[cpubuf_idx]) /
1826                                    (total_faults + 1);
1827                         f_diff = f_weight - p->numa_faults[cpu_idx] / 2;
1828                         p->numa_faults[cpubuf_idx] = 0;
1829
1830                         p->numa_faults[mem_idx] += diff;
1831                         p->numa_faults[cpu_idx] += f_diff;
1832                         faults += p->numa_faults[mem_idx];
1833                         p->total_numa_faults += diff;
1834                         if (p->numa_group) {
1835                                 /*
1836                                  * safe because we can only change our own group
1837                                  *
1838                                  * mem_idx represents the offset for a given
1839                                  * nid and priv in a specific region because it
1840                                  * is at the beginning of the numa_faults array.
1841                                  */
1842                                 p->numa_group->faults[mem_idx] += diff;
1843                                 p->numa_group->faults_cpu[mem_idx] += f_diff;
1844                                 p->numa_group->total_faults += diff;
1845                                 group_faults += p->numa_group->faults[mem_idx];
1846                         }
1847                 }
1848
1849                 if (faults > max_faults) {
1850                         max_faults = faults;
1851                         max_nid = nid;
1852                 }
1853
1854                 if (group_faults > max_group_faults) {
1855                         max_group_faults = group_faults;
1856                         max_group_nid = nid;
1857                 }
1858         }
1859
1860         update_task_scan_period(p, fault_types[0], fault_types[1]);
1861
1862         if (p->numa_group) {
1863                 update_numa_active_node_mask(p->numa_group);
1864                 spin_unlock_irq(group_lock);
1865                 max_nid = preferred_group_nid(p, max_group_nid);
1866         }
1867
1868         if (max_faults) {
1869                 /* Set the new preferred node */
1870                 if (max_nid != p->numa_preferred_nid)
1871                         sched_setnuma(p, max_nid);
1872
1873                 if (task_node(p) != p->numa_preferred_nid)
1874                         numa_migrate_preferred(p);
1875         }
1876 }
1877
1878 static inline int get_numa_group(struct numa_group *grp)
1879 {
1880         return atomic_inc_not_zero(&grp->refcount);
1881 }
1882
1883 static inline void put_numa_group(struct numa_group *grp)
1884 {
1885         if (atomic_dec_and_test(&grp->refcount))
1886                 kfree_rcu(grp, rcu);
1887 }
1888
1889 static void task_numa_group(struct task_struct *p, int cpupid, int flags,
1890                         int *priv)
1891 {
1892         struct numa_group *grp, *my_grp;
1893         struct task_struct *tsk;
1894         bool join = false;
1895         int cpu = cpupid_to_cpu(cpupid);
1896         int i;
1897
1898         if (unlikely(!p->numa_group)) {
1899                 unsigned int size = sizeof(struct numa_group) +
1900                                     4*nr_node_ids*sizeof(unsigned long);
1901
1902                 grp = kzalloc(size, GFP_KERNEL | __GFP_NOWARN);
1903                 if (!grp)
1904                         return;
1905
1906                 atomic_set(&grp->refcount, 1);
1907                 spin_lock_init(&grp->lock);
1908                 grp->gid = p->pid;
1909                 /* Second half of the array tracks nids where faults happen */
1910                 grp->faults_cpu = grp->faults + NR_NUMA_HINT_FAULT_TYPES *
1911                                                 nr_node_ids;
1912
1913                 node_set(task_node(current), grp->active_nodes);
1914
1915                 for (i = 0; i < NR_NUMA_HINT_FAULT_STATS * nr_node_ids; i++)
1916                         grp->faults[i] = p->numa_faults[i];
1917
1918                 grp->total_faults = p->total_numa_faults;
1919
1920                 grp->nr_tasks++;
1921                 rcu_assign_pointer(p->numa_group, grp);
1922         }
1923
1924         rcu_read_lock();
1925         tsk = ACCESS_ONCE(cpu_rq(cpu)->curr);
1926
1927         if (!cpupid_match_pid(tsk, cpupid))
1928                 goto no_join;
1929
1930         grp = rcu_dereference(tsk->numa_group);
1931         if (!grp)
1932                 goto no_join;
1933
1934         my_grp = p->numa_group;
1935         if (grp == my_grp)
1936                 goto no_join;
1937
1938         /*
1939          * Only join the other group if its bigger; if we're the bigger group,
1940          * the other task will join us.
1941          */
1942         if (my_grp->nr_tasks > grp->nr_tasks)
1943                 goto no_join;
1944
1945         /*
1946          * Tie-break on the grp address.
1947          */
1948         if (my_grp->nr_tasks == grp->nr_tasks && my_grp > grp)
1949                 goto no_join;
1950
1951         /* Always join threads in the same process. */
1952         if (tsk->mm == current->mm)
1953                 join = true;
1954
1955         /* Simple filter to avoid false positives due to PID collisions */
1956         if (flags & TNF_SHARED)
1957                 join = true;
1958
1959         /* Update priv based on whether false sharing was detected */
1960         *priv = !join;
1961
1962         if (join && !get_numa_group(grp))
1963                 goto no_join;
1964
1965         rcu_read_unlock();
1966
1967         if (!join)
1968                 return;
1969
1970         BUG_ON(irqs_disabled());
1971         double_lock_irq(&my_grp->lock, &grp->lock);
1972
1973         for (i = 0; i < NR_NUMA_HINT_FAULT_STATS * nr_node_ids; i++) {
1974                 my_grp->faults[i] -= p->numa_faults[i];
1975                 grp->faults[i] += p->numa_faults[i];
1976         }
1977         my_grp->total_faults -= p->total_numa_faults;
1978         grp->total_faults += p->total_numa_faults;
1979
1980         my_grp->nr_tasks--;
1981         grp->nr_tasks++;
1982
1983         spin_unlock(&my_grp->lock);
1984         spin_unlock_irq(&grp->lock);
1985
1986         rcu_assign_pointer(p->numa_group, grp);
1987
1988         put_numa_group(my_grp);
1989         return;
1990
1991 no_join:
1992         rcu_read_unlock();
1993         return;
1994 }
1995
1996 void task_numa_free(struct task_struct *p)
1997 {
1998         struct numa_group *grp = p->numa_group;
1999         void *numa_faults = p->numa_faults;
2000         unsigned long flags;
2001         int i;
2002
2003         if (grp) {
2004                 spin_lock_irqsave(&grp->lock, flags);
2005                 for (i = 0; i < NR_NUMA_HINT_FAULT_STATS * nr_node_ids; i++)
2006                         grp->faults[i] -= p->numa_faults[i];
2007                 grp->total_faults -= p->total_numa_faults;
2008
2009                 grp->nr_tasks--;
2010                 spin_unlock_irqrestore(&grp->lock, flags);
2011                 RCU_INIT_POINTER(p->numa_group, NULL);
2012                 put_numa_group(grp);
2013         }
2014
2015         p->numa_faults = NULL;
2016         kfree(numa_faults);
2017 }
2018
2019 /*
2020  * Got a PROT_NONE fault for a page on @node.
2021  */
2022 void task_numa_fault(int last_cpupid, int mem_node, int pages, int flags)
2023 {
2024         struct task_struct *p = current;
2025         bool migrated = flags & TNF_MIGRATED;
2026         int cpu_node = task_node(current);
2027         int local = !!(flags & TNF_FAULT_LOCAL);
2028         int priv;
2029
2030         if (!numabalancing_enabled)
2031                 return;
2032
2033         /* for example, ksmd faulting in a user's mm */
2034         if (!p->mm)
2035                 return;
2036
2037         /* Allocate buffer to track faults on a per-node basis */
2038         if (unlikely(!p->numa_faults)) {
2039                 int size = sizeof(*p->numa_faults) *
2040                            NR_NUMA_HINT_FAULT_BUCKETS * nr_node_ids;
2041
2042                 p->numa_faults = kzalloc(size, GFP_KERNEL|__GFP_NOWARN);
2043                 if (!p->numa_faults)
2044                         return;
2045
2046                 p->total_numa_faults = 0;
2047                 memset(p->numa_faults_locality, 0, sizeof(p->numa_faults_locality));
2048         }
2049
2050         /*
2051          * First accesses are treated as private, otherwise consider accesses
2052          * to be private if the accessing pid has not changed
2053          */
2054         if (unlikely(last_cpupid == (-1 & LAST_CPUPID_MASK))) {
2055                 priv = 1;
2056         } else {
2057                 priv = cpupid_match_pid(p, last_cpupid);
2058                 if (!priv && !(flags & TNF_NO_GROUP))
2059                         task_numa_group(p, last_cpupid, flags, &priv);
2060         }
2061
2062         /*
2063          * If a workload spans multiple NUMA nodes, a shared fault that
2064          * occurs wholly within the set of nodes that the workload is
2065          * actively using should be counted as local. This allows the
2066          * scan rate to slow down when a workload has settled down.
2067          */
2068         if (!priv && !local && p->numa_group &&
2069                         node_isset(cpu_node, p->numa_group->active_nodes) &&
2070                         node_isset(mem_node, p->numa_group->active_nodes))
2071                 local = 1;
2072
2073         task_numa_placement(p);
2074
2075         /*
2076          * Retry task to preferred node migration periodically, in case it
2077          * case it previously failed, or the scheduler moved us.
2078          */
2079         if (time_after(jiffies, p->numa_migrate_retry))
2080                 numa_migrate_preferred(p);
2081
2082         if (migrated)
2083                 p->numa_pages_migrated += pages;
2084
2085         p->numa_faults[task_faults_idx(NUMA_MEMBUF, mem_node, priv)] += pages;
2086         p->numa_faults[task_faults_idx(NUMA_CPUBUF, cpu_node, priv)] += pages;
2087         p->numa_faults_locality[local] += pages;
2088 }
2089
2090 static void reset_ptenuma_scan(struct task_struct *p)
2091 {
2092         ACCESS_ONCE(p->mm->numa_scan_seq)++;
2093         p->mm->numa_scan_offset = 0;
2094 }
2095
2096 /*
2097  * The expensive part of numa migration is done from task_work context.
2098  * Triggered from task_tick_numa().
