Documentation/scheduler/sched-design-CFS.rst

   1 =============
   2 CFS Scheduler
   3 =============
   4
   5
   6 1.  OVERVIEW
   7 ============
   8
   9 CFS stands for "Completely Fair Scheduler," and is the new "desktop" process
  10 scheduler implemented by Ingo Molnar and merged in Linux 2.6.23.  It is the
  11 replacement for the previous vanilla scheduler's SCHED_OTHER interactivity
  12 code.
  13
  14 80% of CFS's design can be summed up in a single sentence: CFS basically models
  15 an "ideal, precise multi-tasking CPU" on real hardware.
  16
  17 "Ideal multi-tasking CPU" is a (non-existent  :-)) CPU that has 100% physical
  18 power and which can run each task at precise equal speed, in parallel, each at
  19 1/nr_running speed.  For example: if there are 2 tasks running, then it runs
  20 each at 50% physical power --- i.e., actually in parallel.
  21
  22 On real hardware, we can run only a single task at once, so we have to
  23 introduce the concept of "virtual runtime."  The virtual runtime of a task
  24 specifies when its next timeslice would start execution on the ideal
  25 multi-tasking CPU described above.  In practice, the virtual runtime of a task
  26 is its actual runtime normalized to the total number of running tasks.
  27
  28
  29
  30 2.  FEW IMPLEMENTATION DETAILS
  31 ==============================
  32
  33 In CFS the virtual runtime is expressed and tracked via the per-task
  34 p->se.vruntime (nanosec-unit) value.  This way, it's possible to accurately
  35 timestamp and measure the "expected CPU time" a task should have gotten.
  36
  37    Small detail: on "ideal" hardware, at any time all tasks would have the same
  38    p->se.vruntime value --- i.e., tasks would execute simultaneously and no task
  39    would ever get "out of balance" from the "ideal" share of CPU time.
  40
  41 CFS's task picking logic is based on this p->se.vruntime value and it is thus
  42 very simple: it always tries to run the task with the smallest p->se.vruntime
  43 value (i.e., the task which executed least so far).  CFS always tries to split
  44 up CPU time between runnable tasks as close to "ideal multitasking hardware" as
  45 possible.
  46
  47 Most of the rest of CFS's design just falls out of this really simple concept,
  48 with a few add-on embellishments like nice levels, multiprocessing and various
  49 algorithm variants to recognize sleepers.
  50
  51
  52
  53 3.  THE RBTREE
  54 ==============
  55
  56 CFS's design is quite radical: it does not use the old data structures for the
  57 runqueues, but it uses a time-ordered rbtree to build a "timeline" of future
  58 task execution, and thus has no "array switch" artifacts (by which both the
  59 previous vanilla scheduler and RSDL/SD are affected).
  60
  61 CFS also maintains the rq->cfs.min_vruntime value, which is a monotonic
  62 increasing value tracking the smallest vruntime among all tasks in the
  63 runqueue.  The total amount of work done by the system is tracked using
  64 min_vruntime; that value is used to place newly activated entities on the left
  65 side of the tree as much as possible.
  66
  67 The total number of running tasks in the runqueue is accounted through the
  68 rq->cfs.load value, which is the sum of the weights of the tasks queued on the
  69 runqueue.
  70
  71 CFS maintains a time-ordered rbtree, where all runnable tasks are sorted by the
  72 p->se.vruntime key. CFS picks the "leftmost" task from this tree and sticks to it.
  73 As the system progresses forwards, the executed tasks are put into the tree
  74 more and more to the right --- slowly but surely giving a chance for every task
  75 to become the "leftmost task" and thus get on the CPU within a deterministic
  76 amount of time.
  77
  78 Summing up, CFS works like this: it runs a task a bit, and when the task
  79 schedules (or a scheduler tick happens) the task's CPU usage is "accounted
  80 for": the (small) time it just spent using the physical CPU is added to
  81 p->se.vruntime.  Once p->se.vruntime gets high enough so that another task
  82 becomes the "leftmost task" of the time-ordered rbtree it maintains (plus a
  83 small amount of "granularity" distance relative to the leftmost task so that we
  84 do not over-schedule tasks and trash the cache), then the new leftmost task is
  85 picked and the current task is preempted.
  86
  87
  88
  89 4.  SOME FEATURES OF CFS
  90 ========================
  91
  92 CFS uses nanosecond granularity accounting and does not rely on any jiffies or
  93 other HZ detail.  Thus the CFS scheduler has no notion of "timeslices" in the
  94 way the previous scheduler had, and has no heuristics whatsoever.  There is
  95 only one central tunable (you have to switch on CONFIG_SCHED_DEBUG):
  96
  97    /sys/kernel/debug/sched/base_slice_ns
  98
  99 which can be used to tune the scheduler from "desktop" (i.e., low latencies) to
 100 "server" (i.e., good batching) workloads.  It defaults to a setting suitable
 101 for desktop workloads.  SCHED_BATCH is handled by the CFS scheduler module too.
 102
 103 In case CONFIG_HZ results in base_slice_ns < TICK_NSEC, the value of
 104 base_slice_ns will have little to no impact on the workloads.
 105
 106 Due to its design, the CFS scheduler is not prone to any of the "attacks" that
 107 exist today against the heuristics of the stock scheduler: fiftyp.c, thud.c,
 108 chew.c, ring-test.c, massive_intr.c all work fine and do not impact
 109 interactivity and produce the expected behavior.
 110
 111 The CFS scheduler has a much stronger handling of nice levels and SCHED_BATCH
 112 than the previous vanilla scheduler: both types of workloads are isolated much
 113 more aggressively.
