0e6a0ef129c5edc33a460e46172143cad095bca2
[muen/linux.git] / kernel / sched / fair.c
1 // SPDX-License-Identifier: GPL-2.0
2 /*
3  * Completely Fair Scheduling (CFS) Class (SCHED_NORMAL/SCHED_BATCH)
4  *
5  *  Copyright (C) 2007 Red Hat, Inc., Ingo Molnar <mingo@redhat.com>
6  *
7  *  Interactivity improvements by Mike Galbraith
8  *  (C) 2007 Mike Galbraith <efault@gmx.de>
9  *
10  *  Various enhancements by Dmitry Adamushko.
11  *  (C) 2007 Dmitry Adamushko <dmitry.adamushko@gmail.com>
12  *
13  *  Group scheduling enhancements by Srivatsa Vaddagiri
14  *  Copyright IBM Corporation, 2007
15  *  Author: Srivatsa Vaddagiri <vatsa@linux.vnet.ibm.com>
16  *
17  *  Scaled math optimizations by Thomas Gleixner
18  *  Copyright (C) 2007, Thomas Gleixner <tglx@linutronix.de>
19  *
20  *  Adaptive scheduling granularity, math enhancements by Peter Zijlstra
21  *  Copyright (C) 2007 Red Hat, Inc., Peter Zijlstra
22  */
23 #include "sched.h"
24
25 #include <trace/events/sched.h>
26
27 /*
28  * Targeted preemption latency for CPU-bound tasks:
29  *
30  * NOTE: this latency value is not the same as the concept of
31  * 'timeslice length' - timeslices in CFS are of variable length
32  * and have no persistent notion like in traditional, time-slice
33  * based scheduling concepts.
34  *
35  * (to see the precise effective timeslice length of your workload,
36  *  run vmstat and monitor the context-switches (cs) field)
37  *
38  * (default: 6ms * (1 + ilog(ncpus)), units: nanoseconds)
39  */
40 unsigned int sysctl_sched_latency                       = 6000000ULL;
41 static unsigned int normalized_sysctl_sched_latency     = 6000000ULL;
42
43 /*
44  * The initial- and re-scaling of tunables is configurable
45  *
46  * Options are:
47  *
48  *   SCHED_TUNABLESCALING_NONE - unscaled, always *1
49  *   SCHED_TUNABLESCALING_LOG - scaled logarithmical, *1+ilog(ncpus)
50  *   SCHED_TUNABLESCALING_LINEAR - scaled linear, *ncpus
51  *
52  * (default SCHED_TUNABLESCALING_LOG = *(1+ilog(ncpus))
53  */
54 enum sched_tunable_scaling sysctl_sched_tunable_scaling = SCHED_TUNABLESCALING_LOG;
55
56 /*
57  * Minimal preemption granularity for CPU-bound tasks:
58  *
59  * (default: 0.75 msec * (1 + ilog(ncpus)), units: nanoseconds)
60  */
61 unsigned int sysctl_sched_min_granularity                       = 750000ULL;
62 static unsigned int normalized_sysctl_sched_min_granularity     = 750000ULL;
63
64 /*
65  * This value is kept at sysctl_sched_latency/sysctl_sched_min_granularity
66  */
67 static unsigned int sched_nr_latency = 8;
68
69 /*
70  * After fork, child runs first. If set to 0 (default) then
71  * parent will (try to) run first.
72  */
73 unsigned int sysctl_sched_child_runs_first __read_mostly;
74
75 /*
76  * SCHED_OTHER wake-up granularity.
77  *
78  * This option delays the preemption effects of decoupled workloads
79  * and reduces their over-scheduling. Synchronous workloads will still
80  * have immediate wakeup/sleep latencies.
81  *
82  * (default: 1 msec * (1 + ilog(ncpus)), units: nanoseconds)
83  */
84 unsigned int sysctl_sched_wakeup_granularity                    = 1000000UL;
85 static unsigned int normalized_sysctl_sched_wakeup_granularity  = 1000000UL;
86
87 const_debug unsigned int sysctl_sched_migration_cost    = 500000UL;
88
89 #ifdef CONFIG_SMP
90 /*
91  * For asym packing, by default the lower numbered CPU has higher priority.
92  */
93 int __weak arch_asym_cpu_priority(int cpu)
94 {
95         return -cpu;
96 }
97
98 /*
99  * The margin used when comparing utilization with CPU capacity:
100  * util * margin < capacity * 1024
101  *
102  * (default: ~20%)
103  */
104 static unsigned int capacity_margin                     = 1280;
105 #endif
106
107 #ifdef CONFIG_CFS_BANDWIDTH
108 /*
109  * Amount of runtime to allocate from global (tg) to local (per-cfs_rq) pool
110  * each time a cfs_rq requests quota.
111  *
112  * Note: in the case that the slice exceeds the runtime remaining (either due
113  * to consumption or the quota being specified to be smaller than the slice)
114  * we will always only issue the remaining available time.
115  *
116  * (default: 5 msec, units: microseconds)
117  */
118 unsigned int sysctl_sched_cfs_bandwidth_slice           = 5000UL;
119 #endif
120
121 static inline void update_load_add(struct load_weight *lw, unsigned long inc)
122 {
123         lw->weight += inc;
124         lw->inv_weight = 0;
125 }
126
127 static inline void update_load_sub(struct load_weight *lw, unsigned long dec)
128 {
129         lw->weight -= dec;
130         lw->inv_weight = 0;
131 }
132
133 static inline void update_load_set(struct load_weight *lw, unsigned long w)
134 {
135         lw->weight = w;
136         lw->inv_weight = 0;
137 }
138
139 /*
140  * Increase the granularity value when there are more CPUs,
141  * because with more CPUs the 'effective latency' as visible
142  * to users decreases. But the relationship is not linear,
143  * so pick a second-best guess by going with the log2 of the
144  * number of CPUs.
145  *
146  * This idea comes from the SD scheduler of Con Kolivas:
147  */
148 static unsigned int get_update_sysctl_factor(void)
149 {
150         unsigned int cpus = min_t(unsigned int, num_online_cpus(), 8);
151         unsigned int factor;
152
153         switch (sysctl_sched_tunable_scaling) {
154         case SCHED_TUNABLESCALING_NONE:
155                 factor = 1;
156                 break;
157         case SCHED_TUNABLESCALING_LINEAR:
158                 factor = cpus;
159                 break;
160         case SCHED_TUNABLESCALING_LOG:
161         default:
162                 factor = 1 + ilog2(cpus);
163                 break;
164         }
165
166         return factor;
167 }
168
169 static void update_sysctl(void)
170 {
171         unsigned int factor = get_update_sysctl_factor();
172
173 #define SET_SYSCTL(name) \
174         (sysctl_##name = (factor) * normalized_sysctl_##name)
175         SET_SYSCTL(sched_min_granularity);
176         SET_SYSCTL(sched_latency);
177         SET_SYSCTL(sched_wakeup_granularity);
178 #undef SET_SYSCTL
179 }
180
181 void sched_init_granularity(void)
182 {
183         update_sysctl();
184 }
185
186 #define WMULT_CONST     (~0U)
187 #define WMULT_SHIFT     32
188
189 static void __update_inv_weight(struct load_weight *lw)
190 {
191         unsigned long w;
192
193         if (likely(lw->inv_weight))
194                 return;
195
196         w = scale_load_down(lw->weight);
197
198         if (BITS_PER_LONG > 32 && unlikely(w >= WMULT_CONST))
199                 lw->inv_weight = 1;
200         else if (unlikely(!w))
201                 lw->inv_weight = WMULT_CONST;
202         else
203                 lw->inv_weight = WMULT_CONST / w;
204 }
205
206 /*
207  * delta_exec * weight / lw.weight
208  *   OR
209  * (delta_exec * (weight * lw->inv_weight)) >> WMULT_SHIFT
210  *
211  * Either weight := NICE_0_LOAD and lw \e sched_prio_to_wmult[], in which case
212  * we're guaranteed shift stays positive because inv_weight is guaranteed to
213  * fit 32 bits, and NICE_0_LOAD gives another 10 bits; therefore shift >= 22.
214  *
215  * Or, weight =< lw.weight (because lw.weight is the runqueue weight), thus
216  * weight/lw.weight <= 1, and therefore our shift will also be positive.
217  */
218 static u64 __calc_delta(u64 delta_exec, unsigned long weight, struct load_weight *lw)
219 {
220         u64 fact = scale_load_down(weight);
221         int shift = WMULT_SHIFT;
222
223         __update_inv_weight(lw);
224
225         if (unlikely(fact >> 32)) {
226                 while (fact >> 32) {
227                         fact >>= 1;
228                         shift--;
229                 }
230         }
231
232         /* hint to use a 32x32->64 mul */
233         fact = (u64)(u32)fact * lw->inv_weight;
234
235         while (fact >> 32) {
236                 fact >>= 1;
237                 shift--;
238         }
239
240         return mul_u64_u32_shr(delta_exec, fact, shift);
241 }
242
243
244 const struct sched_class fair_sched_class;
245
246 /**************************************************************
247  * CFS operations on generic schedulable entities:
248  */
249
250 #ifdef CONFIG_FAIR_GROUP_SCHED
251
252 /* cpu runqueue to which this cfs_rq is attached */
253 static inline struct rq *rq_of(struct cfs_rq *cfs_rq)
254 {
255         return cfs_rq->rq;
256 }
257
258 static inline struct task_struct *task_of(struct sched_entity *se)
259 {
260         SCHED_WARN_ON(!entity_is_task(se));
261         return container_of(se, struct task_struct, se);
262 }
263
264 /* Walk up scheduling entities hierarchy */
265 #define for_each_sched_entity(se) \
266                 for (; se; se = se->parent)
267
268 static inline struct cfs_rq *task_cfs_rq(struct task_struct *p)
269 {
270         return p->se.cfs_rq;
271 }
272
273 /* runqueue on which this entity is (to be) queued */
274 static inline struct cfs_rq *cfs_rq_of(struct sched_entity *se)
275 {
276         return se->cfs_rq;
277 }
278
279 /* runqueue "owned" by this group */
280 static inline struct cfs_rq *group_cfs_rq(struct sched_entity *grp)
281 {
282         return grp->my_q;
283 }
284
285 static inline void list_add_leaf_cfs_rq(struct cfs_rq *cfs_rq)
286 {
287         if (!cfs_rq->on_list) {
288                 struct rq *rq = rq_of(cfs_rq);
289                 int cpu = cpu_of(rq);
290                 /*
291                  * Ensure we either appear before our parent (if already
292                  * enqueued) or force our parent to appear after us when it is
293                  * enqueued. The fact that we always enqueue bottom-up
294                  * reduces this to two cases and a special case for the root
295                  * cfs_rq. Furthermore, it also means that we will always reset
296                  * tmp_alone_branch either when the branch is connected
297                  * to a tree or when we reach the beg of the tree
298                  */
299                 if (cfs_rq->tg->parent &&
300                     cfs_rq->tg->parent->cfs_rq[cpu]->on_list) {
301                         /*
302                          * If parent is already on the list, we add the child
303                          * just before. Thanks to circular linked property of
304                          * the list, this means to put the child at the tail
305                          * of the list that starts by parent.
306                          */
307                         list_add_tail_rcu(&cfs_rq->leaf_cfs_rq_list,
308                                 &(cfs_rq->tg->parent->cfs_rq[cpu]->leaf_cfs_rq_list));
309                         /*
310                          * The branch is now connected to its tree so we can
311                          * reset tmp_alone_branch to the beginning of the
312                          * list.
313                          */
314                         rq->tmp_alone_branch = &rq->leaf_cfs_rq_list;
315                 } else if (!cfs_rq->tg->parent) {
316                         /*
317                          * cfs rq without parent should be put
318                          * at the tail of the list.
319                          */
320                         list_add_tail_rcu(&cfs_rq->leaf_cfs_rq_list,
321                                 &rq->leaf_cfs_rq_list);
322                         /*
323                          * We have reach the beg of a tree so we can reset
324                          * tmp_alone_branch to the beginning of the list.
325                          */
326                         rq->tmp_alone_branch = &rq->leaf_cfs_rq_list;
327                 } else {
328                         /*
329                          * The parent has not already been added so we want to
330                          * make sure that it will be put after us.
331                          * tmp_alone_branch points to the beg of the branch
332                          * where we will add parent.
333                          */
334                         list_add_rcu(&cfs_rq->leaf_cfs_rq_list,
335                                 rq->tmp_alone_branch);
336                         /*
337                          * update tmp_alone_branch to points to the new beg
338                          * of the branch
339                          */
340                         rq->tmp_alone_branch = &cfs_rq->leaf_cfs_rq_list;
341                 }
342
343                 cfs_rq->on_list = 1;
344         }
345 }
346
347 static inline void list_del_leaf_cfs_rq(struct cfs_rq *cfs_rq)
348 {
349         if (cfs_rq->on_list) {
350                 list_del_rcu(&cfs_rq->leaf_cfs_rq_list);
351                 cfs_rq->on_list = 0;
352         }
353 }
354
355 /* Iterate through all leaf cfs_rq's on a runqueue: */
356 #define for_each_leaf_cfs_rq(rq, cfs_rq) \
357         list_for_each_entry_rcu(cfs_rq, &rq->leaf_cfs_rq_list, leaf_cfs_rq_list)
358
359 /* Do the two (enqueued) entities belong to the same group ? */
360 static inline struct cfs_rq *
361 is_same_group(struct sched_entity *se, struct sched_entity *pse)
362 {
363         if (se->cfs_rq == pse->cfs_rq)
364                 return se->cfs_rq;
365
366         return NULL;
367 }
368
369 static inline struct sched_entity *parent_entity(struct sched_entity *se)
370 {
371         return se->parent;
372 }
373
374 static void
375 find_matching_se(struct sched_entity **se, struct sched_entity **pse)
376 {
377         int se_depth, pse_depth;
378
379         /*
380          * preemption test can be made between sibling entities who are in the
381          * same cfs_rq i.e who have a common parent. Walk up the hierarchy of
382          * both tasks until we find their ancestors who are siblings of common
383          * parent.
384          */
385
386         /* First walk up until both entities are at same depth */
387         se_depth = (*se)->depth;
388         pse_depth = (*pse)->depth;
389
390         while (se_depth > pse_depth) {
391                 se_depth--;
392                 *se = parent_entity(*se);
393         }
394
395         while (pse_depth > se_depth) {
396                 pse_depth--;
397                 *pse = parent_entity(*pse);
398         }
399
400         while (!is_same_group(*se, *pse)) {
401                 *se = parent_entity(*se);
402                 *pse = parent_entity(*pse);
403         }
404 }
405
406 #else   /* !CONFIG_FAIR_GROUP_SCHED */
407
408 static inline struct task_struct *task_of(struct sched_entity *se)
409 {
410         return container_of(se, struct task_struct, se);
411 }
412
413 static inline struct rq *rq_of(struct cfs_rq *cfs_rq)
414 {
415         return container_of(cfs_rq, struct rq, cfs);
416 }
417
418
419 #define for_each_sched_entity(se) \
420                 for (; se; se = NULL)
421
422 static inline struct cfs_rq *task_cfs_rq(struct task_struct *p)
423 {
424         return &task_rq(p)->cfs;
425 }
426
427 static inline struct cfs_rq *cfs_rq_of(struct sched_entity *se)
428 {
429         struct task_struct *p = task_of(se);
430         struct rq *rq = task_rq(p);
431
432         return &rq->cfs;
433 }
434
435 /* runqueue "owned" by this group */
436 static inline struct cfs_rq *group_cfs_rq(struct sched_entity *grp)
437 {
438         return NULL;
439 }
440
441 static inline void list_add_leaf_cfs_rq(struct cfs_rq *cfs_rq)
442 {
443 }
444
445 static inline void list_del_leaf_cfs_rq(struct cfs_rq *cfs_rq)
446 {
447 }
448
449 #define for_each_leaf_cfs_rq(rq, cfs_rq)        \
450                 for (cfs_rq = &rq->cfs; cfs_rq; cfs_rq = NULL)
451
452 static inline struct sched_entity *parent_entity(struct sched_entity *se)
453 {
454         return NULL;
455 }
456
457 static inline void
458 find_matching_se(struct sched_entity **se, struct sched_entity **pse)
459 {
460 }
461
462 #endif  /* CONFIG_FAIR_GROUP_SCHED */
463
464 static __always_inline
465 void account_cfs_rq_runtime(struct cfs_rq *cfs_rq, u64 delta_exec);
466
467 /**************************************************************
468  * Scheduling class tree data structure manipulation methods:
469  */
470
471 static inline u64 max_vruntime(u64 max_vruntime, u64 vruntime)
472 {
473         s64 delta = (s64)(vruntime - max_vruntime);
474         if (delta > 0)
475                 max_vruntime = vruntime;
476
477         return max_vruntime;
478 }
479
480 static inline u64 min_vruntime(u64 min_vruntime, u64 vruntime)
481 {
482         s64 delta = (s64)(vruntime - min_vruntime);
483         if (delta < 0)
484                 min_vruntime = vruntime;
485
486         return min_vruntime;
487 }
488
489 static inline int entity_before(struct sched_entity *a,
490                                 struct sched_entity *b)
491 {
492         return (s64)(a->vruntime - b->vruntime) < 0;
493 }
494
495 static void update_min_vruntime(struct cfs_rq *cfs_rq)
496 {
497         struct sched_entity *curr = cfs_rq->curr;
498         struct rb_node *leftmost = rb_first_cached(&cfs_rq->tasks_timeline);
499
500         u64 vruntime = cfs_rq->min_vruntime;
501
502         if (curr) {
503                 if (curr->on_rq)
504                         vruntime = curr->vruntime;
505                 else
506                         curr = NULL;
507         }
508
509         if (leftmost) { /* non-empty tree */
510                 struct sched_entity *se;
511                 se = rb_entry(leftmost, struct sched_entity, run_node);
512
513                 if (!curr)
514                         vruntime = se->vruntime;
515                 else
516                         vruntime = min_vruntime(vruntime, se->vruntime);
517         }
518
519         /* ensure we never gain time by being placed backwards. */
520         cfs_rq->min_vruntime = max_vruntime(cfs_rq->min_vruntime, vruntime);
521 #ifndef CONFIG_64BIT
522         smp_wmb();
523         cfs_rq->min_vruntime_copy = cfs_rq->min_vruntime;
524 #endif
525 }
526
527 /*
528  * Enqueue an entity into the rb-tree:
529  */
530 static void __enqueue_entity(struct cfs_rq *cfs_rq, struct sched_entity *se)
531 {
532         struct rb_node **link = &cfs_rq->tasks_timeline.rb_root.rb_node;
533         struct rb_node *parent = NULL;
534         struct sched_entity *entry;
535         bool leftmost = true;
536
537         /*
538          * Find the right place in the rbtree:
539          */
540         while (*link) {
541                 parent = *link;
542                 entry = rb_entry(parent, struct sched_entity, run_node);
543                 /*
544                  * We dont care about collisions. Nodes with
545                  * the same key stay together.