2099  */
2100 void task_numa_work(struct callback_head *work)
2101 {
2102         unsigned long migrate, next_scan, now = jiffies;
2103         struct task_struct *p = current;
2104         struct mm_struct *mm = p->mm;
2105         struct vm_area_struct *vma;
2106         unsigned long start, end;
2107         unsigned long nr_pte_updates = 0;
2108         long pages;
2109
2110         WARN_ON_ONCE(p != container_of(work, struct task_struct, numa_work));
2111
2112         work->next = work; /* protect against double add */
2113         /*
2114          * Who cares about NUMA placement when they're dying.
2115          *
2116          * NOTE: make sure not to dereference p->mm before this check,
2117          * exit_task_work() happens _after_ exit_mm() so we could be called
2118          * without p->mm even though we still had it when we enqueued this
2119          * work.
2120          */
2121         if (p->flags & PF_EXITING)
2122                 return;
2123
2124         if (!mm->numa_next_scan) {
2125                 mm->numa_next_scan = now +
2126                         msecs_to_jiffies(sysctl_numa_balancing_scan_delay);
2127         }
2128
2129         /*
2130          * Enforce maximal scan/migration frequency..
2131          */
2132         migrate = mm->numa_next_scan;
2133         if (time_before(now, migrate))
2134                 return;
2135
2136         if (p->numa_scan_period == 0) {
2137                 p->numa_scan_period_max = task_scan_max(p);
2138                 p->numa_scan_period = task_scan_min(p);
2139         }
2140
2141         next_scan = now + msecs_to_jiffies(p->numa_scan_period);
2142         if (cmpxchg(&mm->numa_next_scan, migrate, next_scan) != migrate)
2143                 return;
2144
2145         /*
2146          * Delay this task enough that another task of this mm will likely win
2147          * the next time around.
2148          */
2149         p->node_stamp += 2 * TICK_NSEC;
2150
2151         start = mm->numa_scan_offset;
2152         pages = sysctl_numa_balancing_scan_size;
2153         pages <<= 20 - PAGE_SHIFT; /* MB in pages */
2154         if (!pages)
2155                 return;
2156
2157         down_read(&mm->mmap_sem);
2158         vma = find_vma(mm, start);
2159         if (!vma) {
2160                 reset_ptenuma_scan(p);
2161                 start = 0;
2162                 vma = mm->mmap;
2163         }
2164         for (; vma; vma = vma->vm_next) {
2165                 if (!vma_migratable(vma) || !vma_policy_mof(vma))
2166                         continue;
2167
2168                 /*
2169                  * Shared library pages mapped by multiple processes are not
2170                  * migrated as it is expected they are cache replicated. Avoid
2171                  * hinting faults in read-only file-backed mappings or the vdso
2172                  * as migrating the pages will be of marginal benefit.
2173                  */
2174                 if (!vma->vm_mm ||
2175                     (vma->vm_file && (vma->vm_flags & (VM_READ|VM_WRITE)) == (VM_READ)))
2176                         continue;
2177
2178                 /*
2179                  * Skip inaccessible VMAs to avoid any confusion between
2180                  * PROT_NONE and NUMA hinting ptes
2181                  */
2182                 if (!(vma->vm_flags & (VM_READ | VM_EXEC | VM_WRITE)))
2183                         continue;
2184
2185                 do {
2186                         start = max(start, vma->vm_start);
2187                         end = ALIGN(start + (pages << PAGE_SHIFT), HPAGE_SIZE);
2188                         end = min(end, vma->vm_end);
2189                         nr_pte_updates += change_prot_numa(vma, start, end);
2190
2191                         /*
2192                          * Scan sysctl_numa_balancing_scan_size but ensure that
2193                          * at least one PTE is updated so that unused virtual
2194                          * address space is quickly skipped.
2195                          */
2196                         if (nr_pte_updates)
2197                                 pages -= (end - start) >> PAGE_SHIFT;
2198
2199                         start = end;
2200                         if (pages <= 0)
2201                                 goto out;
2202
2203                         cond_resched();
2204                 } while (end != vma->vm_end);
2205         }
2206
2207 out:
2208         /*
2209          * It is possible to reach the end of the VMA list but the last few
2210          * VMAs are not guaranteed to the vma_migratable. If they are not, we
2211          * would find the !migratable VMA on the next scan but not reset the
2212          * scanner to the start so check it now.
2213          */
2214         if (vma)
2215                 mm->numa_scan_offset = start;
2216         else
2217                 reset_ptenuma_scan(p);
2218         up_read(&mm->mmap_sem);
2219 }
2220
2221 /*
2222  * Drive the periodic memory faults..
2223  */
2224 void task_tick_numa(struct rq *rq, struct task_struct *curr)
2225 {
2226         struct callback_head *work = &curr->numa_work;
2227         u64 period, now;
2228
2229         /*
2230          * We don't care about NUMA placement if we don't have memory.
2231          */
2232         if (!curr->mm || (curr->flags & PF_EXITING) || work->next != work)
2233                 return;
2234
2235         /*
2236          * Using runtime rather than walltime has the dual advantage that
2237          * we (mostly) drive the selection from busy threads and that the
2238          * task needs to have done some actual work before we bother with
2239          * NUMA placement.
2240          */
2241         now = curr->se.sum_exec_runtime;
2242         period = (u64)curr->numa_scan_period * NSEC_PER_MSEC;
2243
2244         if (now - curr->node_stamp > period) {
2245                 if (!curr->node_stamp)
2246                         curr->numa_scan_period = task_scan_min(curr);
2247                 curr->node_stamp += period;
2248
2249                 if (!time_before(jiffies, curr->mm->numa_next_scan)) {
2250                         init_task_work(work, task_numa_work); /* TODO: move this into sched_fork() */
2251                         task_work_add(curr, work, true);
2252                 }
2253         }
2254 }
2255 #else
2256 static void task_tick_numa(struct rq *rq, struct task_struct *curr)
2257 {
2258 }
2259
2260 static inline void account_numa_enqueue(struct rq *rq, struct task_struct *p)
2261 {
2262 }
2263
2264 static inline void account_numa_dequeue(struct rq *rq, struct task_struct *p)
2265 {
2266 }
2267 #endif /* CONFIG_NUMA_BALANCING */
2268
2269 static void
2270 account_entity_enqueue(struct cfs_rq *cfs_rq, struct sched_entity *se)
2271 {
2272         update_load_add(&cfs_rq->load, se->load.weight);
2273         if (!parent_entity(se))
2274                 update_load_add(&rq_of(cfs_rq)->load, se->load.weight);
2275 #ifdef CONFIG_SMP
2276         if (entity_is_task(se)) {
2277                 struct rq *rq = rq_of(cfs_rq);
2278
2279                 account_numa_enqueue(rq, task_of(se));
2280                 list_add(&se->group_node, &rq->cfs_tasks);
2281         }
2282 #endif
2283         cfs_rq->nr_running++;
2284 }
2285
2286 static void
2287 account_entity_dequeue(struct cfs_rq *cfs_rq, struct sched_entity *se)
2288 {
2289         update_load_sub(&cfs_rq->load, se->load.weight);
2290         if (!parent_entity(se))
2291                 update_load_sub(&rq_of(cfs_rq)->load, se->load.weight);
2292         if (entity_is_task(se)) {
2293                 account_numa_dequeue(rq_of(cfs_rq), task_of(se));
2294                 list_del_init(&se->group_node);
2295         }
2296         cfs_rq->nr_running--;
2297 }
2298
2299 #ifdef CONFIG_FAIR_GROUP_SCHED
2300 # ifdef CONFIG_SMP
2301 static inline long calc_tg_weight(struct task_group *tg, struct cfs_rq *cfs_rq)
2302 {
2303         long tg_weight;
2304
2305         /*
2306          * Use this CPU's actual weight instead of the last load_contribution
2307          * to gain a more accurate current total weight. See
2308          * update_cfs_rq_load_contribution().
2309          */
2310         tg_weight = atomic_long_read(&tg->load_avg);
2311         tg_weight -= cfs_rq->tg_load_contrib;
2312         tg_weight += cfs_rq->load.weight;
2313
2314         return tg_weight;
2315 }
2316
2317 static long calc_cfs_shares(struct cfs_rq *cfs_rq, struct task_group *tg)
2318 {
2319         long tg_weight, load, shares;
2320
2321         tg_weight = calc_tg_weight(tg, cfs_rq);
2322         load = cfs_rq->load.weight;
2323
2324         shares = (tg->shares * load);
2325         if (tg_weight)
2326                 shares /= tg_weight;
2327
2328         if (shares < MIN_SHARES)
2329                 shares = MIN_SHARES;
2330         if (shares > tg->shares)
2331                 shares = tg->shares;
2332
2333         return shares;
2334 }
2335 # else /* CONFIG_SMP */
2336 static inline long calc_cfs_shares(struct cfs_rq *cfs_rq, struct task_group *tg)
2337 {
2338         return tg->shares;
2339 }
2340 # endif /* CONFIG_SMP */
2341 static void reweight_entity(struct cfs_rq *cfs_rq, struct sched_entity *se,
2342                             unsigned long weight)
2343 {
2344         if (se->on_rq) {
2345                 /* commit outstanding execution time */
2346                 if (cfs_rq->curr == se)
2347                         update_curr(cfs_rq);
2348                 account_entity_dequeue(cfs_rq, se);
2349         }
2350
2351         update_load_set(&se->load, weight);
2352
2353         if (se->on_rq)
2354                 account_entity_enqueue(cfs_rq, se);
2355 }
2356
2357 static inline int throttled_hierarchy(struct cfs_rq *cfs_rq);
2358
2359 static void update_cfs_shares(struct cfs_rq *cfs_rq)
2360 {
2361         struct task_group *tg;
2362         struct sched_entity *se;
2363         long shares;
2364
2365         tg = cfs_rq->tg;
2366         se = tg->se[cpu_of(rq_of(cfs_rq))];
2367         if (!se || throttled_hierarchy(cfs_rq))
2368                 return;
2369 #ifndef CONFIG_SMP
2370         if (likely(se->load.weight == tg->shares))
2371                 return;
2372 #endif
2373         shares = calc_cfs_shares(cfs_rq, tg);
2374
2375         reweight_entity(cfs_rq_of(se), se, shares);
2376 }
2377 #else /* CONFIG_FAIR_GROUP_SCHED */
2378 static inline void update_cfs_shares(struct cfs_rq *cfs_rq)
2379 {
2380 }
2381 #endif /* CONFIG_FAIR_GROUP_SCHED */
2382
2383 #ifdef CONFIG_SMP
2384 /*
2385  * We choose a half-life close to 1 scheduling period.
