kernel/sched/psi.c

   1 // SPDX-License-Identifier: GPL-2.0
   2 /*
   3  * Pressure stall information for CPU, memory and IO
   4  *
   5  * Copyright (c) 2018 Facebook, Inc.
   6  * Author: Johannes Weiner <hannes@cmpxchg.org>
   7  *
   8  * Polling support by Suren Baghdasaryan <surenb@google.com>
   9  * Copyright (c) 2018 Google, Inc.
  10  *
  11  * When CPU, memory and IO are contended, tasks experience delays that
  12  * reduce throughput and introduce latencies into the workload. Memory
  13  * and IO contention, in addition, can cause a full loss of forward
  14  * progress in which the CPU goes idle.
  15  *
  16  * This code aggregates individual task delays into resource pressure
  17  * metrics that indicate problems with both workload health and
  18  * resource utilization.
  19  *
  20  *                      Model
  21  *
  22  * The time in which a task can execute on a CPU is our baseline for
  23  * productivity. Pressure expresses the amount of time in which this
  24  * potential cannot be realized due to resource contention.
  25  *
  26  * This concept of productivity has two components: the workload and
  27  * the CPU. To measure the impact of pressure on both, we define two
  28  * contention states for a resource: SOME and FULL.
  29  *
  30  * In the SOME state of a given resource, one or more tasks are
  31  * delayed on that resource. This affects the workload's ability to
  32  * perform work, but the CPU may still be executing other tasks.
  33  *
  34  * In the FULL state of a given resource, all non-idle tasks are
  35  * delayed on that resource such that nobody is advancing and the CPU
  36  * goes idle. This leaves both workload and CPU unproductive.
  37  *
  38  *      SOME = nr_delayed_tasks != 0
  39  *      FULL = nr_delayed_tasks != 0 && nr_productive_tasks == 0
  40  *
  41  * What it means for a task to be productive is defined differently
  42  * for each resource. For IO, productive means a running task. For
  43  * memory, productive means a running task that isn't a reclaimer. For
  44  * CPU, productive means an oncpu task.
  45  *
  46  * Naturally, the FULL state doesn't exist for the CPU resource at the
  47  * system level, but exist at the cgroup level. At the cgroup level,
  48  * FULL means all non-idle tasks in the cgroup are delayed on the CPU
  49  * resource which is being used by others outside of the cgroup or
  50  * throttled by the cgroup cpu.max configuration.
  51  *
  52  * The percentage of wallclock time spent in those compound stall
  53  * states gives pressure numbers between 0 and 100 for each resource,
  54  * where the SOME percentage indicates workload slowdowns and the FULL
  55  * percentage indicates reduced CPU utilization:
  56  *
  57  *      %SOME = time(SOME) / period
  58  *      %FULL = time(FULL) / period
  59  *
  60  *                      Multiple CPUs
  61  *
  62  * The more tasks and available CPUs there are, the more work can be
  63  * performed concurrently. This means that the potential that can go
  64  * unrealized due to resource contention *also* scales with non-idle
  65  * tasks and CPUs.
  66  *
  67  * Consider a scenario where 257 number crunching tasks are trying to
  68  * run concurrently on 256 CPUs. If we simply aggregated the task
  69  * states, we would have to conclude a CPU SOME pressure number of
  70  * 100%, since *somebody* is waiting on a runqueue at all
  71  * times. However, that is clearly not the amount of contention the
  72  * workload is experiencing: only one out of 256 possible execution
  73  * threads will be contended at any given time, or about 0.4%.
  74  *
  75  * Conversely, consider a scenario of 4 tasks and 4 CPUs where at any
  76  * given time *one* of the tasks is delayed due to a lack of memory.
  77  * Again, looking purely at the task state would yield a memory FULL
  78  * pressure number of 0%, since *somebody* is always making forward
  79  * progress. But again this wouldn't capture the amount of execution
  80  * potential lost, which is 1 out of 4 CPUs, or 25%.
  81  *
  82  * To calculate wasted potential (pressure) with multiple processors,
  83  * we have to base our calculation on the number of non-idle tasks in
  84  * conjunction with the number of available CPUs, which is the number
  85  * of potential execution threads. SOME becomes then the proportion of
  86  * delayed tasks to possible threads, and FULL is the share of possible
  87  * threads that are unproductive due to delays:
  88  *
  89  *      threads = min(nr_nonidle_tasks, nr_cpus)
  90  *         SOME = min(nr_delayed_tasks / threads, 1)
  91  *         FULL = (threads - min(nr_productive_tasks, threads)) / threads
  92  *
  93  * For the 257 number crunchers on 256 CPUs, this yields:
  94  *
  95  *      threads = min(257, 256)
  96  *         SOME = min(1 / 256, 1)             = 0.4%
  97  *         FULL = (256 - min(256, 256)) / 256 = 0%
  98  *
  99  * For the 1 out of 4 memory-delayed tasks, this yields:
 100  *
 101  *      threads = min(4, 4)
 102  *         SOME = min(1 / 4, 1)               = 25%
 103  *         FULL = (4 - min(3, 4)) / 4         = 25%
 104  *
 105  * [ Substitute nr_cpus with 1, and you can see that it's a natural
 106  *   extension of the single-CPU model. ]
 107  *
 108  *                      Implementation
 109  *
 110  * To assess the precise time spent in each such state, we would have
 111  * to freeze the system on task changes and start/stop the state
 112  * clocks accordingly. Obviously that doesn't scale in practice.
 113  *
 114  * Because the scheduler aims to distribute the compute load evenly
 115  * among the available CPUs, we can track task state locally to each
 116  * CPU and, at much lower frequency, extrapolate the global state for
 117  * the cumulative stall times and the running averages.
 118  *
 119  * For each runqueue, we track:
 120  *
 121  *         tSOME[cpu] = time(nr_delayed_tasks[cpu] != 0)
 122  *         tFULL[cpu] = time(nr_delayed_tasks[cpu] && !nr_productive_tasks[cpu])
 123  *      tNONIDLE[cpu] = time(nr_nonidle_tasks[cpu] != 0)
 124  *
 125  * and then periodically aggregate:
 126  *
 127  *      tNONIDLE = sum(tNONIDLE[i])
 128  *
 129  *         tSOME = sum(tSOME[i] * tNONIDLE[i]) / tNONIDLE
 130  *         tFULL = sum(tFULL[i] * tNONIDLE[i]) / tNONIDLE
 131  *
 132  *         %SOME = tSOME / period
 133  *         %FULL = tFULL / period
 134  *
 135  * This gives us an approximation of pressure that is practical
 136  * cost-wise, yet way more sensitive and accurate than periodic
 137  * sampling of the aggregate task states would be.