546                  */
547                 if (entity_before(se, entry)) {
548                         link = &parent->rb_left;
549                 } else {
550                         link = &parent->rb_right;
551                         leftmost = false;
552                 }
553         }
554
555         rb_link_node(&se->run_node, parent, link);
556         rb_insert_color_cached(&se->run_node,
557                                &cfs_rq->tasks_timeline, leftmost);
558 }
559
560 static void __dequeue_entity(struct cfs_rq *cfs_rq, struct sched_entity *se)
561 {
562         rb_erase_cached(&se->run_node, &cfs_rq->tasks_timeline);
563 }
564
565 struct sched_entity *__pick_first_entity(struct cfs_rq *cfs_rq)
566 {
567         struct rb_node *left = rb_first_cached(&cfs_rq->tasks_timeline);
568
569         if (!left)
570                 return NULL;
571
572         return rb_entry(left, struct sched_entity, run_node);
573 }
574
575 static struct sched_entity *__pick_next_entity(struct sched_entity *se)
576 {
577         struct rb_node *next = rb_next(&se->run_node);
578
579         if (!next)
580                 return NULL;
581
582         return rb_entry(next, struct sched_entity, run_node);
583 }
584
585 #ifdef CONFIG_SCHED_DEBUG
586 struct sched_entity *__pick_last_entity(struct cfs_rq *cfs_rq)
587 {
588         struct rb_node *last = rb_last(&cfs_rq->tasks_timeline.rb_root);
589
590         if (!last)
591                 return NULL;
592
593         return rb_entry(last, struct sched_entity, run_node);
594 }
595
596 /**************************************************************
597  * Scheduling class statistics methods:
598  */
599
600 int sched_proc_update_handler(struct ctl_table *table, int write,
601                 void __user *buffer, size_t *lenp,
602                 loff_t *ppos)
603 {
604         int ret = proc_dointvec_minmax(table, write, buffer, lenp, ppos);
605         unsigned int factor = get_update_sysctl_factor();
606
607         if (ret || !write)
608                 return ret;
609
610         sched_nr_latency = DIV_ROUND_UP(sysctl_sched_latency,
611                                         sysctl_sched_min_granularity);
612
613 #define WRT_SYSCTL(name) \
614         (normalized_sysctl_##name = sysctl_##name / (factor))
615         WRT_SYSCTL(sched_min_granularity);
616         WRT_SYSCTL(sched_latency);
617         WRT_SYSCTL(sched_wakeup_granularity);
618 #undef WRT_SYSCTL
619
620         return 0;
621 }
622 #endif
623
624 /*
625  * delta /= w
626  */
627 static inline u64 calc_delta_fair(u64 delta, struct sched_entity *se)
628 {
629         if (unlikely(se->load.weight != NICE_0_LOAD))
630                 delta = __calc_delta(delta, NICE_0_LOAD, &se->load);
631
632         return delta;
633 }
634
635 /*
636  * The idea is to set a period in which each task runs once.
637  *
638  * When there are too many tasks (sched_nr_latency) we have to stretch
639  * this period because otherwise the slices get too small.
640  *
641  * p = (nr <= nl) ? l : l*nr/nl
642  */
643 static u64 __sched_period(unsigned long nr_running)
644 {
645         if (unlikely(nr_running > sched_nr_latency))
646                 return nr_running * sysctl_sched_min_granularity;
647         else
648                 return sysctl_sched_latency;
649 }
650
651 /*
652  * We calculate the wall-time slice from the period by taking a part
653  * proportional to the weight.
654  *
655  * s = p*P[w/rw]
656  */
657 static u64 sched_slice(struct cfs_rq *cfs_rq, struct sched_entity *se)
658 {
659         u64 slice = __sched_period(cfs_rq->nr_running + !se->on_rq);
660
661         for_each_sched_entity(se) {
662                 struct load_weight *load;
663                 struct load_weight lw;
664
665                 cfs_rq = cfs_rq_of(se);
666                 load = &cfs_rq->load;
667
668                 if (unlikely(!se->on_rq)) {
669                         lw = cfs_rq->load;
670
671                         update_load_add(&lw, se->load.weight);
672                         load = &lw;
673                 }
674                 slice = __calc_delta(slice, se->load.weight, load);
675         }
676         return slice;
677 }
678
679 /*
680  * We calculate the vruntime slice of a to-be-inserted task.
681  *
682  * vs = s/w
683  */
684 static u64 sched_vslice(struct cfs_rq *cfs_rq, struct sched_entity *se)
685 {
686         return calc_delta_fair(sched_slice(cfs_rq, se), se);
687 }
688
689 #ifdef CONFIG_SMP
690 #include "pelt.h"
691 #include "sched-pelt.h"
692
693 static int select_idle_sibling(struct task_struct *p, int prev_cpu, int cpu);
694 static unsigned long task_h_load(struct task_struct *p);
695 static unsigned long capacity_of(int cpu);
696
697 /* Give new sched_entity start runnable values to heavy its load in infant time */
698 void init_entity_runnable_average(struct sched_entity *se)
699 {
700         struct sched_avg *sa = &se->avg;
701
702         memset(sa, 0, sizeof(*sa));
703
704         /*
705          * Tasks are initialized with full load to be seen as heavy tasks until
706          * they get a chance to stabilize to their real load level.
707          * Group entities are initialized with zero load to reflect the fact that
708          * nothing has been attached to the task group yet.
709          */
710         if (entity_is_task(se))
711                 sa->runnable_load_avg = sa->load_avg = scale_load_down(se->load.weight);
712
713         se->runnable_weight = se->load.weight;
714
715         /* when this task enqueue'ed, it will contribute to its cfs_rq's load_avg */
716 }
717
718 static inline u64 cfs_rq_clock_task(struct cfs_rq *cfs_rq);
719 static void attach_entity_cfs_rq(struct sched_entity *se);
720
721 /*
722  * With new tasks being created, their initial util_avgs are extrapolated
723  * based on the cfs_rq's current util_avg:
724  *
725  *   util_avg = cfs_rq->util_avg / (cfs_rq->load_avg + 1) * se.load.weight
726  *
727  * However, in many cases, the above util_avg does not give a desired
728  * value. Moreover, the sum of the util_avgs may be divergent, such
729  * as when the series is a harmonic series.
730  *
731  * To solve this problem, we also cap the util_avg of successive tasks to
732  * only 1/2 of the left utilization budget:
733  *
734  *   util_avg_cap = (cpu_scale - cfs_rq->avg.util_avg) / 2^n
735  *
736  * where n denotes the nth task and cpu_scale the CPU capacity.
737  *
738  * For example, for a CPU with 1024 of capacity, a simplest series from
739  * the beginning would be like:
740  *
741  *  task  util_avg: 512, 256, 128,  64,  32,   16,    8, ...
742  * cfs_rq util_avg: 512, 768, 896, 960, 992, 1008, 1016, ...
743  *
744  * Finally, that extrapolated util_avg is clamped to the cap (util_avg_cap)
745  * if util_avg > util_avg_cap.
746  */
747 void post_init_entity_util_avg(struct sched_entity *se)
748 {
749         struct cfs_rq *cfs_rq = cfs_rq_of(se);
750         struct sched_avg *sa = &se->avg;
751         long cpu_scale = arch_scale_cpu_capacity(NULL, cpu_of(rq_of(cfs_rq)));
752         long cap = (long)(cpu_scale - cfs_rq->avg.util_avg) / 2;
753
754         if (cap > 0) {
755                 if (cfs_rq->avg.util_avg != 0) {
756                         sa->util_avg  = cfs_rq->avg.util_avg * se->load.weight;
757                         sa->util_avg /= (cfs_rq->avg.load_avg + 1);
758
759                         if (sa->util_avg > cap)
760                                 sa->util_avg = cap;
761                 } else {
762                         sa->util_avg = cap;
763                 }
764         }
765
766         if (entity_is_task(se)) {
767                 struct task_struct *p = task_of(se);
768                 if (p->sched_class != &fair_sched_class) {
769                         /*
770                          * For !fair tasks do:
771                          *
772                         update_cfs_rq_load_avg(now, cfs_rq);
773                         attach_entity_load_avg(cfs_rq, se, 0);
774                         switched_from_fair(rq, p);
775                          *
776                          * such that the next switched_to_fair() has the
777                          * expected state.
778                          */
779                         se->avg.last_update_time = cfs_rq_clock_task(cfs_rq);
780                         return;
781                 }
782         }
783
784         attach_entity_cfs_rq(se);
785 }
786
787 #else /* !CONFIG_SMP */
788 void init_entity_runnable_average(struct sched_entity *se)
789 {
790 }
791 void post_init_entity_util_avg(struct sched_entity *se)
792 {
793 }
794 static void update_tg_load_avg(struct cfs_rq *cfs_rq, int force)
795 {
796 }
797 #endif /* CONFIG_SMP */
798
799 /*
800  * Update the current task's runtime statistics.
801  */
802 static void update_curr(struct cfs_rq *cfs_rq)
803 {
804         struct sched_entity *curr = cfs_rq->curr;
805         u64 now = rq_clock_task(rq_of(cfs_rq));
806         u64 delta_exec;
807
808         if (unlikely(!curr))
809                 return;
810
811         delta_exec = now - curr->exec_start;
812         if (unlikely((s64)delta_exec <= 0))
813                 return;
814
815         curr->exec_start = now;
816
817         schedstat_set(curr->statistics.exec_max,
818                       max(delta_exec, curr->statistics.exec_max));
819
820         curr->sum_exec_runtime += delta_exec;
821         schedstat_add(cfs_rq->exec_clock, delta_exec);
822
823         curr->vruntime += calc_delta_fair(delta_exec, curr);
824         update_min_vruntime(cfs_rq);
825
826         if (entity_is_task(curr)) {
827                 struct task_struct *curtask = task_of(curr);
828
829                 trace_sched_stat_runtime(curtask, delta_exec, curr->vruntime);
830                 cgroup_account_cputime(curtask, delta_exec);
831                 account_group_exec_runtime(curtask, delta_exec);
832         }
833
834         account_cfs_rq_runtime(cfs_rq, delta_exec);
835 }
836
837 static void update_curr_fair(struct rq *rq)
838 {
839         update_curr(cfs_rq_of(&rq->curr->se));
840 }
841
842 static inline void
843 update_stats_wait_start(struct cfs_rq *cfs_rq, struct sched_entity *se)
844 {
845         u64 wait_start, prev_wait_start;
846
847         if (!schedstat_enabled())
848                 return;
849
850         wait_start = rq_clock(rq_of(cfs_rq));
851         prev_wait_start = schedstat_val(se->statistics.wait_start);
852
853         if (entity_is_task(se) && task_on_rq_migrating(task_of(se)) &&
854             likely(wait_start > prev_wait_start))
855                 wait_start -= prev_wait_start;
856
857         __schedstat_set(se->statistics.wait_start, wait_start);
858 }
859
860 static inline void
861 update_stats_wait_end(struct cfs_rq *cfs_rq, struct sched_entity *se)
862 {
863         struct task_struct *p;
864         u64 delta;
865
866         if (!schedstat_enabled())
867                 return;
868
869         delta = rq_clock(rq_of(cfs_rq)) - schedstat_val(se->statistics.wait_start);
870
871         if (entity_is_task(se)) {
872                 p = task_of(se);
873                 if (task_on_rq_migrating(p)) {
874                         /*
875                          * Preserve migrating task's wait time so wait_start
876                          * time stamp can be adjusted to accumulate wait time
877                          * prior to migration.
878                          */
879                         __schedstat_set(se->statistics.wait_start, delta);
880                         return;
881                 }
882                 trace_sched_stat_wait(p, delta);
883         }
884
885         __schedstat_set(se->statistics.wait_max,
886                       max(schedstat_val(se->statistics.wait_max), delta));
887         __schedstat_inc(se->statistics.wait_count);
888         __schedstat_add(se->statistics.wait_sum, delta);
889         __schedstat_set(se->statistics.wait_start, 0);
890 }
891
892 static inline void
893 update_stats_enqueue_sleeper(struct cfs_rq *cfs_rq, struct sched_entity *se)
894 {
895         struct task_struct *tsk = NULL;
896         u64 sleep_start, block_start;
897
898         if (!schedstat_enabled())
899                 return;
900
901         sleep_start = schedstat_val(se->statistics.sleep_start);
902         block_start = schedstat_val(se->statistics.block_start);
903
904         if (entity_is_task(se))
905                 tsk = task_of(se);
906
907         if (sleep_start) {
908                 u64 delta = rq_clock(rq_of(cfs_rq)) - sleep_start;
909
910                 if ((s64)delta < 0)
911                         delta = 0;
912
913                 if (unlikely(delta > schedstat_val(se->statistics.sleep_max)))
914                         __schedstat_set(se->statistics.sleep_max, delta);
915
916                 __schedstat_set(se->statistics.sleep_start, 0);
917                 __schedstat_add(se->statistics.sum_sleep_runtime, delta);
918
919                 if (tsk) {
920                         account_scheduler_latency(tsk, delta >> 10, 1);
921                         trace_sched_stat_sleep(tsk, delta);
922                 }
923         }
924         if (block_start) {
925                 u64 delta = rq_clock(rq_of(cfs_rq)) - block_start;
926
927                 if ((s64)delta < 0)
928                         delta = 0;
929
930                 if (unlikely(delta > schedstat_val(se->statistics.block_max)))
931                         __schedstat_set(se->statistics.block_max, delta);
932
933                 __schedstat_set(se->statistics.block_start, 0);
934                 __schedstat_add(se->statistics.sum_sleep_runtime, delta);
935
936                 if (tsk) {
937                         if (tsk->in_iowait) {
938                                 __schedstat_add(se->statistics.iowait_sum, delta);
939                                 __schedstat_inc(se->statistics.iowait_count);
940                                 trace_sched_stat_iowait(tsk, delta);
941                         }
942
943                         trace_sched_stat_blocked(tsk, delta);
944
945                         /*
946                          * Blocking time is in units of nanosecs, so shift by
947                          * 20 to get a milliseconds-range estimation of the
948                          * amount of time that the task spent sleeping:
949                          */
950                         if (unlikely(prof_on == SLEEP_PROFILING)) {
951                                 profile_hits(SLEEP_PROFILING,
952                                                 (void *)get_wchan(tsk),
953                                                 delta >> 20);
954                         }
955                         account_scheduler_latency(tsk, delta >> 10, 0);
956                 }
957         }
958 }
959
960 /*
961  * Task is being enqueued - update stats:
962  */
963 static inline void
964 update_stats_enqueue(struct cfs_rq *cfs_rq, struct sched_entity *se, int flags)
965 {
966         if (!schedstat_enabled())
967                 return;
968
969         /*
970          * Are we enqueueing a waiting task? (for current tasks
971          * a dequeue/enqueue event is a NOP)
972          */
973         if (se != cfs_rq->curr)
974                 update_stats_wait_start(cfs_rq, se);
975
976         if (flags & ENQUEUE_WAKEUP)
977                 update_stats_enqueue_sleeper(cfs_rq, se);
978 }
979
980 static inline void
981 update_stats_dequeue(struct cfs_rq *cfs_rq, struct sched_entity *se, int flags)
982 {
983
984         if (!schedstat_enabled())
985                 return;
986
987         /*
988          * Mark the end of the wait period if dequeueing a
989          * waiting task:
990          */
991         if (se != cfs_rq->curr)
992                 update_stats_wait_end(cfs_rq, se);
993
994         if ((flags & DEQUEUE_SLEEP) && entity_is_task(se)) {
995                 struct task_struct *tsk = task_of(se);
996
997                 if (tsk->state & TASK_INTERRUPTIBLE)
998                         __schedstat_set(se->statistics.sleep_start,
999                                       rq_clock(rq_of(cfs_rq)));
1000                 if (tsk->state & TASK_UNINTERRUPTIBLE)
1001                         __schedstat_set(se->statistics.block_start,
1002                                       rq_clock(rq_of(cfs_rq)));
1003         }
1004 }
1005
1006 /*
1007  * We are picking a new current task - update its stats:
1008  */
1009 static inline void
1010 update_stats_curr_start(struct cfs_rq *cfs_rq, struct sched_entity *se)
1011 {
1012         /*
1013          * We are starting a new run period:
1014          */
1015         se->exec_start = rq_clock_task(rq_of(cfs_rq));
1016 }
1017
1018 /**************************************************
1019  * Scheduling class queueing methods:
1020  */
1021
1022 #ifdef CONFIG_NUMA_BALANCING
1023 /*
1024  * Approximate time to scan a full NUMA task in ms. The task scan period is
1025  * calculated based on the tasks virtual memory size and
1026  * numa_balancing_scan_size.