2386  * Note: The tables below are dependent on this value.
2387  */
2388 #define LOAD_AVG_PERIOD 32
2389 #define LOAD_AVG_MAX 47742 /* maximum possible load avg */
2390 #define LOAD_AVG_MAX_N 345 /* number of full periods to produce LOAD_MAX_AVG */
2391
2392 /* Precomputed fixed inverse multiplies for multiplication by y^n */
2393 static const u32 runnable_avg_yN_inv[] = {
2394         0xffffffff, 0xfa83b2da, 0xf5257d14, 0xefe4b99a, 0xeac0c6e6, 0xe5b906e6,
2395         0xe0ccdeeb, 0xdbfbb796, 0xd744fcc9, 0xd2a81d91, 0xce248c14, 0xc9b9bd85,
2396         0xc5672a10, 0xc12c4cc9, 0xbd08a39e, 0xb8fbaf46, 0xb504f333, 0xb123f581,
2397         0xad583ee9, 0xa9a15ab4, 0xa5fed6a9, 0xa2704302, 0x9ef5325f, 0x9b8d39b9,
2398         0x9837f050, 0x94f4efa8, 0x91c3d373, 0x8ea4398a, 0x8b95c1e3, 0x88980e80,
2399         0x85aac367, 0x82cd8698,
2400 };
2401
2402 /*
2403  * Precomputed \Sum y^k { 1<=k<=n }.  These are floor(true_value) to prevent
2404  * over-estimates when re-combining.
2405  */
2406 static const u32 runnable_avg_yN_sum[] = {
2407             0, 1002, 1982, 2941, 3880, 4798, 5697, 6576, 7437, 8279, 9103,
2408          9909,10698,11470,12226,12966,13690,14398,15091,15769,16433,17082,
2409         17718,18340,18949,19545,20128,20698,21256,21802,22336,22859,23371,
2410 };
2411
2412 /*
2413  * Approximate:
2414  *   val * y^n,    where y^32 ~= 0.5 (~1 scheduling period)
2415  */
2416 static __always_inline u64 decay_load(u64 val, u64 n)
2417 {
2418         unsigned int local_n;
2419
2420         if (!n)
2421                 return val;
2422         else if (unlikely(n > LOAD_AVG_PERIOD * 63))
2423                 return 0;
2424
2425         /* after bounds checking we can collapse to 32-bit */
2426         local_n = n;
2427
2428         /*
2429          * As y^PERIOD = 1/2, we can combine
2430          *    y^n = 1/2^(n/PERIOD) * y^(n%PERIOD)
2431          * With a look-up table which covers y^n (n<PERIOD)
2432          *
2433          * To achieve constant time decay_load.
2434          */
2435         if (unlikely(local_n >= LOAD_AVG_PERIOD)) {
2436                 val >>= local_n / LOAD_AVG_PERIOD;
2437                 local_n %= LOAD_AVG_PERIOD;
2438         }
2439
2440         val *= runnable_avg_yN_inv[local_n];
2441         /* We don't use SRR here since we always want to round down. */
2442         return val >> 32;
2443 }
2444
2445 /*
2446  * For updates fully spanning n periods, the contribution to runnable
2447  * average will be: \Sum 1024*y^n
2448  *
2449  * We can compute this reasonably efficiently by combining:
2450  *   y^PERIOD = 1/2 with precomputed \Sum 1024*y^n {for  n <PERIOD}
2451  */
2452 static u32 __compute_runnable_contrib(u64 n)
2453 {
2454         u32 contrib = 0;
2455
2456         if (likely(n <= LOAD_AVG_PERIOD))
2457                 return runnable_avg_yN_sum[n];
2458         else if (unlikely(n >= LOAD_AVG_MAX_N))
2459                 return LOAD_AVG_MAX;
2460
2461         /* Compute \Sum k^n combining precomputed values for k^i, \Sum k^j */
2462         do {
2463                 contrib /= 2; /* y^LOAD_AVG_PERIOD = 1/2 */
2464                 contrib += runnable_avg_yN_sum[LOAD_AVG_PERIOD];
2465
2466                 n -= LOAD_AVG_PERIOD;
2467         } while (n > LOAD_AVG_PERIOD);
2468
2469         contrib = decay_load(contrib, n);
2470         return contrib + runnable_avg_yN_sum[n];
2471 }
2472
2473 /*
2474  * We can represent the historical contribution to runnable average as the
2475  * coefficients of a geometric series.  To do this we sub-divide our runnable
2476  * history into segments of approximately 1ms (1024us); label the segment that
2477  * occurred N-ms ago p_N, with p_0 corresponding to the current period, e.g.
2478  *
2479  * [<- 1024us ->|<- 1024us ->|<- 1024us ->| ...
2480  *      p0            p1           p2
2481  *     (now)       (~1ms ago)  (~2ms ago)
2482  *
2483  * Let u_i denote the fraction of p_i that the entity was runnable.
2484  *
2485  * We then designate the fractions u_i as our co-efficients, yielding the
2486  * following representation of historical load:
2487  *   u_0 + u_1*y + u_2*y^2 + u_3*y^3 + ...
2488  *
2489  * We choose y based on the with of a reasonably scheduling period, fixing:
2490  *   y^32 = 0.5
2491  *
2492  * This means that the contribution to load ~32ms ago (u_32) will be weighted
2493  * approximately half as much as the contribution to load within the last ms
2494  * (u_0).
2495  *
2496  * When a period "rolls over" and we have new u_0`, multiplying the previous
2497  * sum again by y is sufficient to update:
2498  *   load_avg = u_0` + y*(u_0 + u_1*y + u_2*y^2 + ... )
2499  *            = u_0 + u_1*y + u_2*y^2 + ... [re-labeling u_i --> u_{i+1}]
2500  */
2501 static __always_inline int __update_entity_runnable_avg(u64 now,
2502                                                         struct sched_avg *sa,
2503                                                         int runnable)
2504 {
2505         u64 delta, periods;
2506         u32 runnable_contrib;
2507         int delta_w, decayed = 0;
2508
2509         delta = now - sa->last_runnable_update;
2510         /*
2511          * This should only happen when time goes backwards, which it
2512          * unfortunately does during sched clock init when we swap over to TSC.
2513          */
2514         if ((s64)delta < 0) {
2515                 sa->last_runnable_update = now;
2516                 return 0;
2517         }
2518
2519         /*
2520          * Use 1024ns as the unit of measurement since it's a reasonable
2521          * approximation of 1us and fast to compute.
2522          */
2523         delta >>= 10;
2524         if (!delta)
2525                 return 0;
2526         sa->last_runnable_update = now;
2527
2528         /* delta_w is the amount already accumulated against our next period */
2529         delta_w = sa->runnable_avg_period % 1024;
2530         if (delta + delta_w >= 1024) {
2531                 /* period roll-over */
2532                 decayed = 1;
2533
2534                 /*
2535                  * Now that we know we're crossing a period boundary, figure
2536                  * out how much from delta we need to complete the current
2537                  * period and accrue it.
2538                  */
2539                 delta_w = 1024 - delta_w;
2540                 if (runnable)
2541                         sa->runnable_avg_sum += delta_w;
2542                 sa->runnable_avg_period += delta_w;
2543
2544                 delta -= delta_w;
2545
2546                 /* Figure out how many additional periods this update spans */
2547                 periods = delta / 1024;
2548                 delta %= 1024;
2549
2550                 sa->runnable_avg_sum = decay_load(sa->runnable_avg_sum,
2551                                                   periods + 1);
2552                 sa->runnable_avg_period = decay_load(sa->runnable_avg_period,
2553                                                      periods + 1);
2554
2555                 /* Efficiently calculate \sum (1..n_period) 1024*y^i */
2556                 runnable_contrib = __compute_runnable_contrib(periods);
2557                 if (runnable)
2558                         sa->runnable_avg_sum += runnable_contrib;
2559                 sa->runnable_avg_period += runnable_contrib;
2560         }
2561
2562         /* Remainder of delta accrued against u_0` */
2563         if (runnable)
2564                 sa->runnable_avg_sum += delta;
2565         sa->runnable_avg_period += delta;
2566
2567         return decayed;
2568 }
2569
2570 /* Synchronize an entity's decay with its parenting cfs_rq.*/
2571 static inline u64 __synchronize_entity_decay(struct sched_entity *se)
2572 {
2573         struct cfs_rq *cfs_rq = cfs_rq_of(se);
2574         u64 decays = atomic64_read(&cfs_rq->decay_counter);
2575
2576         decays -= se->avg.decay_count;
2577         if (!decays)
2578                 return 0;
2579
2580         se->avg.load_avg_contrib = decay_load(se->avg.load_avg_contrib, decays);
2581         se->avg.decay_count = 0;
2582
2583         return decays;
2584 }
2585
2586 #ifdef CONFIG_FAIR_GROUP_SCHED
2587 static inline void __update_cfs_rq_tg_load_contrib(struct cfs_rq *cfs_rq,
2588                                                  int force_update)
2589 {
2590         struct task_group *tg = cfs_rq->tg;
2591         long tg_contrib;
2592
2593         tg_contrib = cfs_rq->runnable_load_avg + cfs_rq->blocked_load_avg;
2594         tg_contrib -= cfs_rq->tg_load_contrib;
2595
2596         if (!tg_contrib)
2597                 return;
2598
2599         if (force_update || abs(tg_contrib) > cfs_rq->tg_load_contrib / 8) {
2600                 atomic_long_add(tg_contrib, &tg->load_avg);
2601                 cfs_rq->tg_load_contrib += tg_contrib;
2602         }
2603 }
2604
2605 /*
2606  * Aggregate cfs_rq runnable averages into an equivalent task_group
2607  * representation for computing load contributions.