 138  */
 139
 140 static int psi_bug __read_mostly;
 141
 142 DEFINE_STATIC_KEY_FALSE(psi_disabled);
 143 static DEFINE_STATIC_KEY_TRUE(psi_cgroups_enabled);
 144
 145 #ifdef CONFIG_PSI_DEFAULT_DISABLED
 146 static bool psi_enable;
 147 #else
 148 static bool psi_enable = true;
 149 #endif
 150 static int __init setup_psi(char *str)
 151 {
 152         return kstrtobool(str, &psi_enable) == 0;
 153 }
 154 __setup("psi=", setup_psi);
 155
 156 /* Running averages - we need to be higher-res than loadavg */
 157 #define PSI_FREQ        (2*HZ+1)        /* 2 sec intervals */
 158 #define EXP_10s         1677            /* 1/exp(2s/10s) as fixed-point */
 159 #define EXP_60s         1981            /* 1/exp(2s/60s) */
 160 #define EXP_300s        2034            /* 1/exp(2s/300s) */
 161
 162 /* PSI trigger definitions */
 163 #define WINDOW_MAX_US 10000000  /* Max window size is 10s */
 164 #define UPDATES_PER_WINDOW 10   /* 10 updates per window */
 165
 166 /* Sampling frequency in nanoseconds */
 167 static u64 psi_period __read_mostly;
 168
 169 /* System-level pressure and stall tracking */
 170 static DEFINE_PER_CPU(struct psi_group_cpu, system_group_pcpu);
 171 struct psi_group psi_system = {
 172         .pcpu = &system_group_pcpu,
 173 };
 174
 175 static void psi_avgs_work(struct work_struct *work);
 176
 177 static void poll_timer_fn(struct timer_list *t);
 178
 179 static void group_init(struct psi_group *group)
 180 {
 181         int cpu;
 182
 183         group->enabled = true;
 184         for_each_possible_cpu(cpu)
 185                 seqcount_init(&per_cpu_ptr(group->pcpu, cpu)->seq);
 186         group->avg_last_update = sched_clock();
 187         group->avg_next_update = group->avg_last_update + psi_period;
 188         mutex_init(&group->avgs_lock);
 189
 190         /* Init avg trigger-related members */
 191         INIT_LIST_HEAD(&group->avg_triggers);
 192         memset(group->avg_nr_triggers, 0, sizeof(group->avg_nr_triggers));
 193         INIT_DELAYED_WORK(&group->avgs_work, psi_avgs_work);
 194
 195         /* Init rtpoll trigger-related members */
 196         atomic_set(&group->rtpoll_scheduled, 0);
 197         mutex_init(&group->rtpoll_trigger_lock);
 198         INIT_LIST_HEAD(&group->rtpoll_triggers);
 199         group->rtpoll_min_period = U32_MAX;
 200         group->rtpoll_next_update = ULLONG_MAX;
 201         init_waitqueue_head(&group->rtpoll_wait);
 202         timer_setup(&group->rtpoll_timer, poll_timer_fn, 0);
 203         rcu_assign_pointer(group->rtpoll_task, NULL);
 204 }
 205
 206 void __init psi_init(void)
 207 {
 208         if (!psi_enable) {
 209                 static_branch_enable(&psi_disabled);
 210                 static_branch_disable(&psi_cgroups_enabled);
 211                 return;
 212         }
 213
 214         if (!cgroup_psi_enabled())
 215                 static_branch_disable(&psi_cgroups_enabled);
 216
 217         psi_period = jiffies_to_nsecs(PSI_FREQ);
 218         group_init(&psi_system);
 219 }
 220
 221 static bool test_state(unsigned int *tasks, enum psi_states state, bool oncpu)
 222 {
 223         switch (state) {
 224         case PSI_IO_SOME:
 225                 return unlikely(tasks[NR_IOWAIT]);
 226         case PSI_IO_FULL:
 227                 return unlikely(tasks[NR_IOWAIT] && !tasks[NR_RUNNING]);
 228         case PSI_MEM_SOME:
 229                 return unlikely(tasks[NR_MEMSTALL]);
 230         case PSI_MEM_FULL:
 231                 return unlikely(tasks[NR_MEMSTALL] &&
 232                         tasks[NR_RUNNING] == tasks[NR_MEMSTALL_RUNNING]);
 233         case PSI_CPU_SOME:
 234                 return unlikely(tasks[NR_RUNNING] > oncpu);
 235         case PSI_CPU_FULL:
 236                 return unlikely(tasks[NR_RUNNING] && !oncpu);
 237         case PSI_NONIDLE:
 238                 return tasks[NR_IOWAIT] || tasks[NR_MEMSTALL] ||
 239                         tasks[NR_RUNNING];
 240         default:
 241                 return false;
 242         }
 243 }
 244
 245 static void get_recent_times(struct psi_group *group, int cpu,
 246                              enum psi_aggregators aggregator, u32 *times,
 247                              u32 *pchanged_states)
 248 {
 249         struct psi_group_cpu *groupc = per_cpu_ptr(group->pcpu, cpu);
 250         int current_cpu = raw_smp_processor_id();
 251         unsigned int tasks[NR_PSI_TASK_COUNTS];
 252         u64 now, state_start;
 253         enum psi_states s;
 254         unsigned int seq;
 255         u32 state_mask;
 256
 257         *pchanged_states = 0;
 258
 259         /* Snapshot a coherent view of the CPU state */
 260         do {
 261                 seq = read_seqcount_begin(&groupc->seq);
 262                 now = cpu_clock(cpu);
 263                 memcpy(times, groupc->times, sizeof(groupc->times));
 264                 state_mask = groupc->state_mask;
 265                 state_start = groupc->state_start;
 266                 if (cpu == current_cpu)
 267                         memcpy(tasks, groupc->tasks, sizeof(groupc->tasks));
 268         } while (read_seqcount_retry(&groupc->seq, seq));
 269
 270         /* Calculate state time deltas against the previous snapshot */
 271         for (s = 0; s < NR_PSI_STATES; s++) {
 272                 u32 delta;
 273                 /*
 274                  * In addition to already concluded states, we also
 275                  * incorporate currently active states on the CPU,
 276                  * since states may last for many sampling periods.
 277                  *
 278                  * This way we keep our delta sampling buckets small
 279                  * (u32) and our reported pressure close to what's
 280                  * actually happening.
 281                  */
 282                 if (state_mask & (1 << s))
 283                         times[s] += now - state_start;
 284
 285                 delta = times[s] - groupc->times_prev[aggregator][s];
 286                 groupc->times_prev[aggregator][s] = times[s];
 287
 288                 times[s] = delta;
 289                 if (delta)
 290                         *pchanged_states |= (1 << s);
 291         }
 292
 293         /*
 294          * When collect_percpu_times() from the avgs_work, we don't want to
 295          * re-arm avgs_work when all CPUs are IDLE. But the current CPU running
 296          * this avgs_work is never IDLE, cause avgs_work can't be shut off.
 297          * So for the current CPU, we need to re-arm avgs_work only when
 298          * (NR_RUNNING > 1 || NR_IOWAIT > 0 || NR_MEMSTALL > 0), for other CPUs
 299          * we can just check PSI_NONIDLE delta.
 300          */
 301         if (current_work() == &group->avgs_work.work) {
 302                 bool reschedule;
 303
 304                 if (cpu == current_cpu)
 305                         reschedule = tasks[NR_RUNNING] +
 306                                      tasks[NR_IOWAIT] +
 307                                      tasks[NR_MEMSTALL] > 1;
 308                 else
 309                         reschedule = *pchanged_states & (1 << PSI_NONIDLE);
 310
 311                 if (reschedule)
 312                         *pchanged_states |= PSI_STATE_RESCHEDULE;
 313         }
 314 }
 315
 316 static void calc_avgs(unsigned long avg[3], int missed_periods,
 317                       u64 time, u64 period)
 318 {
 319         unsigned long pct;
 320
 321         /* Fill in zeroes for periods of no activity */
 322         if (missed_periods) {
 323                 avg[0] = calc_load_n(avg[0], EXP_10s, 0, missed_periods);
 324                 avg[1] = calc_load_n(avg[1], EXP_60s, 0, missed_periods);
 325                 avg[2] = calc_load_n(avg[2], EXP_300s, 0, missed_periods);
 326         }
 327
 328         /* Sample the most recent active period */
 329         pct = div_u64(time * 100, period);
 330         pct *= FIXED_1;
 331         avg[0] = calc_load(avg[0], EXP_10s, pct);
 332         avg[1] = calc_load(avg[1], EXP_60s, pct);
 333         avg[2] = calc_load(avg[2], EXP_300s, pct);
 334 }
 335
 336 static void collect_percpu_times(struct psi_group *group,
 337                                  enum psi_aggregators aggregator,
 338                                  u32 *pchanged_states)
 339 {
 340         u64 deltas[NR_PSI_STATES - 1] = { 0, };
 341         unsigned long nonidle_total = 0;
 342         u32 changed_states = 0;
 343         int cpu;
 344         int s;
 345
 346         /*
 347          * Collect the per-cpu time buckets and average them into a
 348          * single time sample that is normalized to wallclock time.
 349          *
 350          * For averaging, each CPU is weighted by its non-idle time in
 351          * the sampling period. This eliminates artifacts from uneven
 352          * loading, or even entirely idle CPUs.
 353          */
 354         for_each_possible_cpu(cpu) {
 355                 u32 times[NR_PSI_STATES];
 356                 u32 nonidle;
 357                 u32 cpu_changed_states;
 358
 359                 get_recent_times(group, cpu, aggregator, times,
 360                                 &cpu_changed_states);
 361                 changed_states |= cpu_changed_states;
 362
 363                 nonidle = nsecs_to_jiffies(times[PSI_NONIDLE]);
 364                 nonidle_total += nonidle;
 365
 366                 for (s = 0; s < PSI_NONIDLE; s++)
 367                         deltas[s] += (u64)times[s] * nonidle;
 368         }
 369
 370         /*
 371          * Integrate the sample into the running statistics that are
 372          * reported to userspace: the cumulative stall times and the
 373          * decaying averages.
