e83c321461cf4850e8b34cf63f4ebc39c36e8e71
[platform/kernel/linux-starfive.git] / 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 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_MIN_US 500000    /* Min window size is 500ms */
164 #define WINDOW_MAX_US 10000000  /* Max window size is 10s */
165 #define UPDATES_PER_WINDOW 10   /* 10 updates per window */
166
167 /* Sampling frequency in nanoseconds */
168 static u64 psi_period __read_mostly;
169
170 /* System-level pressure and stall tracking */
171 static DEFINE_PER_CPU(struct psi_group_cpu, system_group_pcpu);
172 struct psi_group psi_system = {
173         .pcpu = &system_group_pcpu,
174 };
175
176 static void psi_avgs_work(struct work_struct *work);
177
178 static void poll_timer_fn(struct timer_list *t);
179
180 static void group_init(struct psi_group *group)
181 {
182         int cpu;
183
184         group->enabled = true;
185         for_each_possible_cpu(cpu)
186                 seqcount_init(&per_cpu_ptr(group->pcpu, cpu)->seq);
187         group->avg_last_update = sched_clock();
188         group->avg_next_update = group->avg_last_update + psi_period;
189         INIT_DELAYED_WORK(&group->avgs_work, psi_avgs_work);
190         mutex_init(&group->avgs_lock);
191         /* Init trigger-related members */
192         atomic_set(&group->poll_scheduled, 0);
193         mutex_init(&group->trigger_lock);
194         INIT_LIST_HEAD(&group->triggers);
195         group->poll_min_period = U32_MAX;
196         group->polling_next_update = ULLONG_MAX;
197         init_waitqueue_head(&group->poll_wait);
198         timer_setup(&group->poll_timer, poll_timer_fn, 0);
199         rcu_assign_pointer(group->poll_task, NULL);
200 }
201
202 void __init psi_init(void)
203 {
204         if (!psi_enable) {
205                 static_branch_enable(&psi_disabled);
206                 static_branch_disable(&psi_cgroups_enabled);
207                 return;
208         }
209
210         if (!cgroup_psi_enabled())
211                 static_branch_disable(&psi_cgroups_enabled);
212
213         psi_period = jiffies_to_nsecs(PSI_FREQ);
214         group_init(&psi_system);
215 }
216
217 static bool test_state(unsigned int *tasks, enum psi_states state, bool oncpu)
218 {
219         switch (state) {
220         case PSI_IO_SOME:
221                 return unlikely(tasks[NR_IOWAIT]);
222         case PSI_IO_FULL:
223                 return unlikely(tasks[NR_IOWAIT] && !tasks[NR_RUNNING]);
224         case PSI_MEM_SOME:
225                 return unlikely(tasks[NR_MEMSTALL]);
226         case PSI_MEM_FULL:
227                 return unlikely(tasks[NR_MEMSTALL] &&
228                         tasks[NR_RUNNING] == tasks[NR_MEMSTALL_RUNNING]);
229         case PSI_CPU_SOME:
230                 return unlikely(tasks[NR_RUNNING] > oncpu);
231         case PSI_CPU_FULL:
232                 return unlikely(tasks[NR_RUNNING] && !oncpu);
233         case PSI_NONIDLE:
234                 return tasks[NR_IOWAIT] || tasks[NR_MEMSTALL] ||
235                         tasks[NR_RUNNING];
236         default:
237                 return false;
238         }
239 }
240
241 static void get_recent_times(struct psi_group *group, int cpu,
242                              enum psi_aggregators aggregator, u32 *times,
243                              u32 *pchanged_states)
244 {
245         struct psi_group_cpu *groupc = per_cpu_ptr(group->pcpu, cpu);
246         u64 now, state_start;
247         enum psi_states s;
248         unsigned int seq;
249         u32 state_mask;
250
251         *pchanged_states = 0;
252
253         /* Snapshot a coherent view of the CPU state */
254         do {
255                 seq = read_seqcount_begin(&groupc->seq);
256                 now = cpu_clock(cpu);
257                 memcpy(times, groupc->times, sizeof(groupc->times));
258                 state_mask = groupc->state_mask;
259                 state_start = groupc->state_start;
260         } while (read_seqcount_retry(&groupc->seq, seq));
261
262         /* Calculate state time deltas against the previous snapshot */
263         for (s = 0; s < NR_PSI_STATES; s++) {
264                 u32 delta;
265                 /*
266                  * In addition to already concluded states, we also
267                  * incorporate currently active states on the CPU,
268                  * since states may last for many sampling periods.
269                  *
270                  * This way we keep our delta sampling buckets small
271                  * (u32) and our reported pressure close to what's
272                  * actually happening.
273                  */
274                 if (state_mask & (1 << s))
275                         times[s] += now - state_start;
276
277                 delta = times[s] - groupc->times_prev[aggregator][s];
278                 groupc->times_prev[aggregator][s] = times[s];
279
280                 times[s] = delta;
281                 if (delta)
282                         *pchanged_states |= (1 << s);
283         }
284 }
285
286 static void calc_avgs(unsigned long avg[3], int missed_periods,
287                       u64 time, u64 period)
288 {
289         unsigned long pct;
290
291         /* Fill in zeroes for periods of no activity */
292         if (missed_periods) {
293                 avg[0] = calc_load_n(avg[0], EXP_10s, 0, missed_periods);
294                 avg[1] = calc_load_n(avg[1], EXP_60s, 0, missed_periods);
295                 avg[2] = calc_load_n(avg[2], EXP_300s, 0, missed_periods);
296         }
297
298         /* Sample the most recent active period */
299         pct = div_u64(time * 100, period);
300         pct *= FIXED_1;
301         avg[0] = calc_load(avg[0], EXP_10s, pct);
302         avg[1] = calc_load(avg[1], EXP_60s, pct);
303         avg[2] = calc_load(avg[2], EXP_300s, pct);
304 }
305
306 static void collect_percpu_times(struct psi_group *group,
307                                  enum psi_aggregators aggregator,
308                                  u32 *pchanged_states)
309 {
310         u64 deltas[NR_PSI_STATES - 1] = { 0, };
311         unsigned long nonidle_total = 0;
312         u32 changed_states = 0;
313         int cpu;
314         int s;
315
316         /*
317          * Collect the per-cpu time buckets and average them into a
318          * single time sample that is normalized to wallclock time.
319          *
320          * For averaging, each CPU is weighted by its non-idle time in
321          * the sampling period. This eliminates artifacts from uneven
322          * loading, or even entirely idle CPUs.
