arm64: dts: qcom: sm8550: add TRNG node
[linux-modified.git] / kernel / sched / psi.c
1 // SPDX-License-Identifier: GPL-2.0
2 /*
3  * Pressure stall information for CPU, memory and IO
4  *
5  * Copyright (c) 2018 Facebook, Inc.
6  * Author: Johannes Weiner <hannes@cmpxchg.org>
7  *
8  * Polling support by Suren Baghdasaryan <surenb@google.com>
9  * Copyright (c) 2018 Google, Inc.
10  *
11  * When CPU, memory and IO are contended, tasks experience delays that
12  * reduce throughput and introduce latencies into the workload. Memory
13  * and IO contention, in addition, can cause a full loss of forward
14  * progress in which the CPU goes idle.
15  *
16  * This code aggregates individual task delays into resource pressure
17  * metrics that indicate problems with both workload health and
18  * resource utilization.
19  *
20  *                      Model
21  *
22  * The time in which a task can execute on a CPU is our baseline for
23  * productivity. Pressure expresses the amount of time in which this
24  * potential cannot be realized due to resource contention.
25  *
26  * This concept of productivity has two components: the workload and
27  * the CPU. To measure the impact of pressure on both, we define two
28  * contention states for a resource: SOME and FULL.
29  *
30  * In the SOME state of a given resource, one or more tasks are
31  * delayed on that resource. This affects the workload's ability to
32  * perform work, but the CPU may still be executing other tasks.
33  *
34  * In the FULL state of a given resource, all non-idle tasks are
35  * delayed on that resource such that nobody is advancing and the CPU
36  * goes idle. This leaves both workload and CPU unproductive.
37  *
38  *      SOME = nr_delayed_tasks != 0
39  *      FULL = nr_delayed_tasks != 0 && nr_productive_tasks == 0
40  *
41  * What it means for a task to be productive is defined differently
42  * for each resource. For IO, productive means a running task. For
43  * memory, productive means a running task that isn't a reclaimer. For
44  * CPU, productive means an oncpu task.
45  *
46  * Naturally, the FULL state doesn't exist for the CPU resource at the
47  * system level, but exist at the cgroup level. At the cgroup level,
48  * FULL means all non-idle tasks in the cgroup are delayed on the CPU
49  * resource which is being used by others outside of the cgroup or
50  * throttled by the cgroup cpu.max configuration.
51  *
52  * The percentage of wallclock time spent in those compound stall
53  * states gives pressure numbers between 0 and 100 for each resource,
54  * where the SOME percentage indicates workload slowdowns and the FULL
55  * percentage indicates reduced CPU utilization:
56  *
57  *      %SOME = time(SOME) / period
58  *      %FULL = time(FULL) / period
59  *
60  *                      Multiple CPUs
61  *
62  * The more tasks and available CPUs there are, the more work can be
63  * performed concurrently. This means that the potential that can go
64  * unrealized due to resource contention *also* scales with non-idle
65  * tasks and CPUs.
66  *
67  * Consider a scenario where 257 number crunching tasks are trying to
68  * run concurrently on 256 CPUs. If we simply aggregated the task
69  * states, we would have to conclude a CPU SOME pressure number of
70  * 100%, since *somebody* is waiting on a runqueue at all
71  * times. However, that is clearly not the amount of contention the
72  * workload is experiencing: only one out of 256 possible execution
73  * threads will be contended at any given time, or about 0.4%.
74  *
75  * Conversely, consider a scenario of 4 tasks and 4 CPUs where at any
76  * given time *one* of the tasks is delayed due to a lack of memory.
77  * Again, looking purely at the task state would yield a memory FULL
78  * pressure number of 0%, since *somebody* is always making forward
79  * progress. But again this wouldn't capture the amount of execution
80  * potential lost, which is 1 out of 4 CPUs, or 25%.