 374          *
 375          * Pressure percentages are sampled at PSI_FREQ. We might be
 376          * called more often when the user polls more frequently than
 377          * that; we might be called less often when there is no task
 378          * activity, thus no data, and clock ticks are sporadic. The
 379          * below handles both.
 380          */
 381
 382         /* total= */
 383         for (s = 0; s < NR_PSI_STATES - 1; s++)
 384                 group->total[aggregator][s] +=
 385                                 div_u64(deltas[s], max(nonidle_total, 1UL));
 386
 387         if (pchanged_states)
 388                 *pchanged_states = changed_states;
 389 }
 390
 391 /* Trigger tracking window manipulations */
 392 static void window_reset(struct psi_window *win, u64 now, u64 value,
 393                          u64 prev_growth)
 394 {
 395         win->start_time = now;
 396         win->start_value = value;
 397         win->prev_growth = prev_growth;
 398 }
 399
 400 /*
 401  * PSI growth tracking window update and growth calculation routine.
 402  *
 403  * This approximates a sliding tracking window by interpolating
 404  * partially elapsed windows using historical growth data from the
 405  * previous intervals. This minimizes memory requirements (by not storing
 406  * all the intermediate values in the previous window) and simplifies
 407  * the calculations. It works well because PSI signal changes only in
 408  * positive direction and over relatively small window sizes the growth
 409  * is close to linear.
 410  */
 411 static u64 window_update(struct psi_window *win, u64 now, u64 value)
 412 {
 413         u64 elapsed;
 414         u64 growth;
 415
 416         elapsed = now - win->start_time;
 417         growth = value - win->start_value;
 418         /*
 419          * After each tracking window passes win->start_value and
 420          * win->start_time get reset and win->prev_growth stores
 421          * the average per-window growth of the previous window.
 422          * win->prev_growth is then used to interpolate additional
 423          * growth from the previous window assuming it was linear.
 424          */
 425         if (elapsed > win->size)
 426                 window_reset(win, now, value, growth);
 427         else {
 428                 u32 remaining;
 429
 430                 remaining = win->size - elapsed;
 431                 growth += div64_u64(win->prev_growth * remaining, win->size);
 432         }
 433
 434         return growth;
 435 }
 436
 437 static u64 update_triggers(struct psi_group *group, u64 now, bool *update_total,
 438                                                    enum psi_aggregators aggregator)
 439 {
 440         struct psi_trigger *t;
 441         u64 *total = group->total[aggregator];
 442         struct list_head *triggers;
 443         u64 *aggregator_total;
 444         *update_total = false;
 445
 446         if (aggregator == PSI_AVGS) {
 447                 triggers = &group->avg_triggers;
 448                 aggregator_total = group->avg_total;
 449         } else {
 450                 triggers = &group->rtpoll_triggers;
 451                 aggregator_total = group->rtpoll_total;
 452         }
 453
 454         /*
 455          * On subsequent updates, calculate growth deltas and let
 456          * watchers know when their specified thresholds are exceeded.
 457          */
 458         list_for_each_entry(t, triggers, node) {
 459                 u64 growth;
 460                 bool new_stall;
 461
 462                 new_stall = aggregator_total[t->state] != total[t->state];
 463
 464                 /* Check for stall activity or a previous threshold breach */
 465                 if (!new_stall && !t->pending_event)
 466                         continue;
 467                 /*
 468                  * Check for new stall activity, as well as deferred
 469                  * events that occurred in the last window after the
 470                  * trigger had already fired (we want to ratelimit
 471                  * events without dropping any).
 472                  */
 473                 if (new_stall) {
 474                         /*
 475                          * Multiple triggers might be looking at the same state,
 476                          * remember to update group->polling_total[] once we've
 477                          * been through all of them. Also remember to extend the
 478                          * polling time if we see new stall activity.
 479                          */
 480                         *update_total = true;
 481
 482                         /* Calculate growth since last update */
 483                         growth = window_update(&t->win, now, total[t->state]);
 484                         if (!t->pending_event) {
 485                                 if (growth < t->threshold)
 486                                         continue;
 487
 488                                 t->pending_event = true;
 489                         }
 490                 }
 491                 /* Limit event signaling to once per window */
 492                 if (now < t->last_event_time + t->win.size)
 493                         continue;
 494
 495                 /* Generate an event */
 496                 if (cmpxchg(&t->event, 0, 1) == 0) {
 497                         if (t->of)
 498                                 kernfs_notify(t->of->kn);
 499                         else
 500                                 wake_up_interruptible(&t->event_wait);
 501                 }
 502                 t->last_event_time = now;
 503                 /* Reset threshold breach flag once event got generated */
 504                 t->pending_event = false;
 505         }
 506
 507         return now + group->rtpoll_min_period;
 508 }
 509
 510 static u64 update_averages(struct psi_group *group, u64 now)
 511 {
 512         unsigned long missed_periods = 0;
 513         u64 expires, period;
 514         u64 avg_next_update;
 515         int s;
 516
 517         /* avgX= */
 518         expires = group->avg_next_update;
 519         if (now - expires >= psi_period)
 520                 missed_periods = div_u64(now - expires, psi_period);
 521
 522         /*
 523          * The periodic clock tick can get delayed for various
 524          * reasons, especially on loaded systems. To avoid clock
 525          * drift, we schedule the clock in fixed psi_period intervals.
 526          * But the deltas we sample out of the per-cpu buckets above
 527          * are based on the actual time elapsing between clock ticks.
 528          */
 529         avg_next_update = expires + ((1 + missed_periods) * psi_period);
 530         period = now - (group->avg_last_update + (missed_periods * psi_period));
 531         group->avg_last_update = now;
 532
 533         for (s = 0; s < NR_PSI_STATES - 1; s++) {
 534                 u32 sample;
 535
 536                 sample = group->total[PSI_AVGS][s] - group->avg_total[s];
 537                 /*
 538                  * Due to the lockless sampling of the time buckets,
 539                  * recorded time deltas can slip into the next period,
 540                  * which under full pressure can result in samples in
 541                  * excess of the period length.
 542                  *
 543                  * We don't want to report non-sensical pressures in
 544                  * excess of 100%, nor do we want to drop such events
 545                  * on the floor. Instead we punt any overage into the
 546                  * future until pressure subsides. By doing this we
 547                  * don't underreport the occurring pressure curve, we
 548                  * just report it delayed by one period length.
 549                  *
 550                  * The error isn't cumulative. As soon as another
 551                  * delta slips from a period P to P+1, by definition
 552                  * it frees up its time T in P.
 553                  */
 554                 if (sample > period)
 555                         sample = period;
 556                 group->avg_total[s] += sample;
 557                 calc_avgs(group->avg[s], missed_periods, sample, period);
 558         }
 559
 560         return avg_next_update;
 561 }
 562
 563 static void psi_avgs_work(struct work_struct *work)
 564 {
 565         struct delayed_work *dwork;
 566         struct psi_group *group;
 567         u32 changed_states;
 568         bool update_total;
 569         u64 now;
 570
 571         dwork = to_delayed_work(work);
 572         group = container_of(dwork, struct psi_group, avgs_work);
 573
 574         mutex_lock(&group->avgs_lock);
 575
 576         now = sched_clock();
 577
 578         collect_percpu_times(group, PSI_AVGS, &changed_states);
 579         /*
 580          * If there is task activity, periodically fold the per-cpu
 581          * times and feed samples into the running averages. If things
 582          * are idle and there is no data to process, stop the clock.
 583          * Once restarted, we'll catch up the running averages in one
 584          * go - see calc_avgs() and missed_periods.