1027  */
1028 unsigned int sysctl_numa_balancing_scan_period_min = 1000;
1029 unsigned int sysctl_numa_balancing_scan_period_max = 60000;
1030
1031 /* Portion of address space to scan in MB */
1032 unsigned int sysctl_numa_balancing_scan_size = 256;
1033
1034 /* Scan @scan_size MB every @scan_period after an initial @scan_delay in ms */
1035 unsigned int sysctl_numa_balancing_scan_delay = 1000;
1036
1037 struct numa_group {
1038         atomic_t refcount;
1039
1040         spinlock_t lock; /* nr_tasks, tasks */
1041         int nr_tasks;
1042         pid_t gid;
1043         int active_nodes;
1044
1045         struct rcu_head rcu;
1046         unsigned long total_faults;
1047         unsigned long max_faults_cpu;
1048         /*
1049          * Faults_cpu is used to decide whether memory should move
1050          * towards the CPU. As a consequence, these stats are weighted
1051          * more by CPU use than by memory faults.
1052          */
1053         unsigned long *faults_cpu;
1054         unsigned long faults[0];
1055 };
1056
1057 static inline unsigned long group_faults_priv(struct numa_group *ng);
1058 static inline unsigned long group_faults_shared(struct numa_group *ng);
1059
1060 static unsigned int task_nr_scan_windows(struct task_struct *p)
1061 {
1062         unsigned long rss = 0;
1063         unsigned long nr_scan_pages;
1064
1065         /*
1066          * Calculations based on RSS as non-present and empty pages are skipped
1067          * by the PTE scanner and NUMA hinting faults should be trapped based
1068          * on resident pages
1069          */
1070         nr_scan_pages = sysctl_numa_balancing_scan_size << (20 - PAGE_SHIFT);
1071         rss = get_mm_rss(p->mm);
1072         if (!rss)
1073                 rss = nr_scan_pages;
1074
1075         rss = round_up(rss, nr_scan_pages);
1076         return rss / nr_scan_pages;
1077 }
1078
1079 /* For sanitys sake, never scan more PTEs than MAX_SCAN_WINDOW MB/sec. */
1080 #define MAX_SCAN_WINDOW 2560
1081
1082 static unsigned int task_scan_min(struct task_struct *p)
1083 {
1084         unsigned int scan_size = READ_ONCE(sysctl_numa_balancing_scan_size);
1085         unsigned int scan, floor;
1086         unsigned int windows = 1;
1087
1088         if (scan_size < MAX_SCAN_WINDOW)
1089                 windows = MAX_SCAN_WINDOW / scan_size;
1090         floor = 1000 / windows;
1091
1092         scan = sysctl_numa_balancing_scan_period_min / task_nr_scan_windows(p);
1093         return max_t(unsigned int, floor, scan);
1094 }
1095
1096 static unsigned int task_scan_start(struct task_struct *p)
1097 {
1098         unsigned long smin = task_scan_min(p);
1099         unsigned long period = smin;
1100
1101         /* Scale the maximum scan period with the amount of shared memory. */
1102         if (p->numa_group) {
1103                 struct numa_group *ng = p->numa_group;
1104                 unsigned long shared = group_faults_shared(ng);
1105                 unsigned long private = group_faults_priv(ng);
1106
1107                 period *= atomic_read(&ng->refcount);
1108                 period *= shared + 1;
1109                 period /= private + shared + 1;
1110         }
1111
1112         return max(smin, period);
1113 }
1114
1115 static unsigned int task_scan_max(struct task_struct *p)
1116 {
1117         unsigned long smin = task_scan_min(p);
1118         unsigned long smax;
1119
1120         /* Watch for min being lower than max due to floor calculations */
1121         smax = sysctl_numa_balancing_scan_period_max / task_nr_scan_windows(p);
1122
1123         /* Scale the maximum scan period with the amount of shared memory. */
1124         if (p->numa_group) {
1125                 struct numa_group *ng = p->numa_group;
1126                 unsigned long shared = group_faults_shared(ng);
1127                 unsigned long private = group_faults_priv(ng);
1128                 unsigned long period = smax;
1129
1130                 period *= atomic_read(&ng->refcount);
1131                 period *= shared + 1;
1132                 period /= private + shared + 1;
1133
1134                 smax = max(smax, period);
1135         }
1136
1137         return max(smin, smax);
1138 }
1139
1140 void init_numa_balancing(unsigned long clone_flags, struct task_struct *p)
1141 {
1142         int mm_users = 0;
1143         struct mm_struct *mm = p->mm;
1144
1145         if (mm) {
1146                 mm_users = atomic_read(&mm->mm_users);
1147                 if (mm_users == 1) {
1148                         mm->numa_next_scan = jiffies + msecs_to_jiffies(sysctl_numa_balancing_scan_delay);
1149                         mm->numa_scan_seq = 0;
1150                 }
1151         }
1152         p->node_stamp                   = 0;
1153         p->numa_scan_seq                = mm ? mm->numa_scan_seq : 0;
1154         p->numa_scan_period             = sysctl_numa_balancing_scan_delay;
1155         p->numa_work.next               = &p->numa_work;
1156         p->numa_faults                  = NULL;
1157         p->numa_group                   = NULL;
1158         p->last_task_numa_placement     = 0;
1159         p->last_sum_exec_runtime        = 0;
1160
1161         /* New address space, reset the preferred nid */
1162         if (!(clone_flags & CLONE_VM)) {
1163                 p->numa_preferred_nid = NUMA_NO_NODE;
1164                 return;
1165         }
1166
1167         /*
1168          * New thread, keep existing numa_preferred_nid which should be copied
1169          * already by arch_dup_task_struct but stagger when scans start.
1170          */
1171         if (mm) {
1172                 unsigned int delay;
1173
1174                 delay = min_t(unsigned int, task_scan_max(current),
1175                         current->numa_scan_period * mm_users * NSEC_PER_MSEC);
1176                 delay += 2 * TICK_NSEC;
1177                 p->node_stamp = delay;
1178         }
1179 }
1180
1181 static void account_numa_enqueue(struct rq *rq, struct task_struct *p)
1182 {
1183         rq->nr_numa_running += (p->numa_preferred_nid != NUMA_NO_NODE);
1184         rq->nr_preferred_running += (p->numa_preferred_nid == task_node(p));
1185 }
1186
1187 static void account_numa_dequeue(struct rq *rq, struct task_struct *p)
1188 {
1189         rq->nr_numa_running -= (p->numa_preferred_nid != NUMA_NO_NODE);
1190         rq->nr_preferred_running -= (p->numa_preferred_nid == task_node(p));
1191 }
1192
1193 /* Shared or private faults. */
1194 #define NR_NUMA_HINT_FAULT_TYPES 2
1195
1196 /* Memory and CPU locality */
1197 #define NR_NUMA_HINT_FAULT_STATS (NR_NUMA_HINT_FAULT_TYPES * 2)
1198
1199 /* Averaged statistics, and temporary buffers. */
1200 #define NR_NUMA_HINT_FAULT_BUCKETS (NR_NUMA_HINT_FAULT_STATS * 2)
1201
1202 pid_t task_numa_group_id(struct task_struct *p)
1203 {
1204         return p->numa_group ? p->numa_group->gid : 0;
1205 }
1206
1207 /*
1208  * The averaged statistics, shared & private, memory & CPU,
1209  * occupy the first half of the array. The second half of the
1210  * array is for current counters, which are averaged into the
1211  * first set by task_numa_placement.
1212  */
1213 static inline int task_faults_idx(enum numa_faults_stats s, int nid, int priv)
1214 {
1215         return NR_NUMA_HINT_FAULT_TYPES * (s * nr_node_ids + nid) + priv;
1216 }
1217
1218 static inline unsigned long task_faults(struct task_struct *p, int nid)
1219 {
1220         if (!p->numa_faults)
1221                 return 0;
1222
1223         return p->numa_faults[task_faults_idx(NUMA_MEM, nid, 0)] +
1224                 p->numa_faults[task_faults_idx(NUMA_MEM, nid, 1)];
1225 }
1226
1227 static inline unsigned long group_faults(struct task_struct *p, int nid)
1228 {
1229         if (!p->numa_group)
1230                 return 0;
1231
1232         return p->numa_group->faults[task_faults_idx(NUMA_MEM, nid, 0)] +
1233                 p->numa_group->faults[task_faults_idx(NUMA_MEM, nid, 1)];
1234 }
1235
1236 static inline unsigned long group_faults_cpu(struct numa_group *group, int nid)
1237 {
1238         return group->faults_cpu[task_faults_idx(NUMA_MEM, nid, 0)] +
1239                 group->faults_cpu[task_faults_idx(NUMA_MEM, nid, 1)];
1240 }
1241
1242 static inline unsigned long group_faults_priv(struct numa_group *ng)
1243 {
1244         unsigned long faults = 0;
1245         int node;
1246
1247         for_each_online_node(node) {
1248                 faults += ng->faults[task_faults_idx(NUMA_MEM, node, 1)];
1249         }
1250
1251         return faults;
1252 }
1253
1254 static inline unsigned long group_faults_shared(struct numa_group *ng)
1255 {
1256         unsigned long faults = 0;
1257         int node;
1258
1259         for_each_online_node(node) {
1260                 faults += ng->faults[task_faults_idx(NUMA_MEM, node, 0)];
1261         }
1262
1263         return faults;
1264 }
1265
1266 /*
1267  * A node triggering more than 1/3 as many NUMA faults as the maximum is
1268  * considered part of a numa group's pseudo-interleaving set. Migrations
1269  * between these nodes are slowed down, to allow things to settle down.
1270  */
1271 #define ACTIVE_NODE_FRACTION 3
1272
1273 static bool numa_is_active_node(int nid, struct numa_group *ng)
1274 {
1275         return group_faults_cpu(ng, nid) * ACTIVE_NODE_FRACTION > ng->max_faults_cpu;
1276 }
1277
1278 /* Handle placement on systems where not all nodes are directly connected. */
1279 static unsigned long score_nearby_nodes(struct task_struct *p, int nid,
1280                                         int maxdist, bool task)
1281 {
1282         unsigned long score = 0;
1283         int node;
1284
1285         /*
1286          * All nodes are directly connected, and the same distance
1287          * from each other. No need for fancy placement algorithms.
1288          */
1289         if (sched_numa_topology_type == NUMA_DIRECT)
1290                 return 0;
1291
1292         /*
1293          * This code is called for each node, introducing N^2 complexity,
1294          * which should be ok given the number of nodes rarely exceeds 8.
1295          */
1296         for_each_online_node(node) {
1297                 unsigned long faults;
1298                 int dist = node_distance(nid, node);
1299
1300                 /*
1301                  * The furthest away nodes in the system are not interesting
1302                  * for placement; nid was already counted.
1303                  */
1304                 if (dist == sched_max_numa_distance || node == nid)
1305                         continue;
1306
1307                 /*
1308                  * On systems with a backplane NUMA topology, compare groups
1309                  * of nodes, and move tasks towards the group with the most
1310                  * memory accesses. When comparing two nodes at distance
1311                  * "hoplimit", only nodes closer by than "hoplimit" are part
1312                  * of each group. Skip other nodes.
1313                  */
1314                 if (sched_numa_topology_type == NUMA_BACKPLANE &&
1315                                         dist >= maxdist)
1316                         continue;
1317
1318                 /* Add up the faults from nearby nodes. */
1319                 if (task)
1320                         faults = task_faults(p, node);
1321                 else
1322                         faults = group_faults(p, node);
1323
1324                 /*
1325                  * On systems with a glueless mesh NUMA topology, there are
1326                  * no fixed "groups of nodes". Instead, nodes that are not
1327                  * directly connected bounce traffic through intermediate
1328                  * nodes; a numa_group can occupy any set of nodes.
1329                  * The further away a node is, the less the faults count.
1330                  * This seems to result in good task placement.
1331                  */
1332                 if (sched_numa_topology_type == NUMA_GLUELESS_MESH) {
1333                         faults *= (sched_max_numa_distance - dist);
1334                         faults /= (sched_max_numa_distance - LOCAL_DISTANCE);
1335                 }
1336
1337                 score += faults;
1338         }
1339
1340         return score;
1341 }
1342
1343 /*
1344  * These return the fraction of accesses done by a particular task, or
1345  * task group, on a particular numa node.  The group weight is given a
1346  * larger multiplier, in order to group tasks together that are almost
1347  * evenly spread out between numa nodes.
1348  */
1349 static inline unsigned long task_weight(struct task_struct *p, int nid,
1350                                         int dist)
1351 {
1352         unsigned long faults, total_faults;
1353
1354         if (!p->numa_faults)
1355                 return 0;
1356
1357         total_faults = p->total_numa_faults;
1358
1359         if (!total_faults)
1360                 return 0;
1361
1362         faults = task_faults(p, nid);
1363         faults += score_nearby_nodes(p, nid, dist, true);
1364
1365         return 1000 * faults / total_faults;
1366 }
1367
1368 static inline unsigned long group_weight(struct task_struct *p, int nid,
1369                                          int dist)
1370 {
1371         unsigned long faults, total_faults;
1372
1373         if (!p->numa_group)
1374                 return 0;
1375
1376         total_faults = p->numa_group->total_faults;
1377
1378         if (!total_faults)
1379                 return 0;
1380
1381         faults = group_faults(p, nid);
1382         faults += score_nearby_nodes(p, nid, dist, false);
1383
1384         return 1000 * faults / total_faults;
1385 }
1386
1387 bool should_numa_migrate_memory(struct task_struct *p, struct page * page,
1388                                 int src_nid, int dst_cpu)
1389 {
1390         struct numa_group *ng = p->numa_group;
1391         int dst_nid = cpu_to_node(dst_cpu);
1392         int last_cpupid, this_cpupid;
1393
1394         this_cpupid = cpu_pid_to_cpupid(dst_cpu, current->pid);
1395         last_cpupid = page_cpupid_xchg_last(page, this_cpupid);
1396
1397         /*
1398          * Allow first faults or private faults to migrate immediately early in
1399          * the lifetime of a task. The magic number 4 is based on waiting for
1400          * two full passes of the "multi-stage node selection" test that is
1401          * executed below.
1402          */
1403         if ((p->numa_preferred_nid == NUMA_NO_NODE || p->numa_scan_seq <= 4) &&
1404             (cpupid_pid_unset(last_cpupid) || cpupid_match_pid(p, last_cpupid)))
1405                 return true;
1406
1407         /*
1408          * Multi-stage node selection is used in conjunction with a periodic
1409          * migration fault to build a temporal task<->page relation. By using
1410          * a two-stage filter we remove short/unlikely relations.