 114
 115 SMP load-balancing has been reworked/sanitized: the runqueue-walking
 116 assumptions are gone from the load-balancing code now, and iterators of the
 117 scheduling modules are used.  The balancing code got quite a bit simpler as a
 118 result.
 119
 120
 121
 122 5. Scheduling policies
 123 ======================
 124
 125 CFS implements three scheduling policies:
 126
 127   - SCHED_NORMAL (traditionally called SCHED_OTHER): The scheduling
 128     policy that is used for regular tasks.
 129
 130   - SCHED_BATCH: Does not preempt nearly as often as regular tasks
 131     would, thereby allowing tasks to run longer and make better use of
 132     caches but at the cost of interactivity. This is well suited for
 133     batch jobs.
 134
 135   - SCHED_IDLE: This is even weaker than nice 19, but its not a true
 136     idle timer scheduler in order to avoid to get into priority
 137     inversion problems which would deadlock the machine.
 138
 139 SCHED_FIFO/_RR are implemented in sched/rt.c and are as specified by
 140 POSIX.
 141
 142 The command chrt from util-linux-ng 2.13.1.1 can set all of these except
 143 SCHED_IDLE.
 144
 145
 146
 147 6.  SCHEDULING CLASSES
 148 ======================
 149
 150 The new CFS scheduler has been designed in such a way to introduce "Scheduling
 151 Classes," an extensible hierarchy of scheduler modules.  These modules
 152 encapsulate scheduling policy details and are handled by the scheduler core
 153 without the core code assuming too much about them.
 154
 155 sched/fair.c implements the CFS scheduler described above.
 156
 157 sched/rt.c implements SCHED_FIFO and SCHED_RR semantics, in a simpler way than
 158 the previous vanilla scheduler did.  It uses 100 runqueues (for all 100 RT
 159 priority levels, instead of 140 in the previous scheduler) and it needs no
 160 expired array.
 161
 162 Scheduling classes are implemented through the sched_class structure, which
 163 contains hooks to functions that must be called whenever an interesting event
 164 occurs.
 165
 166 This is the (partial) list of the hooks:
 167
 168  - enqueue_task(...)
 169
 170    Called when a task enters a runnable state.
 171    It puts the scheduling entity (task) into the red-black tree and
 172    increments the nr_running variable.
 173
 174  - dequeue_task(...)
 175
 176    When a task is no longer runnable, this function is called to keep the
 177    corresponding scheduling entity out of the red-black tree.  It decrements
 178    the nr_running variable.
 179
 180  - yield_task(...)
 181
 182    This function is basically just a dequeue followed by an enqueue, unless the
 183    compat_yield sysctl is turned on; in that case, it places the scheduling
 184    entity at the right-most end of the red-black tree.
 185
 186  - wakeup_preempt(...)
 187
 188    This function checks if a task that entered the runnable state should
 189    preempt the currently running task.
 190
 191  - pick_next_task(...)
 192
 193    This function chooses the most appropriate task eligible to run next.
 194
 195  - set_next_task(...)
 196
 197    This function is called when a task changes its scheduling class, changes
 198    its task group or is scheduled.
 199
 200  - task_tick(...)
 201
 202    This function is mostly called from time tick functions; it might lead to
 203    process switch.  This drives the running preemption.
 204
 205
 206
 207
 208 7.  GROUP SCHEDULER EXTENSIONS TO CFS
 209 =====================================
 210
 211 Normally, the scheduler operates on individual tasks and strives to provide
 212 fair CPU time to each task.  Sometimes, it may be desirable to group tasks and
 213 provide fair CPU time to each such task group.  For example, it may be
 214 desirable to first provide fair CPU time to each user on the system and then to
 215 each task belonging to a user.
 216
 217 CONFIG_CGROUP_SCHED strives to achieve exactly that.  It lets tasks to be
 218 grouped and divides CPU time fairly among such groups.
 219
 220 CONFIG_RT_GROUP_SCHED permits to group real-time (i.e., SCHED_FIFO and
 221 SCHED_RR) tasks.
 222
 223 CONFIG_FAIR_GROUP_SCHED permits to group CFS (i.e., SCHED_NORMAL and
 224 SCHED_BATCH) tasks.
 225
 226    These options need CONFIG_CGROUPS to be defined, and let the administrator
 227    create arbitrary groups of tasks, using the "cgroup" pseudo filesystem.  See
 228    Documentation/admin-guide/cgroup-v1/cgroups.rst for more information about this filesystem.
 229
 230 When CONFIG_FAIR_GROUP_SCHED is defined, a "cpu.shares" file is created for each
 231 group created using the pseudo filesystem.  See example steps below to create
 232 task groups and modify their CPU share using the "cgroups" pseudo filesystem::
 233
 234         # mount -t tmpfs cgroup_root /sys/fs/cgroup
 235         # mkdir /sys/fs/cgroup/cpu
 236         # mount -t cgroup -ocpu none /sys/fs/cgroup/cpu
 237         # cd /sys/fs/cgroup/cpu
 238
 239         # mkdir multimedia      # create "multimedia" group of tasks
 240         # mkdir browser         # create "browser" group of tasks
 241
 242         # #Configure the multimedia group to receive twice the CPU bandwidth
 243         # #that of browser group
 244
 245         # echo 2048 > multimedia/cpu.shares
 246         # echo 1024 > browser/cpu.shares
 247
 248         # firefox &     # Launch firefox and move it to "browser" group
 249         # echo <firefox_pid> > browser/tasks
 250
 251         # #Launch gmplayer (or your favourite movie player)
 252         # echo <movie_player_pid> > multimedia/tasks