81  *
82  * To calculate wasted potential (pressure) with multiple processors,
83  * we have to base our calculation on the number of non-idle tasks in
84  * conjunction with the number of available CPUs, which is the number
85  * of potential execution threads. SOME becomes then the proportion of
86  * delayed tasks to possible threads, and FULL is the share of possible
87  * threads that are unproductive due to delays:
88  *
89  *      threads = min(nr_nonidle_tasks, nr_cpus)
90  *         SOME = min(nr_delayed_tasks / threads, 1)
91  *         FULL = (threads - min(nr_productive_tasks, threads)) / threads
92  *
93  * For the 257 number crunchers on 256 CPUs, this yields:
94  *
95  *      threads = min(257, 256)
96  *         SOME = min(1 / 256, 1)             = 0.4%
97  *         FULL = (256 - min(256, 256)) / 256 = 0%
98  *
99  * For the 1 out of 4 memory-delayed tasks, this yields:
100  *
101  *      threads = min(4, 4)
102  *         SOME = min(1 / 4, 1)               = 25%
103  *         FULL = (4 - min(3, 4)) / 4         = 25%
104  *
105  * [ Substitute nr_cpus with 1, and you can see that it's a natural
106  *   extension of the single-CPU model. ]
107  *
108  *                      Implementation
109  *
110  * To assess the precise time spent in each such state, we would have
111  * to freeze the system on task changes and start/stop the state
112  * clocks accordingly. Obviously that doesn't scale in practice.
113  *
114  * Because the scheduler aims to distribute the compute load evenly
115  * among the available CPUs, we can track task state locally to each
116  * CPU and, at much lower frequency, extrapolate the global state for
117  * the cumulative stall times and the running averages.
118  *
119  * For each runqueue, we track:
120  *
121  *         tSOME[cpu] = time(nr_delayed_tasks[cpu] != 0)
122  *         tFULL[cpu] = time(nr_delayed_tasks[cpu] && !nr_productive_tasks[cpu])
123  *      tNONIDLE[cpu] = time(nr_nonidle_tasks[cpu] != 0)
124  *
125  * and then periodically aggregate:
126  *
127  *      tNONIDLE = sum(tNONIDLE[i])
128  *
129  *         tSOME = sum(tSOME[i] * tNONIDLE[i]) / tNONIDLE
130  *         tFULL = sum(tFULL[i] * tNONIDLE[i]) / tNONIDLE
131  *
132  *         %SOME = tSOME / period
133  *         %FULL = tFULL / period
134  *
135  * This gives us an approximation of pressure that is practical
136  * cost-wise, yet way more sensitive and accurate than periodic
137  * sampling of the aggregate task states would be.
138  */
139
140 static int psi_bug __read_mostly;
141
142 DEFINE_STATIC_KEY_FALSE(psi_disabled);
143 static DEFINE_STATIC_KEY_TRUE(psi_cgroups_enabled);
144
145 #ifdef CONFIG_PSI_DEFAULT_DISABLED
146 static bool psi_enable;
147 #else
148 static bool psi_enable = true;
149 #endif
150 static int __init setup_psi(char *str)
151 {
152         return kstrtobool(str, &psi_enable) == 0;
153 }
154 __setup("psi=", setup_psi);
155
156 /* Running averages - we need to be higher-res than loadavg */
157 #define PSI_FREQ        (2*HZ+1)        /* 2 sec intervals */
158 #define EXP_10s         1677            /* 1/exp(2s/10s) as fixed-point */
159 #define EXP_60s         1981            /* 1/exp(2s/60s) */
160 #define EXP_300s        2034            /* 1/exp(2s/300s) */
161
162 /* PSI trigger definitions */
163 #define WINDOW_MAX_US 10000000  /* Max window size is 10s */
164 #define UPDATES_PER_WINDOW 10   /* 10 updates per window */
165
166 /* Sampling frequency in nanoseconds */
167 static u64 psi_period __read_mostly;
168
169 /* System-level pressure and stall tracking */
170 static DEFINE_PER_CPU(struct psi_group_cpu, system_group_pcpu);
171 struct psi_group psi_system = {
172         .pcpu = &system_group_pcpu,
173 };
174
175 static void psi_avgs_work(struct work_struct *work);
176
177 static void poll_timer_fn(struct timer_list *t);
178
179 static void group_init(struct psi_group *group)
180 {
181         int cpu;
182
183         group->enabled = true;
184         for_each_possible_cpu(cpu)
185                 seqcount_init(&per_cpu_ptr(group->pcpu, cpu)->seq);
186         group->avg_last_update = sched_clock();
187         group->avg_next_update = group->avg_last_update + psi_period;
188         mutex_init(&group->avgs_lock);
189
190         /* Init avg trigger-related members */
191         INIT_LIST_HEAD(&group->avg_triggers);
192         memset(group->avg_nr_triggers, 0, sizeof(group->avg_nr_triggers));