 585          */
 586         if (now >= group->avg_next_update) {
 587                 update_triggers(group, now, &update_total, PSI_AVGS);
 588                 group->avg_next_update = update_averages(group, now);
 589         }
 590
 591         if (changed_states & PSI_STATE_RESCHEDULE) {
 592                 schedule_delayed_work(dwork, nsecs_to_jiffies(
 593                                 group->avg_next_update - now) + 1);
 594         }
 595
 596         mutex_unlock(&group->avgs_lock);
 597 }
 598
 599 static void init_rtpoll_triggers(struct psi_group *group, u64 now)
 600 {
 601         struct psi_trigger *t;
 602
 603         list_for_each_entry(t, &group->rtpoll_triggers, node)
 604                 window_reset(&t->win, now,
 605                                 group->total[PSI_POLL][t->state], 0);
 606         memcpy(group->rtpoll_total, group->total[PSI_POLL],
 607                    sizeof(group->rtpoll_total));
 608         group->rtpoll_next_update = now + group->rtpoll_min_period;
 609 }
 610
 611 /* Schedule polling if it's not already scheduled or forced. */
 612 static void psi_schedule_rtpoll_work(struct psi_group *group, unsigned long delay,
 613                                    bool force)
 614 {
 615         struct task_struct *task;
 616
 617         /*
 618          * atomic_xchg should be called even when !force to provide a
 619          * full memory barrier (see the comment inside psi_rtpoll_work).
 620          */
 621         if (atomic_xchg(&group->rtpoll_scheduled, 1) && !force)
 622                 return;
 623
 624         rcu_read_lock();
 625
 626         task = rcu_dereference(group->rtpoll_task);
 627         /*
 628          * kworker might be NULL in case psi_trigger_destroy races with
 629          * psi_task_change (hotpath) which can't use locks
 630          */
 631         if (likely(task))
 632                 mod_timer(&group->rtpoll_timer, jiffies + delay);
 633         else
 634                 atomic_set(&group->rtpoll_scheduled, 0);
 635
 636         rcu_read_unlock();
 637 }
 638
 639 static void psi_rtpoll_work(struct psi_group *group)
 640 {
 641         bool force_reschedule = false;
 642         u32 changed_states;
 643         bool update_total;
 644         u64 now;
 645
 646         mutex_lock(&group->rtpoll_trigger_lock);
 647
 648         now = sched_clock();
 649
 650         if (now > group->rtpoll_until) {
 651                 /*
 652                  * We are either about to start or might stop polling if no
 653                  * state change was recorded. Resetting poll_scheduled leaves
 654                  * a small window for psi_group_change to sneak in and schedule
 655                  * an immediate poll_work before we get to rescheduling. One
 656                  * potential extra wakeup at the end of the polling window
 657                  * should be negligible and polling_next_update still keeps
 658                  * updates correctly on schedule.
 659                  */
 660                 atomic_set(&group->rtpoll_scheduled, 0);
 661                 /*
 662                  * A task change can race with the poll worker that is supposed to
 663                  * report on it. To avoid missing events, ensure ordering between
 664                  * poll_scheduled and the task state accesses, such that if the poll
 665                  * worker misses the state update, the task change is guaranteed to
 666                  * reschedule the poll worker:
 667                  *
 668                  * poll worker:
 669                  *   atomic_set(poll_scheduled, 0)
 670                  *   smp_mb()
 671                  *   LOAD states
 672                  *
 673                  * task change:
 674                  *   STORE states
 675                  *   if atomic_xchg(poll_scheduled, 1) == 0:
 676                  *     schedule poll worker
 677                  *
 678                  * The atomic_xchg() implies a full barrier.
 679                  */
 680                 smp_mb();
 681         } else {
 682                 /* Polling window is not over, keep rescheduling */
 683                 force_reschedule = true;
 684         }
 685
 686
 687         collect_percpu_times(group, PSI_POLL, &changed_states);
 688
 689         if (changed_states & group->rtpoll_states) {
 690                 /* Initialize trigger windows when entering polling mode */
 691                 if (now > group->rtpoll_until)
 692                         init_rtpoll_triggers(group, now);
 693
 694                 /*
 695                  * Keep the monitor active for at least the duration of the
 696                  * minimum tracking window as long as monitor states are
 697                  * changing.
 698                  */
 699                 group->rtpoll_until = now +
 700                         group->rtpoll_min_period * UPDATES_PER_WINDOW;
 701         }
 702
 703         if (now > group->rtpoll_until) {
 704                 group->rtpoll_next_update = ULLONG_MAX;
 705                 goto out;
 706         }
 707
 708         if (now >= group->rtpoll_next_update) {
 709                 group->rtpoll_next_update = update_triggers(group, now, &update_total, PSI_POLL);
 710                 if (update_total)
 711                         memcpy(group->rtpoll_total, group->total[PSI_POLL],
 712                                    sizeof(group->rtpoll_total));
 713         }
 714
 715         psi_schedule_rtpoll_work(group,
 716                 nsecs_to_jiffies(group->rtpoll_next_update - now) + 1,
 717                 force_reschedule);
 718
 719 out:
 720         mutex_unlock(&group->rtpoll_trigger_lock);
 721 }
 722
 723 static int psi_rtpoll_worker(void *data)
 724 {
 725         struct psi_group *group = (struct psi_group *)data;
 726
 727         sched_set_fifo_low(current);
 728
 729         while (true) {
 730                 wait_event_interruptible(group->rtpoll_wait,
 731                                 atomic_cmpxchg(&group->rtpoll_wakeup, 1, 0) ||
 732                                 kthread_should_stop());
 733                 if (kthread_should_stop())
 734                         break;
 735
 736                 psi_rtpoll_work(group);
 737         }
 738         return 0;
 739 }
 740
 741 static void poll_timer_fn(struct timer_list *t)
 742 {
 743         struct psi_group *group = from_timer(group, t, rtpoll_timer);
 744
 745         atomic_set(&group->rtpoll_wakeup, 1);
 746         wake_up_interruptible(&group->rtpoll_wait);
 747 }
 748
 749 static void record_times(struct psi_group_cpu *groupc, u64 now)
 750 {
 751         u32 delta;
 752
 753         delta = now - groupc->state_start;
 754         groupc->state_start = now;
 755
 756         if (groupc->state_mask & (1 << PSI_IO_SOME)) {
 757                 groupc->times[PSI_IO_SOME] += delta;
 758                 if (groupc->state_mask & (1 << PSI_IO_FULL))
 759                         groupc->times[PSI_IO_FULL] += delta;
 760         }
 761
 762         if (groupc->state_mask & (1 << PSI_MEM_SOME)) {
 763                 groupc->times[PSI_MEM_SOME] += delta;
 764                 if (groupc->state_mask & (1 << PSI_MEM_FULL))
 765                         groupc->times[PSI_MEM_FULL] += delta;
 766         }
 767
 768         if (groupc->state_mask & (1 << PSI_CPU_SOME)) {
 769                 groupc->times[PSI_CPU_SOME] += delta;
 770                 if (groupc->state_mask & (1 << PSI_CPU_FULL))
 771                         groupc->times[PSI_CPU_FULL] += delta;
 772         }
 773
 774         if (groupc->state_mask & (1 << PSI_NONIDLE))
 775                 groupc->times[PSI_NONIDLE] += delta;
 776 }
 777
 778 static void psi_group_change(struct psi_group *group, int cpu,
 779                              unsigned int clear, unsigned int set, u64 now,
 780                              bool wake_clock)
 781 {
 782         struct psi_group_cpu *groupc;
 783         unsigned int t, m;
 784         enum psi_states s;
 785         u32 state_mask;
 786
 787         groupc = per_cpu_ptr(group->pcpu, cpu);
 788
 789         /*
 790          * First we update the task counts according to the state
 791          * change requested through the @clear and @set bits.
 792          *
 793          * Then if the cgroup PSI stats accounting enabled, we
 794          * assess the aggregate resource states this CPU's tasks
 795          * have been in since the last change, and account any
 796          * SOME and FULL time these may have resulted in.
 797          */
 798         write_seqcount_begin(&groupc->seq);
 799
 800         /*
 801          * Start with TSK_ONCPU, which doesn't have a corresponding
 802          * task count - it's just a boolean flag directly encoded in
 803          * the state mask. Clear, set, or carry the current state if
 804          * no changes are requested.