2608  */
2609 static inline void __update_tg_runnable_avg(struct sched_avg *sa,
2610                                                   struct cfs_rq *cfs_rq)
2611 {
2612         struct task_group *tg = cfs_rq->tg;
2613         long contrib;
2614
2615         /* The fraction of a cpu used by this cfs_rq */
2616         contrib = div_u64((u64)sa->runnable_avg_sum << NICE_0_SHIFT,
2617                           sa->runnable_avg_period + 1);
2618         contrib -= cfs_rq->tg_runnable_contrib;
2619
2620         if (abs(contrib) > cfs_rq->tg_runnable_contrib / 64) {
2621                 atomic_add(contrib, &tg->runnable_avg);
2622                 cfs_rq->tg_runnable_contrib += contrib;
2623         }
2624 }
2625
2626 static inline void __update_group_entity_contrib(struct sched_entity *se)
2627 {
2628         struct cfs_rq *cfs_rq = group_cfs_rq(se);
2629         struct task_group *tg = cfs_rq->tg;
2630         int runnable_avg;
2631
2632         u64 contrib;
2633
2634         contrib = cfs_rq->tg_load_contrib * tg->shares;
2635         se->avg.load_avg_contrib = div_u64(contrib,
2636                                      atomic_long_read(&tg->load_avg) + 1);
2637
2638         /*
2639          * For group entities we need to compute a correction term in the case
2640          * that they are consuming <1 cpu so that we would contribute the same
2641          * load as a task of equal weight.
2642          *
2643          * Explicitly co-ordinating this measurement would be expensive, but
2644          * fortunately the sum of each cpus contribution forms a usable
2645          * lower-bound on the true value.
2646          *
2647          * Consider the aggregate of 2 contributions.  Either they are disjoint
2648          * (and the sum represents true value) or they are disjoint and we are
2649          * understating by the aggregate of their overlap.
2650          *
2651          * Extending this to N cpus, for a given overlap, the maximum amount we
2652          * understand is then n_i(n_i+1)/2 * w_i where n_i is the number of
2653          * cpus that overlap for this interval and w_i is the interval width.
2654          *
2655          * On a small machine; the first term is well-bounded which bounds the
2656          * total error since w_i is a subset of the period.  Whereas on a
2657          * larger machine, while this first term can be larger, if w_i is the
2658          * of consequential size guaranteed to see n_i*w_i quickly converge to
2659          * our upper bound of 1-cpu.
2660          */
2661         runnable_avg = atomic_read(&tg->runnable_avg);
2662         if (runnable_avg < NICE_0_LOAD) {
2663                 se->avg.load_avg_contrib *= runnable_avg;
2664                 se->avg.load_avg_contrib >>= NICE_0_SHIFT;
2665         }
2666 }
2667
2668 static inline void update_rq_runnable_avg(struct rq *rq, int runnable)
2669 {
2670         __update_entity_runnable_avg(rq_clock_task(rq), &rq->avg, runnable);
2671         __update_tg_runnable_avg(&rq->avg, &rq->cfs);
2672 }
2673 #else /* CONFIG_FAIR_GROUP_SCHED */
2674 static inline void __update_cfs_rq_tg_load_contrib(struct cfs_rq *cfs_rq,
2675                                                  int force_update) {}
2676 static inline void __update_tg_runnable_avg(struct sched_avg *sa,
2677                                                   struct cfs_rq *cfs_rq) {}
2678 static inline void __update_group_entity_contrib(struct sched_entity *se) {}
2679 static inline void update_rq_runnable_avg(struct rq *rq, int runnable) {}
2680 #endif /* CONFIG_FAIR_GROUP_SCHED */
2681
2682 static inline void __update_task_entity_contrib(struct sched_entity *se)
2683 {
2684         u32 contrib;
2685
2686         /* avoid overflowing a 32-bit type w/ SCHED_LOAD_SCALE */
2687         contrib = se->avg.runnable_avg_sum * scale_load_down(se->load.weight);
2688         contrib /= (se->avg.runnable_avg_period + 1);
2689         se->avg.load_avg_contrib = scale_load(contrib);
2690 }
2691
2692 /* Compute the current contribution to load_avg by se, return any delta */
2693 static long __update_entity_load_avg_contrib(struct sched_entity *se)
2694 {
2695         long old_contrib = se->avg.load_avg_contrib;
2696
2697         if (entity_is_task(se)) {
2698                 __update_task_entity_contrib(se);
2699         } else {
2700                 __update_tg_runnable_avg(&se->avg, group_cfs_rq(se));
2701                 __update_group_entity_contrib(se);
2702         }
2703
2704         return se->avg.load_avg_contrib - old_contrib;
2705 }
2706
2707 static inline void subtract_blocked_load_contrib(struct cfs_rq *cfs_rq,
2708                                                  long load_contrib)
2709 {
2710         if (likely(load_contrib < cfs_rq->blocked_load_avg))
2711                 cfs_rq->blocked_load_avg -= load_contrib;
2712         else
2713                 cfs_rq->blocked_load_avg = 0;
2714 }
2715
2716 static inline u64 cfs_rq_clock_task(struct cfs_rq *cfs_rq);
2717
2718 /* Update a sched_entity's runnable average */
2719 static inline void update_entity_load_avg(struct sched_entity *se,
2720                                           int update_cfs_rq)
2721 {
2722         struct cfs_rq *cfs_rq = cfs_rq_of(se);
2723         long contrib_delta;
2724         u64 now;
2725
2726         /*
2727          * For a group entity we need to use their owned cfs_rq_clock_task() in
2728          * case they are the parent of a throttled hierarchy.
2729          */
2730         if (entity_is_task(se))
2731                 now = cfs_rq_clock_task(cfs_rq);
2732         else
2733                 now = cfs_rq_clock_task(group_cfs_rq(se));
2734
2735         if (!__update_entity_runnable_avg(now, &se->avg, se->on_rq))
2736                 return;
2737
2738         contrib_delta = __update_entity_load_avg_contrib(se);
2739
2740         if (!update_cfs_rq)
2741                 return;
2742
2743         if (se->on_rq)
2744                 cfs_rq->runnable_load_avg += contrib_delta;
2745         else
2746                 subtract_blocked_load_contrib(cfs_rq, -contrib_delta);
2747 }
2748
2749 /*
2750  * Decay the load contributed by all blocked children and account this so that
2751  * their contribution may appropriately discounted when they wake up.
2752  */
2753 static void update_cfs_rq_blocked_load(struct cfs_rq *cfs_rq, int force_update)
2754 {
2755         u64 now = cfs_rq_clock_task(cfs_rq) >> 20;
2756         u64 decays;
2757
2758         decays = now - cfs_rq->last_decay;
2759         if (!decays && !force_update)
2760                 return;
2761
2762         if (atomic_long_read(&cfs_rq->removed_load)) {
2763                 unsigned long removed_load;
2764                 removed_load = atomic_long_xchg(&cfs_rq->removed_load, 0);
2765                 subtract_blocked_load_contrib(cfs_rq, removed_load);
2766         }
2767
2768         if (decays) {
2769                 cfs_rq->blocked_load_avg = decay_load(cfs_rq->blocked_load_avg,
2770                                                       decays);
2771                 atomic64_add(decays, &cfs_rq->decay_counter);
2772                 cfs_rq->last_decay = now;
2773         }
2774
2775         __update_cfs_rq_tg_load_contrib(cfs_rq, force_update);
2776 }
2777
2778 /* Add the load generated by se into cfs_rq's child load-average */
2779 static inline void enqueue_entity_load_avg(struct cfs_rq *cfs_rq,
2780                                                   struct sched_entity *se,
2781                                                   int wakeup)
2782 {
2783         /*
2784          * We track migrations using entity decay_count <= 0, on a wake-up
2785          * migration we use a negative decay count to track the remote decays
2786          * accumulated while sleeping.
2787          *
2788          * Newly forked tasks are enqueued with se->avg.decay_count == 0, they
2789          * are seen by enqueue_entity_load_avg() as a migration with an already
2790          * constructed load_avg_contrib.
2791          */
2792         if (unlikely(se->avg.decay_count <= 0)) {
2793                 se->avg.last_runnable_update = rq_clock_task(rq_of(cfs_rq));
2794                 if (se->avg.decay_count) {
2795                         /*
2796                          * In a wake-up migration we have to approximate the
2797                          * time sleeping.  This is because we can't synchronize
2798                          * clock_task between the two cpus, and it is not
2799                          * guaranteed to be read-safe.  Instead, we can
2800                          * approximate this using our carried decays, which are
2801                          * explicitly atomically readable.
2802                          */
2803                         se->avg.last_runnable_update -= (-se->avg.decay_count)
2804                                                         << 20;
2805                         update_entity_load_avg(se, 0);
2806                         /* Indicate that we're now synchronized and on-rq */
2807                         se->avg.decay_count = 0;
2808                 }
2809                 wakeup = 0;
2810         } else {
2811                 __synchronize_entity_decay(se);
2812         }
2813
2814         /* migrated tasks did not contribute to our blocked load */
2815         if (wakeup) {
2816                 subtract_blocked_load_contrib(cfs_rq, se->avg.load_avg_contrib);
2817                 update_entity_load_avg(se, 0);
2818         }
2819
2820         cfs_rq->runnable_load_avg += se->avg.load_avg_contrib;
2821         /* we force update consideration on load-balancer moves */
2822         update_cfs_rq_blocked_load(cfs_rq, !wakeup);
2823 }
2824
2825 /*
2826  * Remove se's load from this cfs_rq child load-average, if the entity is
2827  * transitioning to a blocked state we track its projected decay using
2828  * blocked_load_avg.
2829  */
2830 static inline void dequeue_entity_load_avg(struct cfs_rq *cfs_rq,
2831                                                   struct sched_entity *se,
2832                                                   int sleep)
2833 {
2834         update_entity_load_avg(se, 1);
2835         /* we force update consideration on load-balancer moves */
2836         update_cfs_rq_blocked_load(cfs_rq, !sleep);
2837
2838         cfs_rq->runnable_load_avg -= se->avg.load_avg_contrib;
2839         if (sleep) {
2840                 cfs_rq->blocked_load_avg += se->avg.load_avg_contrib;
2841                 se->avg.decay_count = atomic64_read(&cfs_rq->decay_counter);
2842         } /* migrations, e.g. sleep=0 leave decay_count == 0 */
2843 }
2844
2845 /*
2846  * Update the rq's load with the elapsed running time before entering
2847  * idle. if the last scheduled task is not a CFS task, idle_enter will
2848  * be the only way to update the runnable statistic.