1411          *
1412          * Using P(p) ~ n_p / n_t as per frequentist probability, we can equate
1413          * a task's usage of a particular page (n_p) per total usage of this
1414          * page (n_t) (in a given time-span) to a probability.
1415          *
1416          * Our periodic faults will sample this probability and getting the
1417          * same result twice in a row, given these samples are fully
1418          * independent, is then given by P(n)^2, provided our sample period
1419          * is sufficiently short compared to the usage pattern.
1420          *
1421          * This quadric squishes small probabilities, making it less likely we
1422          * act on an unlikely task<->page relation.
1423          */
1424         if (!cpupid_pid_unset(last_cpupid) &&
1425                                 cpupid_to_nid(last_cpupid) != dst_nid)
1426                 return false;
1427
1428         /* Always allow migrate on private faults */
1429         if (cpupid_match_pid(p, last_cpupid))
1430                 return true;
1431
1432         /* A shared fault, but p->numa_group has not been set up yet. */
1433         if (!ng)
1434                 return true;
1435
1436         /*
1437          * Destination node is much more heavily used than the source
1438          * node? Allow migration.
1439          */
1440         if (group_faults_cpu(ng, dst_nid) > group_faults_cpu(ng, src_nid) *
1441                                         ACTIVE_NODE_FRACTION)
1442                 return true;
1443
1444         /*
1445          * Distribute memory according to CPU & memory use on each node,
1446          * with 3/4 hysteresis to avoid unnecessary memory migrations:
1447          *
1448          * faults_cpu(dst)   3   faults_cpu(src)
1449          * --------------- * - > ---------------
1450          * faults_mem(dst)   4   faults_mem(src)
1451          */
1452         return group_faults_cpu(ng, dst_nid) * group_faults(p, src_nid) * 3 >
1453                group_faults_cpu(ng, src_nid) * group_faults(p, dst_nid) * 4;
1454 }
1455
1456 static unsigned long weighted_cpuload(struct rq *rq);
1457 static unsigned long source_load(int cpu, int type);
1458 static unsigned long target_load(int cpu, int type);
1459
1460 /* Cached statistics for all CPUs within a node */
1461 struct numa_stats {
1462         unsigned long load;
1463
1464         /* Total compute capacity of CPUs on a node */
1465         unsigned long compute_capacity;
1466 };
1467
1468 /*
1469  * XXX borrowed from update_sg_lb_stats
1470  */
1471 static void update_numa_stats(struct numa_stats *ns, int nid)
1472 {
1473         int cpu;
1474
1475         memset(ns, 0, sizeof(*ns));
1476         for_each_cpu(cpu, cpumask_of_node(nid)) {
1477                 struct rq *rq = cpu_rq(cpu);
1478
1479                 ns->load += weighted_cpuload(rq);
1480                 ns->compute_capacity += capacity_of(cpu);
1481         }
1482
1483 }
1484
1485 struct task_numa_env {
1486         struct task_struct *p;
1487
1488         int src_cpu, src_nid;
1489         int dst_cpu, dst_nid;
1490
1491         struct numa_stats src_stats, dst_stats;
1492
1493         int imbalance_pct;
1494         int dist;
1495
1496         struct task_struct *best_task;
1497         long best_imp;
1498         int best_cpu;
1499 };
1500
1501 static void task_numa_assign(struct task_numa_env *env,
1502                              struct task_struct *p, long imp)
1503 {
1504         struct rq *rq = cpu_rq(env->dst_cpu);
1505
1506         /* Bail out if run-queue part of active NUMA balance. */
1507         if (xchg(&rq->numa_migrate_on, 1))
1508                 return;
1509
1510         /*
1511          * Clear previous best_cpu/rq numa-migrate flag, since task now
1512          * found a better CPU to move/swap.
1513          */
1514         if (env->best_cpu != -1) {
1515                 rq = cpu_rq(env->best_cpu);
1516                 WRITE_ONCE(rq->numa_migrate_on, 0);
1517         }
1518
1519         if (env->best_task)
1520                 put_task_struct(env->best_task);
1521         if (p)
1522                 get_task_struct(p);
1523
1524         env->best_task = p;
1525         env->best_imp = imp;
1526         env->best_cpu = env->dst_cpu;
1527 }
1528
1529 static bool load_too_imbalanced(long src_load, long dst_load,
1530                                 struct task_numa_env *env)
1531 {
1532         long imb, old_imb;
1533         long orig_src_load, orig_dst_load;
1534         long src_capacity, dst_capacity;
1535
1536         /*
1537          * The load is corrected for the CPU capacity available on each node.
1538          *
1539          * src_load        dst_load
1540          * ------------ vs ---------
1541          * src_capacity    dst_capacity
1542          */
1543         src_capacity = env->src_stats.compute_capacity;
1544         dst_capacity = env->dst_stats.compute_capacity;
1545
1546         imb = abs(dst_load * src_capacity - src_load * dst_capacity);
1547
1548         orig_src_load = env->src_stats.load;
1549         orig_dst_load = env->dst_stats.load;
1550
1551         old_imb = abs(orig_dst_load * src_capacity - orig_src_load * dst_capacity);
1552
1553         /* Would this change make things worse? */
1554         return (imb > old_imb);
1555 }
1556
1557 /*
1558  * Maximum NUMA importance can be 1998 (2*999);
1559  * SMALLIMP @ 30 would be close to 1998/64.
1560  * Used to deter task migration.
1561  */
1562 #define SMALLIMP        30
1563
1564 /*
1565  * This checks if the overall compute and NUMA accesses of the system would
1566  * be improved if the source tasks was migrated to the target dst_cpu taking
1567  * into account that it might be best if task running on the dst_cpu should
1568  * be exchanged with the source task
1569  */
1570 static void task_numa_compare(struct task_numa_env *env,
1571                               long taskimp, long groupimp, bool maymove)
1572 {
1573         struct rq *dst_rq = cpu_rq(env->dst_cpu);
1574         struct task_struct *cur;
1575         long src_load, dst_load;
1576         long load;
1577         long imp = env->p->numa_group ? groupimp : taskimp;
1578         long moveimp = imp;
1579         int dist = env->dist;
1580
1581         if (READ_ONCE(dst_rq->numa_migrate_on))
1582                 return;
1583
1584         rcu_read_lock();
1585         cur = task_rcu_dereference(&dst_rq->curr);
1586         if (cur && ((cur->flags & PF_EXITING) || is_idle_task(cur)))
1587                 cur = NULL;
1588
1589         /*
1590          * Because we have preemption enabled we can get migrated around and
1591          * end try selecting ourselves (current == env->p) as a swap candidate.
1592          */
1593         if (cur == env->p)
1594                 goto unlock;
1595
1596         if (!cur) {
1597                 if (maymove && moveimp >= env->best_imp)
1598                         goto assign;
1599                 else
1600                         goto unlock;
1601         }
1602
1603         /*
1604          * "imp" is the fault differential for the source task between the
1605          * source and destination node. Calculate the total differential for
1606          * the source task and potential destination task. The more negative
1607          * the value is, the more remote accesses that would be expected to
1608          * be incurred if the tasks were swapped.
1609          */
1610         /* Skip this swap candidate if cannot move to the source cpu */
1611         if (!cpumask_test_cpu(env->src_cpu, &cur->cpus_allowed))
1612                 goto unlock;
1613
1614         /*
1615          * If dst and source tasks are in the same NUMA group, or not
1616          * in any group then look only at task weights.
1617          */
1618         if (cur->numa_group == env->p->numa_group) {
1619                 imp = taskimp + task_weight(cur, env->src_nid, dist) -
1620                       task_weight(cur, env->dst_nid, dist);
1621                 /*
1622                  * Add some hysteresis to prevent swapping the
1623                  * tasks within a group over tiny differences.
1624                  */
1625                 if (cur->numa_group)
1626                         imp -= imp / 16;
1627         } else {
1628                 /*
1629                  * Compare the group weights. If a task is all by itself
1630                  * (not part of a group), use the task weight instead.
1631                  */
1632                 if (cur->numa_group && env->p->numa_group)
1633                         imp += group_weight(cur, env->src_nid, dist) -
1634                                group_weight(cur, env->dst_nid, dist);
1635                 else
1636                         imp += task_weight(cur, env->src_nid, dist) -
1637                                task_weight(cur, env->dst_nid, dist);
1638         }
1639
1640         if (maymove && moveimp > imp && moveimp > env->best_imp) {
1641                 imp = moveimp;
1642                 cur = NULL;
1643                 goto assign;
1644         }
1645
1646         /*
1647          * If the NUMA importance is less than SMALLIMP,
1648          * task migration might only result in ping pong
1649          * of tasks and also hurt performance due to cache
1650          * misses.
1651          */
1652         if (imp < SMALLIMP || imp <= env->best_imp + SMALLIMP / 2)
1653                 goto unlock;
1654
1655         /*
1656          * In the overloaded case, try and keep the load balanced.
1657          */
1658         load = task_h_load(env->p) - task_h_load(cur);
1659         if (!load)
1660                 goto assign;
1661
1662         dst_load = env->dst_stats.load + load;
1663         src_load = env->src_stats.load - load;
1664
1665         if (load_too_imbalanced(src_load, dst_load, env))
1666                 goto unlock;
1667
1668 assign:
1669         /*
1670          * One idle CPU per node is evaluated for a task numa move.
1671          * Call select_idle_sibling to maybe find a better one.
1672          */
1673         if (!cur) {
1674                 /*
1675                  * select_idle_siblings() uses an per-CPU cpumask that
1676                  * can be used from IRQ context.
1677                  */
1678                 local_irq_disable();
1679                 env->dst_cpu = select_idle_sibling(env->p, env->src_cpu,
1680                                                    env->dst_cpu);
1681                 local_irq_enable();
1682         }
1683
1684         task_numa_assign(env, cur, imp);
1685 unlock:
1686         rcu_read_unlock();
1687 }
1688
1689 static void task_numa_find_cpu(struct task_numa_env *env,
1690                                 long taskimp, long groupimp)
1691 {
1692         long src_load, dst_load, load;
1693         bool maymove = false;
1694         int cpu;
1695
1696         load = task_h_load(env->p);
1697         dst_load = env->dst_stats.load + load;
1698         src_load = env->src_stats.load - load;
1699
1700         /*
1701          * If the improvement from just moving env->p direction is better
1702          * than swapping tasks around, check if a move is possible.
1703          */
1704         maymove = !load_too_imbalanced(src_load, dst_load, env);
1705
1706         for_each_cpu(cpu, cpumask_of_node(env->dst_nid)) {
1707                 /* Skip this CPU if the source task cannot migrate */
1708                 if (!cpumask_test_cpu(cpu, &env->p->cpus_allowed))
1709                         continue;
1710
1711                 env->dst_cpu = cpu;
1712                 task_numa_compare(env, taskimp, groupimp, maymove);
1713         }
1714 }
1715
1716 static int task_numa_migrate(struct task_struct *p)
1717 {
1718         struct task_numa_env env = {
1719                 .p = p,
1720
1721                 .src_cpu = task_cpu(p),
1722                 .src_nid = task_node(p),
1723
1724                 .imbalance_pct = 112,
1725
1726                 .best_task = NULL,
1727                 .best_imp = 0,
1728                 .best_cpu = -1,
1729         };
1730         struct sched_domain *sd;
1731         struct rq *best_rq;
1732         unsigned long taskweight, groupweight;
1733         int nid, ret, dist;
1734         long taskimp, groupimp;
1735
1736         /*
1737          * Pick the lowest SD_NUMA domain, as that would have the smallest
1738          * imbalance and would be the first to start moving tasks about.
1739          *
1740          * And we want to avoid any moving of tasks about, as that would create
1741          * random movement of tasks -- counter the numa conditions we're trying
1742          * to satisfy here.
1743          */
1744         rcu_read_lock();
1745         sd = rcu_dereference(per_cpu(sd_numa, env.src_cpu));
1746         if (sd)
1747                 env.imbalance_pct = 100 + (sd->imbalance_pct - 100) / 2;
1748         rcu_read_unlock();
1749
1750         /*
1751          * Cpusets can break the scheduler domain tree into smaller
1752          * balance domains, some of which do not cross NUMA boundaries.
1753          * Tasks that are "trapped" in such domains cannot be migrated
1754          * elsewhere, so there is no point in (re)trying.
1755          */
1756         if (unlikely(!sd)) {
1757                 sched_setnuma(p, task_node(p));
1758                 return -EINVAL;
1759         }
1760
1761         env.dst_nid = p->numa_preferred_nid;
1762         dist = env.dist = node_distance(env.src_nid, env.dst_nid);
1763         taskweight = task_weight(p, env.src_nid, dist);
1764         groupweight = group_weight(p, env.src_nid, dist);
1765         update_numa_stats(&env.src_stats, env.src_nid);
1766         taskimp = task_weight(p, env.dst_nid, dist) - taskweight;
1767         groupimp = group_weight(p, env.dst_nid, dist) - groupweight;
1768         update_numa_stats(&env.dst_stats, env.dst_nid);
1769
1770         /* Try to find a spot on the preferred nid. */
1771         task_numa_find_cpu(&env, taskimp, groupimp);
1772
1773         /*
1774          * Look at other nodes in these cases:
1775          * - there is no space available on the preferred_nid
1776          * - the task is part of a numa_group that is interleaved across
1777          *   multiple NUMA nodes; in order to better consolidate the group,
1778          *   we need to check other locations.
1779          */
1780         if (env.best_cpu == -1 || (p->numa_group && p->numa_group->active_nodes > 1)) {
1781                 for_each_online_node(nid) {
1782                         if (nid == env.src_nid || nid == p->numa_preferred_nid)
1783                                 continue;
1784
1785                         dist = node_distance(env.src_nid, env.dst_nid);
1786                         if (sched_numa_topology_type == NUMA_BACKPLANE &&
1787                                                 dist != env.dist) {
1788                                 taskweight = task_weight(p, env.src_nid, dist);
1789                                 groupweight = group_weight(p, env.src_nid, dist);
1790                         }
1791
1792                         /* Only consider nodes where both task and groups benefit */
1793                         taskimp = task_weight(p, nid, dist) - taskweight;
1794                         groupimp = group_weight(p, nid, dist) - groupweight;
1795                         if (taskimp < 0 && groupimp < 0)
1796                                 continue;
1797
1798                         env.dist = dist;
1799                         env.dst_nid = nid;
1800                         update_numa_stats(&env.dst_stats, env.dst_nid);
1801                         task_numa_find_cpu(&env, taskimp, groupimp);
1802                 }
1803         }
1804
1805         /*
1806          * If the task is part of a workload that spans multiple NUMA nodes,
1807          * and is migrating into one of the workload's active nodes, remember
1808          * this node as the task's preferred numa node, so the workload can
1809          * settle down.
1810          * A task that migrated to a second choice node will be better off
1811          * trying for a better one later. Do not set the preferred node here.
1812          */
1813         if (p->numa_group) {
1814                 if (env.best_cpu == -1)
1815                         nid = env.src_nid;
1816                 else
1817                         nid = cpu_to_node(env.best_cpu);
1818
1819                 if (nid != p->numa_preferred_nid)
1820                         sched_setnuma(p, nid);
1821         }
1822
1823         /* No better CPU than the current one was found. */
1824         if (env.best_cpu == -1)
1825                 return -EAGAIN;
1826
1827         best_rq = cpu_rq(env.best_cpu);
1828         if (env.best_task == NULL) {
1829                 ret = migrate_task_to(p, env.best_cpu);
1830                 WRITE_ONCE(best_rq->numa_migrate_on, 0);
1831                 if (ret != 0)
1832                         trace_sched_stick_numa(p, env.src_cpu, env.best_cpu);
1833                 return ret;
1834         }
1835
1836         ret = migrate_swap(p, env.best_task, env.best_cpu, env.src_cpu);
1837         WRITE_ONCE(best_rq->numa_migrate_on, 0);
1838
1839         if (ret != 0)
1840                 trace_sched_stick_numa(p, env.src_cpu, task_cpu(env.best_task));
1841         put_task_struct(env.best_task);
1842         return ret;
1843 }
1844
1845 /* Attempt to migrate a task to a CPU on the preferred node. */
1846 static void numa_migrate_preferred(struct task_struct *p)
1847 {
1848         unsigned long interval = HZ;
1849
1850         /* This task has no NUMA fault statistics yet */
1851         if (unlikely(p->numa_preferred_nid == NUMA_NO_NODE || !p->numa_faults))
1852                 return;
1853
1854         /* Periodically retry migrating the task to the preferred node */
1855         interval = min(interval, msecs_to_jiffies(p->numa_scan_period) / 16);
1856         p->numa_migrate_retry = jiffies + interval;
1857
1858         /* Success if task is already running on preferred CPU */
1859         if (task_node(p) == p->numa_preferred_nid)
1860                 return;
1861
1862         /* Otherwise, try migrate to a CPU on the preferred node */
1863         task_numa_migrate(p);
1864 }
1865
1866 /*
1867  * Find out how many nodes on the workload is actively running on. Do this by
1868  * tracking the nodes from which NUMA hinting faults are triggered. This can
1869  * be different from the set of nodes where the workload's memory is currently
1870  * located.