 805          */
 806         if (unlikely(clear & TSK_ONCPU)) {
 807                 state_mask = 0;
 808                 clear &= ~TSK_ONCPU;
 809         } else if (unlikely(set & TSK_ONCPU)) {
 810                 state_mask = PSI_ONCPU;
 811                 set &= ~TSK_ONCPU;
 812         } else {
 813                 state_mask = groupc->state_mask & PSI_ONCPU;
 814         }
 815
 816         /*
 817          * The rest of the state mask is calculated based on the task
 818          * counts. Update those first, then construct the mask.
 819          */
 820         for (t = 0, m = clear; m; m &= ~(1 << t), t++) {
 821                 if (!(m & (1 << t)))
 822                         continue;
 823                 if (groupc->tasks[t]) {
 824                         groupc->tasks[t]--;
 825                 } else if (!psi_bug) {
 826                         printk_deferred(KERN_ERR "psi: task underflow! cpu=%d t=%d tasks=[%u %u %u %u] clear=%x set=%x\n",
 827                                         cpu, t, groupc->tasks[0],
 828                                         groupc->tasks[1], groupc->tasks[2],
 829                                         groupc->tasks[3], clear, set);
 830                         psi_bug = 1;
 831                 }
 832         }
 833
 834         for (t = 0; set; set &= ~(1 << t), t++)
 835                 if (set & (1 << t))
 836                         groupc->tasks[t]++;
 837
 838         if (!group->enabled) {
 839                 /*
 840                  * On the first group change after disabling PSI, conclude
 841                  * the current state and flush its time. This is unlikely
 842                  * to matter to the user, but aggregation (get_recent_times)
 843                  * may have already incorporated the live state into times_prev;
 844                  * avoid a delta sample underflow when PSI is later re-enabled.
 845                  */
 846                 if (unlikely(groupc->state_mask & (1 << PSI_NONIDLE)))
 847                         record_times(groupc, now);
 848
 849                 groupc->state_mask = state_mask;
 850
 851                 write_seqcount_end(&groupc->seq);
 852                 return;
 853         }
 854
 855         for (s = 0; s < NR_PSI_STATES; s++) {
 856                 if (test_state(groupc->tasks, s, state_mask & PSI_ONCPU))
 857                         state_mask |= (1 << s);
 858         }
 859
 860         /*
 861          * Since we care about lost potential, a memstall is FULL
 862          * when there are no other working tasks, but also when
 863          * the CPU is actively reclaiming and nothing productive
 864          * could run even if it were runnable. So when the current
 865          * task in a cgroup is in_memstall, the corresponding groupc
 866          * on that cpu is in PSI_MEM_FULL state.
 867          */
 868         if (unlikely((state_mask & PSI_ONCPU) && cpu_curr(cpu)->in_memstall))
 869                 state_mask |= (1 << PSI_MEM_FULL);
 870
 871         record_times(groupc, now);
 872
 873         groupc->state_mask = state_mask;
 874
 875         write_seqcount_end(&groupc->seq);
 876
 877         if (state_mask & group->rtpoll_states)
 878                 psi_schedule_rtpoll_work(group, 1, false);
 879
 880         if (wake_clock && !delayed_work_pending(&group->avgs_work))
 881                 schedule_delayed_work(&group->avgs_work, PSI_FREQ);
 882 }
 883
 884 static inline struct psi_group *task_psi_group(struct task_struct *task)
 885 {
 886 #ifdef CONFIG_CGROUPS
 887         if (static_branch_likely(&psi_cgroups_enabled))
 888                 return cgroup_psi(task_dfl_cgroup(task));
 889 #endif
 890         return &psi_system;
 891 }
 892
 893 static void psi_flags_change(struct task_struct *task, int clear, int set)
 894 {
 895         if (((task->psi_flags & set) ||
 896              (task->psi_flags & clear) != clear) &&
 897             !psi_bug) {
 898                 printk_deferred(KERN_ERR "psi: inconsistent task state! task=%d:%s cpu=%d psi_flags=%x clear=%x set=%x\n",
 899                                 task->pid, task->comm, task_cpu(task),
 900                                 task->psi_flags, clear, set);
 901                 psi_bug = 1;
 902         }
 903
 904         task->psi_flags &= ~clear;
 905         task->psi_flags |= set;
 906 }
 907
 908 void psi_task_change(struct task_struct *task, int clear, int set)
 909 {
 910         int cpu = task_cpu(task);
 911         struct psi_group *group;
 912         u64 now;
 913
 914         if (!task->pid)
 915                 return;
 916
 917         psi_flags_change(task, clear, set);
 918
 919         now = cpu_clock(cpu);
 920
 921         group = task_psi_group(task);
 922         do {
 923                 psi_group_change(group, cpu, clear, set, now, true);
 924         } while ((group = group->parent));
 925 }
 926
 927 void psi_task_switch(struct task_struct *prev, struct task_struct *next,
 928                      bool sleep)
 929 {
 930         struct psi_group *group, *common = NULL;
 931         int cpu = task_cpu(prev);
 932         u64 now = cpu_clock(cpu);
 933
 934         if (next->pid) {
 935                 psi_flags_change(next, 0, TSK_ONCPU);
 936                 /*
 937                  * Set TSK_ONCPU on @next's cgroups. If @next shares any
 938                  * ancestors with @prev, those will already have @prev's
 939                  * TSK_ONCPU bit set, and we can stop the iteration there.
 940                  */
 941                 group = task_psi_group(next);
 942                 do {
 943                         if (per_cpu_ptr(group->pcpu, cpu)->state_mask &
 944                             PSI_ONCPU) {
 945                                 common = group;
 946                                 break;
 947                         }
 948
 949                         psi_group_change(group, cpu, 0, TSK_ONCPU, now, true);
 950                 } while ((group = group->parent));
 951         }
 952
 953         if (prev->pid) {
 954                 int clear = TSK_ONCPU, set = 0;
 955                 bool wake_clock = true;
 956
 957                 /*
 958                  * When we're going to sleep, psi_dequeue() lets us
 959                  * handle TSK_RUNNING, TSK_MEMSTALL_RUNNING and
 960                  * TSK_IOWAIT here, where we can combine it with
 961                  * TSK_ONCPU and save walking common ancestors twice.
 962                  */
 963                 if (sleep) {
 964                         clear |= TSK_RUNNING;
 965                         if (prev->in_memstall)
 966                                 clear |= TSK_MEMSTALL_RUNNING;
 967                         if (prev->in_iowait)
 968                                 set |= TSK_IOWAIT;
 969
 970                         /*
 971                          * Periodic aggregation shuts off if there is a period of no
 972                          * task changes, so we wake it back up if necessary. However,
 973                          * don't do this if the task change is the aggregation worker
 974                          * itself going to sleep, or we'll ping-pong forever.
 975                          */
 976                         if (unlikely((prev->flags & PF_WQ_WORKER) &&
 977                                      wq_worker_last_func(prev) == psi_avgs_work))
 978                                 wake_clock = false;
 979                 }
 980
 981                 psi_flags_change(prev, clear, set);
 982
 983                 group = task_psi_group(prev);
 984                 do {
 985                         if (group == common)
 986                                 break;
 987                         psi_group_change(group, cpu, clear, set, now, wake_clock);
 988                 } while ((group = group->parent));
 989
 990                 /*
 991                  * TSK_ONCPU is handled up to the common ancestor. If there are
 992                  * any other differences between the two tasks (e.g. prev goes
 993                  * to sleep, or only one task is memstall), finish propagating
 994                  * those differences all the way up to the root.
 995                  */
 996                 if ((prev->psi_flags ^ next->psi_flags) & ~TSK_ONCPU) {
 997                         clear &= ~TSK_ONCPU;
 998                         for (; group; group = group->parent)
 999                                 psi_group_change(group, cpu, clear, set, now, wake_clock);
1000                 }
1001         }
1002 }
1003
1004 #ifdef CONFIG_IRQ_TIME_ACCOUNTING
1005 void psi_account_irqtime(struct task_struct *task, u32 delta)
1006 {
1007         int cpu = task_cpu(task);
1008         struct psi_group *group;
1009         struct psi_group_cpu *groupc;
1010         u64 now;
1011
1012         if (!task->pid)
1013                 return;
1014
1015         now = cpu_clock(cpu);
1016
1017         group = task_psi_group(task);
1018         do {
1019                 if (!group->enabled)
1020                         continue;
1021
1022                 groupc = per_cpu_ptr(group->pcpu, cpu);
1023
1024                 write_seqcount_begin(&groupc->seq);
1025
1026                 record_times(groupc, now);
1027                 groupc->times[PSI_IRQ_FULL] += delta;
1028
1029                 write_seqcount_end(&groupc->seq);
1030
1031                 if (group->rtpoll_states & (1 << PSI_IRQ_FULL))
1032                         psi_schedule_rtpoll_work(group, 1, false);
1033         } while ((group = group->parent));
1034 }
1035 #endif
1036
1037 /**
1038  * psi_memstall_enter - mark the beginning of a memory stall section
1039  * @flags: flags to handle nested sections
1040  *
1041  * Marks the calling task as being stalled due to a lack of memory,
1042  * such as waiting for a refault or performing reclaim.