323          */
324         for_each_possible_cpu(cpu) {
325                 u32 times[NR_PSI_STATES];
326                 u32 nonidle;
327                 u32 cpu_changed_states;
328
329                 get_recent_times(group, cpu, aggregator, times,
330                                 &cpu_changed_states);
331                 changed_states |= cpu_changed_states;
332
333                 nonidle = nsecs_to_jiffies(times[PSI_NONIDLE]);
334                 nonidle_total += nonidle;
335
336                 for (s = 0; s < PSI_NONIDLE; s++)
337                         deltas[s] += (u64)times[s] * nonidle;
338         }
339
340         /*
341          * Integrate the sample into the running statistics that are
342          * reported to userspace: the cumulative stall times and the
343          * decaying averages.
344          *
345          * Pressure percentages are sampled at PSI_FREQ. We might be
346          * called more often when the user polls more frequently than
347          * that; we might be called less often when there is no task
348          * activity, thus no data, and clock ticks are sporadic. The
349          * below handles both.
350          */
351
352         /* total= */
353         for (s = 0; s < NR_PSI_STATES - 1; s++)
354                 group->total[aggregator][s] +=
355                                 div_u64(deltas[s], max(nonidle_total, 1UL));
356
357         if (pchanged_states)
358                 *pchanged_states = changed_states;
359 }
360
361 static u64 update_averages(struct psi_group *group, u64 now)
362 {
363         unsigned long missed_periods = 0;
364         u64 expires, period;
365         u64 avg_next_update;
366         int s;
367
368         /* avgX= */
369         expires = group->avg_next_update;
370         if (now - expires >= psi_period)
371                 missed_periods = div_u64(now - expires, psi_period);
372
373         /*
374          * The periodic clock tick can get delayed for various
375          * reasons, especially on loaded systems. To avoid clock
376          * drift, we schedule the clock in fixed psi_period intervals.
377          * But the deltas we sample out of the per-cpu buckets above
378          * are based on the actual time elapsing between clock ticks.
379          */
380         avg_next_update = expires + ((1 + missed_periods) * psi_period);
381         period = now - (group->avg_last_update + (missed_periods * psi_period));
382         group->avg_last_update = now;
383
384         for (s = 0; s < NR_PSI_STATES - 1; s++) {
385                 u32 sample;
386
387                 sample = group->total[PSI_AVGS][s] - group->avg_total[s];
388                 /*
389                  * Due to the lockless sampling of the time buckets,
390                  * recorded time deltas can slip into the next period,
391                  * which under full pressure can result in samples in
392                  * excess of the period length.
393                  *
394                  * We don't want to report non-sensical pressures in
395                  * excess of 100%, nor do we want to drop such events
396                  * on the floor. Instead we punt any overage into the
397                  * future until pressure subsides. By doing this we
398                  * don't underreport the occurring pressure curve, we
399                  * just report it delayed by one period length.
400                  *
401                  * The error isn't cumulative. As soon as another
402                  * delta slips from a period P to P+1, by definition
403                  * it frees up its time T in P.
404                  */
405                 if (sample > period)
406                         sample = period;
407                 group->avg_total[s] += sample;
408                 calc_avgs(group->avg[s], missed_periods, sample, period);
409         }
410
411         return avg_next_update;
412 }
413
414 static void psi_avgs_work(struct work_struct *work)
415 {
416         struct delayed_work *dwork;
417         struct psi_group *group;
418         u32 changed_states;
419         bool nonidle;
420         u64 now;
421
422         dwork = to_delayed_work(work);
423         group = container_of(dwork, struct psi_group, avgs_work);
424
425         mutex_lock(&group->avgs_lock);
426
427         now = sched_clock();
428
429         collect_percpu_times(group, PSI_AVGS, &changed_states);
430         nonidle = changed_states & (1 << PSI_NONIDLE);
431         /*
432          * If there is task activity, periodically fold the per-cpu
433          * times and feed samples into the running averages. If things
434          * are idle and there is no data to process, stop the clock.
435          * Once restarted, we'll catch up the running averages in one
436          * go - see calc_avgs() and missed_periods.
437          */
438         if (now >= group->avg_next_update)
439                 group->avg_next_update = update_averages(group, now);
440
441         if (nonidle) {
442                 schedule_delayed_work(dwork, nsecs_to_jiffies(
443                                 group->avg_next_update - now) + 1);
444         }
445
446         mutex_unlock(&group->avgs_lock);
447 }
448
449 /* Trigger tracking window manipulations */
450 static void window_reset(struct psi_window *win, u64 now, u64 value,
451                          u64 prev_growth)
452 {
453         win->start_time = now;
454         win->start_value = value;
455         win->prev_growth = prev_growth;
456 }
457
458 /*
459  * PSI growth tracking window update and growth calculation routine.
460  *
461  * This approximates a sliding tracking window by interpolating
462  * partially elapsed windows using historical growth data from the
463  * previous intervals. This minimizes memory requirements (by not storing
464  * all the intermediate values in the previous window) and simplifies
465  * the calculations. It works well because PSI signal changes only in
466  * positive direction and over relatively small window sizes the growth
467  * is close to linear.
468  */
469 static u64 window_update(struct psi_window *win, u64 now, u64 value)
470 {
471         u64 elapsed;
472         u64 growth;
473
474         elapsed = now - win->start_time;
475         growth = value - win->start_value;
476         /*
477          * After each tracking window passes win->start_value and
478          * win->start_time get reset and win->prev_growth stores
479          * the average per-window growth of the previous window.
480          * win->prev_growth is then used to interpolate additional
481          * growth from the previous window assuming it was linear.
482          */
483         if (elapsed > win->size)
484                 window_reset(win, now, value, growth);
485         else {
486                 u32 remaining;
487
488                 remaining = win->size - elapsed;
489                 growth += div64_u64(win->prev_growth * remaining, win->size);
490         }
491
492         return growth;
493 }
494
495 static void init_triggers(struct psi_group *group, u64 now)
496 {
497         struct psi_trigger *t;
498
499         list_for_each_entry(t, &group->triggers, node)
500                 window_reset(&t->win, now,
501                                 group->total[PSI_POLL][t->state], 0);
502         memcpy(group->polling_total, group->total[PSI_POLL],
503                    sizeof(group->polling_total));
504         group->polling_next_update = now + group->poll_min_period;
505 }
506
507 static u64 update_triggers(struct psi_group *group, u64 now)
508 {
509         struct psi_trigger *t;
510         bool update_total = false;
511         u64 *total = group->total[PSI_POLL];
512
513         /*
514          * On subsequent updates, calculate growth deltas and let
515          * watchers know when their specified thresholds are exceeded.