193         INIT_DELAYED_WORK(&group->avgs_work, psi_avgs_work);
194
195         /* Init rtpoll trigger-related members */
196         atomic_set(&group->rtpoll_scheduled, 0);
197         mutex_init(&group->rtpoll_trigger_lock);
198         INIT_LIST_HEAD(&group->rtpoll_triggers);
199         group->rtpoll_min_period = U32_MAX;
200         group->rtpoll_next_update = ULLONG_MAX;
201         init_waitqueue_head(&group->rtpoll_wait);
202         timer_setup(&group->rtpoll_timer, poll_timer_fn, 0);
203         rcu_assign_pointer(group->rtpoll_task, NULL);
204 }
205
206 void __init psi_init(void)
207 {
208         if (!psi_enable) {
209                 static_branch_enable(&psi_disabled);
210                 static_branch_disable(&psi_cgroups_enabled);
211                 return;
212         }
213
214         if (!cgroup_psi_enabled())
215                 static_branch_disable(&psi_cgroups_enabled);
216
217         psi_period = jiffies_to_nsecs(PSI_FREQ);
218         group_init(&psi_system);
219 }
220
221 static bool test_state(unsigned int *tasks, enum psi_states state, bool oncpu)
222 {
223         switch (state) {
224         case PSI_IO_SOME:
225                 return unlikely(tasks[NR_IOWAIT]);
226         case PSI_IO_FULL:
227                 return unlikely(tasks[NR_IOWAIT] && !tasks[NR_RUNNING]);
228         case PSI_MEM_SOME:
229                 return unlikely(tasks[NR_MEMSTALL]);
230         case PSI_MEM_FULL:
231                 return unlikely(tasks[NR_MEMSTALL] &&
232                         tasks[NR_RUNNING] == tasks[NR_MEMSTALL_RUNNING]);
233         case PSI_CPU_SOME:
234                 return unlikely(tasks[NR_RUNNING] > oncpu);
235         case PSI_CPU_FULL:
236                 return unlikely(tasks[NR_RUNNING] && !oncpu);
237         case PSI_NONIDLE:
238                 return tasks[NR_IOWAIT] || tasks[NR_MEMSTALL] ||
239                         tasks[NR_RUNNING];
240         default:
241                 return false;
242         }
243 }
244
245 static void get_recent_times(struct psi_group *group, int cpu,
246                              enum psi_aggregators aggregator, u32 *times,
247                              u32 *pchanged_states)
248 {
249         struct psi_group_cpu *groupc = per_cpu_ptr(group->pcpu, cpu);
250         int current_cpu = raw_smp_processor_id();
251         unsigned int tasks[NR_PSI_TASK_COUNTS];
252         u64 now, state_start;
253         enum psi_states s;
254         unsigned int seq;
255         u32 state_mask;
256
257         *pchanged_states = 0;
258
259         /* Snapshot a coherent view of the CPU state */
260         do {
261                 seq = read_seqcount_begin(&groupc->seq);
262                 now = cpu_clock(cpu);
263                 memcpy(times, groupc->times, sizeof(groupc->times));
264                 state_mask = groupc->state_mask;
265                 state_start = groupc->state_start;
266                 if (cpu == current_cpu)
267                         memcpy(tasks, groupc->tasks, sizeof(groupc->tasks));
268         } while (read_seqcount_retry(&groupc->seq, seq));
269
270         /* Calculate state time deltas against the previous snapshot */
271         for (s = 0; s < NR_PSI_STATES; s++) {
272                 u32 delta;
273                 /*
274                  * In addition to already concluded states, we also
275                  * incorporate currently active states on the CPU,
276                  * since states may last for many sampling periods.
277                  *
278                  * This way we keep our delta sampling buckets small
279                  * (u32) and our reported pressure close to what's
280                  * actually happening.
281                  */
282                 if (state_mask & (1 << s))
283                         times[s] += now - state_start;
284
285                 delta = times[s] - groupc->times_prev[aggregator][s];
286                 groupc->times_prev[aggregator][s] = times[s];
287
288                 times[s] = delta;
289                 if (delta)
290                         *pchanged_states |= (1 << s);
291         }
292
293         /*
294          * When collect_percpu_times() from the avgs_work, we don't want to
295          * re-arm avgs_work when all CPUs are IDLE. But the current CPU running
296          * this avgs_work is never IDLE, cause avgs_work can't be shut off.