2849  */
2850 void idle_enter_fair(struct rq *this_rq)
2851 {
2852         update_rq_runnable_avg(this_rq, 1);
2853 }
2854
2855 /*
2856  * Update the rq's load with the elapsed idle time before a task is
2857  * scheduled. if the newly scheduled task is not a CFS task, idle_exit will
2858  * be the only way to update the runnable statistic.
2859  */
2860 void idle_exit_fair(struct rq *this_rq)
2861 {
2862         update_rq_runnable_avg(this_rq, 0);
2863 }
2864
2865 static int idle_balance(struct rq *this_rq);
2866
2867 #else /* CONFIG_SMP */
2868
2869 static inline void update_entity_load_avg(struct sched_entity *se,
2870                                           int update_cfs_rq) {}
2871 static inline void update_rq_runnable_avg(struct rq *rq, int runnable) {}
2872 static inline void enqueue_entity_load_avg(struct cfs_rq *cfs_rq,
2873                                            struct sched_entity *se,
2874                                            int wakeup) {}
2875 static inline void dequeue_entity_load_avg(struct cfs_rq *cfs_rq,
2876                                            struct sched_entity *se,
2877                                            int sleep) {}
2878 static inline void update_cfs_rq_blocked_load(struct cfs_rq *cfs_rq,
2879                                               int force_update) {}
2880
2881 static inline int idle_balance(struct rq *rq)
2882 {
2883         return 0;
2884 }
2885
2886 #endif /* CONFIG_SMP */
2887
2888 static void enqueue_sleeper(struct cfs_rq *cfs_rq, struct sched_entity *se)
2889 {
2890 #ifdef CONFIG_SCHEDSTATS
2891         struct task_struct *tsk = NULL;
2892
2893         if (entity_is_task(se))
2894                 tsk = task_of(se);
2895
2896         if (se->statistics.sleep_start) {
2897                 u64 delta = rq_clock(rq_of(cfs_rq)) - se->statistics.sleep_start;
2898
2899                 if ((s64)delta < 0)
2900                         delta = 0;
2901
2902                 if (unlikely(delta > se->statistics.sleep_max))
2903                         se->statistics.sleep_max = delta;
2904
2905                 se->statistics.sleep_start = 0;
2906                 se->statistics.sum_sleep_runtime += delta;
2907
2908                 if (tsk) {
2909                         account_scheduler_latency(tsk, delta >> 10, 1);
2910                         trace_sched_stat_sleep(tsk, delta);
2911                 }
2912         }
2913         if (se->statistics.block_start) {
2914                 u64 delta = rq_clock(rq_of(cfs_rq)) - se->statistics.block_start;
2915
2916                 if ((s64)delta < 0)
2917                         delta = 0;
2918
2919                 if (unlikely(delta > se->statistics.block_max))
2920                         se->statistics.block_max = delta;
2921
2922                 se->statistics.block_start = 0;
2923                 se->statistics.sum_sleep_runtime += delta;
2924
2925                 if (tsk) {
2926                         if (tsk->in_iowait) {
2927                                 se->statistics.iowait_sum += delta;
2928                                 se->statistics.iowait_count++;
2929                                 trace_sched_stat_iowait(tsk, delta);
2930                         }
2931
2932                         trace_sched_stat_blocked(tsk, delta);
2933
2934                         /*
2935                          * Blocking time is in units of nanosecs, so shift by
2936                          * 20 to get a milliseconds-range estimation of the
2937                          * amount of time that the task spent sleeping:
2938                          */
2939                         if (unlikely(prof_on == SLEEP_PROFILING)) {
2940                                 profile_hits(SLEEP_PROFILING,
2941                                                 (void *)get_wchan(tsk),
2942                                                 delta >> 20);
2943                         }
2944                         account_scheduler_latency(tsk, delta >> 10, 0);
2945                 }
2946         }
2947 #endif
2948 }
2949
2950 static void check_spread(struct cfs_rq *cfs_rq, struct sched_entity *se)
2951 {
2952 #ifdef CONFIG_SCHED_DEBUG
2953         s64 d = se->vruntime - cfs_rq->min_vruntime;
2954
2955         if (d < 0)
2956                 d = -d;
2957
2958         if (d > 3*sysctl_sched_latency)
2959                 schedstat_inc(cfs_rq, nr_spread_over);
2960 #endif
2961 }
2962
2963 static void
2964 place_entity(struct cfs_rq *cfs_rq, struct sched_entity *se, int initial)
2965 {
2966         u64 vruntime = cfs_rq->min_vruntime;
2967
2968         /*
2969          * The 'current' period is already promised to the current tasks,
2970          * however the extra weight of the new task will slow them down a
2971          * little, place the new task so that it fits in the slot that
2972          * stays open at the end.
2973          */
2974         if (initial && sched_feat(START_DEBIT))
2975                 vruntime += sched_vslice(cfs_rq, se);
2976
2977         /* sleeps up to a single latency don't count. */
2978         if (!initial) {
2979                 unsigned long thresh = sysctl_sched_latency;
2980
2981                 /*
2982                  * Halve their sleep time's effect, to allow
2983                  * for a gentler effect of sleepers:
2984                  */
2985                 if (sched_feat(GENTLE_FAIR_SLEEPERS))
2986                         thresh >>= 1;
2987
2988                 vruntime -= thresh;
2989         }
2990
2991         /* ensure we never gain time by being placed backwards. */
2992         se->vruntime = max_vruntime(se->vruntime, vruntime);
2993 }
2994
2995 static void check_enqueue_throttle(struct cfs_rq *cfs_rq);
2996
2997 static void
2998 enqueue_entity(struct cfs_rq *cfs_rq, struct sched_entity *se, int flags)
2999 {
3000         /*
3001          * Update the normalized vruntime before updating min_vruntime
3002          * through calling update_curr().
3003          */
3004         if (!(flags & ENQUEUE_WAKEUP) || (flags & ENQUEUE_WAKING))
3005                 se->vruntime += cfs_rq->min_vruntime;
3006
3007         /*
3008          * Update run-time statistics of the 'current'.
3009          */
3010         update_curr(cfs_rq);
3011         enqueue_entity_load_avg(cfs_rq, se, flags & ENQUEUE_WAKEUP);
3012         account_entity_enqueue(cfs_rq, se);
3013         update_cfs_shares(cfs_rq);
3014
3015         if (flags & ENQUEUE_WAKEUP) {
3016                 place_entity(cfs_rq, se, 0);
3017                 enqueue_sleeper(cfs_rq, se);
3018         }
3019
3020         update_stats_enqueue(cfs_rq, se);
3021         check_spread(cfs_rq, se);
3022         if (se != cfs_rq->curr)
3023                 __enqueue_entity(cfs_rq, se);
3024         se->on_rq = 1;
3025
3026         if (cfs_rq->nr_running == 1) {
3027                 list_add_leaf_cfs_rq(cfs_rq);
3028                 check_enqueue_throttle(cfs_rq);
3029         }
3030 }
3031
3032 static void __clear_buddies_last(struct sched_entity *se)
3033 {
3034         for_each_sched_entity(se) {
3035                 struct cfs_rq *cfs_rq = cfs_rq_of(se);
3036                 if (cfs_rq->last != se)
3037                         break;
3038
3039                 cfs_rq->last = NULL;
3040         }
3041 }
3042
3043 static void __clear_buddies_next(struct sched_entity *se)
3044 {
3045         for_each_sched_entity(se) {
3046                 struct cfs_rq *cfs_rq = cfs_rq_of(se);
3047                 if (cfs_rq->next != se)
3048                         break;
3049
3050                 cfs_rq->next = NULL;
3051         }
3052 }
3053
3054 static void __clear_buddies_skip(struct sched_entity *se)
3055 {
3056         for_each_sched_entity(se) {
3057                 struct cfs_rq *cfs_rq = cfs_rq_of(se);
3058                 if (cfs_rq->skip != se)
3059                         break;
3060
3061                 cfs_rq->skip = NULL;
3062         }
3063 }
3064
3065 static void clear_buddies(struct cfs_rq *cfs_rq, struct sched_entity *se)
3066 {
3067         if (cfs_rq->last == se)
3068                 __clear_buddies_last(se);
3069
3070         if (cfs_rq->next == se)
3071                 __clear_buddies_next(se);
3072
3073         if (cfs_rq->skip == se)
3074                 __clear_buddies_skip(se);
3075 }
3076
3077 static __always_inline void return_cfs_rq_runtime(struct cfs_rq *cfs_rq);
3078
3079 static void
3080 dequeue_entity(struct cfs_rq *cfs_rq, struct sched_entity *se, int flags)
3081 {
3082         /*
3083          * Update run-time statistics of the 'current'.
3084          */
3085         update_curr(cfs_rq);
3086         dequeue_entity_load_avg(cfs_rq, se, flags & DEQUEUE_SLEEP);
3087
3088         update_stats_dequeue(cfs_rq, se);
3089         if (flags & DEQUEUE_SLEEP) {
3090 #ifdef CONFIG_SCHEDSTATS
3091                 if (entity_is_task(se)) {
3092                         struct task_struct *tsk = task_of(se);
3093
3094                         if (tsk->state & TASK_INTERRUPTIBLE)
3095                                 se->statistics.sleep_start = rq_clock(rq_of(cfs_rq));
3096                         if (tsk->state & TASK_UNINTERRUPTIBLE)
3097                                 se->statistics.block_start = rq_clock(rq_of(cfs_rq));
3098                 }
3099 #endif
3100         }
3101
3102         clear_buddies(cfs_rq, se);
3103
3104         if (se != cfs_rq->curr)
3105                 __dequeue_entity(cfs_rq, se);
3106         se->on_rq = 0;
3107         account_entity_dequeue(cfs_rq, se);
3108
3109         /*
3110          * Normalize the entity after updating the min_vruntime because the
3111          * update can refer to the ->curr item and we need to reflect this
3112          * movement in our normalized position.