516          */
517         list_for_each_entry(t, &group->triggers, node) {
518                 u64 growth;
519                 bool new_stall;
520
521                 new_stall = group->polling_total[t->state] != total[t->state];
522
523                 /* Check for stall activity or a previous threshold breach */
524                 if (!new_stall && !t->pending_event)
525                         continue;
526                 /*
527                  * Check for new stall activity, as well as deferred
528                  * events that occurred in the last window after the
529                  * trigger had already fired (we want to ratelimit
530                  * events without dropping any).
531                  */
532                 if (new_stall) {
533                         /*
534                          * Multiple triggers might be looking at the same state,
535                          * remember to update group->polling_total[] once we've
536                          * been through all of them. Also remember to extend the
537                          * polling time if we see new stall activity.
538                          */
539                         update_total = true;
540
541                         /* Calculate growth since last update */
542                         growth = window_update(&t->win, now, total[t->state]);
543                         if (!t->pending_event) {
544                                 if (growth < t->threshold)
545                                         continue;
546
547                                 t->pending_event = true;
548                         }
549                 }
550                 /* Limit event signaling to once per window */
551                 if (now < t->last_event_time + t->win.size)
552                         continue;
553
554                 /* Generate an event */
555                 if (cmpxchg(&t->event, 0, 1) == 0)
556                         wake_up_interruptible(&t->event_wait);
557                 t->last_event_time = now;
558                 /* Reset threshold breach flag once event got generated */
559                 t->pending_event = false;
560         }
561
562         if (update_total)
563                 memcpy(group->polling_total, total,
564                                 sizeof(group->polling_total));
565
566         return now + group->poll_min_period;
567 }
568
569 /* Schedule polling if it's not already scheduled or forced. */
570 static void psi_schedule_poll_work(struct psi_group *group, unsigned long delay,
571                                    bool force)
572 {
573         struct task_struct *task;
574
575         /*
576          * atomic_xchg should be called even when !force to provide a
577          * full memory barrier (see the comment inside psi_poll_work).
578          */
579         if (atomic_xchg(&group->poll_scheduled, 1) && !force)
580                 return;
581
582         rcu_read_lock();
583
584         task = rcu_dereference(group->poll_task);
585         /*
586          * kworker might be NULL in case psi_trigger_destroy races with
587          * psi_task_change (hotpath) which can't use locks
588          */
589         if (likely(task))
590                 mod_timer(&group->poll_timer, jiffies + delay);
591         else
592                 atomic_set(&group->poll_scheduled, 0);
593
594         rcu_read_unlock();
595 }
596
597 static void psi_poll_work(struct psi_group *group)
598 {
599         bool force_reschedule = false;
600         u32 changed_states;
601         u64 now;
602
603         mutex_lock(&group->trigger_lock);
604
605         now = sched_clock();
606
607         if (now > group->polling_until) {
608                 /*
609                  * We are either about to start or might stop polling if no
610                  * state change was recorded. Resetting poll_scheduled leaves
611                  * a small window for psi_group_change to sneak in and schedule
612                  * an immediate poll_work before we get to rescheduling. One
613                  * potential extra wakeup at the end of the polling window
614                  * should be negligible and polling_next_update still keeps
615                  * updates correctly on schedule.
616                  */
617                 atomic_set(&group->poll_scheduled, 0);
618                 /*
619                  * A task change can race with the poll worker that is supposed to
620                  * report on it. To avoid missing events, ensure ordering between
621                  * poll_scheduled and the task state accesses, such that if the poll
622                  * worker misses the state update, the task change is guaranteed to
623                  * reschedule the poll worker:
624                  *
625                  * poll worker:
626                  *   atomic_set(poll_scheduled, 0)
627                  *   smp_mb()
628                  *   LOAD states
629                  *
630                  * task change:
631                  *   STORE states
632                  *   if atomic_xchg(poll_scheduled, 1) == 0:
633                  *     schedule poll worker
634                  *
635                  * The atomic_xchg() implies a full barrier.
636                  */
637                 smp_mb();
638         } else {
639                 /* Polling window is not over, keep rescheduling */
640                 force_reschedule = true;
641         }
642
643
644         collect_percpu_times(group, PSI_POLL, &changed_states);
645
646         if (changed_states & group->poll_states) {
647                 /* Initialize trigger windows when entering polling mode */
648                 if (now > group->polling_until)
649                         init_triggers(group, now);
650
651                 /*
652                  * Keep the monitor active for at least the duration of the
653                  * minimum tracking window as long as monitor states are
654                  * changing.
655                  */
656                 group->polling_until = now +
657                         group->poll_min_period * UPDATES_PER_WINDOW;
658         }
659
660         if (now > group->polling_until) {
661                 group->polling_next_update = ULLONG_MAX;
662                 goto out;
663         }
664
665         if (now >= group->polling_next_update)
666                 group->polling_next_update = update_triggers(group, now);
667
668         psi_schedule_poll_work(group,
669                 nsecs_to_jiffies(group->polling_next_update - now) + 1,
670                 force_reschedule);
671
672 out:
673         mutex_unlock(&group->trigger_lock);
674 }
675
676 static int psi_poll_worker(void *data)
677 {
678         struct psi_group *group = (struct psi_group *)data;
679
680         sched_set_fifo_low(current);
681
682         while (true) {
683                 wait_event_interruptible(group->poll_wait,
684                                 atomic_cmpxchg(&group->poll_wakeup, 1, 0) ||
685                                 kthread_should_stop());
686                 if (kthread_should_stop())
687                         break;
688
689                 psi_poll_work(group);
690         }
691         return 0;
692 }
693
694 static void poll_timer_fn(struct timer_list *t)
695 {
696         struct psi_group *group = from_timer(group, t, poll_timer);
697
698         atomic_set(&group->poll_wakeup, 1);
699         wake_up_interruptible(&group->poll_wait);
700 }
701
702 static void record_times(struct psi_group_cpu *groupc, u64 now)
703 {
704         u32 delta;
705
706         delta = now - groupc->state_start;
707         groupc->state_start = now;
708
709         if (groupc->state_mask & (1 << PSI_IO_SOME)) {
710                 groupc->times[PSI_IO_SOME] += delta;
711                 if (groupc->state_mask & (1 << PSI_IO_FULL))
712                         groupc->times[PSI_IO_FULL] += delta;
713         }
714
715         if (groupc->state_mask & (1 << PSI_MEM_SOME)) {
716                 groupc->times[PSI_MEM_SOME] += delta;
717                 if (groupc->state_mask & (1 << PSI_MEM_FULL))
718                         groupc->times[PSI_MEM_FULL] += delta;
719         }
720
721         if (groupc->state_mask & (1 << PSI_CPU_SOME)) {
722                 groupc->times[PSI_CPU_SOME] += delta;
723                 if (groupc->state_mask & (1 << PSI_CPU_FULL))
724                         groupc->times[PSI_CPU_FULL] += delta;
725         }
726
727         if (groupc->state_mask & (1 << PSI_NONIDLE))
728                 groupc->times[PSI_NONIDLE] += delta;
729 }
730
731 static void psi_group_change(struct psi_group *group, int cpu,
732                              unsigned int clear, unsigned int set, u64 now,
733                              bool wake_clock)
734 {
735         struct psi_group_cpu *groupc;
736         unsigned int t, m;
737         enum psi_states s;
738         u32 state_mask;
739
740         groupc = per_cpu_ptr(group->pcpu, cpu);
741
742         /*
743          * First we update the task counts according to the state
744          * change requested through the @clear and @set bits.