1043  */
1044 void psi_memstall_enter(unsigned long *flags)
1045 {
1046         struct rq_flags rf;
1047         struct rq *rq;
1048
1049         if (static_branch_likely(&psi_disabled))
1050                 return;
1051
1052         *flags = current->in_memstall;
1053         if (*flags)
1054                 return;
1055         /*
1056          * in_memstall setting & accounting needs to be atomic wrt
1057          * changes to the task's scheduling state, otherwise we can
1058          * race with CPU migration.
1059          */
1060         rq = this_rq_lock_irq(&rf);
1061
1062         current->in_memstall = 1;
1063         psi_task_change(current, 0, TSK_MEMSTALL | TSK_MEMSTALL_RUNNING);
1064
1065         rq_unlock_irq(rq, &rf);
1066 }
1067 EXPORT_SYMBOL_GPL(psi_memstall_enter);
1068
1069 /**
1070  * psi_memstall_leave - mark the end of an memory stall section
1071  * @flags: flags to handle nested memdelay sections
1072  *
1073  * Marks the calling task as no longer stalled due to lack of memory.
1074  */
1075 void psi_memstall_leave(unsigned long *flags)
1076 {
1077         struct rq_flags rf;
1078         struct rq *rq;
1079
1080         if (static_branch_likely(&psi_disabled))
1081                 return;
1082
1083         if (*flags)
1084                 return;
1085         /*
1086          * in_memstall clearing & accounting needs to be atomic wrt
1087          * changes to the task's scheduling state, otherwise we could
1088          * race with CPU migration.
1089          */
1090         rq = this_rq_lock_irq(&rf);
1091
1092         current->in_memstall = 0;
1093         psi_task_change(current, TSK_MEMSTALL | TSK_MEMSTALL_RUNNING, 0);
1094
1095         rq_unlock_irq(rq, &rf);
1096 }
1097 EXPORT_SYMBOL_GPL(psi_memstall_leave);
1098
1099 #ifdef CONFIG_CGROUPS
1100 int psi_cgroup_alloc(struct cgroup *cgroup)
1101 {
1102         if (!static_branch_likely(&psi_cgroups_enabled))
1103                 return 0;
1104
1105         cgroup->psi = kzalloc(sizeof(struct psi_group), GFP_KERNEL);
1106         if (!cgroup->psi)
1107                 return -ENOMEM;
1108
1109         cgroup->psi->pcpu = alloc_percpu(struct psi_group_cpu);
1110         if (!cgroup->psi->pcpu) {
1111                 kfree(cgroup->psi);
1112                 return -ENOMEM;
1113         }
1114         group_init(cgroup->psi);
1115         cgroup->psi->parent = cgroup_psi(cgroup_parent(cgroup));
1116         return 0;
1117 }
1118
1119 void psi_cgroup_free(struct cgroup *cgroup)
1120 {
1121         if (!static_branch_likely(&psi_cgroups_enabled))
1122                 return;
1123
1124         cancel_delayed_work_sync(&cgroup->psi->avgs_work);
1125         free_percpu(cgroup->psi->pcpu);
1126         /* All triggers must be removed by now */
1127         WARN_ONCE(cgroup->psi->rtpoll_states, "psi: trigger leak\n");
1128         kfree(cgroup->psi);
1129 }
1130
1131 /**
1132  * cgroup_move_task - move task to a different cgroup
1133  * @task: the task
1134  * @to: the target css_set
1135  *
1136  * Move task to a new cgroup and safely migrate its associated stall
1137  * state between the different groups.
1138  *
1139  * This function acquires the task's rq lock to lock out concurrent
1140  * changes to the task's scheduling state and - in case the task is
1141  * running - concurrent changes to its stall state.
1142  */
1143 void cgroup_move_task(struct task_struct *task, struct css_set *to)
1144 {
1145         unsigned int task_flags;
1146         struct rq_flags rf;
1147         struct rq *rq;
1148
1149         if (!static_branch_likely(&psi_cgroups_enabled)) {
1150                 /*
1151                  * Lame to do this here, but the scheduler cannot be locked
1152                  * from the outside, so we move cgroups from inside sched/.
1153                  */
1154                 rcu_assign_pointer(task->cgroups, to);
1155                 return;
1156         }
1157
1158         rq = task_rq_lock(task, &rf);
1159
1160         /*
1161          * We may race with schedule() dropping the rq lock between
1162          * deactivating prev and switching to next. Because the psi
1163          * updates from the deactivation are deferred to the switch
1164          * callback to save cgroup tree updates, the task's scheduling
1165          * state here is not coherent with its psi state:
1166          *
1167          * schedule()                   cgroup_move_task()
1168          *   rq_lock()
1169          *   deactivate_task()
1170          *     p->on_rq = 0
1171          *     psi_dequeue() // defers TSK_RUNNING & TSK_IOWAIT updates
1172          *   pick_next_task()
1173          *     rq_unlock()
1174          *                                rq_lock()
1175          *                                psi_task_change() // old cgroup
1176          *                                task->cgroups = to
1177          *                                psi_task_change() // new cgroup
1178          *                                rq_unlock()
1179          *     rq_lock()
1180          *   psi_sched_switch() // does deferred updates in new cgroup
1181          *
1182          * Don't rely on the scheduling state. Use psi_flags instead.
1183          */
1184         task_flags = task->psi_flags;
1185
1186         if (task_flags)
1187                 psi_task_change(task, task_flags, 0);
1188
1189         /* See comment above */
1190         rcu_assign_pointer(task->cgroups, to);
1191
1192         if (task_flags)
1193                 psi_task_change(task, 0, task_flags);
1194
1195         task_rq_unlock(rq, task, &rf);
1196 }
1197
1198 void psi_cgroup_restart(struct psi_group *group)
1199 {
1200         int cpu;
1201
1202         /*
1203          * After we disable psi_group->enabled, we don't actually
1204          * stop percpu tasks accounting in each psi_group_cpu,
1205          * instead only stop test_state() loop, record_times()
1206          * and averaging worker, see psi_group_change() for details.
1207          *
1208          * When disable cgroup PSI, this function has nothing to sync
1209          * since cgroup pressure files are hidden and percpu psi_group_cpu
1210          * would see !psi_group->enabled and only do task accounting.
1211          *
1212          * When re-enable cgroup PSI, this function use psi_group_change()
1213          * to get correct state mask from test_state() loop on tasks[],
1214          * and restart groupc->state_start from now, use .clear = .set = 0
1215          * here since no task status really changed.