297          * So for the current CPU, we need to re-arm avgs_work only when
298          * (NR_RUNNING > 1 || NR_IOWAIT > 0 || NR_MEMSTALL > 0), for other CPUs
299          * we can just check PSI_NONIDLE delta.
300          */
301         if (current_work() == &group->avgs_work.work) {
302                 bool reschedule;
303
304                 if (cpu == current_cpu)
305                         reschedule = tasks[NR_RUNNING] +
306                                      tasks[NR_IOWAIT] +
307                                      tasks[NR_MEMSTALL] > 1;
308                 else
309                         reschedule = *pchanged_states & (1 << PSI_NONIDLE);
310
311                 if (reschedule)
312                         *pchanged_states |= PSI_STATE_RESCHEDULE;
313         }
314 }
315
316 static void calc_avgs(unsigned long avg[3], int missed_periods,
317                       u64 time, u64 period)
318 {
319         unsigned long pct;
320
321         /* Fill in zeroes for periods of no activity */
322         if (missed_periods) {
323                 avg[0] = calc_load_n(avg[0], EXP_10s, 0, missed_periods);
324                 avg[1] = calc_load_n(avg[1], EXP_60s, 0, missed_periods);
325                 avg[2] = calc_load_n(avg[2], EXP_300s, 0, missed_periods);
326         }
327
328         /* Sample the most recent active period */
329         pct = div_u64(time * 100, period);
330         pct *= FIXED_1;
331         avg[0] = calc_load(avg[0], EXP_10s, pct);
332         avg[1] = calc_load(avg[1], EXP_60s, pct);
333         avg[2] = calc_load(avg[2], EXP_300s, pct);
334 }
335
336 static void collect_percpu_times(struct psi_group *group,
337                                  enum psi_aggregators aggregator,
338                                  u32 *pchanged_states)
339 {
340         u64 deltas[NR_PSI_STATES - 1] = { 0, };
341         unsigned long nonidle_total = 0;
342         u32 changed_states = 0;
343         int cpu;
344         int s;
345
346         /*
347          * Collect the per-cpu time buckets and average them into a
348          * single time sample that is normalized to wallclock time.
349          *
350          * For averaging, each CPU is weighted by its non-idle time in
351          * the sampling period. This eliminates artifacts from uneven
352          * loading, or even entirely idle CPUs.
353          */
354         for_each_possible_cpu(cpu) {
355                 u32 times[NR_PSI_STATES];
356                 u32 nonidle;
357                 u32 cpu_changed_states;
358
359                 get_recent_times(group, cpu, aggregator, times,
360                                 &cpu_changed_states);
361                 changed_states |= cpu_changed_states;
362
363                 nonidle = nsecs_to_jiffies(times[PSI_NONIDLE]);
364                 nonidle_total += nonidle;
365
366                 for (s = 0; s < PSI_NONIDLE; s++)
367                         deltas[s] += (u64)times[s] * nonidle;
368         }
369
370         /*
371          * Integrate the sample into the running statistics that are
372          * reported to userspace: the cumulative stall times and the
373          * decaying averages.
374          *
375          * Pressure percentages are sampled at PSI_FREQ. We might be
376          * called more often when the user polls more frequently than
377          * that; we might be called less often when there is no task
378          * activity, thus no data, and clock ticks are sporadic. The
379          * below handles both.
380          */
381
382         /* total= */
383         for (s = 0; s < NR_PSI_STATES - 1; s++)
384                 group->total[aggregator][s] +=
385                                 div_u64(deltas[s], max(nonidle_total, 1UL));
386
387         if (pchanged_states)
388                 *pchanged_states = changed_states;
389 }
390
391 /* Trigger tracking window manipulations */
392 static void window_reset(struct psi_window *win, u64 now, u64 value,
393                          u64 prev_growth)
394 {
395         win->start_time = now;
396         win->start_value = value;
397         win->prev_growth = prev_growth;
398 }
399
400 /*
401  * PSI growth tracking window update and growth calculation routine.