745          *
746          * Then if the cgroup PSI stats accounting enabled, we
747          * assess the aggregate resource states this CPU's tasks
748          * have been in since the last change, and account any
749          * SOME and FULL time these may have resulted in.
750          */
751         write_seqcount_begin(&groupc->seq);
752
753         /*
754          * Start with TSK_ONCPU, which doesn't have a corresponding
755          * task count - it's just a boolean flag directly encoded in
756          * the state mask. Clear, set, or carry the current state if
757          * no changes are requested.
758          */
759         if (unlikely(clear & TSK_ONCPU)) {
760                 state_mask = 0;
761                 clear &= ~TSK_ONCPU;
762         } else if (unlikely(set & TSK_ONCPU)) {
763                 state_mask = PSI_ONCPU;
764                 set &= ~TSK_ONCPU;
765         } else {
766                 state_mask = groupc->state_mask & PSI_ONCPU;
767         }
768
769         /*
770          * The rest of the state mask is calculated based on the task
771          * counts. Update those first, then construct the mask.
772          */
773         for (t = 0, m = clear; m; m &= ~(1 << t), t++) {
774                 if (!(m & (1 << t)))
775                         continue;
776                 if (groupc->tasks[t]) {
777                         groupc->tasks[t]--;
778                 } else if (!psi_bug) {
779                         printk_deferred(KERN_ERR "psi: task underflow! cpu=%d t=%d tasks=[%u %u %u %u] clear=%x set=%x\n",
780                                         cpu, t, groupc->tasks[0],
781                                         groupc->tasks[1], groupc->tasks[2],
782                                         groupc->tasks[3], clear, set);
783                         psi_bug = 1;
784                 }
785         }
786
787         for (t = 0; set; set &= ~(1 << t), t++)
788                 if (set & (1 << t))
789                         groupc->tasks[t]++;
790
791         if (!group->enabled) {
792                 /*
793                  * On the first group change after disabling PSI, conclude
794                  * the current state and flush its time. This is unlikely
795                  * to matter to the user, but aggregation (get_recent_times)
796                  * may have already incorporated the live state into times_prev;
797                  * avoid a delta sample underflow when PSI is later re-enabled.
798                  */
799                 if (unlikely(groupc->state_mask & (1 << PSI_NONIDLE)))
800                         record_times(groupc, now);
801
802                 groupc->state_mask = state_mask;
803
804                 write_seqcount_end(&groupc->seq);
805                 return;
806         }
807
808         for (s = 0; s < NR_PSI_STATES; s++) {
809                 if (test_state(groupc->tasks, s, state_mask & PSI_ONCPU))
810                         state_mask |= (1 << s);
811         }
812
813         /*
814          * Since we care about lost potential, a memstall is FULL
815          * when there are no other working tasks, but also when
816          * the CPU is actively reclaiming and nothing productive
817          * could run even if it were runnable. So when the current
818          * task in a cgroup is in_memstall, the corresponding groupc
819          * on that cpu is in PSI_MEM_FULL state.
820          */
821         if (unlikely((state_mask & PSI_ONCPU) && cpu_curr(cpu)->in_memstall))
822                 state_mask |= (1 << PSI_MEM_FULL);
823
824         record_times(groupc, now);
825
826         groupc->state_mask = state_mask;
827
828         write_seqcount_end(&groupc->seq);
829
830         if (state_mask & group->poll_states)
831                 psi_schedule_poll_work(group, 1, false);
832
833         if (wake_clock && !delayed_work_pending(&group->avgs_work))
834                 schedule_delayed_work(&group->avgs_work, PSI_FREQ);
835 }
836
837 static inline struct psi_group *task_psi_group(struct task_struct *task)
838 {
839 #ifdef CONFIG_CGROUPS
840         if (static_branch_likely(&psi_cgroups_enabled))
841                 return cgroup_psi(task_dfl_cgroup(task));
842 #endif
843         return &psi_system;
844 }
845
846 static void psi_flags_change(struct task_struct *task, int clear, int set)
847 {
848         if (((task->psi_flags & set) ||
849              (task->psi_flags & clear) != clear) &&
850             !psi_bug) {
851                 printk_deferred(KERN_ERR "psi: inconsistent task state! task=%d:%s cpu=%d psi_flags=%x clear=%x set=%x\n",
852                                 task->pid, task->comm, task_cpu(task),
853                                 task->psi_flags, clear, set);
854                 psi_bug = 1;
855         }
856
857         task->psi_flags &= ~clear;
858         task->psi_flags |= set;
859 }
860
861 void psi_task_change(struct task_struct *task, int clear, int set)
862 {
863         int cpu = task_cpu(task);
864         struct psi_group *group;
865         u64 now;
866
867         if (!task->pid)
868                 return;
869
870         psi_flags_change(task, clear, set);
871
872         now = cpu_clock(cpu);
873
874         group = task_psi_group(task);
875         do {
876                 psi_group_change(group, cpu, clear, set, now, true);
877         } while ((group = group->parent));
878 }
879
880 void psi_task_switch(struct task_struct *prev, struct task_struct *next,
881                      bool sleep)
882 {
883         struct psi_group *group, *common = NULL;
884         int cpu = task_cpu(prev);
885         u64 now = cpu_clock(cpu);
886
887         if (next->pid) {
888                 psi_flags_change(next, 0, TSK_ONCPU);
889                 /*
890                  * Set TSK_ONCPU on @next's cgroups. If @next shares any
891                  * ancestors with @prev, those will already have @prev's
892                  * TSK_ONCPU bit set, and we can stop the iteration there.