1871  */
1872 static void numa_group_count_active_nodes(struct numa_group *numa_group)
1873 {
1874         unsigned long faults, max_faults = 0;
1875         int nid, active_nodes = 0;
1876
1877         for_each_online_node(nid) {
1878                 faults = group_faults_cpu(numa_group, nid);
1879                 if (faults > max_faults)
1880                         max_faults = faults;
1881         }
1882
1883         for_each_online_node(nid) {
1884                 faults = group_faults_cpu(numa_group, nid);
1885                 if (faults * ACTIVE_NODE_FRACTION > max_faults)
1886                         active_nodes++;
1887         }
1888
1889         numa_group->max_faults_cpu = max_faults;
1890         numa_group->active_nodes = active_nodes;
1891 }
1892
1893 /*
1894  * When adapting the scan rate, the period is divided into NUMA_PERIOD_SLOTS
1895  * increments. The more local the fault statistics are, the higher the scan
1896  * period will be for the next scan window. If local/(local+remote) ratio is
1897  * below NUMA_PERIOD_THRESHOLD (where range of ratio is 1..NUMA_PERIOD_SLOTS)
1898  * the scan period will decrease. Aim for 70% local accesses.
1899  */
1900 #define NUMA_PERIOD_SLOTS 10
1901 #define NUMA_PERIOD_THRESHOLD 7
1902
1903 /*
1904  * Increase the scan period (slow down scanning) if the majority of
1905  * our memory is already on our local node, or if the majority of
1906  * the page accesses are shared with other processes.
1907  * Otherwise, decrease the scan period.
1908  */
1909 static void update_task_scan_period(struct task_struct *p,
1910                         unsigned long shared, unsigned long private)
1911 {
1912         unsigned int period_slot;
1913         int lr_ratio, ps_ratio;
1914         int diff;
1915
1916         unsigned long remote = p->numa_faults_locality[0];
1917         unsigned long local = p->numa_faults_locality[1];
1918
1919         /*
1920          * If there were no record hinting faults then either the task is
1921          * completely idle or all activity is areas that are not of interest
1922          * to automatic numa balancing. Related to that, if there were failed
1923          * migration then it implies we are migrating too quickly or the local
1924          * node is overloaded. In either case, scan slower
1925          */
1926         if (local + shared == 0 || p->numa_faults_locality[2]) {
1927                 p->numa_scan_period = min(p->numa_scan_period_max,
1928                         p->numa_scan_period << 1);
1929
1930                 p->mm->numa_next_scan = jiffies +
1931                         msecs_to_jiffies(p->numa_scan_period);
1932
1933                 return;
1934         }
1935
1936         /*
1937          * Prepare to scale scan period relative to the current period.
1938          *       == NUMA_PERIOD_THRESHOLD scan period stays the same
1939          *       <  NUMA_PERIOD_THRESHOLD scan period decreases (scan faster)
1940          *       >= NUMA_PERIOD_THRESHOLD scan period increases (scan slower)
1941          */
1942         period_slot = DIV_ROUND_UP(p->numa_scan_period, NUMA_PERIOD_SLOTS);
1943         lr_ratio = (local * NUMA_PERIOD_SLOTS) / (local + remote);
1944         ps_ratio = (private * NUMA_PERIOD_SLOTS) / (private + shared);
1945
1946         if (ps_ratio >= NUMA_PERIOD_THRESHOLD) {
1947                 /*
1948                  * Most memory accesses are local. There is no need to
1949                  * do fast NUMA scanning, since memory is already local.
1950                  */
1951                 int slot = ps_ratio - NUMA_PERIOD_THRESHOLD;
1952                 if (!slot)
1953                         slot = 1;
1954                 diff = slot * period_slot;
1955         } else if (lr_ratio >= NUMA_PERIOD_THRESHOLD) {
1956                 /*
1957                  * Most memory accesses are shared with other tasks.
1958                  * There is no point in continuing fast NUMA scanning,
1959                  * since other tasks may just move the memory elsewhere.
1960                  */
1961                 int slot = lr_ratio - NUMA_PERIOD_THRESHOLD;
1962                 if (!slot)
1963                         slot = 1;
1964                 diff = slot * period_slot;
1965         } else {
1966                 /*
1967                  * Private memory faults exceed (SLOTS-THRESHOLD)/SLOTS,
1968                  * yet they are not on the local NUMA node. Speed up
1969                  * NUMA scanning to get the memory moved over.
1970                  */
1971                 int ratio = max(lr_ratio, ps_ratio);
1972                 diff = -(NUMA_PERIOD_THRESHOLD - ratio) * period_slot;
1973         }
1974
1975         p->numa_scan_period = clamp(p->numa_scan_period + diff,
1976                         task_scan_min(p), task_scan_max(p));
1977         memset(p->numa_faults_locality, 0, sizeof(p->numa_faults_locality));
1978 }
1979
1980 /*
1981  * Get the fraction of time the task has been running since the last
1982  * NUMA placement cycle. The scheduler keeps similar statistics, but
1983  * decays those on a 32ms period, which is orders of magnitude off
1984  * from the dozens-of-seconds NUMA balancing period. Use the scheduler
1985  * stats only if the task is so new there are no NUMA statistics yet.
1986  */
1987 static u64 numa_get_avg_runtime(struct task_struct *p, u64 *period)
1988 {
1989         u64 runtime, delta, now;
1990         /* Use the start of this time slice to avoid calculations. */
1991         now = p->se.exec_start;
1992         runtime = p->se.sum_exec_runtime;
1993
1994         if (p->last_task_numa_placement) {
1995                 delta = runtime - p->last_sum_exec_runtime;
1996                 *period = now - p->last_task_numa_placement;
1997         } else {
1998                 delta = p->se.avg.load_sum;
1999                 *period = LOAD_AVG_MAX;
2000         }
2001
2002         p->last_sum_exec_runtime = runtime;
2003         p->last_task_numa_placement = now;
2004
2005         return delta;
2006 }
2007
2008 /*
2009  * Determine the preferred nid for a task in a numa_group. This needs to
2010  * be done in a way that produces consistent results with group_weight,
2011  * otherwise workloads might not converge.
2012  */
2013 static int preferred_group_nid(struct task_struct *p, int nid)
2014 {
2015         nodemask_t nodes;
2016         int dist;
2017
2018         /* Direct connections between all NUMA nodes. */
2019         if (sched_numa_topology_type == NUMA_DIRECT)
2020                 return nid;
2021
2022         /*
2023          * On a system with glueless mesh NUMA topology, group_weight
2024          * scores nodes according to the number of NUMA hinting faults on
2025          * both the node itself, and on nearby nodes.
2026          */
2027         if (sched_numa_topology_type == NUMA_GLUELESS_MESH) {
2028                 unsigned long score, max_score = 0;
2029                 int node, max_node = nid;
2030
2031                 dist = sched_max_numa_distance;
2032
2033                 for_each_online_node(node) {
2034                         score = group_weight(p, node, dist);
2035                         if (score > max_score) {
2036                                 max_score = score;
2037                                 max_node = node;
2038                         }
2039                 }
2040                 return max_node;
2041         }
2042
2043         /*
2044          * Finding the preferred nid in a system with NUMA backplane
2045          * interconnect topology is more involved. The goal is to locate
2046          * tasks from numa_groups near each other in the system, and
2047          * untangle workloads from different sides of the system. This requires
2048          * searching down the hierarchy of node groups, recursively searching
2049          * inside the highest scoring group of nodes. The nodemask tricks
2050          * keep the complexity of the search down.
2051          */
2052         nodes = node_online_map;
2053         for (dist = sched_max_numa_distance; dist > LOCAL_DISTANCE; dist--) {
2054                 unsigned long max_faults = 0;
2055                 nodemask_t max_group = NODE_MASK_NONE;
2056                 int a, b;
2057
2058                 /* Are there nodes at this distance from each other? */
2059                 if (!find_numa_distance(dist))
2060                         continue;
2061
2062                 for_each_node_mask(a, nodes) {
2063                         unsigned long faults = 0;
2064                         nodemask_t this_group;
2065                         nodes_clear(this_group);
2066
2067                         /* Sum group's NUMA faults; includes a==b case. */
2068                         for_each_node_mask(b, nodes) {
2069                                 if (node_distance(a, b) < dist) {
2070                                         faults += group_faults(p, b);
2071                                         node_set(b, this_group);
2072                                         node_clear(b, nodes);
2073                                 }
2074                         }
2075
2076                         /* Remember the top group. */
2077                         if (faults > max_faults) {
2078                                 max_faults = faults;
2079                                 max_group = this_group;
2080                                 /*
2081                                  * subtle: at the smallest distance there is
2082                                  * just one node left in each "group", the
2083                                  * winner is the preferred nid.
2084                                  */
2085                                 nid = a;
2086                         }
2087                 }
2088                 /* Next round, evaluate the nodes within max_group. */
2089                 if (!max_faults)
2090                         break;
2091                 nodes = max_group;
2092         }
2093         return nid;
2094 }
2095
2096 static void task_numa_placement(struct task_struct *p)
2097 {
2098         int seq, nid, max_nid = NUMA_NO_NODE;
2099         unsigned long max_faults = 0;
2100         unsigned long fault_types[2] = { 0, 0 };
2101         unsigned long total_faults;
2102         u64 runtime, period;
2103         spinlock_t *group_lock = NULL;
2104
2105         /*
2106          * The p->mm->numa_scan_seq field gets updated without
2107          * exclusive access. Use READ_ONCE() here to ensure
2108          * that the field is read in a single access:
2109          */
2110         seq = READ_ONCE(p->mm->numa_scan_seq);
2111         if (p->numa_scan_seq == seq)
2112                 return;
2113         p->numa_scan_seq = seq;
2114         p->numa_scan_period_max = task_scan_max(p);
2115
2116         total_faults = p->numa_faults_locality[0] +
2117                        p->numa_faults_locality[1];
2118         runtime = numa_get_avg_runtime(p, &period);
2119
2120         /* If the task is part of a group prevent parallel updates to group stats */
2121         if (p->numa_group) {
2122                 group_lock = &p->numa_group->lock;
2123                 spin_lock_irq(group_lock);
2124         }
2125
2126         /* Find the node with the highest number of faults */
2127         for_each_online_node(nid) {
2128                 /* Keep track of the offsets in numa_faults array */
2129                 int mem_idx, membuf_idx, cpu_idx, cpubuf_idx;
2130                 unsigned long faults = 0, group_faults = 0;
2131                 int priv;
2132
2133                 for (priv = 0; priv < NR_NUMA_HINT_FAULT_TYPES; priv++) {
2134                         long diff, f_diff, f_weight;
2135
2136                         mem_idx = task_faults_idx(NUMA_MEM, nid, priv);
2137                         membuf_idx = task_faults_idx(NUMA_MEMBUF, nid, priv);
2138                         cpu_idx = task_faults_idx(NUMA_CPU, nid, priv);
2139                         cpubuf_idx = task_faults_idx(NUMA_CPUBUF, nid, priv);
2140
2141                         /* Decay existing window, copy faults since last scan */
2142                         diff = p->numa_faults[membuf_idx] - p->numa_faults[mem_idx] / 2;
2143                         fault_types[priv] += p->numa_faults[membuf_idx];
2144                         p->numa_faults[membuf_idx] = 0;
2145
2146                         /*
2147                          * Normalize the faults_from, so all tasks in a group
2148                          * count according to CPU use, instead of by the raw
2149                          * number of faults. Tasks with little runtime have
2150                          * little over-all impact on throughput, and thus their
2151                          * faults are less important.
2152                          */
2153                         f_weight = div64_u64(runtime << 16, period + 1);
2154                         f_weight = (f_weight * p->numa_faults[cpubuf_idx]) /
2155                                    (total_faults + 1);
2156                         f_diff = f_weight - p->numa_faults[cpu_idx] / 2;
2157                         p->numa_faults[cpubuf_idx] = 0;
2158
2159                         p->numa_faults[mem_idx] += diff;
2160                         p->numa_faults[cpu_idx] += f_diff;
2161                         faults += p->numa_faults[mem_idx];
2162                         p->total_numa_faults += diff;
2163                         if (p->numa_group) {
2164                                 /*
2165                                  * safe because we can only change our own group
2166                                  *
2167                                  * mem_idx represents the offset for a given
2168                                  * nid and priv in a specific region because it
2169                                  * is at the beginning of the numa_faults array.
2170                                  */
2171                                 p->numa_group->faults[mem_idx] += diff;
2172                                 p->numa_group->faults_cpu[mem_idx] += f_diff;
2173                                 p->numa_group->total_faults += diff;
2174                                 group_faults += p->numa_group->faults[mem_idx];
2175                         }
2176                 }
2177
2178                 if (!p->numa_group) {
2179                         if (faults > max_faults) {
2180                                 max_faults = faults;
2181                                 max_nid = nid;
2182                         }
2183                 } else if (group_faults > max_faults) {
2184                         max_faults = group_faults;
2185                         max_nid = nid;
2186                 }
2187         }
2188
2189         if (p->numa_group) {
2190                 numa_group_count_active_nodes(p->numa_group);
2191                 spin_unlock_irq(group_lock);
2192                 max_nid = preferred_group_nid(p, max_nid);
2193         }
2194
2195         if (max_faults) {
2196                 /* Set the new preferred node */
2197                 if (max_nid != p->numa_preferred_nid)
2198                         sched_setnuma(p, max_nid);
2199         }
2200
2201         update_task_scan_period(p, fault_types[0], fault_types[1]);
2202 }
2203
2204 static inline int get_numa_group(struct numa_group *grp)
2205 {
2206         return atomic_inc_not_zero(&grp->refcount);
2207 }
2208
2209 static inline void put_numa_group(struct numa_group *grp)
2210 {
2211         if (atomic_dec_and_test(&grp->refcount))
2212                 kfree_rcu(grp, rcu);
2213 }
2214
2215 static void task_numa_group(struct task_struct *p, int cpupid, int flags,
2216                         int *priv)
2217 {
2218         struct numa_group *grp, *my_grp;
2219         struct task_struct *tsk;
2220         bool join = false;
2221         int cpu = cpupid_to_cpu(cpupid);
2222         int i;
2223
2224         if (unlikely(!p->numa_group)) {
2225                 unsigned int size = sizeof(struct numa_group) +
2226                                     4*nr_node_ids*sizeof(unsigned long);
2227
2228                 grp = kzalloc(size, GFP_KERNEL | __GFP_NOWARN);
2229                 if (!grp)
2230                         return;
2231
2232                 atomic_set(&grp->refcount, 1);
2233                 grp->active_nodes = 1;
2234                 grp->max_faults_cpu = 0;
2235                 spin_lock_init(&grp->lock);
2236                 grp->gid = p->pid;
2237                 /* Second half of the array tracks nids where faults happen */
2238                 grp->faults_cpu = grp->faults + NR_NUMA_HINT_FAULT_TYPES *
2239                                                 nr_node_ids;
2240
2241                 for (i = 0; i < NR_NUMA_HINT_FAULT_STATS * nr_node_ids; i++)
2242                         grp->faults[i] = p->numa_faults[i];
2243
2244                 grp->total_faults = p->total_numa_faults;
2245
2246                 grp->nr_tasks++;
2247                 rcu_assign_pointer(p->numa_group, grp);
2248         }
2249
2250         rcu_read_lock();
2251         tsk = READ_ONCE(cpu_rq(cpu)->curr);
2252
2253         if (!cpupid_match_pid(tsk, cpupid))
2254                 goto no_join;
2255
2256         grp = rcu_dereference(tsk->numa_group);
2257         if (!grp)
2258                 goto no_join;
2259
2260         my_grp = p->numa_group;
2261         if (grp == my_grp)
2262                 goto no_join;
2263
2264         /*
2265          * Only join the other group if its bigger; if we're the bigger group,
2266          * the other task will join us.
2267          */
2268         if (my_grp->nr_tasks > grp->nr_tasks)
2269                 goto no_join;
2270
2271         /*
2272          * Tie-break on the grp address.