1216          */
1217         if (!group->enabled)
1218                 return;
1219
1220         for_each_possible_cpu(cpu) {
1221                 struct rq *rq = cpu_rq(cpu);
1222                 struct rq_flags rf;
1223                 u64 now;
1224
1225                 rq_lock_irq(rq, &rf);
1226                 now = cpu_clock(cpu);
1227                 psi_group_change(group, cpu, 0, 0, now, true);
1228                 rq_unlock_irq(rq, &rf);
1229         }
1230 }
1231 #endif /* CONFIG_CGROUPS */
1232
1233 int psi_show(struct seq_file *m, struct psi_group *group, enum psi_res res)
1234 {
1235         bool only_full = false;
1236         int full;
1237         u64 now;
1238
1239         if (static_branch_likely(&psi_disabled))
1240                 return -EOPNOTSUPP;
1241
1242         /* Update averages before reporting them */
1243         mutex_lock(&group->avgs_lock);
1244         now = sched_clock();
1245         collect_percpu_times(group, PSI_AVGS, NULL);
1246         if (now >= group->avg_next_update)
1247                 group->avg_next_update = update_averages(group, now);
1248         mutex_unlock(&group->avgs_lock);
1249
1250 #ifdef CONFIG_IRQ_TIME_ACCOUNTING
1251         only_full = res == PSI_IRQ;
1252 #endif
1253
1254         for (full = 0; full < 2 - only_full; full++) {
1255                 unsigned long avg[3] = { 0, };
1256                 u64 total = 0;
1257                 int w;
1258
1259                 /* CPU FULL is undefined at the system level */
1260                 if (!(group == &psi_system && res == PSI_CPU && full)) {
1261                         for (w = 0; w < 3; w++)
1262                                 avg[w] = group->avg[res * 2 + full][w];
1263                         total = div_u64(group->total[PSI_AVGS][res * 2 + full],
1264                                         NSEC_PER_USEC);
1265                 }
1266
1267                 seq_printf(m, "%s avg10=%lu.%02lu avg60=%lu.%02lu avg300=%lu.%02lu total=%llu\n",
1268                            full || only_full ? "full" : "some",
1269                            LOAD_INT(avg[0]), LOAD_FRAC(avg[0]),
1270                            LOAD_INT(avg[1]), LOAD_FRAC(avg[1]),
1271                            LOAD_INT(avg[2]), LOAD_FRAC(avg[2]),
1272                            total);
1273         }
1274
1275         return 0;
1276 }
1277
1278 struct psi_trigger *psi_trigger_create(struct psi_group *group, char *buf,
1279                                        enum psi_res res, struct file *file,
1280                                        struct kernfs_open_file *of)
1281 {
1282         struct psi_trigger *t;
1283         enum psi_states state;
1284         u32 threshold_us;
1285         bool privileged;
1286         u32 window_us;
1287
1288         if (static_branch_likely(&psi_disabled))
1289                 return ERR_PTR(-EOPNOTSUPP);
1290
1291         /*
1292          * Checking the privilege here on file->f_cred implies that a privileged user
1293          * could open the file and delegate the write to an unprivileged one.
1294          */
1295         privileged = cap_raised(file->f_cred->cap_effective, CAP_SYS_RESOURCE);
1296
1297         if (sscanf(buf, "some %u %u", &threshold_us, &window_us) == 2)
1298                 state = PSI_IO_SOME + res * 2;
1299         else if (sscanf(buf, "full %u %u", &threshold_us, &window_us) == 2)
1300                 state = PSI_IO_FULL + res * 2;
1301         else
1302                 return ERR_PTR(-EINVAL);
1303
1304 #ifdef CONFIG_IRQ_TIME_ACCOUNTING
1305         if (res == PSI_IRQ && --state != PSI_IRQ_FULL)
1306                 return ERR_PTR(-EINVAL);
1307 #endif
1308
1309         if (state >= PSI_NONIDLE)
1310                 return ERR_PTR(-EINVAL);
1311
1312         if (window_us == 0 || window_us > WINDOW_MAX_US)
1313                 return ERR_PTR(-EINVAL);
1314
1315         /*
1316          * Unprivileged users can only use 2s windows so that averages aggregation
1317          * work is used, and no RT threads need to be spawned.
1318          */
1319         if (!privileged && window_us % 2000000)
1320                 return ERR_PTR(-EINVAL);
1321
1322         /* Check threshold */
1323         if (threshold_us == 0 || threshold_us > window_us)
1324                 return ERR_PTR(-EINVAL);
1325
1326         t = kmalloc(sizeof(*t), GFP_KERNEL);
1327         if (!t)
1328                 return ERR_PTR(-ENOMEM);
1329
1330         t->group = group;
1331         t->state = state;
1332         t->threshold = threshold_us * NSEC_PER_USEC;
1333         t->win.size = window_us * NSEC_PER_USEC;
1334         window_reset(&t->win, sched_clock(),
1335                         group->total[PSI_POLL][t->state], 0);
1336
1337         t->event = 0;
1338         t->last_event_time = 0;
1339         t->of = of;
1340         if (!of)
1341                 init_waitqueue_head(&t->event_wait);
1342         t->pending_event = false;
1343         t->aggregator = privileged ? PSI_POLL : PSI_AVGS;
1344
1345         if (privileged) {
1346                 mutex_lock(&group->rtpoll_trigger_lock);
1347
1348                 if (!rcu_access_pointer(group->rtpoll_task)) {
1349                         struct task_struct *task;
1350
1351                         task = kthread_create(psi_rtpoll_worker, group, "psimon");
1352                         if (IS_ERR(task)) {
1353                                 kfree(t);
1354                                 mutex_unlock(&group->rtpoll_trigger_lock);
1355                                 return ERR_CAST(task);
1356                         }
1357                         atomic_set(&group->rtpoll_wakeup, 0);
1358                         wake_up_process(task);
1359                         rcu_assign_pointer(group->rtpoll_task, task);
1360                 }
1361
1362                 list_add(&t->node, &group->rtpoll_triggers);
1363                 group->rtpoll_min_period = min(group->rtpoll_min_period,
1364                         div_u64(t->win.size, UPDATES_PER_WINDOW));
1365                 group->rtpoll_nr_triggers[t->state]++;
1366                 group->rtpoll_states |= (1 << t->state);
1367
1368                 mutex_unlock(&group->rtpoll_trigger_lock);
1369         } else {
1370                 mutex_lock(&group->avgs_lock);
1371
1372                 list_add(&t->node, &group->avg_triggers);
1373                 group->avg_nr_triggers[t->state]++;
1374
1375                 mutex_unlock(&group->avgs_lock);
1376         }
1377         return t;
1378 }
1379
1380 void psi_trigger_destroy(struct psi_trigger *t)
1381 {
1382         struct psi_group *group;
1383         struct task_struct *task_to_destroy = NULL;
1384
1385         /*
1386          * We do not check psi_disabled since it might have been disabled after
1387          * the trigger got created.
1388          */
1389         if (!t)
1390                 return;
1391
1392         group = t->group;
1393         /*
1394          * Wakeup waiters to stop polling and clear the queue to prevent it from
1395          * being accessed later. Can happen if cgroup is deleted from under a
1396          * polling process.
1397          */
1398         if (t->of)
1399                 kernfs_notify(t->of->kn);
1400         else
1401                 wake_up_interruptible(&t->event_wait);
1402
1403         if (t->aggregator == PSI_AVGS) {
1404                 mutex_lock(&group->avgs_lock);
1405                 if (!list_empty(&t->node)) {
1406                         list_del(&t->node);
1407                         group->avg_nr_triggers[t->state]--;
1408                 }
1409                 mutex_unlock(&group->avgs_lock);
1410         } else {
1411                 mutex_lock(&group->rtpoll_trigger_lock);
1412                 if (!list_empty(&t->node)) {
1413                         struct psi_trigger *tmp;
1414                         u64 period = ULLONG_MAX;
1415
1416                         list_del(&t->node);
1417                         group->rtpoll_nr_triggers[t->state]--;
1418                         if (!group->rtpoll_nr_triggers[t->state])
1419                                 group->rtpoll_states &= ~(1 << t->state);
1420                         /*
1421                          * Reset min update period for the remaining triggers
1422                          * iff the destroying trigger had the min window size.
1423                          */
1424                         if (group->rtpoll_min_period == div_u64(t->win.size, UPDATES_PER_WINDOW)) {
1425                                 list_for_each_entry(tmp, &group->rtpoll_triggers, node)
1426                                         period = min(period, div_u64(tmp->win.size,
1427                                                         UPDATES_PER_WINDOW));
1428                                 group->rtpoll_min_period = period;
1429                         }
1430                         /* Destroy rtpoll_task when the last trigger is destroyed */
1431                         if (group->rtpoll_states == 0) {
1432                                 group->rtpoll_until = 0;
1433                                 task_to_destroy = rcu_dereference_protected(
1434                                                 group->rtpoll_task,
1435                                                 lockdep_is_held(&group->rtpoll_trigger_lock));
1436                                 rcu_assign_pointer(group->rtpoll_task, NULL);
1437                                 del_timer(&group->rtpoll_timer);
1438                         }
1439                 }
1440                 mutex_unlock(&group->rtpoll_trigger_lock);
1441         }
1442
1443         /*
1444          * Wait for psi_schedule_rtpoll_work RCU to complete its read-side
1445          * critical section before destroying the trigger and optionally the
1446          * rtpoll_task.