893                  */
894                 group = task_psi_group(next);
895                 do {
896                         if (per_cpu_ptr(group->pcpu, cpu)->state_mask &
897                             PSI_ONCPU) {
898                                 common = group;
899                                 break;
900                         }
901
902                         psi_group_change(group, cpu, 0, TSK_ONCPU, now, true);
903                 } while ((group = group->parent));
904         }
905
906         if (prev->pid) {
907                 int clear = TSK_ONCPU, set = 0;
908                 bool wake_clock = true;
909
910                 /*
911                  * When we're going to sleep, psi_dequeue() lets us
912                  * handle TSK_RUNNING, TSK_MEMSTALL_RUNNING and
913                  * TSK_IOWAIT here, where we can combine it with
914                  * TSK_ONCPU and save walking common ancestors twice.
915                  */
916                 if (sleep) {
917                         clear |= TSK_RUNNING;
918                         if (prev->in_memstall)
919                                 clear |= TSK_MEMSTALL_RUNNING;
920                         if (prev->in_iowait)
921                                 set |= TSK_IOWAIT;
922
923                         /*
924                          * Periodic aggregation shuts off if there is a period of no
925                          * task changes, so we wake it back up if necessary. However,
926                          * don't do this if the task change is the aggregation worker
927                          * itself going to sleep, or we'll ping-pong forever.
928                          */
929                         if (unlikely((prev->flags & PF_WQ_WORKER) &&
930                                      wq_worker_last_func(prev) == psi_avgs_work))
931                                 wake_clock = false;
932                 }
933
934                 psi_flags_change(prev, clear, set);
935
936                 group = task_psi_group(prev);
937                 do {
938                         if (group == common)
939                                 break;
940                         psi_group_change(group, cpu, clear, set, now, wake_clock);
941                 } while ((group = group->parent));
942
943                 /*
944                  * TSK_ONCPU is handled up to the common ancestor. If there are
945                  * any other differences between the two tasks (e.g. prev goes
946                  * to sleep, or only one task is memstall), finish propagating
947                  * those differences all the way up to the root.
948                  */
949                 if ((prev->psi_flags ^ next->psi_flags) & ~TSK_ONCPU) {
950                         clear &= ~TSK_ONCPU;
951                         for (; group; group = group->parent)
952                                 psi_group_change(group, cpu, clear, set, now, wake_clock);
953                 }
954         }
955 }
956
957 #ifdef CONFIG_IRQ_TIME_ACCOUNTING
958 void psi_account_irqtime(struct task_struct *task, u32 delta)
959 {
960         int cpu = task_cpu(task);
961         struct psi_group *group;
962         struct psi_group_cpu *groupc;
963         u64 now;
964
965         if (!task->pid)
966                 return;
967
968         now = cpu_clock(cpu);
969
970         group = task_psi_group(task);
971         do {
972                 if (!group->enabled)
973                         continue;
974
975                 groupc = per_cpu_ptr(group->pcpu, cpu);
976
977                 write_seqcount_begin(&groupc->seq);
978
979                 record_times(groupc, now);
980                 groupc->times[PSI_IRQ_FULL] += delta;
981
982                 write_seqcount_end(&groupc->seq);
983
984                 if (group->poll_states & (1 << PSI_IRQ_FULL))
985                         psi_schedule_poll_work(group, 1, false);
986         } while ((group = group->parent));
987 }
988 #endif
989
990 /**
991  * psi_memstall_enter - mark the beginning of a memory stall section
992  * @flags: flags to handle nested sections
993  *
994  * Marks the calling task as being stalled due to a lack of memory,
995  * such as waiting for a refault or performing reclaim.
996  */
997 void psi_memstall_enter(unsigned long *flags)
998 {
999         struct rq_flags rf;
1000         struct rq *rq;
1001
1002         if (static_branch_likely(&psi_disabled))
1003                 return;
1004
1005         *flags = current->in_memstall;
1006         if (*flags)
1007                 return;
1008         /*
1009          * in_memstall setting & accounting needs to be atomic wrt
1010          * changes to the task's scheduling state, otherwise we can
1011          * race with CPU migration.
1012          */
1013         rq = this_rq_lock_irq(&rf);
1014
1015         current->in_memstall = 1;
1016         psi_task_change(current, 0, TSK_MEMSTALL | TSK_MEMSTALL_RUNNING);
1017
1018         rq_unlock_irq(rq, &rf);
1019 }
1020 EXPORT_SYMBOL_GPL(psi_memstall_enter);
1021
1022 /**
1023  * psi_memstall_leave - mark the end of an memory stall section
1024  * @flags: flags to handle nested memdelay sections
1025  *
1026  * Marks the calling task as no longer stalled due to lack of memory.
1027  */
1028 void psi_memstall_leave(unsigned long *flags)
1029 {
1030         struct rq_flags rf;
1031         struct rq *rq;
1032
1033         if (static_branch_likely(&psi_disabled))
1034                 return;
1035
1036         if (*flags)
1037                 return;
1038         /*
1039          * in_memstall clearing & accounting needs to be atomic wrt
1040          * changes to the task's scheduling state, otherwise we could
1041          * race with CPU migration.
1042          */
1043         rq = this_rq_lock_irq(&rf);
1044
1045         current->in_memstall = 0;
1046         psi_task_change(current, TSK_MEMSTALL | TSK_MEMSTALL_RUNNING, 0);
1047
1048         rq_unlock_irq(rq, &rf);
1049 }
1050 EXPORT_SYMBOL_GPL(psi_memstall_leave);
1051
1052 #ifdef CONFIG_CGROUPS
1053 int psi_cgroup_alloc(struct cgroup *cgroup)
1054 {
1055         if (!static_branch_likely(&psi_cgroups_enabled))
1056                 return 0;
1057
1058         cgroup->psi = kzalloc(sizeof(struct psi_group), GFP_KERNEL);
1059         if (!cgroup->psi)
1060                 return -ENOMEM;
1061
1062         cgroup->psi->pcpu = alloc_percpu(struct psi_group_cpu);
1063         if (!cgroup->psi->pcpu) {
1064                 kfree(cgroup->psi);
1065                 return -ENOMEM;
1066         }
1067         group_init(cgroup->psi);
1068         cgroup->psi->parent = cgroup_psi(cgroup_parent(cgroup));
1069         return 0;
1070 }
1071
1072 void psi_cgroup_free(struct cgroup *cgroup)
1073 {
1074         if (!static_branch_likely(&psi_cgroups_enabled))
1075                 return;
1076
1077         cancel_delayed_work_sync(&cgroup->psi->avgs_work);
1078         free_percpu(cgroup->psi->pcpu);
1079         /* All triggers must be removed by now */
1080         WARN_ONCE(cgroup->psi->poll_states, "psi: trigger leak\n");
1081         kfree(cgroup->psi);
1082 }
1083
1084 /**
1085  * cgroup_move_task - move task to a different cgroup
1086  * @task: the task
1087  * @to: the target css_set
1088  *
1089  * Move task to a new cgroup and safely migrate its associated stall
1090  * state between the different groups.