2273          */
2274         if (my_grp->nr_tasks == grp->nr_tasks && my_grp > grp)
2275                 goto no_join;
2276
2277         /* Always join threads in the same process. */
2278         if (tsk->mm == current->mm)
2279                 join = true;
2280
2281         /* Simple filter to avoid false positives due to PID collisions */
2282         if (flags & TNF_SHARED)
2283                 join = true;
2284
2285         /* Update priv based on whether false sharing was detected */
2286         *priv = !join;
2287
2288         if (join && !get_numa_group(grp))
2289                 goto no_join;
2290
2291         rcu_read_unlock();
2292
2293         if (!join)
2294                 return;
2295
2296         BUG_ON(irqs_disabled());
2297         double_lock_irq(&my_grp->lock, &grp->lock);
2298
2299         for (i = 0; i < NR_NUMA_HINT_FAULT_STATS * nr_node_ids; i++) {
2300                 my_grp->faults[i] -= p->numa_faults[i];
2301                 grp->faults[i] += p->numa_faults[i];
2302         }
2303         my_grp->total_faults -= p->total_numa_faults;
2304         grp->total_faults += p->total_numa_faults;
2305
2306         my_grp->nr_tasks--;
2307         grp->nr_tasks++;
2308
2309         spin_unlock(&my_grp->lock);
2310         spin_unlock_irq(&grp->lock);
2311
2312         rcu_assign_pointer(p->numa_group, grp);
2313
2314         put_numa_group(my_grp);
2315         return;
2316
2317 no_join:
2318         rcu_read_unlock();
2319         return;
2320 }
2321
2322 void task_numa_free(struct task_struct *p)
2323 {
2324         struct numa_group *grp = p->numa_group;
2325         void *numa_faults = p->numa_faults;
2326         unsigned long flags;
2327         int i;
2328
2329         if (grp) {
2330                 spin_lock_irqsave(&grp->lock, flags);
2331                 for (i = 0; i < NR_NUMA_HINT_FAULT_STATS * nr_node_ids; i++)
2332                         grp->faults[i] -= p->numa_faults[i];
2333                 grp->total_faults -= p->total_numa_faults;
2334
2335                 grp->nr_tasks--;
2336                 spin_unlock_irqrestore(&grp->lock, flags);
2337                 RCU_INIT_POINTER(p->numa_group, NULL);
2338                 put_numa_group(grp);
2339         }
2340
2341         p->numa_faults = NULL;
2342         kfree(numa_faults);
2343 }
2344
2345 /*
2346  * Got a PROT_NONE fault for a page on @node.
2347  */
2348 void task_numa_fault(int last_cpupid, int mem_node, int pages, int flags)
2349 {
2350         struct task_struct *p = current;
2351         bool migrated = flags & TNF_MIGRATED;
2352         int cpu_node = task_node(current);
2353         int local = !!(flags & TNF_FAULT_LOCAL);
2354         struct numa_group *ng;
2355         int priv;
2356
2357         if (!static_branch_likely(&sched_numa_balancing))
2358                 return;
2359
2360         /* for example, ksmd faulting in a user's mm */
2361         if (!p->mm)
2362                 return;
2363
2364         /* Allocate buffer to track faults on a per-node basis */
2365         if (unlikely(!p->numa_faults)) {
2366                 int size = sizeof(*p->numa_faults) *
2367                            NR_NUMA_HINT_FAULT_BUCKETS * nr_node_ids;
2368
2369                 p->numa_faults = kzalloc(size, GFP_KERNEL|__GFP_NOWARN);
2370                 if (!p->numa_faults)
2371                         return;
2372
2373                 p->total_numa_faults = 0;
2374                 memset(p->numa_faults_locality, 0, sizeof(p->numa_faults_locality));
2375         }
2376
2377         /*
2378          * First accesses are treated as private, otherwise consider accesses
2379          * to be private if the accessing pid has not changed
2380          */
2381         if (unlikely(last_cpupid == (-1 & LAST_CPUPID_MASK))) {
2382                 priv = 1;
2383         } else {
2384                 priv = cpupid_match_pid(p, last_cpupid);
2385                 if (!priv && !(flags & TNF_NO_GROUP))
2386                         task_numa_group(p, last_cpupid, flags, &priv);
2387         }
2388
2389         /*
2390          * If a workload spans multiple NUMA nodes, a shared fault that
2391          * occurs wholly within the set of nodes that the workload is
2392          * actively using should be counted as local. This allows the
2393          * scan rate to slow down when a workload has settled down.
2394          */
2395         ng = p->numa_group;
2396         if (!priv && !local && ng && ng->active_nodes > 1 &&
2397                                 numa_is_active_node(cpu_node, ng) &&
2398                                 numa_is_active_node(mem_node, ng))
2399                 local = 1;
2400
2401         /*
2402          * Retry to migrate task to preferred node periodically, in case it
2403          * previously failed, or the scheduler moved us.
2404          */
2405         if (time_after(jiffies, p->numa_migrate_retry)) {
2406                 task_numa_placement(p);
2407                 numa_migrate_preferred(p);
2408         }
2409
2410         if (migrated)
2411                 p->numa_pages_migrated += pages;
2412         if (flags & TNF_MIGRATE_FAIL)
2413                 p->numa_faults_locality[2] += pages;
2414
2415         p->numa_faults[task_faults_idx(NUMA_MEMBUF, mem_node, priv)] += pages;
2416         p->numa_faults[task_faults_idx(NUMA_CPUBUF, cpu_node, priv)] += pages;
2417         p->numa_faults_locality[local] += pages;
2418 }
2419
2420 static void reset_ptenuma_scan(struct task_struct *p)
2421 {
2422         /*
2423          * We only did a read acquisition of the mmap sem, so
2424          * p->mm->numa_scan_seq is written to without exclusive access
2425          * and the update is not guaranteed to be atomic. That's not
2426          * much of an issue though, since this is just used for
2427          * statistical sampling. Use READ_ONCE/WRITE_ONCE, which are not
2428          * expensive, to avoid any form of compiler optimizations:
2429          */
2430         WRITE_ONCE(p->mm->numa_scan_seq, READ_ONCE(p->mm->numa_scan_seq) + 1);
2431         p->mm->numa_scan_offset = 0;
2432 }
2433
2434 /*
2435  * The expensive part of numa migration is done from task_work context.
2436  * Triggered from task_tick_numa().
2437  */
2438 void task_numa_work(struct callback_head *work)
2439 {
2440         unsigned long migrate, next_scan, now = jiffies;
2441         struct task_struct *p = current;
2442         struct mm_struct *mm = p->mm;
2443         u64 runtime = p->se.sum_exec_runtime;
2444         struct vm_area_struct *vma;
2445         unsigned long start, end;
2446         unsigned long nr_pte_updates = 0;
2447         long pages, virtpages;
2448
2449         SCHED_WARN_ON(p != container_of(work, struct task_struct, numa_work));
2450
2451         work->next = work; /* protect against double add */
2452         /*
2453          * Who cares about NUMA placement when they're dying.
2454          *
2455          * NOTE: make sure not to dereference p->mm before this check,
2456          * exit_task_work() happens _after_ exit_mm() so we could be called
2457          * without p->mm even though we still had it when we enqueued this
2458          * work.
2459          */
2460         if (p->flags & PF_EXITING)
2461                 return;
2462
2463         if (!mm->numa_next_scan) {
2464                 mm->numa_next_scan = now +
2465                         msecs_to_jiffies(sysctl_numa_balancing_scan_delay);
2466         }
2467
2468         /*
2469          * Enforce maximal scan/migration frequency..
2470          */
2471         migrate = mm->numa_next_scan;
2472         if (time_before(now, migrate))
2473                 return;
2474
2475         if (p->numa_scan_period == 0) {
2476                 p->numa_scan_period_max = task_scan_max(p);
2477                 p->numa_scan_period = task_scan_start(p);
2478         }
2479
2480         next_scan = now + msecs_to_jiffies(p->numa_scan_period);
2481         if (cmpxchg(&mm->numa_next_scan, migrate, next_scan) != migrate)
2482                 return;
2483
2484         /*
2485          * Delay this task enough that another task of this mm will likely win
2486          * the next time around.
2487          */
2488         p->node_stamp += 2 * TICK_NSEC;
2489
2490         start = mm->numa_scan_offset;
2491         pages = sysctl_numa_balancing_scan_size;
2492         pages <<= 20 - PAGE_SHIFT; /* MB in pages */
2493         virtpages = pages * 8;     /* Scan up to this much virtual space */
2494         if (!pages)
2495                 return;
2496
2497
2498         if (!down_read_trylock(&mm->mmap_sem))
2499                 return;
2500         vma = find_vma(mm, start);
2501         if (!vma) {
2502                 reset_ptenuma_scan(p);
2503                 start = 0;
2504                 vma = mm->mmap;
2505         }
2506         for (; vma; vma = vma->vm_next) {
2507                 if (!vma_migratable(vma) || !vma_policy_mof(vma) ||
2508                         is_vm_hugetlb_page(vma) || (vma->vm_flags & VM_MIXEDMAP)) {
2509                         continue;
2510                 }
2511
2512                 /*
2513                  * Shared library pages mapped by multiple processes are not
2514                  * migrated as it is expected they are cache replicated. Avoid
2515                  * hinting faults in read-only file-backed mappings or the vdso
2516                  * as migrating the pages will be of marginal benefit.
2517                  */
2518                 if (!vma->vm_mm ||
2519                     (vma->vm_file && (vma->vm_flags & (VM_READ|VM_WRITE)) == (VM_READ)))
2520                         continue;
2521
2522                 /*
2523                  * Skip inaccessible VMAs to avoid any confusion between
2524                  * PROT_NONE and NUMA hinting ptes
2525                  */
2526                 if (!(vma->vm_flags & (VM_READ | VM_EXEC | VM_WRITE)))
2527                         continue;
2528
2529                 do {
2530                         start = max(start, vma->vm_start);
2531                         end = ALIGN(start + (pages << PAGE_SHIFT), HPAGE_SIZE);
2532                         end = min(end, vma->vm_end);
2533                         nr_pte_updates = change_prot_numa(vma, start, end);
2534
2535                         /*
2536                          * Try to scan sysctl_numa_balancing_size worth of
2537                          * hpages that have at least one present PTE that
2538                          * is not already pte-numa. If the VMA contains
2539                          * areas that are unused or already full of prot_numa
2540                          * PTEs, scan up to virtpages, to skip through those
2541                          * areas faster.
2542                          */
2543                         if (nr_pte_updates)
2544                                 pages -= (end - start) >> PAGE_SHIFT;
2545                         virtpages -= (end - start) >> PAGE_SHIFT;
2546
2547                         start = end;
2548                         if (pages <= 0 || virtpages <= 0)
2549                                 goto out;
2550
2551                         cond_resched();
2552                 } while (end != vma->vm_end);
2553         }
2554
2555 out:
2556         /*
2557          * It is possible to reach the end of the VMA list but the last few
2558          * VMAs are not guaranteed to the vma_migratable. If they are not, we
2559          * would find the !migratable VMA on the next scan but not reset the
2560          * scanner to the start so check it now.
2561          */
2562         if (vma)
2563                 mm->numa_scan_offset = start;
2564         else
2565                 reset_ptenuma_scan(p);
2566         up_read(&mm->mmap_sem);
2567
2568         /*
2569          * Make sure tasks use at least 32x as much time to run other code
2570          * than they used here, to limit NUMA PTE scanning overhead to 3% max.
2571          * Usually update_task_scan_period slows down scanning enough; on an
2572          * overloaded system we need to limit overhead on a per task basis.
2573          */
2574         if (unlikely(p->se.sum_exec_runtime != runtime)) {
2575                 u64 diff = p->se.sum_exec_runtime - runtime;
2576                 p->node_stamp += 32 * diff;
2577         }
2578 }
2579
2580 /*
2581  * Drive the periodic memory faults..
2582  */
2583 void task_tick_numa(struct rq *rq, struct task_struct *curr)
2584 {
2585         struct callback_head *work = &curr->numa_work;
2586         u64 period, now;
2587
2588         /*
2589          * We don't care about NUMA placement if we don't have memory.
2590          */
2591         if (!curr->mm || (curr->flags & PF_EXITING) || work->next != work)
2592                 return;
2593
2594         /*
2595          * Using runtime rather than walltime has the dual advantage that
2596          * we (mostly) drive the selection from busy threads and that the
2597          * task needs to have done some actual work before we bother with
2598          * NUMA placement.
2599          */
2600         now = curr->se.sum_exec_runtime;
2601         period = (u64)curr->numa_scan_period * NSEC_PER_MSEC;
2602
2603         if (now > curr->node_stamp + period) {
2604                 if (!curr->node_stamp)
2605                         curr->numa_scan_period = task_scan_start(curr);
2606                 curr->node_stamp += period;
2607
2608                 if (!time_before(jiffies, curr->mm->numa_next_scan)) {
2609                         init_task_work(work, task_numa_work); /* TODO: move this into sched_fork() */
2610                         task_work_add(curr, work, true);
2611                 }
2612         }
2613 }
2614
2615 static void update_scan_period(struct task_struct *p, int new_cpu)
2616 {
2617         int src_nid = cpu_to_node(task_cpu(p));
2618         int dst_nid = cpu_to_node(new_cpu);
2619
2620         if (!static_branch_likely(&sched_numa_balancing))
2621                 return;
2622
2623         if (!p->mm || !p->numa_faults || (p->flags & PF_EXITING))
2624                 return;
2625
2626         if (src_nid == dst_nid)
2627                 return;
2628
2629         /*
2630          * Allow resets if faults have been trapped before one scan
2631          * has completed. This is most likely due to a new task that
2632          * is pulled cross-node due to wakeups or load balancing.
2633          */
2634         if (p->numa_scan_seq) {
2635                 /*
2636                  * Avoid scan adjustments if moving to the preferred
2637                  * node or if the task was not previously running on
2638                  * the preferred node.
2639                  */
2640                 if (dst_nid == p->numa_preferred_nid ||
2641                     (p->numa_preferred_nid != NUMA_NO_NODE &&
2642                         src_nid != p->numa_preferred_nid))
2643                         return;
2644         }
2645
2646         p->numa_scan_period = task_scan_start(p);
2647 }
2648
2649 #else
2650 static void task_tick_numa(struct rq *rq, struct task_struct *curr)
2651 {
2652 }
2653
2654 static inline void account_numa_enqueue(struct rq *rq, struct task_struct *p)
2655 {
2656 }
2657
2658 static inline void account_numa_dequeue(struct rq *rq, struct task_struct *p)
2659 {
2660 }
2661
2662 static inline void update_scan_period(struct task_struct *p, int new_cpu)
2663 {
2664 }
2665
2666 #endif /* CONFIG_NUMA_BALANCING */
2667
2668 static void
2669 account_entity_enqueue(struct cfs_rq *cfs_rq, struct sched_entity *se)
2670 {
2671         update_load_add(&cfs_rq->load, se->load.weight);
2672         if (!parent_entity(se))
2673                 update_load_add(&rq_of(cfs_rq)->load, se->load.weight);
2674 #ifdef CONFIG_SMP
2675         if (entity_is_task(se)) {
2676                 struct rq *rq = rq_of(cfs_rq);
2677
2678                 account_numa_enqueue(rq, task_of(se));
2679                 list_add(&se->group_node, &rq->cfs_tasks);
2680         }
2681 #endif
2682         cfs_rq->nr_running++;
2683 }
2684
2685 static void
2686 account_entity_dequeue(struct cfs_rq *cfs_rq, struct sched_entity *se)
2687 {
2688         update_load_sub(&cfs_rq->load, se->load.weight);
2689         if (!parent_entity(se))
2690                 update_load_sub(&rq_of(cfs_rq)->load, se->load.weight);
2691 #ifdef CONFIG_SMP
2692         if (entity_is_task(se)) {
2693                 account_numa_dequeue(rq_of(cfs_rq), task_of(se));
2694                 list_del_init(&se->group_node);
2695         }
2696 #endif
2697         cfs_rq->nr_running--;
2698 }
2699
2700 /*
2701  * Signed add and clamp on underflow.
2702  *
2703  * Explicitly do a load-store to ensure the intermediate value never hits
2704  * memory. This allows lockless observations without ever seeing the negative
2705  * values.
2706  */
2707 #define add_positive(_ptr, _val) do {                           \
2708         typeof(_ptr) ptr = (_ptr);                              \
2709         typeof(_val) val = (_val);                              \
2710         typeof(*ptr) res, var = READ_ONCE(*ptr);                \
2711                                                                 \
2712         res = var + val;                                        \
2713                                                                 \
2714         if (val < 0 && res > var)                               \
2715                 res = 0;                                        \
2716                                                                 \
2717         WRITE_ONCE(*ptr, res);                                  \
2718 } while (0)
2719
2720 /*
2721  * Unsigned subtract and clamp on underflow.