3113          */
3114         if (!(flags & DEQUEUE_SLEEP))
3115                 se->vruntime -= cfs_rq->min_vruntime;
3116
3117         /* return excess runtime on last dequeue */
3118         return_cfs_rq_runtime(cfs_rq);
3119
3120         update_min_vruntime(cfs_rq);
3121         update_cfs_shares(cfs_rq);
3122 }
3123
3124 /*
3125  * Preempt the current task with a newly woken task if needed:
3126  */
3127 static void
3128 check_preempt_tick(struct cfs_rq *cfs_rq, struct sched_entity *curr)
3129 {
3130         unsigned long ideal_runtime, delta_exec;
3131         struct sched_entity *se;
3132         s64 delta;
3133
3134         ideal_runtime = sched_slice(cfs_rq, curr);
3135         delta_exec = curr->sum_exec_runtime - curr->prev_sum_exec_runtime;
3136         if (delta_exec > ideal_runtime) {
3137                 resched_curr(rq_of(cfs_rq));
3138                 /*
3139                  * The current task ran long enough, ensure it doesn't get
3140                  * re-elected due to buddy favours.
3141                  */
3142                 clear_buddies(cfs_rq, curr);
3143                 return;
3144         }
3145
3146         /*
3147          * Ensure that a task that missed wakeup preemption by a
3148          * narrow margin doesn't have to wait for a full slice.
3149          * This also mitigates buddy induced latencies under load.
3150          */
3151         if (delta_exec < sysctl_sched_min_granularity)
3152                 return;
3153
3154         se = __pick_first_entity(cfs_rq);
3155         delta = curr->vruntime - se->vruntime;
3156
3157         if (delta < 0)
3158                 return;
3159
3160         if (delta > ideal_runtime)
3161                 resched_curr(rq_of(cfs_rq));
3162 }
3163
3164 static void
3165 set_next_entity(struct cfs_rq *cfs_rq, struct sched_entity *se)
3166 {
3167         /* 'current' is not kept within the tree. */
3168         if (se->on_rq) {
3169                 /*
3170                  * Any task has to be enqueued before it get to execute on
3171                  * a CPU. So account for the time it spent waiting on the
3172                  * runqueue.
3173                  */
3174                 update_stats_wait_end(cfs_rq, se);
3175                 __dequeue_entity(cfs_rq, se);
3176         }
3177
3178         update_stats_curr_start(cfs_rq, se);
3179         cfs_rq->curr = se;
3180 #ifdef CONFIG_SCHEDSTATS
3181         /*
3182          * Track our maximum slice length, if the CPU's load is at
3183          * least twice that of our own weight (i.e. dont track it
3184          * when there are only lesser-weight tasks around):
3185          */
3186         if (rq_of(cfs_rq)->load.weight >= 2*se->load.weight) {
3187                 se->statistics.slice_max = max(se->statistics.slice_max,
3188                         se->sum_exec_runtime - se->prev_sum_exec_runtime);
3189         }
3190 #endif
3191         se->prev_sum_exec_runtime = se->sum_exec_runtime;
3192 }
3193
3194 static int
3195 wakeup_preempt_entity(struct sched_entity *curr, struct sched_entity *se);
3196
3197 /*
3198  * Pick the next process, keeping these things in mind, in this order:
3199  * 1) keep things fair between processes/task groups
3200  * 2) pick the "next" process, since someone really wants that to run
3201  * 3) pick the "last" process, for cache locality
3202  * 4) do not run the "skip" process, if something else is available
3203  */
3204 static struct sched_entity *
3205 pick_next_entity(struct cfs_rq *cfs_rq, struct sched_entity *curr)
3206 {
3207         struct sched_entity *left = __pick_first_entity(cfs_rq);
3208         struct sched_entity *se;
3209
3210         /*
3211          * If curr is set we have to see if its left of the leftmost entity
3212          * still in the tree, provided there was anything in the tree at all.
3213          */
3214         if (!left || (curr && entity_before(curr, left)))
3215                 left = curr;
3216
3217         se = left; /* ideally we run the leftmost entity */
3218
3219         /*
3220          * Avoid running the skip buddy, if running something else can
3221          * be done without getting too unfair.
3222          */
3223         if (cfs_rq->skip == se) {
3224                 struct sched_entity *second;
3225
3226                 if (se == curr) {
3227                         second = __pick_first_entity(cfs_rq);
3228                 } else {
3229                         second = __pick_next_entity(se);
3230                         if (!second || (curr && entity_before(curr, second)))
3231                                 second = curr;
3232                 }
3233
3234                 if (second && wakeup_preempt_entity(second, left) < 1)
3235                         se = second;
3236         }
3237
3238         /*
3239          * Prefer last buddy, try to return the CPU to a preempted task.
3240          */
3241         if (cfs_rq->last && wakeup_preempt_entity(cfs_rq->last, left) < 1)
3242                 se = cfs_rq->last;
3243
3244         /*
3245          * Someone really wants this to run. If it's not unfair, run it.
3246          */
3247         if (cfs_rq->next && wakeup_preempt_entity(cfs_rq->next, left) < 1)
3248                 se = cfs_rq->next;
3249
3250         clear_buddies(cfs_rq, se);
3251
3252         return se;
3253 }
3254
3255 static bool check_cfs_rq_runtime(struct cfs_rq *cfs_rq);
3256
3257 static void put_prev_entity(struct cfs_rq *cfs_rq, struct sched_entity *prev)
3258 {
3259         /*
3260          * If still on the runqueue then deactivate_task()
3261          * was not called and update_curr() has to be done:
3262          */
3263         if (prev->on_rq)
3264                 update_curr(cfs_rq);
3265
3266         /* throttle cfs_rqs exceeding runtime */
3267         check_cfs_rq_runtime(cfs_rq);
3268
3269         check_spread(cfs_rq, prev);
3270         if (prev->on_rq) {
3271                 update_stats_wait_start(cfs_rq, prev);
3272                 /* Put 'current' back into the tree. */
3273                 __enqueue_entity(cfs_rq, prev);
3274                 /* in !on_rq case, update occurred at dequeue */
3275                 update_entity_load_avg(prev, 1);
3276         }
3277         cfs_rq->curr = NULL;
3278 }
3279
3280 static void
3281 entity_tick(struct cfs_rq *cfs_rq, struct sched_entity *curr, int queued)
3282 {
3283         /*
3284          * Update run-time statistics of the 'current'.
3285          */
3286         update_curr(cfs_rq);
3287
3288         /*
3289          * Ensure that runnable average is periodically updated.
3290          */
3291         update_entity_load_avg(curr, 1);
3292         update_cfs_rq_blocked_load(cfs_rq, 1);
3293         update_cfs_shares(cfs_rq);
3294
3295 #ifdef CONFIG_SCHED_HRTICK
3296         /*
3297          * queued ticks are scheduled to match the slice, so don't bother
3298          * validating it and just reschedule.
3299          */
3300         if (queued) {
3301                 resched_curr(rq_of(cfs_rq));
3302                 return;
3303         }
3304         /*
3305          * don't let the period tick interfere with the hrtick preemption
3306          */
3307         if (!sched_feat(DOUBLE_TICK) &&
3308                         hrtimer_active(&rq_of(cfs_rq)->hrtick_timer))
3309                 return;
3310 #endif
3311
3312         if (cfs_rq->nr_running > 1)
3313                 check_preempt_tick(cfs_rq, curr);
3314 }
3315
3316
3317 /**************************************************
3318  * CFS bandwidth control machinery
3319  */
3320
3321 #ifdef CONFIG_CFS_BANDWIDTH
3322
3323 #ifdef HAVE_JUMP_LABEL
3324 static struct static_key __cfs_bandwidth_used;
3325
3326 static inline bool cfs_bandwidth_used(void)
3327 {
3328         return static_key_false(&__cfs_bandwidth_used);
3329 }
3330
3331 void cfs_bandwidth_usage_inc(void)
3332 {
3333         static_key_slow_inc(&__cfs_bandwidth_used);
3334 }
3335
3336 void cfs_bandwidth_usage_dec(void)
3337 {
3338         static_key_slow_dec(&__cfs_bandwidth_used);
3339 }
3340 #else /* HAVE_JUMP_LABEL */
3341 static bool cfs_bandwidth_used(void)
3342 {
3343         return true;
3344 }
3345
3346 void cfs_bandwidth_usage_inc(void) {}
3347 void cfs_bandwidth_usage_dec(void) {}
3348 #endif /* HAVE_JUMP_LABEL */
3349
3350 /*
3351  * default period for cfs group bandwidth.
3352  * default: 0.1s, units: nanoseconds
3353  */
3354 static inline u64 default_cfs_period(void)
3355 {
3356         return 100000000ULL;
3357 }
3358
3359 static inline u64 sched_cfs_bandwidth_slice(void)
3360 {
3361         return (u64)sysctl_sched_cfs_bandwidth_slice * NSEC_PER_USEC;
3362 }
3363
3364 /*
3365  * Replenish runtime according to assigned quota and update expiration time.
3366  * We use sched_clock_cpu directly instead of rq->clock to avoid adding
3367  * additional synchronization around rq->lock.
3368  *
3369  * requires cfs_b->lock
3370  */
3371 void __refill_cfs_bandwidth_runtime(struct cfs_bandwidth *cfs_b)
3372 {
3373         u64 now;
3374
3375         if (cfs_b->quota == RUNTIME_INF)
3376                 return;
3377
3378         now = sched_clock_cpu(smp_processor_id());
3379         cfs_b->runtime = cfs_b->quota;
3380         cfs_b->runtime_expires = now + ktime_to_ns(cfs_b->period);
3381 }
3382
3383 static inline struct cfs_bandwidth *tg_cfs_bandwidth(struct task_group *tg)
3384 {
3385         return &tg->cfs_bandwidth;
3386 }
3387
3388 /* rq->task_clock normalized against any time this cfs_rq has spent throttled */
3389 static inline u64 cfs_rq_clock_task(struct cfs_rq *cfs_rq)
3390 {
3391         if (unlikely(cfs_rq->throttle_count))
3392                 return cfs_rq->throttled_clock_task;
3393
3394         return rq_clock_task(rq_of(cfs_rq)) - cfs_rq->throttled_clock_task_time;
3395 }
3396
3397 /* returns 0 on failure to allocate runtime */
3398 static int assign_cfs_rq_runtime(struct cfs_rq *cfs_rq)
3399 {
3400         struct task_group *tg = cfs_rq->tg;
3401         struct cfs_bandwidth *cfs_b = tg_cfs_bandwidth(tg);
3402         u64 amount = 0, min_amount, expires;
3403
3404         /* note: this is a positive sum as runtime_remaining <= 0 */
3405         min_amount = sched_cfs_bandwidth_slice() - cfs_rq->runtime_remaining;
3406
3407         raw_spin_lock(&cfs_b->lock);
3408         if (cfs_b->quota == RUNTIME_INF)
3409                 amount = min_amount;
3410         else {
3411                 /*
3412                  * If the bandwidth pool has become inactive, then at least one
3413                  * period must have elapsed since the last consumption.