1091  *
1092  * This function acquires the task's rq lock to lock out concurrent
1093  * changes to the task's scheduling state and - in case the task is
1094  * running - concurrent changes to its stall state.
1095  */
1096 void cgroup_move_task(struct task_struct *task, struct css_set *to)
1097 {
1098         unsigned int task_flags;
1099         struct rq_flags rf;
1100         struct rq *rq;
1101
1102         if (!static_branch_likely(&psi_cgroups_enabled)) {
1103                 /*
1104                  * Lame to do this here, but the scheduler cannot be locked
1105                  * from the outside, so we move cgroups from inside sched/.
1106                  */
1107                 rcu_assign_pointer(task->cgroups, to);
1108                 return;
1109         }
1110
1111         rq = task_rq_lock(task, &rf);
1112
1113         /*
1114          * We may race with schedule() dropping the rq lock between
1115          * deactivating prev and switching to next. Because the psi
1116          * updates from the deactivation are deferred to the switch
1117          * callback to save cgroup tree updates, the task's scheduling
1118          * state here is not coherent with its psi state:
1119          *
1120          * schedule()                   cgroup_move_task()
1121          *   rq_lock()
1122          *   deactivate_task()
1123          *     p->on_rq = 0
1124          *     psi_dequeue() // defers TSK_RUNNING & TSK_IOWAIT updates
1125          *   pick_next_task()
1126          *     rq_unlock()
1127          *                                rq_lock()
1128          *                                psi_task_change() // old cgroup
1129          *                                task->cgroups = to
1130          *                                psi_task_change() // new cgroup
1131          *                                rq_unlock()
1132          *     rq_lock()
1133          *   psi_sched_switch() // does deferred updates in new cgroup
1134          *
1135          * Don't rely on the scheduling state. Use psi_flags instead.
1136          */
1137         task_flags = task->psi_flags;
1138
1139         if (task_flags)
1140                 psi_task_change(task, task_flags, 0);
1141
1142         /* See comment above */
1143         rcu_assign_pointer(task->cgroups, to);
1144
1145         if (task_flags)
1146                 psi_task_change(task, 0, task_flags);
1147
1148         task_rq_unlock(rq, task, &rf);
1149 }
1150
1151 void psi_cgroup_restart(struct psi_group *group)
1152 {
1153         int cpu;
1154
1155         /*
1156          * After we disable psi_group->enabled, we don't actually
1157          * stop percpu tasks accounting in each psi_group_cpu,
1158          * instead only stop test_state() loop, record_times()
1159          * and averaging worker, see psi_group_change() for details.
1160          *
1161          * When disable cgroup PSI, this function has nothing to sync
1162          * since cgroup pressure files are hidden and percpu psi_group_cpu
1163          * would see !psi_group->enabled and only do task accounting.
1164          *
1165          * When re-enable cgroup PSI, this function use psi_group_change()
1166          * to get correct state mask from test_state() loop on tasks[],
1167          * and restart groupc->state_start from now, use .clear = .set = 0
1168          * here since no task status really changed.
1169          */
1170         if (!group->enabled)
1171                 return;
1172
1173         for_each_possible_cpu(cpu) {
1174                 struct rq *rq = cpu_rq(cpu);
1175                 struct rq_flags rf;
1176                 u64 now;
1177
1178                 rq_lock_irq(rq, &rf);
1179                 now = cpu_clock(cpu);
1180                 psi_group_change(group, cpu, 0, 0, now, true);
1181                 rq_unlock_irq(rq, &rf);
1182         }
1183 }
1184 #endif /* CONFIG_CGROUPS */
1185
1186 int psi_show(struct seq_file *m, struct psi_group *group, enum psi_res res)
1187 {
1188         bool only_full = false;
1189         int full;
1190         u64 now;
1191
1192         if (static_branch_likely(&psi_disabled))
1193                 return -EOPNOTSUPP;
1194
1195         /* Update averages before reporting them */
1196         mutex_lock(&group->avgs_lock);
1197         now = sched_clock();
1198         collect_percpu_times(group, PSI_AVGS, NULL);
1199         if (now >= group->avg_next_update)
1200                 group->avg_next_update = update_averages(group, now);
1201         mutex_unlock(&group->avgs_lock);
1202
1203 #ifdef CONFIG_IRQ_TIME_ACCOUNTING
1204         only_full = res == PSI_IRQ;
1205 #endif
1206
1207         for (full = 0; full < 2 - only_full; full++) {
1208                 unsigned long avg[3] = { 0, };
1209                 u64 total = 0;
1210                 int w;
1211
1212                 /* CPU FULL is undefined at the system level */
1213                 if (!(group == &psi_system && res == PSI_CPU && full)) {
1214                         for (w = 0; w < 3; w++)
1215                                 avg[w] = group->avg[res * 2 + full][w];
1216                         total = div_u64(group->total[PSI_AVGS][res * 2 + full],
1217                                         NSEC_PER_USEC);
1218                 }
1219
1220                 seq_printf(m, "%s avg10=%lu.%02lu avg60=%lu.%02lu avg300=%lu.%02lu total=%llu\n",
1221                            full || only_full ? "full" : "some",
1222                            LOAD_INT(avg[0]), LOAD_FRAC(avg[0]),
1223                            LOAD_INT(avg[1]), LOAD_FRAC(avg[1]),
1224                            LOAD_INT(avg[2]), LOAD_FRAC(avg[2]),
