Documentation/scheduler/schedutil.rst

   1 =========
   2 Schedutil
   3 =========
   4
   5 .. note::
   6
   7    All this assumes a linear relation between frequency and work capacity,
   8    we know this is flawed, but it is the best workable approximation.
   9
  10
  11 PELT (Per Entity Load Tracking)
  12 ===============================
  13
  14 With PELT we track some metrics across the various scheduler entities, from
  15 individual tasks to task-group slices to CPU runqueues. As the basis for this
  16 we use an Exponentially Weighted Moving Average (EWMA), each period (1024us)
  17 is decayed such that y^32 = 0.5. That is, the most recent 32ms contribute
  18 half, while the rest of history contribute the other half.
  19
  20 Specifically:
  21
  22   ewma_sum(u) := u_0 + u_1*y + u_2*y^2 + ...
  23
  24   ewma(u) = ewma_sum(u) / ewma_sum(1)
  25
  26 Since this is essentially a progression of an infinite geometric series, the
  27 results are composable, that is ewma(A) + ewma(B) = ewma(A+B). This property
  28 is key, since it gives the ability to recompose the averages when tasks move
  29 around.
  30
  31 Note that blocked tasks still contribute to the aggregates (task-group slices
  32 and CPU runqueues), which reflects their expected contribution when they
  33 resume running.
  34
  35 Using this we track 2 key metrics: 'running' and 'runnable'. 'Running'
  36 reflects the time an entity spends on the CPU, while 'runnable' reflects the
  37 time an entity spends on the runqueue. When there is only a single task these
  38 two metrics are the same, but once there is contention for the CPU 'running'
  39 will decrease to reflect the fraction of time each task spends on the CPU
  40 while 'runnable' will increase to reflect the amount of contention.
  41
  42 For more detail see: kernel/sched/pelt.c
  43
  44
  45 Frequency / CPU Invariance
  46 ==========================
  47
  48 Because consuming the CPU for 50% at 1GHz is not the same as consuming the CPU
  49 for 50% at 2GHz, nor is running 50% on a LITTLE CPU the same as running 50% on
  50 a big CPU, we allow architectures to scale the time delta with two ratios, one
  51 Dynamic Voltage and Frequency Scaling (DVFS) ratio and one microarch ratio.
  52
  53 For simple DVFS architectures (where software is in full control) we trivially
  54 compute the ratio as::
  55
  56             f_cur
  57   r_dvfs := -----
  58             f_max
  59
  60 For more dynamic systems where the hardware is in control of DVFS we use
  61 hardware counters (Intel APERF/MPERF, ARMv8.4-AMU) to provide us this ratio.
  62 For Intel specifically, we use::
  63
  64            APERF
  65   f_cur := ----- * P0
  66            MPERF
  67
  68              4C-turbo;  if available and turbo enabled
  69   f_max := { 1C-turbo;  if turbo enabled
  70              P0;        otherwise
  71
  72                     f_cur
  73   r_dvfs := min( 1, ----- )
  74                     f_max
  75
  76 We pick 4C turbo over 1C turbo to make it slightly more sustainable.
  77
  78 r_cpu is determined as the ratio of highest performance level of the current
  79 CPU vs the highest performance level of any other CPU in the system.
  80
  81   r_tot = r_dvfs * r_cpu
  82
  83 The result is that the above 'running' and 'runnable' metrics become invariant
  84 of DVFS and CPU type. IOW. we can transfer and compare them between CPUs.
  85
  86 For more detail see:
  87
  88  - kernel/sched/pelt.h:update_rq_clock_pelt()
  89  - arch/x86/kernel/smpboot.c:"APERF/MPERF frequency ratio computation."
  90  - Documentation/scheduler/sched-capacity.rst:"1. CPU Capacity + 2. Task utilization"
  91
  92
  93 UTIL_EST
  94 ========
  95
  96 Because periodic tasks have their averages decayed while they sleep, even
  97 though when running their expected utilization will be the same, they suffer a
  98 (DVFS) ramp-up after they are running again.
  99
 100 To alleviate this (a default enabled option) UTIL_EST drives an Infinite
 101 Impulse Response (IIR) EWMA with the 'running' value on dequeue -- when it is
 102 highest. UTIL_EST filters to instantly increase and only decay on decrease.
 103
 104 A further runqueue wide sum (of runnable tasks) is maintained of:
 105
 106   util_est := \Sum_t max( t_running, t_util_est_ewma )
 107
 108 For more detail see: kernel/sched/fair.c:util_est_dequeue()
 109
 110
 111 UCLAMP
 112 ======
 113
 114 It is possible to set effective u_min and u_max clamps on each CFS or RT task;
 115 the runqueue keeps an max aggregate of these clamps for all running tasks.
 116
 117 For more detail see: include/uapi/linux/sched/types.h
 118
 119
 120 Schedutil / DVFS
 121 ================
 122
 123 Every time the scheduler load tracking is updated (task wakeup, task
 124 migration, time progression) we call out to schedutil to update the hardware
 125 DVFS state.
 126
 127 The basis is the CPU runqueue's 'running' metric, which per the above it is
 128 the frequency invariant utilization estimate of the CPU. From this we compute
 129 a desired frequency like::
 130
 131              max( running, util_est );  if UTIL_EST
 132   u_cfs := { running;                   otherwise
 133
 134                clamp( u_cfs + u_rt , u_min, u_max );    if UCLAMP_TASK
 135   u_clamp := { u_cfs + u_rt;                            otherwise
 136
 137   u := u_clamp + u_irq + u_dl;          [approx. see source for more detail]
 138
 139   f_des := min( f_max, 1.25 u * f_max )
 140
 141 XXX IO-wait: when the update is due to a task wakeup from IO-completion we
 142 boost 'u' above.
 143
 144 This frequency is then used to select a P-state/OPP or directly munged into a
 145 CPPC style request to the hardware.
 146
 147 XXX: deadline tasks (Sporadic Task Model) allows us to calculate a hard f_min
 148 required to satisfy the workload.
 149
 150 Because these callbacks are directly from the scheduler, the DVFS hardware
 151 interaction should be 'fast' and non-blocking. Schedutil supports
 152 rate-limiting DVFS requests for when hardware interaction is slow and
 153 expensive, this reduces effectiveness.
 154
 155 For more information see: kernel/sched/cpufreq_schedutil.c
 156
 157
 158 NOTES
 159 =====
 160
 161  - On low-load scenarios, where DVFS is most relevant, the 'running' numbers
 162    will closely reflect utilization.
 163
 164  - In saturated scenarios task movement will cause some transient dips,
 165    suppose we have a CPU saturated with 4 tasks, then when we migrate a task
 166    to an idle CPU, the old CPU will have a 'running' value of 0.75 while the
 167    new CPU will gain 0.25. This is inevitable and time progression will
 168    correct this. XXX do we still guarantee f_max due to no idle-time?
 169
 170  - Much of the above is about avoiding DVFS dips, and independent DVFS domains
 171    having to re-learn / ramp-up when load shifts.
 172