3414                  * Refresh the global state and ensure bandwidth timer becomes
3415                  * active.
3416                  */
3417                 if (!cfs_b->timer_active) {
3418                         __refill_cfs_bandwidth_runtime(cfs_b);
3419                         __start_cfs_bandwidth(cfs_b, false);
3420                 }
3421
3422                 if (cfs_b->runtime > 0) {
3423                         amount = min(cfs_b->runtime, min_amount);
3424                         cfs_b->runtime -= amount;
3425                         cfs_b->idle = 0;
3426                 }
3427         }
3428         expires = cfs_b->runtime_expires;
3429         raw_spin_unlock(&cfs_b->lock);
3430
3431         cfs_rq->runtime_remaining += amount;
3432         /*
3433          * we may have advanced our local expiration to account for allowed
3434          * spread between our sched_clock and the one on which runtime was
3435          * issued.
3436          */
3437         if ((s64)(expires - cfs_rq->runtime_expires) > 0)
3438                 cfs_rq->runtime_expires = expires;
3439
3440         return cfs_rq->runtime_remaining > 0;
3441 }
3442
3443 /*
3444  * Note: This depends on the synchronization provided by sched_clock and the
3445  * fact that rq->clock snapshots this value.
3446  */
3447 static void expire_cfs_rq_runtime(struct cfs_rq *cfs_rq)
3448 {
3449         struct cfs_bandwidth *cfs_b = tg_cfs_bandwidth(cfs_rq->tg);
3450
3451         /* if the deadline is ahead of our clock, nothing to do */
3452         if (likely((s64)(rq_clock(rq_of(cfs_rq)) - cfs_rq->runtime_expires) < 0))
3453                 return;
3454
3455         if (cfs_rq->runtime_remaining < 0)
3456                 return;
3457
3458         /*
3459          * If the local deadline has passed we have to consider the
3460          * possibility that our sched_clock is 'fast' and the global deadline
3461          * has not truly expired.
3462          *
3463          * Fortunately we can check determine whether this the case by checking
3464          * whether the global deadline has advanced. It is valid to compare
3465          * cfs_b->runtime_expires without any locks since we only care about
3466          * exact equality, so a partial write will still work.
3467          */
3468
3469         if (cfs_rq->runtime_expires != cfs_b->runtime_expires) {
3470                 /* extend local deadline, drift is bounded above by 2 ticks */
3471                 cfs_rq->runtime_expires += TICK_NSEC;
3472         } else {
3473                 /* global deadline is ahead, expiration has passed */
3474                 cfs_rq->runtime_remaining = 0;
3475         }
3476 }
3477
3478 static void __account_cfs_rq_runtime(struct cfs_rq *cfs_rq, u64 delta_exec)
3479 {
3480         /* dock delta_exec before expiring quota (as it could span periods) */
3481         cfs_rq->runtime_remaining -= delta_exec;
3482         expire_cfs_rq_runtime(cfs_rq);
3483
3484         if (likely(cfs_rq->runtime_remaining > 0))
3485                 return;
3486
3487         /*
3488          * if we're unable to extend our runtime we resched so that the active
3489          * hierarchy can be throttled
3490          */
3491         if (!assign_cfs_rq_runtime(cfs_rq) && likely(cfs_rq->curr))
3492                 resched_curr(rq_of(cfs_rq));
3493 }
3494
3495 static __always_inline
3496 void account_cfs_rq_runtime(struct cfs_rq *cfs_rq, u64 delta_exec)
3497 {
3498         if (!cfs_bandwidth_used() || !cfs_rq->runtime_enabled)
3499                 return;
3500
3501         __account_cfs_rq_runtime(cfs_rq, delta_exec);
3502 }
3503
3504 static inline int cfs_rq_throttled(struct cfs_rq *cfs_rq)
3505 {
3506         return cfs_bandwidth_used() && cfs_rq->throttled;
3507 }
3508
3509 /* check whether cfs_rq, or any parent, is throttled */
3510 static inline int throttled_hierarchy(struct cfs_rq *cfs_rq)
3511 {
3512         return cfs_bandwidth_used() && cfs_rq->throttle_count;
3513 }
3514
3515 /*
3516  * Ensure that neither of the group entities corresponding to src_cpu or
3517  * dest_cpu are members of a throttled hierarchy when performing group
3518  * load-balance operations.
3519  */
3520 static inline int throttled_lb_pair(struct task_group *tg,
3521                                     int src_cpu, int dest_cpu)
3522 {
3523         struct cfs_rq *src_cfs_rq, *dest_cfs_rq;
3524
3525         src_cfs_rq = tg->cfs_rq[src_cpu];
3526         dest_cfs_rq = tg->cfs_rq[dest_cpu];
3527
3528         return throttled_hierarchy(src_cfs_rq) ||
3529                throttled_hierarchy(dest_cfs_rq);
3530 }
3531
3532 /* updated child weight may affect parent so we have to do this bottom up */
3533 static int tg_unthrottle_up(struct task_group *tg, void *data)
3534 {
3535         struct rq *rq = data;
3536         struct cfs_rq *cfs_rq = tg->cfs_rq[cpu_of(rq)];
3537
3538         cfs_rq->throttle_count--;
3539 #ifdef CONFIG_SMP
3540         if (!cfs_rq->throttle_count) {
3541                 /* adjust cfs_rq_clock_task() */
3542                 cfs_rq->throttled_clock_task_time += rq_clock_task(rq) -
3543                                              cfs_rq->throttled_clock_task;
3544         }
3545 #endif
3546
3547         return 0;
3548 }
3549
3550 static int tg_throttle_down(struct task_group *tg, void *data)
3551 {
3552         struct rq *rq = data;
3553         struct cfs_rq *cfs_rq = tg->cfs_rq[cpu_of(rq)];
3554
3555         /* group is entering throttled state, stop time */
3556         if (!cfs_rq->throttle_count)
3557                 cfs_rq->throttled_clock_task = rq_clock_task(rq);
3558         cfs_rq->throttle_count++;
3559
3560         return 0;
3561 }
3562
3563 static void throttle_cfs_rq(struct cfs_rq *cfs_rq)
3564 {
3565         struct rq *rq = rq_of(cfs_rq);
3566         struct cfs_bandwidth *cfs_b = tg_cfs_bandwidth(cfs_rq->tg);
3567         struct sched_entity *se;
3568         long task_delta, dequeue = 1;
3569
3570         se = cfs_rq->tg->se[cpu_of(rq_of(cfs_rq))];
3571
3572         /* freeze hierarchy runnable averages while throttled */
3573         rcu_read_lock();
3574         walk_tg_tree_from(cfs_rq->tg, tg_throttle_down, tg_nop, (void *)rq);
3575         rcu_read_unlock();
3576
3577         task_delta = cfs_rq->h_nr_running;
3578         for_each_sched_entity(se) {
3579                 struct cfs_rq *qcfs_rq = cfs_rq_of(se);
3580                 /* throttled entity or throttle-on-deactivate */
3581                 if (!se->on_rq)
3582                         break;
3583
3584                 if (dequeue)
3585                         dequeue_entity(qcfs_rq, se, DEQUEUE_SLEEP);
3586                 qcfs_rq->h_nr_running -= task_delta;
3587
3588                 if (qcfs_rq->load.weight)
3589                         dequeue = 0;
3590         }
3591
3592         if (!se)
3593                 sub_nr_running(rq, task_delta);
3594
3595         cfs_rq->throttled = 1;
3596         cfs_rq->throttled_clock = rq_clock(rq);
3597         raw_spin_lock(&cfs_b->lock);
3598         /*
3599          * Add to the _head_ of the list, so that an already-started
3600          * distribute_cfs_runtime will not see us
3601          */
3602         list_add_rcu(&cfs_rq->throttled_list, &cfs_b->throttled_cfs_rq);
3603         if (!cfs_b->timer_active)
3604                 __start_cfs_bandwidth(cfs_b, false);
3605         raw_spin_unlock(&cfs_b->lock);
3606 }
3607
3608 void unthrottle_cfs_rq(struct cfs_rq *cfs_rq)
3609 {
3610         struct rq *rq = rq_of(cfs_rq);
3611         struct cfs_bandwidth *cfs_b = tg_cfs_bandwidth(cfs_rq->tg);
3612         struct sched_entity *se;
3613         int enqueue = 1;
3614         long task_delta;
3615
3616         se = cfs_rq->tg->se[cpu_of(rq)];
3617
3618         cfs_rq->throttled = 0;
3619
3620         update_rq_clock(rq);
3621
3622         raw_spin_lock(&cfs_b->lock);
3623         cfs_b->throttled_time += rq_clock(rq) - cfs_rq->throttled_clock;
3624         list_del_rcu(&cfs_rq->throttled_list);
3625         raw_spin_unlock(&cfs_b->lock);
3626
3627         /* update hierarchical throttle state */
3628         walk_tg_tree_from(cfs_rq->tg, tg_nop, tg_unthrottle_up, (void *)rq);
3629
3630         if (!cfs_rq->load.weight)
3631                 return;
3632
3633         task_delta = cfs_rq->h_nr_running;
3634         for_each_sched_entity(se) {
3635                 if (se->on_rq)
3636                         enqueue = 0;
3637
3638                 cfs_rq = cfs_rq_of(se);
3639                 if (enqueue)
3640                         enqueue_entity(cfs_rq, se, ENQUEUE_WAKEUP);
3641                 cfs_rq->h_nr_running += task_delta;
3642
3643                 if (cfs_rq_throttled(cfs_rq))
3644                         break;
3645         }
3646
3647         if (!se)
3648                 add_nr_running(rq, task_delta);
3649
3650         /* determine whether we need to wake up potentially idle cpu */
3651         if (rq->curr == rq->idle && rq->cfs.nr_running)
3652                 resched_curr(rq);
3653 }
3654
3655 static u64 distribute_cfs_runtime(struct cfs_bandwidth *cfs_b,
3656                 u64 remaining, u64 expires)
3657 {
3658         struct cfs_rq *cfs_rq;
3659         u64 runtime;
3660         u64 starting_runtime = remaining;
3661
3662         rcu_read_lock();
3663         list_for_each_entry_rcu(cfs_rq, &cfs_b->throttled_cfs_rq,
3664                                 throttled_list) {
3665                 struct rq *rq = rq_of(cfs_rq);
3666
3667                 raw_spin_lock(&rq->lock);
3668                 if (!cfs_rq_throttled(cfs_rq))
3669                         goto next;
3670
3671                 runtime = -cfs_rq->runtime_remaining + 1;
3672                 if (runtime > remaining)
3673                         runtime = remaining;
3674                 remaining -= runtime;
3675
3676                 cfs_rq->runtime_remaining += runtime;
3677                 cfs_rq->runtime_expires = expires;
3678
3679                 /* we check whether we're throttled above */
3680                 if (cfs_rq->runtime_remaining > 0)
3681                         unthrottle_cfs_rq(cfs_rq);
3682
3683 next:
3684                 raw_spin_unlock(&rq->lock);
3685
3686                 if (!remaining)
3687                         break;
3688         }
3689         rcu_read_unlock();
3690
3691         return starting_runtime - remaining;
3692 }
3693
3694 /*
3695  * Responsible for refilling a task_group's bandwidth and unthrottling its
3696  * cfs_rqs as appropriate. If there has been no activity within the last
3697  * period the timer is deactivated until scheduling resumes; cfs_b->idle is
3698  * used to track this state.