1225                            total);
1226         }
1227
1228         return 0;
1229 }
1230
1231 struct psi_trigger *psi_trigger_create(struct psi_group *group,
1232                         char *buf, enum psi_res res)
1233 {
1234         struct psi_trigger *t;
1235         enum psi_states state;
1236         u32 threshold_us;
1237         u32 window_us;
1238
1239         if (static_branch_likely(&psi_disabled))
1240                 return ERR_PTR(-EOPNOTSUPP);
1241
1242         if (sscanf(buf, "some %u %u", &threshold_us, &window_us) == 2)
1243                 state = PSI_IO_SOME + res * 2;
1244         else if (sscanf(buf, "full %u %u", &threshold_us, &window_us) == 2)
1245                 state = PSI_IO_FULL + res * 2;
1246         else
1247                 return ERR_PTR(-EINVAL);
1248
1249 #ifdef CONFIG_IRQ_TIME_ACCOUNTING
1250         if (res == PSI_IRQ && --state != PSI_IRQ_FULL)
1251                 return ERR_PTR(-EINVAL);
1252 #endif
1253
1254         if (state >= PSI_NONIDLE)
1255                 return ERR_PTR(-EINVAL);
1256
1257         if (window_us < WINDOW_MIN_US ||
1258                 window_us > WINDOW_MAX_US)
1259                 return ERR_PTR(-EINVAL);
1260
1261         /* Check threshold */
1262         if (threshold_us == 0 || threshold_us > window_us)
1263                 return ERR_PTR(-EINVAL);
1264
1265         t = kmalloc(sizeof(*t), GFP_KERNEL);
1266         if (!t)
1267                 return ERR_PTR(-ENOMEM);
1268
1269         t->group = group;
1270         t->state = state;
1271         t->threshold = threshold_us * NSEC_PER_USEC;
1272         t->win.size = window_us * NSEC_PER_USEC;
1273         window_reset(&t->win, sched_clock(),
1274                         group->total[PSI_POLL][t->state], 0);
1275
1276         t->event = 0;
1277         t->last_event_time = 0;
1278         init_waitqueue_head(&t->event_wait);
1279         t->pending_event = false;
1280
1281         mutex_lock(&group->trigger_lock);
1282
1283         if (!rcu_access_pointer(group->poll_task)) {
1284                 struct task_struct *task;
1285
1286                 task = kthread_create(psi_poll_worker, group, "psimon");
1287                 if (IS_ERR(task)) {
1288                         kfree(t);
1289                         mutex_unlock(&group->trigger_lock);
1290                         return ERR_CAST(task);
1291                 }
1292                 atomic_set(&group->poll_wakeup, 0);
1293                 wake_up_process(task);
1294                 rcu_assign_pointer(group->poll_task, task);
1295         }
1296
1297         list_add(&t->node, &group->triggers);
1298         group->poll_min_period = min(group->poll_min_period,
1299                 div_u64(t->win.size, UPDATES_PER_WINDOW));
1300         group->nr_triggers[t->state]++;
1301         group->poll_states |= (1 << t->state);
1302
1303         mutex_unlock(&group->trigger_lock);
1304
1305         return t;
1306 }
1307
1308 void psi_trigger_destroy(struct psi_trigger *t)
1309 {
1310         struct psi_group *group;
1311         struct task_struct *task_to_destroy = NULL;
1312
1313         /*
1314          * We do not check psi_disabled since it might have been disabled after
1315          * the trigger got created.
1316          */
1317         if (!t)
1318                 return;
1319
1320         group = t->group;
1321         /*
1322          * Wakeup waiters to stop polling and clear the queue to prevent it from
1323          * being accessed later. Can happen if cgroup is deleted from under a
1324          * polling process.
1325          */
1326         wake_up_pollfree(&t->event_wait);
1327
1328         mutex_lock(&group->trigger_lock);
1329
1330         if (!list_empty(&t->node)) {
1331                 struct psi_trigger *tmp;
1332                 u64 period = ULLONG_MAX;
1333
1334                 list_del(&t->node);
1335                 group->nr_triggers[t->state]--;
1336                 if (!group->nr_triggers[t->state])
1337                         group->poll_states &= ~(1 << t->state);
1338                 /* reset min update period for the remaining triggers */
1339                 list_for_each_entry(tmp, &group->triggers, node)
1340                         period = min(period, div_u64(tmp->win.size,
1341                                         UPDATES_PER_WINDOW));
1342                 group->poll_min_period = period;
1343                 /* Destroy poll_task when the last trigger is destroyed */
1344                 if (group->poll_states == 0) {
1345                         group->polling_until = 0;
1346                         task_to_destroy = rcu_dereference_protected(
1347                                         group->poll_task,
1348                                         lockdep_is_held(&group->trigger_lock));
1349                         rcu_assign_pointer(group->poll_task, NULL);
1350                         del_timer(&group->poll_timer);
1351                 }
1352         }
1353
1354         mutex_unlock(&group->trigger_lock);
1355
1356         /*
1357          * Wait for psi_schedule_poll_work RCU to complete its read-side
1358          * critical section before destroying the trigger and optionally the
1359          * poll_task.
1360          */
1361         synchronize_rcu();
1362         /*
1363          * Stop kthread 'psimon' after releasing trigger_lock to prevent a
1364          * deadlock while waiting for psi_poll_work to acquire trigger_lock
1365          */
1366         if (task_to_destroy) {
1367                 /*
1368                  * After the RCU grace period has expired, the worker
1369                  * can no longer be found through group->poll_task.