2722  *
2723  * Explicitly do a load-store to ensure the intermediate value never hits
2724  * memory. This allows lockless observations without ever seeing the negative
2725  * values.
2726  */
2727 #define sub_positive(_ptr, _val) do {                           \
2728         typeof(_ptr) ptr = (_ptr);                              \
2729         typeof(*ptr) val = (_val);                              \
2730         typeof(*ptr) res, var = READ_ONCE(*ptr);                \
2731         res = var - val;                                        \
2732         if (res > var)                                          \
2733                 res = 0;                                        \
2734         WRITE_ONCE(*ptr, res);                                  \
2735 } while (0)
2736
2737 /*
2738  * Remove and clamp on negative, from a local variable.
2739  *
2740  * A variant of sub_positive(), which does not use explicit load-store
2741  * and is thus optimized for local variable updates.
2742  */
2743 #define lsub_positive(_ptr, _val) do {                          \
2744         typeof(_ptr) ptr = (_ptr);                              \
2745         *ptr -= min_t(typeof(*ptr), *ptr, _val);                \
2746 } while (0)
2747
2748 #ifdef CONFIG_SMP
2749 static inline void
2750 enqueue_runnable_load_avg(struct cfs_rq *cfs_rq, struct sched_entity *se)
2751 {
2752         cfs_rq->runnable_weight += se->runnable_weight;
2753
2754         cfs_rq->avg.runnable_load_avg += se->avg.runnable_load_avg;
2755         cfs_rq->avg.runnable_load_sum += se_runnable(se) * se->avg.runnable_load_sum;
2756 }
2757
2758 static inline void
2759 dequeue_runnable_load_avg(struct cfs_rq *cfs_rq, struct sched_entity *se)
2760 {
2761         cfs_rq->runnable_weight -= se->runnable_weight;
2762
2763         sub_positive(&cfs_rq->avg.runnable_load_avg, se->avg.runnable_load_avg);
2764         sub_positive(&cfs_rq->avg.runnable_load_sum,
2765                      se_runnable(se) * se->avg.runnable_load_sum);
2766 }
2767
2768 static inline void
2769 enqueue_load_avg(struct cfs_rq *cfs_rq, struct sched_entity *se)
2770 {
2771         cfs_rq->avg.load_avg += se->avg.load_avg;
2772         cfs_rq->avg.load_sum += se_weight(se) * se->avg.load_sum;
2773 }
2774
2775 static inline void
2776 dequeue_load_avg(struct cfs_rq *cfs_rq, struct sched_entity *se)
2777 {
2778         sub_positive(&cfs_rq->avg.load_avg, se->avg.load_avg);
2779         sub_positive(&cfs_rq->avg.load_sum, se_weight(se) * se->avg.load_sum);
2780 }
2781 #else
2782 static inline void
2783 enqueue_runnable_load_avg(struct cfs_rq *cfs_rq, struct sched_entity *se) { }
2784 static inline void
2785 dequeue_runnable_load_avg(struct cfs_rq *cfs_rq, struct sched_entity *se) { }
2786 static inline void
2787 enqueue_load_avg(struct cfs_rq *cfs_rq, struct sched_entity *se) { }
2788 static inline void
2789 dequeue_load_avg(struct cfs_rq *cfs_rq, struct sched_entity *se) { }
2790 #endif
2791
2792 static void reweight_entity(struct cfs_rq *cfs_rq, struct sched_entity *se,
2793                             unsigned long weight, unsigned long runnable)
2794 {
2795         if (se->on_rq) {
2796                 /* commit outstanding execution time */
2797                 if (cfs_rq->curr == se)
2798                         update_curr(cfs_rq);
2799                 account_entity_dequeue(cfs_rq, se);
2800                 dequeue_runnable_load_avg(cfs_rq, se);
2801         }
2802         dequeue_load_avg(cfs_rq, se);
2803
2804         se->runnable_weight = runnable;
2805         update_load_set(&se->load, weight);
2806
2807 #ifdef CONFIG_SMP
2808         do {
2809                 u32 divider = LOAD_AVG_MAX - 1024 + se->avg.period_contrib;
2810
2811                 se->avg.load_avg = div_u64(se_weight(se) * se->avg.load_sum, divider);
2812                 se->avg.runnable_load_avg =
2813                         div_u64(se_runnable(se) * se->avg.runnable_load_sum, divider);
2814         } while (0);
2815 #endif
2816
2817         enqueue_load_avg(cfs_rq, se);
2818         if (se->on_rq) {
2819                 account_entity_enqueue(cfs_rq, se);
2820                 enqueue_runnable_load_avg(cfs_rq, se);
2821         }
2822 }
2823
2824 void reweight_task(struct task_struct *p, int prio)
2825 {
2826         struct sched_entity *se = &p->se;
2827         struct cfs_rq *cfs_rq = cfs_rq_of(se);
2828         struct load_weight *load = &se->load;
2829         unsigned long weight = scale_load(sched_prio_to_weight[prio]);
2830
2831         reweight_entity(cfs_rq, se, weight, weight);
2832         load->inv_weight = sched_prio_to_wmult[prio];
2833 }
2834
2835 #ifdef CONFIG_FAIR_GROUP_SCHED
2836 #ifdef CONFIG_SMP
2837 /*
2838  * All this does is approximate the hierarchical proportion which includes that
2839  * global sum we all love to hate.
2840  *
2841  * That is, the weight of a group entity, is the proportional share of the
2842  * group weight based on the group runqueue weights. That is:
2843  *
2844  *                     tg->weight * grq->load.weight
2845  *   ge->load.weight = -----------------------------               (1)
2846  *                        \Sum grq->load.weight
2847  *
2848  * Now, because computing that sum is prohibitively expensive to compute (been
2849  * there, done that) we approximate it with this average stuff. The average
2850  * moves slower and therefore the approximation is cheaper and more stable.
2851  *
2852  * So instead of the above, we substitute:
2853  *
2854  *   grq->load.weight -> grq->avg.load_avg                         (2)
2855  *
2856  * which yields the following:
2857  *
2858  *                     tg->weight * grq->avg.load_avg
2859  *   ge->load.weight = ------------------------------              (3)
2860  *                              tg->load_avg
2861  *
2862  * Where: tg->load_avg ~= \Sum grq->avg.load_avg
2863  *
2864  * That is shares_avg, and it is right (given the approximation (2)).
2865  *
2866  * The problem with it is that because the average is slow -- it was designed
2867  * to be exactly that of course -- this leads to transients in boundary
2868  * conditions. In specific, the case where the group was idle and we start the
2869  * one task. It takes time for our CPU's grq->avg.load_avg to build up,
2870  * yielding bad latency etc..
2871  *
2872  * Now, in that special case (1) reduces to:
2873  *
2874  *                     tg->weight * grq->load.weight
2875  *   ge->load.weight = ----------------------------- = tg->weight   (4)
2876  *                          grp->load.weight
2877  *
2878  * That is, the sum collapses because all other CPUs are idle; the UP scenario.
2879  *
2880  * So what we do is modify our approximation (3) to approach (4) in the (near)
2881  * UP case, like:
2882  *
2883  *   ge->load.weight =
2884  *
2885  *              tg->weight * grq->load.weight
2886  *     ---------------------------------------------------         (5)
2887  *     tg->load_avg - grq->avg.load_avg + grq->load.weight
2888  *
2889  * But because grq->load.weight can drop to 0, resulting in a divide by zero,
2890  * we need to use grq->avg.load_avg as its lower bound, which then gives:
2891  *
2892  *
2893  *                     tg->weight * grq->load.weight
2894  *   ge->load.weight = -----------------------------               (6)
2895  *                              tg_load_avg'
2896  *
2897  * Where:
2898  *
2899  *   tg_load_avg' = tg->load_avg - grq->avg.load_avg +
2900  *                  max(grq->load.weight, grq->avg.load_avg)
2901  *
2902  * And that is shares_weight and is icky. In the (near) UP case it approaches
2903  * (4) while in the normal case it approaches (3). It consistently
2904  * overestimates the ge->load.weight and therefore:
2905  *
2906  *   \Sum ge->load.weight >= tg->weight
2907  *
2908  * hence icky!
2909  */
2910 static long calc_group_shares(struct cfs_rq *cfs_rq)
2911 {
2912         long tg_weight, tg_shares, load, shares;
2913         struct task_group *tg = cfs_rq->tg;
2914
2915         tg_shares = READ_ONCE(tg->shares);
2916
2917         load = max(scale_load_down(cfs_rq->load.weight), cfs_rq->avg.load_avg);
2918
2919         tg_weight = atomic_long_read(&tg->load_avg);
2920
2921         /* Ensure tg_weight >= load */
2922         tg_weight -= cfs_rq->tg_load_avg_contrib;
2923         tg_weight += load;
2924
2925         shares = (tg_shares * load);
2926         if (tg_weight)
2927                 shares /= tg_weight;
2928
2929         /*
2930          * MIN_SHARES has to be unscaled here to support per-CPU partitioning
2931          * of a group with small tg->shares value. It is a floor value which is
2932          * assigned as a minimum load.weight to the sched_entity representing
2933          * the group on a CPU.
2934          *
2935          * E.g. on 64-bit for a group with tg->shares of scale_load(15)=15*1024
2936          * on an 8-core system with 8 tasks each runnable on one CPU shares has
2937          * to be 15*1024*1/8=1920 instead of scale_load(MIN_SHARES)=2*1024. In
2938          * case no task is runnable on a CPU MIN_SHARES=2 should be returned
2939          * instead of 0.
2940          */
2941         return clamp_t(long, shares, MIN_SHARES, tg_shares);
2942 }
2943
2944 /*
2945  * This calculates the effective runnable weight for a group entity based on
2946  * the group entity weight calculated above.
2947  *
2948  * Because of the above approximation (2), our group entity weight is
2949  * an load_avg based ratio (3). This means that it includes blocked load and
2950  * does not represent the runnable weight.
2951  *
2952  * Approximate the group entity's runnable weight per ratio from the group
2953  * runqueue:
2954  *
2955  *                                           grq->avg.runnable_load_avg
2956  *   ge->runnable_weight = ge->load.weight * -------------------------- (7)
2957  *                                               grq->avg.load_avg
2958  *
2959  * However, analogous to above, since the avg numbers are slow, this leads to
2960  * transients in the from-idle case. Instead we use:
2961  *
2962  *   ge->runnable_weight = ge->load.weight *
2963  *
2964  *              max(grq->avg.runnable_load_avg, grq->runnable_weight)
2965  *              -----------------------------------------------------   (8)
2966  *                    max(grq->avg.load_avg, grq->load.weight)
2967  *
2968  * Where these max() serve both to use the 'instant' values to fix the slow
2969  * from-idle and avoid the /0 on to-idle, similar to (6).
2970  */
2971 static long calc_group_runnable(struct cfs_rq *cfs_rq, long shares)
2972 {
2973         long runnable, load_avg;
2974
2975         load_avg = max(cfs_rq->avg.load_avg,
2976                        scale_load_down(cfs_rq->load.weight));
2977
2978         runnable = max(cfs_rq->avg.runnable_load_avg,
2979                        scale_load_down(cfs_rq->runnable_weight));
2980
2981         runnable *= shares;
2982         if (load_avg)
2983                 runnable /= load_avg;
2984
2985         return clamp_t(long, runnable, MIN_SHARES, shares);
2986 }
2987 #endif /* CONFIG_SMP */
2988
2989 static inline int throttled_hierarchy(struct cfs_rq *cfs_rq);
2990
2991 /*
2992  * Recomputes the group entity based on the current state of its group
2993  * runqueue.
2994  */
2995 static void update_cfs_group(struct sched_entity *se)
2996 {
2997         struct cfs_rq *gcfs_rq = group_cfs_rq(se);
2998         long shares, runnable;
2999
3000         if (!gcfs_rq)
3001                 return;
3002
3003         if (throttled_hierarchy(gcfs_rq))
3004                 return;
3005
3006 #ifndef CONFIG_SMP
3007         runnable = shares = READ_ONCE(gcfs_rq->tg->shares);
3008
3009         if (likely(se->load.weight == shares))
3010                 return;
3011 #else
3012         shares   = calc_group_shares(gcfs_rq);
3013         runnable = calc_group_runnable(gcfs_rq, shares);
3014 #endif
3015
3016         reweight_entity(cfs_rq_of(se), se, shares, runnable);
3017 }
3018
3019 #else /* CONFIG_FAIR_GROUP_SCHED */
3020 static inline void update_cfs_group(struct sched_entity *se)
3021 {
3022 }
3023 #endif /* CONFIG_FAIR_GROUP_SCHED */
3024
3025 static inline void cfs_rq_util_change(struct cfs_rq *cfs_rq, int flags)
3026 {
3027         struct rq *rq = rq_of(cfs_rq);
3028
3029         if (&rq->cfs == cfs_rq || (flags & SCHED_CPUFREQ_MIGRATION)) {
3030                 /*
3031                  * There are a few boundary cases this might miss but it should
3032                  * get called often enough that that should (hopefully) not be
3033                  * a real problem.
3034                  *
3035                  * It will not get called when we go idle, because the idle
3036                  * thread is a different class (!fair), nor will the utilization
3037                  * number include things like RT tasks.
3038                  *
3039                  * As is, the util number is not freq-invariant (we'd have to
3040                  * implement arch_scale_freq_capacity() for that).
3041                  *
3042                  * See cpu_util().
3043                  */
3044                 cpufreq_update_util(rq, flags);
3045         }
3046 }
3047
3048 #ifdef CONFIG_SMP
3049 #ifdef CONFIG_FAIR_GROUP_SCHED
3050 /**
3051  * update_tg_load_avg - update the tg's load avg
3052  * @cfs_rq: the cfs_rq whose avg changed
3053  * @force: update regardless of how small the difference
3054  *
3055  * This function 'ensures': tg->load_avg := \Sum tg->cfs_rq[]->avg.load.
3056  * However, because tg->load_avg is a global value there are performance
3057  * considerations.
3058  *
3059  * In order to avoid having to look at the other cfs_rq's, we use a
3060  * differential update where we store the last value we propagated. This in
3061  * turn allows skipping updates if the differential is 'small'.
3062  *
3063  * Updating tg's load_avg is necessary before update_cfs_share().
3064  */
3065 static inline void update_tg_load_avg(struct cfs_rq *cfs_rq, int force)
3066 {
3067         long delta = cfs_rq->avg.load_avg - cfs_rq->tg_load_avg_contrib;
3068
3069         /*
3070          * No need to update load_avg for root_task_group as it is not used.
3071          */
3072         if (cfs_rq->tg == &root_task_group)
3073                 return;
3074
3075         if (force || abs(delta) > cfs_rq->tg_load_avg_contrib / 64) {
3076                 atomic_long_add(delta, &cfs_rq->tg->load_avg);
3077                 cfs_rq->tg_load_avg_contrib = cfs_rq->avg.load_avg;
3078         }
3079 }
3080
3081 /*
3082  * Called within set_task_rq() right before setting a task's CPU. The
3083  * caller only guarantees p->pi_lock is held; no other assumptions,
3084  * including the state of rq->lock, should be made.
3085  */
3086 void set_task_rq_fair(struct sched_entity *se,
3087                       struct cfs_rq *prev, struct cfs_rq *next)
3088 {
3089         u64 p_last_update_time;
3090         u64 n_last_update_time;
3091
3092         if (!sched_feat(ATTACH_AGE_LOAD))
3093                 return;
3094
3095         /*
3096          * We are supposed to update the task to "current" time, then its up to
3097          * date and ready to go to new CPU/cfs_rq. But we have difficulty in
3098          * getting what current time is, so simply throw away the out-of-date
3099          * time. This will result in the wakee task is less decayed, but giving
3100          * the wakee more load sounds not bad.
3101          */
3102         if (!(se->avg.last_update_time && prev))
3103                 return;
3104
3105 #ifndef CONFIG_64BIT
3106         {
3107                 u64 p_last_update_time_copy;
3108                 u64 n_last_update_time_copy;
3109
3110                 do {
3111                         p_last_update_time_copy = prev->load_last_update_time_copy;
3112                         n_last_update_time_copy = next->load_last_update_time_copy;
3113
3114                         smp_rmb();
3115
3116                         p_last_update_time = prev->avg.last_update_time;
3117                         n_last_update_time = next->avg.last_update_time;
3118
3119                 } while (p_last_update_time != p_last_update_time_copy ||
3120                          n_last_update_time != n_last_update_time_copy);
3121         }
3122 #else
3123         p_last_update_time = prev->avg.last_update_time;
3124         n_last_update_time = next->avg.last_update_time;
3125 #endif
3126         __update_load_avg_blocked_se(p_last_update_time, cpu_of(rq_of(prev)), se);
3127         se->avg.last_update_time = n_last_update_time;
3128 }
3129
3130
3131 /*
3132  * When on migration a sched_entity joins/leaves the PELT hierarchy, we need to
3133  * propagate its contribution. The key to this propagation is the invariant
3134  * that for each group:
3135  *
3136  *   ge->avg == grq->avg                                                (1)
3137  *
3138  * _IFF_ we look at the pure running and runnable sums. Because they
3139  * represent the very same entity, just at different points in the hierarchy.