3699  */
3700 static int do_sched_cfs_period_timer(struct cfs_bandwidth *cfs_b, int overrun)
3701 {
3702         u64 runtime, runtime_expires;
3703         int throttled;
3704
3705         /* no need to continue the timer with no bandwidth constraint */
3706         if (cfs_b->quota == RUNTIME_INF)
3707                 goto out_deactivate;
3708
3709         throttled = !list_empty(&cfs_b->throttled_cfs_rq);
3710         cfs_b->nr_periods += overrun;
3711
3712         /*
3713          * idle depends on !throttled (for the case of a large deficit), and if
3714          * we're going inactive then everything else can be deferred
3715          */
3716         if (cfs_b->idle && !throttled)
3717                 goto out_deactivate;
3718
3719         /*
3720          * if we have relooped after returning idle once, we need to update our
3721          * status as actually running, so that other cpus doing
3722          * __start_cfs_bandwidth will stop trying to cancel us.
3723          */
3724         cfs_b->timer_active = 1;
3725
3726         __refill_cfs_bandwidth_runtime(cfs_b);
3727
3728         if (!throttled) {
3729                 /* mark as potentially idle for the upcoming period */
3730                 cfs_b->idle = 1;
3731                 return 0;
3732         }
3733
3734         /* account preceding periods in which throttling occurred */
3735         cfs_b->nr_throttled += overrun;
3736
3737         runtime_expires = cfs_b->runtime_expires;
3738
3739         /*
3740          * This check is repeated as we are holding onto the new bandwidth while
3741          * we unthrottle. This can potentially race with an unthrottled group
3742          * trying to acquire new bandwidth from the global pool. This can result
3743          * in us over-using our runtime if it is all used during this loop, but
3744          * only by limited amounts in that extreme case.
3745          */
3746         while (throttled && cfs_b->runtime > 0) {
3747                 runtime = cfs_b->runtime;
3748                 raw_spin_unlock(&cfs_b->lock);
3749                 /* we can't nest cfs_b->lock while distributing bandwidth */
3750                 runtime = distribute_cfs_runtime(cfs_b, runtime,
3751                                                  runtime_expires);
3752                 raw_spin_lock(&cfs_b->lock);
3753
3754                 throttled = !list_empty(&cfs_b->throttled_cfs_rq);
3755
3756                 cfs_b->runtime -= min(runtime, cfs_b->runtime);
3757         }
3758
3759         /*
3760          * While we are ensured activity in the period following an
3761          * unthrottle, this also covers the case in which the new bandwidth is
3762          * insufficient to cover the existing bandwidth deficit.  (Forcing the
3763          * timer to remain active while there are any throttled entities.)
3764          */
3765         cfs_b->idle = 0;
3766
3767         return 0;
3768
3769 out_deactivate:
3770         cfs_b->timer_active = 0;
3771         return 1;
3772 }
3773
3774 /* a cfs_rq won't donate quota below this amount */
3775 static const u64 min_cfs_rq_runtime = 1 * NSEC_PER_MSEC;
3776 /* minimum remaining period time to redistribute slack quota */
3777 static const u64 min_bandwidth_expiration = 2 * NSEC_PER_MSEC;
3778 /* how long we wait to gather additional slack before distributing */
3779 static const u64 cfs_bandwidth_slack_period = 5 * NSEC_PER_MSEC;
3780
3781 /*
3782  * Are we near the end of the current quota period?
3783  *
3784  * Requires cfs_b->lock for hrtimer_expires_remaining to be safe against the
3785  * hrtimer base being cleared by __hrtimer_start_range_ns. In the case of
3786  * migrate_hrtimers, base is never cleared, so we are fine.
3787  */
3788 static int runtime_refresh_within(struct cfs_bandwidth *cfs_b, u64 min_expire)
3789 {
3790         struct hrtimer *refresh_timer = &cfs_b->period_timer;
3791         u64 remaining;
3792
3793         /* if the call-back is running a quota refresh is already occurring */
3794         if (hrtimer_callback_running(refresh_timer))
3795                 return 1;
3796
3797         /* is a quota refresh about to occur? */
3798         remaining = ktime_to_ns(hrtimer_expires_remaining(refresh_timer));
3799         if (remaining < min_expire)
3800                 return 1;
3801
3802         return 0;
3803 }
3804
3805 static void start_cfs_slack_bandwidth(struct cfs_bandwidth *cfs_b)
3806 {
3807         u64 min_left = cfs_bandwidth_slack_period + min_bandwidth_expiration;
3808
3809         /* if there's a quota refresh soon don't bother with slack */
3810         if (runtime_refresh_within(cfs_b, min_left))
3811                 return;
3812
3813         start_bandwidth_timer(&cfs_b->slack_timer,
3814                                 ns_to_ktime(cfs_bandwidth_slack_period));
3815 }
3816
3817 /* we know any runtime found here is valid as update_curr() precedes return */
3818 static void __return_cfs_rq_runtime(struct cfs_rq *cfs_rq)
3819 {
3820         struct cfs_bandwidth *cfs_b = tg_cfs_bandwidth(cfs_rq->tg);
3821         s64 slack_runtime = cfs_rq->runtime_remaining - min_cfs_rq_runtime;
3822
3823         if (slack_runtime <= 0)
3824                 return;
3825
3826         raw_spin_lock(&cfs_b->lock);
3827         if (cfs_b->quota != RUNTIME_INF &&
3828             cfs_rq->runtime_expires == cfs_b->runtime_expires) {
3829                 cfs_b->runtime += slack_runtime;
3830
3831                 /* we are under rq->lock, defer unthrottling using a timer */
3832                 if (cfs_b->runtime > sched_cfs_bandwidth_slice() &&
3833                     !list_empty(&cfs_b->throttled_cfs_rq))
3834                         start_cfs_slack_bandwidth(cfs_b);
3835         }
3836         raw_spin_unlock(&cfs_b->lock);
3837
3838         /* even if it's not valid for return we don't want to try again */
3839         cfs_rq->runtime_remaining -= slack_runtime;
3840 }
3841
3842 static __always_inline void return_cfs_rq_runtime(struct cfs_rq *cfs_rq)
3843 {
3844         if (!cfs_bandwidth_used())
3845                 return;
3846
3847         if (!cfs_rq->runtime_enabled || cfs_rq->nr_running)
3848                 return;
3849
3850         __return_cfs_rq_runtime(cfs_rq);
3851 }
3852
3853 /*
3854  * This is done with a timer (instead of inline with bandwidth return) since
3855  * it's necessary to juggle rq->locks to unthrottle their respective cfs_rqs.
3856  */
3857 static void do_sched_cfs_slack_timer(struct cfs_bandwidth *cfs_b)
3858 {
3859         u64 runtime = 0, slice = sched_cfs_bandwidth_slice();
3860         u64 expires;
3861
3862         /* confirm we're still not at a refresh boundary */
3863         raw_spin_lock(&cfs_b->lock);
3864         if (runtime_refresh_within(cfs_b, min_bandwidth_expiration)) {
3865                 raw_spin_unlock(&cfs_b->lock);
3866                 return;
3867         }
3868
3869         if (cfs_b->quota != RUNTIME_INF && cfs_b->runtime > slice)
3870                 runtime = cfs_b->runtime;
3871
3872         expires = cfs_b->runtime_expires;
3873         raw_spin_unlock(&cfs_b->lock);
3874
3875         if (!runtime)
3876                 return;
3877
3878         runtime = distribute_cfs_runtime(cfs_b, runtime, expires);
3879
3880         raw_spin_lock(&cfs_b->lock);
3881         if (expires == cfs_b->runtime_expires)
3882                 cfs_b->runtime -= min(runtime, cfs_b->runtime);
3883         raw_spin_unlock(&cfs_b->lock);
3884 }
3885
3886 /*
3887  * When a group wakes up we want to make sure that its quota is not already
3888  * expired/exceeded, otherwise it may be allowed to steal additional ticks of
3889  * runtime as update_curr() throttling can not not trigger until it's on-rq.
3890  */
3891 static void check_enqueue_throttle(struct cfs_rq *cfs_rq)