1370                  */
1371                 kthread_stop(task_to_destroy);
1372                 atomic_set(&group->poll_scheduled, 0);
1373         }
1374         kfree(t);
1375 }
1376
1377 __poll_t psi_trigger_poll(void **trigger_ptr,
1378                                 struct file *file, poll_table *wait)
1379 {
1380         __poll_t ret = DEFAULT_POLLMASK;
1381         struct psi_trigger *t;
1382
1383         if (static_branch_likely(&psi_disabled))
1384                 return DEFAULT_POLLMASK | EPOLLERR | EPOLLPRI;
1385
1386         t = smp_load_acquire(trigger_ptr);
1387         if (!t)
1388                 return DEFAULT_POLLMASK | EPOLLERR | EPOLLPRI;
1389
1390         poll_wait(file, &t->event_wait, wait);
1391
1392         if (cmpxchg(&t->event, 1, 0) == 1)
1393                 ret |= EPOLLPRI;
1394
1395         return ret;
1396 }
1397
1398 #ifdef CONFIG_PROC_FS
1399 static int psi_io_show(struct seq_file *m, void *v)
1400 {
1401         return psi_show(m, &psi_system, PSI_IO);
1402 }
1403
1404 static int psi_memory_show(struct seq_file *m, void *v)
1405 {
1406         return psi_show(m, &psi_system, PSI_MEM);
1407 }
1408
1409 static int psi_cpu_show(struct seq_file *m, void *v)
1410 {
1411         return psi_show(m, &psi_system, PSI_CPU);
1412 }
1413
1414 static int psi_open(struct file *file, int (*psi_show)(struct seq_file *, void *))
1415 {
1416         if (file->f_mode & FMODE_WRITE && !capable(CAP_SYS_RESOURCE))
1417                 return -EPERM;
1418
1419         return single_open(file, psi_show, NULL);
1420 }
1421
1422 static int psi_io_open(struct inode *inode, struct file *file)
1423 {
1424         return psi_open(file, psi_io_show);
1425 }
1426
1427 static int psi_memory_open(struct inode *inode, struct file *file)
1428 {
1429         return psi_open(file, psi_memory_show);
1430 }
1431
1432 static int psi_cpu_open(struct inode *inode, struct file *file)
1433 {
1434         return psi_open(file, psi_cpu_show);
1435 }
1436
1437 static ssize_t psi_write(struct file *file, const char __user *user_buf,
1438                          size_t nbytes, enum psi_res res)
1439 {
1440         char buf[32];
1441         size_t buf_size;
1442         struct seq_file *seq;
1443         struct psi_trigger *new;
1444
1445         if (static_branch_likely(&psi_disabled))
1446                 return -EOPNOTSUPP;
1447
1448         if (!nbytes)
1449                 return -EINVAL;
1450
1451         buf_size = min(nbytes, sizeof(buf));
1452         if (copy_from_user(buf, user_buf, buf_size))
1453                 return -EFAULT;
1454
1455         buf[buf_size - 1] = '\0';
1456
1457         seq = file->private_data;
1458
1459         /* Take seq->lock to protect seq->private from concurrent writes */
1460         mutex_lock(&seq->lock);
1461
1462         /* Allow only one trigger per file descriptor */
1463         if (seq->private) {
1464                 mutex_unlock(&seq->lock);
1465                 return -EBUSY;
1466         }
1467
1468         new = psi_trigger_create(&psi_system, buf, res);
1469         if (IS_ERR(new)) {
1470                 mutex_unlock(&seq->lock);
1471                 return PTR_ERR(new);
1472         }
1473
1474         smp_store_release(&seq->private, new);
1475         mutex_unlock(&seq->lock);
1476
1477         return nbytes;
1478 }
1479
1480 static ssize_t psi_io_write(struct file *file, const char __user *user_buf,
1481                             size_t nbytes, loff_t *ppos)
1482 {
1483         return psi_write(file, user_buf, nbytes, PSI_IO);
1484 }
1485
1486 static ssize_t psi_memory_write(struct file *file, const char __user *user_buf,
1487                                 size_t nbytes, loff_t *ppos)
1488 {
1489         return psi_write(file, user_buf, nbytes, PSI_MEM);
1490 }
1491
1492 static ssize_t psi_cpu_write(struct file *file, const char __user *user_buf,
1493                              size_t nbytes, loff_t *ppos)
1494 {
1495         return psi_write(file, user_buf, nbytes, PSI_CPU);
1496 }
1497
1498 static __poll_t psi_fop_poll(struct file *file, poll_table *wait)
1499 {
1500         struct seq_file *seq = file->private_data;
1501
1502         return psi_trigger_poll(&seq->private, file, wait);
1503 }
1504
1505 static int psi_fop_release(struct inode *inode, struct file *file)
1506 {
1507         struct seq_file *seq = file->private_data;
1508
1509         psi_trigger_destroy(seq->private);
1510         return single_release(inode, file);
1511 }
1512
1513 static const struct proc_ops psi_io_proc_ops = {
1514         .proc_open      = psi_io_open,
1515         .proc_read      = seq_read,
1516         .proc_lseek     = seq_lseek,
1517         .proc_write     = psi_io_write,
1518         .proc_poll      = psi_fop_poll,
1519         .proc_release   = psi_fop_release,
1520 };
1521
1522 static const struct proc_ops psi_memory_proc_ops = {
1523         .proc_open      = psi_memory_open,
1524         .proc_read      = seq_read,
1525         .proc_lseek     = seq_lseek,
1526         .proc_write     = psi_memory_write,
1527         .proc_poll      = psi_fop_poll,
1528         .proc_release   = psi_fop_release,
1529 };
1530
1531 static const struct proc_ops psi_cpu_proc_ops = {
1532         .proc_open      = psi_cpu_open,
1533         .proc_read      = seq_read,
1534         .proc_lseek     = seq_lseek,
1535         .proc_write     = psi_cpu_write,
1536         .proc_poll      = psi_fop_poll,
1537         .proc_release   = psi_fop_release,
1538 };
1539
1540 #ifdef CONFIG_IRQ_TIME_ACCOUNTING
1541 static int psi_irq_show(struct seq_file *m, void *v)
1542 {
1543         return psi_show(m, &psi_system, PSI_IRQ);
1544 }
1545
1546 static int psi_irq_open(struct inode *inode, struct file *file)
1547 {
1548         return psi_open(file, psi_irq_show);
1549 }
1550
1551 static ssize_t psi_irq_write(struct file *file, const char __user *user_buf,
1552                              size_t nbytes, loff_t *ppos)
1553 {
1554         return psi_write(file, user_buf, nbytes, PSI_IRQ);
1555 }
1556
1557 static const struct proc_ops psi_irq_proc_ops = {
1558         .proc_open      = psi_irq_open,
1559         .proc_read      = seq_read,
1560         .proc_lseek     = seq_lseek,
1561         .proc_write     = psi_irq_write,
1562         .proc_poll      = psi_fop_poll,
1563         .proc_release   = psi_fop_release,
1564 };
1565 #endif
1566
1567 static int __init psi_proc_init(void)
1568 {
1569         if (psi_enable) {
1570                 proc_mkdir("pressure", NULL);
1571                 proc_create("pressure/io", 0666, NULL, &psi_io_proc_ops);
1572                 proc_create("pressure/memory", 0666, NULL, &psi_memory_proc_ops);
1573                 proc_create("pressure/cpu", 0666, NULL, &psi_cpu_proc_ops);
1574 #ifdef CONFIG_IRQ_TIME_ACCOUNTING
1575                 proc_create("pressure/irq", 0666, NULL, &psi_irq_proc_ops);
1576 #endif
1577         }
1578         return 0;
1579 }
1580 module_init(psi_proc_init);
1581
1582 #endif /* CONFIG_PROC_FS */