1447          */
1448         synchronize_rcu();
1449         /*
1450          * Stop kthread 'psimon' after releasing rtpoll_trigger_lock to prevent
1451          * a deadlock while waiting for psi_rtpoll_work to acquire
1452          * rtpoll_trigger_lock
1453          */
1454         if (task_to_destroy) {
1455                 /*
1456                  * After the RCU grace period has expired, the worker
1457                  * can no longer be found through group->rtpoll_task.
1458                  */
1459                 kthread_stop(task_to_destroy);
1460                 atomic_set(&group->rtpoll_scheduled, 0);
1461         }
1462         kfree(t);
1463 }
1464
1465 __poll_t psi_trigger_poll(void **trigger_ptr,
1466                                 struct file *file, poll_table *wait)
1467 {
1468         __poll_t ret = DEFAULT_POLLMASK;
1469         struct psi_trigger *t;
1470
1471         if (static_branch_likely(&psi_disabled))
1472                 return DEFAULT_POLLMASK | EPOLLERR | EPOLLPRI;
1473
1474         t = smp_load_acquire(trigger_ptr);
1475         if (!t)
1476                 return DEFAULT_POLLMASK | EPOLLERR | EPOLLPRI;
1477
1478         if (t->of)
1479                 kernfs_generic_poll(t->of, wait);
1480         else
1481                 poll_wait(file, &t->event_wait, wait);
1482
1483         if (cmpxchg(&t->event, 1, 0) == 1)
1484                 ret |= EPOLLPRI;
1485
1486         return ret;
1487 }
1488
1489 #ifdef CONFIG_PROC_FS
1490 static int psi_io_show(struct seq_file *m, void *v)
1491 {
1492         return psi_show(m, &psi_system, PSI_IO);
1493 }
1494
1495 static int psi_memory_show(struct seq_file *m, void *v)
1496 {
1497         return psi_show(m, &psi_system, PSI_MEM);
1498 }
1499
1500 static int psi_cpu_show(struct seq_file *m, void *v)
1501 {
1502         return psi_show(m, &psi_system, PSI_CPU);
1503 }
1504
1505 static int psi_io_open(struct inode *inode, struct file *file)
1506 {
1507         return single_open(file, psi_io_show, NULL);
1508 }
1509
1510 static int psi_memory_open(struct inode *inode, struct file *file)
1511 {
1512         return single_open(file, psi_memory_show, NULL);
1513 }
1514
1515 static int psi_cpu_open(struct inode *inode, struct file *file)
1516 {
1517         return single_open(file, psi_cpu_show, NULL);
1518 }
1519
1520 static ssize_t psi_write(struct file *file, const char __user *user_buf,
1521                          size_t nbytes, enum psi_res res)
1522 {
1523         char buf[32];
1524         size_t buf_size;
1525         struct seq_file *seq;
1526         struct psi_trigger *new;
1527
1528         if (static_branch_likely(&psi_disabled))
1529                 return -EOPNOTSUPP;
1530
1531         if (!nbytes)
1532                 return -EINVAL;
1533
1534         buf_size = min(nbytes, sizeof(buf));
1535         if (copy_from_user(buf, user_buf, buf_size))
1536                 return -EFAULT;
1537
1538         buf[buf_size - 1] = '\0';
1539
1540         seq = file->private_data;
1541
1542         /* Take seq->lock to protect seq->private from concurrent writes */
1543         mutex_lock(&seq->lock);
1544
1545         /* Allow only one trigger per file descriptor */
1546         if (seq->private) {
1547                 mutex_unlock(&seq->lock);
1548                 return -EBUSY;
1549         }
1550
1551         new = psi_trigger_create(&psi_system, buf, res, file, NULL);
1552         if (IS_ERR(new)) {
1553                 mutex_unlock(&seq->lock);
1554                 return PTR_ERR(new);
1555         }
1556
1557         smp_store_release(&seq->private, new);
1558         mutex_unlock(&seq->lock);
1559
1560         return nbytes;
1561 }
1562
1563 static ssize_t psi_io_write(struct file *file, const char __user *user_buf,
1564                             size_t nbytes, loff_t *ppos)
1565 {
1566         return psi_write(file, user_buf, nbytes, PSI_IO);
1567 }
1568
1569 static ssize_t psi_memory_write(struct file *file, const char __user *user_buf,
1570                                 size_t nbytes, loff_t *ppos)
1571 {
1572         return psi_write(file, user_buf, nbytes, PSI_MEM);
1573 }
1574
1575 static ssize_t psi_cpu_write(struct file *file, const char __user *user_buf,
1576                              size_t nbytes, loff_t *ppos)
1577 {
1578         return psi_write(file, user_buf, nbytes, PSI_CPU);
1579 }
1580
1581 static __poll_t psi_fop_poll(struct file *file, poll_table *wait)
1582 {
1583         struct seq_file *seq = file->private_data;
1584
1585         return psi_trigger_poll(&seq->private, file, wait);
1586 }
1587
1588 static int psi_fop_release(struct inode *inode, struct file *file)
1589 {
1590         struct seq_file *seq = file->private_data;
1591
1592         psi_trigger_destroy(seq->private);
1593         return single_release(inode, file);
1594 }
1595
1596 static const struct proc_ops psi_io_proc_ops = {
1597         .proc_open      = psi_io_open,
1598         .proc_read      = seq_read,
1599         .proc_lseek     = seq_lseek,
1600         .proc_write     = psi_io_write,
1601         .proc_poll      = psi_fop_poll,
1602         .proc_release   = psi_fop_release,
1603 };
1604
1605 static const struct proc_ops psi_memory_proc_ops = {
1606         .proc_open      = psi_memory_open,
1607         .proc_read      = seq_read,
1608         .proc_lseek     = seq_lseek,
1609         .proc_write     = psi_memory_write,
1610         .proc_poll      = psi_fop_poll,
1611         .proc_release   = psi_fop_release,
1612 };
1613
1614 static const struct proc_ops psi_cpu_proc_ops = {
1615         .proc_open      = psi_cpu_open,
1616         .proc_read      = seq_read,
1617         .proc_lseek     = seq_lseek,
1618         .proc_write     = psi_cpu_write,
1619         .proc_poll      = psi_fop_poll,
1620         .proc_release   = psi_fop_release,
1621 };
1622
1623 #ifdef CONFIG_IRQ_TIME_ACCOUNTING
1624 static int psi_irq_show(struct seq_file *m, void *v)
1625 {
1626         return psi_show(m, &psi_system, PSI_IRQ);
1627 }
1628
1629 static int psi_irq_open(struct inode *inode, struct file *file)
1630 {
1631         return single_open(file, psi_irq_show, NULL);
1632 }
1633
1634 static ssize_t psi_irq_write(struct file *file, const char __user *user_buf,
1635                              size_t nbytes, loff_t *ppos)
1636 {
1637         return psi_write(file, user_buf, nbytes, PSI_IRQ);
1638 }
1639
1640 static const struct proc_ops psi_irq_proc_ops = {
1641         .proc_open      = psi_irq_open,
1642         .proc_read      = seq_read,
1643         .proc_lseek     = seq_lseek,
1644         .proc_write     = psi_irq_write,
1645         .proc_poll      = psi_fop_poll,
1646         .proc_release   = psi_fop_release,
1647 };
1648 #endif
1649
1650 static int __init psi_proc_init(void)
1651 {
1652         if (psi_enable) {
1653                 proc_mkdir("pressure", NULL);
1654                 proc_create("pressure/io", 0666, NULL, &psi_io_proc_ops);
1655                 proc_create("pressure/memory", 0666, NULL, &psi_memory_proc_ops);
1656                 proc_create("pressure/cpu", 0666, NULL, &psi_cpu_proc_ops);
1657 #ifdef CONFIG_IRQ_TIME_ACCOUNTING
1658                 proc_create("pressure/irq", 0666, NULL, &psi_irq_proc_ops);
1659 #endif
1660         }
1661         return 0;
1662 }
1663 module_init(psi_proc_init);
1664
1665 #endif /* CONFIG_PROC_FS */