3140  *
3141  * Per the above update_tg_cfs_util() is trivial and simply copies the running
3142  * sum over (but still wrong, because the group entity and group rq do not have
3143  * their PELT windows aligned).
3144  *
3145  * However, update_tg_cfs_runnable() is more complex. So we have:
3146  *
3147  *   ge->avg.load_avg = ge->load.weight * ge->avg.runnable_avg          (2)
3148  *
3149  * And since, like util, the runnable part should be directly transferable,
3150  * the following would _appear_ to be the straight forward approach:
3151  *
3152  *   grq->avg.load_avg = grq->load.weight * grq->avg.runnable_avg       (3)
3153  *
3154  * And per (1) we have:
3155  *
3156  *   ge->avg.runnable_avg == grq->avg.runnable_avg
3157  *
3158  * Which gives:
3159  *
3160  *                      ge->load.weight * grq->avg.load_avg
3161  *   ge->avg.load_avg = -----------------------------------             (4)
3162  *                               grq->load.weight
3163  *
3164  * Except that is wrong!
3165  *
3166  * Because while for entities historical weight is not important and we
3167  * really only care about our future and therefore can consider a pure
3168  * runnable sum, runqueues can NOT do this.
3169  *
3170  * We specifically want runqueues to have a load_avg that includes
3171  * historical weights. Those represent the blocked load, the load we expect
3172  * to (shortly) return to us. This only works by keeping the weights as
3173  * integral part of the sum. We therefore cannot decompose as per (3).
3174  *
3175  * Another reason this doesn't work is that runnable isn't a 0-sum entity.
3176  * Imagine a rq with 2 tasks that each are runnable 2/3 of the time. Then the
3177  * rq itself is runnable anywhere between 2/3 and 1 depending on how the
3178  * runnable section of these tasks overlap (or not). If they were to perfectly
3179  * align the rq as a whole would be runnable 2/3 of the time. If however we
3180  * always have at least 1 runnable task, the rq as a whole is always runnable.
3181  *
3182  * So we'll have to approximate.. :/
3183  *
3184  * Given the constraint:
3185  *
3186  *   ge->avg.running_sum <= ge->avg.runnable_sum <= LOAD_AVG_MAX
3187  *
3188  * We can construct a rule that adds runnable to a rq by assuming minimal
3189  * overlap.
3190  *
3191  * On removal, we'll assume each task is equally runnable; which yields:
3192  *
3193  *   grq->avg.runnable_sum = grq->avg.load_sum / grq->load.weight
3194  *
3195  * XXX: only do this for the part of runnable > running ?
3196  *
3197  */
3198
3199 static inline void
3200 update_tg_cfs_util(struct cfs_rq *cfs_rq, struct sched_entity *se, struct cfs_rq *gcfs_rq)
3201 {
3202         long delta = gcfs_rq->avg.util_avg - se->avg.util_avg;
3203
3204         /* Nothing to update */
3205         if (!delta)
3206                 return;
3207
3208         /*
3209          * The relation between sum and avg is:
3210          *
3211          *   LOAD_AVG_MAX - 1024 + sa->period_contrib
3212          *
3213          * however, the PELT windows are not aligned between grq and gse.
3214          */
3215
3216         /* Set new sched_entity's utilization */
3217         se->avg.util_avg = gcfs_rq->avg.util_avg;
3218         se->avg.util_sum = se->avg.util_avg * LOAD_AVG_MAX;
3219
3220         /* Update parent cfs_rq utilization */
3221         add_positive(&cfs_rq->avg.util_avg, delta);
3222         cfs_rq->avg.util_sum = cfs_rq->avg.util_avg * LOAD_AVG_MAX;
3223 }
3224
3225 static inline void
3226 update_tg_cfs_runnable(struct cfs_rq *cfs_rq, struct sched_entity *se, struct cfs_rq *gcfs_rq)
3227 {
3228         long delta_avg, running_sum, runnable_sum = gcfs_rq->prop_runnable_sum;
3229         unsigned long runnable_load_avg, load_avg;
3230         u64 runnable_load_sum, load_sum = 0;
3231         s64 delta_sum;
3232
3233         if (!runnable_sum)
3234                 return;
3235
3236         gcfs_rq->prop_runnable_sum = 0;
3237
3238         if (runnable_sum >= 0) {
3239                 /*
3240                  * Add runnable; clip at LOAD_AVG_MAX. Reflects that until
3241                  * the CPU is saturated running == runnable.
3242                  */
3243                 runnable_sum += se->avg.load_sum;
3244                 runnable_sum = min(runnable_sum, (long)LOAD_AVG_MAX);
3245         } else {
3246                 /*
3247                  * Estimate the new unweighted runnable_sum of the gcfs_rq by
3248                  * assuming all tasks are equally runnable.
3249                  */
3250                 if (scale_load_down(gcfs_rq->load.weight)) {
3251                         load_sum = div_s64(gcfs_rq->avg.load_sum,
3252                                 scale_load_down(gcfs_rq->load.weight));
3253                 }
3254
3255                 /* But make sure to not inflate se's runnable */
3256                 runnable_sum = min(se->avg.load_sum, load_sum);
3257         }
3258
3259         /*
3260          * runnable_sum can't be lower than running_sum
3261          * As running sum is scale with CPU capacity wehreas the runnable sum
3262          * is not we rescale running_sum 1st
3263          */
3264         running_sum = se->avg.util_sum /
3265                 arch_scale_cpu_capacity(NULL, cpu_of(rq_of(cfs_rq)));
3266         runnable_sum = max(runnable_sum, running_sum);
3267
3268         load_sum = (s64)se_weight(se) * runnable_sum;
3269         load_avg = div_s64(load_sum, LOAD_AVG_MAX);
3270
3271         delta_sum = load_sum - (s64)se_weight(se) * se->avg.load_sum;
3272         delta_avg = load_avg - se->avg.load_avg;
3273
3274         se->avg.load_sum = runnable_sum;
3275         se->avg.load_avg = load_avg;
3276         add_positive(&cfs_rq->avg.load_avg, delta_avg);
3277         add_positive(&cfs_rq->avg.load_sum, delta_sum);
3278
3279         runnable_load_sum = (s64)se_runnable(se) * runnable_sum;
3280         runnable_load_avg = div_s64(runnable_load_sum, LOAD_AVG_MAX);
3281         delta_sum = runnable_load_sum - se_weight(se) * se->avg.runnable_load_sum;
3282         delta_avg = runnable_load_avg - se->avg.runnable_load_avg;
3283
3284         se->avg.runnable_load_sum = runnable_sum;
3285         se->avg.runnable_load_avg = runnable_load_avg;
3286
3287         if (se->on_rq) {
3288                 add_positive(&cfs_rq->avg.runnable_load_avg, delta_avg);
3289                 add_positive(&cfs_rq->avg.runnable_load_sum, delta_sum);
3290         }
3291 }
3292
3293 static inline void add_tg_cfs_propagate(struct cfs_rq *cfs_rq, long runnable_sum)
3294 {
3295         cfs_rq->propagate = 1;
3296         cfs_rq->prop_runnable_sum += runnable_sum;
3297 }
3298
3299 /* Update task and its cfs_rq load average */
3300 static inline int propagate_entity_load_avg(struct sched_entity *se)
3301 {
3302         struct cfs_rq *cfs_rq, *gcfs_rq;
3303
3304         if (entity_is_task(se))
3305                 return 0;
3306
3307         gcfs_rq = group_cfs_rq(se);
3308         if (!gcfs_rq->propagate)
3309                 return 0;
3310
3311         gcfs_rq->propagate = 0;
3312
3313         cfs_rq = cfs_rq_of(se);
3314
3315         add_tg_cfs_propagate(cfs_rq, gcfs_rq->prop_runnable_sum);
3316
3317         update_tg_cfs_util(cfs_rq, se, gcfs_rq);
3318         update_tg_cfs_runnable(cfs_rq, se, gcfs_rq);
3319
3320         return 1;
3321 }
3322
3323 /*
3324  * Check if we need to update the load and the utilization of a blocked
3325  * group_entity:
3326  */
3327 static inline bool skip_blocked_update(struct sched_entity *se)
3328 {
3329         struct cfs_rq *gcfs_rq = group_cfs_rq(se);
3330
3331         /*
3332          * If sched_entity still have not zero load or utilization, we have to
3333          * decay it:
3334          */
3335         if (se->avg.load_avg || se->avg.util_avg)
3336                 return false;
3337
3338         /*
3339          * If there is a pending propagation, we have to update the load and
3340          * the utilization of the sched_entity:
3341          */
3342         if (gcfs_rq->propagate)
3343                 return false;
3344
3345         /*
3346          * Otherwise, the load and the utilization of the sched_entity is
3347          * already zero and there is no pending propagation, so it will be a
3348          * waste of time to try to decay it:
3349          */
3350         return true;
3351 }
3352
3353 #else /* CONFIG_FAIR_GROUP_SCHED */
3354
3355 static inline void update_tg_load_avg(struct cfs_rq *cfs_rq, int force) {}
3356
3357 static inline int propagate_entity_load_avg(struct sched_entity *se)
3358 {
3359         return 0;
3360 }
3361
3362 static inline void add_tg_cfs_propagate(struct cfs_rq *cfs_rq, long runnable_sum) {}
3363
3364 #endif /* CONFIG_FAIR_GROUP_SCHED */
3365
3366 /**
3367  * update_cfs_rq_load_avg - update the cfs_rq's load/util averages
3368  * @now: current time, as per cfs_rq_clock_task()
3369  * @cfs_rq: cfs_rq to update
3370  *
3371  * The cfs_rq avg is the direct sum of all its entities (blocked and runnable)
3372  * avg. The immediate corollary is that all (fair) tasks must be attached, see
3373  * post_init_entity_util_avg().
3374  *
3375  * cfs_rq->avg is used for task_h_load() and update_cfs_share() for example.
3376  *
3377  * Returns true if the load decayed or we removed load.
3378  *
3379  * Since both these conditions indicate a changed cfs_rq->avg.load we should
3380  * call update_tg_load_avg() when this function returns true.
3381  */
3382 static inline int
3383 update_cfs_rq_load_avg(u64 now, struct cfs_rq *cfs_rq)
3384 {
3385         unsigned long removed_load = 0, removed_util = 0, removed_runnable_sum = 0;
3386         struct sched_avg *sa = &cfs_rq->avg;
3387         int decayed = 0;
3388
3389         if (cfs_rq->removed.nr) {
3390                 unsigned long r;
3391                 u32 divider = LOAD_AVG_MAX - 1024 + sa->period_contrib;
3392
3393                 raw_spin_lock(&cfs_rq->removed.lock);
3394                 swap(cfs_rq->removed.util_avg, removed_util);
3395                 swap(cfs_rq->removed.load_avg, removed_load);
3396                 swap(cfs_rq->removed.runnable_sum, removed_runnable_sum);
3397                 cfs_rq->removed.nr = 0;
3398                 raw_spin_unlock(&cfs_rq->removed.lock);
3399
3400                 r = removed_load;
3401                 sub_positive(&sa->load_avg, r);
3402                 sub_positive(&sa->load_sum, r * divider);
3403
3404                 r = removed_util;
3405                 sub_positive(&sa->util_avg, r);
3406                 sub_positive(&sa->util_sum, r * divider);
3407
3408                 add_tg_cfs_propagate(cfs_rq, -(long)removed_runnable_sum);
3409
3410                 decayed = 1;
3411         }
3412
3413         decayed |= __update_load_avg_cfs_rq(now, cpu_of(rq_of(cfs_rq)), cfs_rq);
3414
3415 #ifndef CONFIG_64BIT
3416         smp_wmb();
3417         cfs_rq->load_last_update_time_copy = sa->last_update_time;
3418 #endif
3419
3420         if (decayed)
3421                 cfs_rq_util_change(cfs_rq, 0);
3422
3423         return decayed;
3424 }
3425
3426 /**
3427  * attach_entity_load_avg - attach this entity to its cfs_rq load avg
3428  * @cfs_rq: cfs_rq to attach to
3429  * @se: sched_entity to attach
3430  * @flags: migration hints
3431  *
3432  * Must call update_cfs_rq_load_avg() before this, since we rely on
3433  * cfs_rq->avg.last_update_time being current.
3434  */
3435 static void attach_entity_load_avg(struct cfs_rq *cfs_rq, struct sched_entity *se, int flags)
3436 {
3437         u32 divider = LOAD_AVG_MAX - 1024 + cfs_rq->avg.period_contrib;
3438
3439         /*
3440          * When we attach the @se to the @cfs_rq, we must align the decay
3441          * window because without that, really weird and wonderful things can
3442          * happen.
3443          *
3444          * XXX illustrate
3445          */
3446         se->avg.last_update_time = cfs_rq->avg.last_update_time;
3447         se->avg.period_contrib = cfs_rq->avg.period_contrib;
3448
3449         /*
3450          * Hell(o) Nasty stuff.. we need to recompute _sum based on the new
3451          * period_contrib. This isn't strictly correct, but since we're
3452          * entirely outside of the PELT hierarchy, nobody cares if we truncate
3453          * _sum a little.
3454          */
3455         se->avg.util_sum = se->avg.util_avg * divider;
3456
3457         se->avg.load_sum = divider;
3458         if (se_weight(se)) {
3459                 se->avg.load_sum =
3460                         div_u64(se->avg.load_avg * se->avg.load_sum, se_weight(se));
3461         }
3462
3463         se->avg.runnable_load_sum = se->avg.load_sum;
3464
3465         enqueue_load_avg(cfs_rq, se);
3466         cfs_rq->avg.util_avg += se->avg.util_avg;
3467         cfs_rq->avg.util_sum += se->avg.util_sum;
3468
3469         add_tg_cfs_propagate(cfs_rq, se->avg.load_sum);
3470
3471         cfs_rq_util_change(cfs_rq, flags);
3472 }
3473
3474 /**
3475  * detach_entity_load_avg - detach this entity from its cfs_rq load avg
3476  * @cfs_rq: cfs_rq to detach from
3477  * @se: sched_entity to detach
3478  *
3479  * Must call update_cfs_rq_load_avg() before this, since we rely on
3480  * cfs_rq->avg.last_update_time being current.
3481  */
3482 static void detach_entity_load_avg(struct cfs_rq *cfs_rq, struct sched_entity *se)
3483 {
3484         dequeue_load_avg(cfs_rq, se);
3485         sub_positive(&cfs_rq->avg.util_avg, se->avg.util_avg);
3486         sub_positive(&cfs_rq->avg.util_sum, se->avg.util_sum);
3487
3488         add_tg_cfs_propagate(cfs_rq, -se->avg.load_sum);
3489
3490         cfs_rq_util_change(cfs_rq, 0);
3491 }
3492
3493 /*
3494  * Optional action to be done while updating the load average
3495  */
3496 #define UPDATE_TG       0x1
3497 #define SKIP_AGE_LOAD   0x2
3498 #define DO_ATTACH       0x4
3499
3500 /* Update task and its cfs_rq load average */
3501 static inline void update_load_avg(struct cfs_rq *cfs_rq, struct sched_entity *se, int flags)
3502 {
3503         u64 now = cfs_rq_clock_task(cfs_rq);
3504         struct rq *rq = rq_of(cfs_rq);
3505         int cpu = cpu_of(rq);
3506         int decayed;
3507
3508         /*
3509          * Track task load average for carrying it to new CPU after migrated, and
3510          * track group sched_entity load average for task_h_load calc in migration
3511          */
3512         if (se->avg.last_update_time && !(flags & SKIP_AGE_LOAD))
3513                 __update_load_avg_se(now, cpu, cfs_rq, se);
3514
3515         decayed  = update_cfs_rq_load_avg(now, cfs_rq);
3516         decayed |= propagate_entity_load_avg(se);
3517
3518         if (!se->avg.last_update_time && (flags & DO_ATTACH)) {
3519
3520                 /*
3521                  * DO_ATTACH means we're here from enqueue_entity().
3522                  * !last_update_time means we've passed through
3523                  * migrate_task_rq_fair() indicating we migrated.
3524                  *
3525