402  *
403  * This approximates a sliding tracking window by interpolating
404  * partially elapsed windows using historical growth data from the
405  * previous intervals. This minimizes memory requirements (by not storing
406  * all the intermediate values in the previous window) and simplifies
407  * the calculations. It works well because PSI signal changes only in
408  * positive direction and over relatively small window sizes the growth
409  * is close to linear.
410  */
411 static u64 window_update(struct psi_window *win, u64 now, u64 value)
412 {
413         u64 elapsed;
414         u64 growth;
415
416         elapsed = now - win->start_time;
417         growth = value - win->start_value;
418         /*
419          * After each tracking window passes win->start_value and
420          * win->start_time get reset and win->prev_growth stores
421          * the average per-window growth of the previous window.
422          * win->prev_growth is then used to interpolate additional
423          * growth from the previous window assuming it was linear.
424          */
425         if (elapsed > win->size)
426                 window_reset(win, now, value, growth);
427         else {
428                 u32 remaining;
429
430                 remaining = win->size - elapsed;
431                 growth += div64_u64(win->prev_growth * remaining, win->size);
432         }
433
434         return growth;
435 }
436
437 static void update_triggers(struct psi_group *group, u64 now,
438                                                    enum psi_aggregators aggregator)
439 {
440         struct psi_trigger *t;
441         u64 *total = group->total[aggregator];
442         struct list_head *triggers;
443         u64 *aggregator_total;
444
445         if (aggregator == PSI_AVGS) {
446                 triggers = &group->avg_triggers;
447                 aggregator_total = group->avg_total;
448         } else {
449                 triggers = &group->rtpoll_triggers;
450                 aggregator_total = group->rtpoll_total;
451         }
452
453         /*
454          * On subsequent updates, calculate growth deltas and let
455          * watchers know when their specified thresholds are exceeded.
456          */
457         list_for_each_entry(t, triggers, node) {
458                 u64 growth;
459                 bool new_stall;
460
461                 new_stall = aggregator_total[t->state] != total[t->state];
462
463                 /* Check for stall activity or a previous threshold breach */
464                 if (!new_stall && !t->pending_event)
465                         continue;
466                 /*
467                  * Check for new stall activity, as well as deferred
468                  * events that occurred in the last window after the
469                  * trigger had already fired (we want to ratelimit
470                  * events without dropping any).
471                  */
472                 if (new_stall) {
473                         /* Calculate growth since last update */
474                         growth = window_update(&t->win, now, total[t->state]);
475                         if (!t->pending_event) {
476                                 if (growth < t->threshold)
477                                         continue;
478
479                                 t->pending_event = true;
480                         }
481                 }
482                 /* Limit event signaling to once per window */
483                 if (now < t->last_event_time + t->win.size)
484                         continue;
485
486                 /* Generate an event */
487                 if (cmpxchg(&t->event, 0, 1) == 0) {
488                         if (t->of)
489                                 kernfs_notify(t->of->kn);
490                         else
491                                 wake_up_interruptible(&t->event_wait);
492                 }
493                 t->last_event_time = now;
494                 /* Reset threshold breach flag once event got generated */
495                 t->pending_event = false;
496         }
497 }
498
499 static u64 update_averages(struct psi_group *group, u64 now)
500 {
501         unsigned long missed_periods = 0;
502         u64 expires, period;
503         u64 avg_next_update;
504         int s;
505
506         /* avgX= */
507         expires = group->avg_next_update;
508         if (now - expires >= psi_period)
509                 missed_periods = div_u64(now - expires, psi_period);
510
511         /*
512          * The periodic clock tick can get delayed for various
513          * reasons, especially on loaded systems. To avoid clock
514          * drift, we schedule the clock in fixed psi_period intervals.
515          * But the deltas we sample out of the per-cpu buckets above
516          * are based on the actual time elapsing between clock ticks.
517          */
518         avg_next_update = expires + ((1 + missed_periods) * psi_period);
519         period = now - (group->avg_last_update + (missed_periods * psi_period));
520         group->avg_last_update = now;
521
522         for (s = 0; s < NR_PSI_STATES - 1; s++) {
523                 u32 sample;
524
525                 sample = group->total[PSI_AVGS][s] - group->avg_total[s];
526                 /*
527                  * Due to the lockless sampling of the time buckets,
528                  * recorded time deltas can slip into the next period,
529                  * which under full pressure can result in samples in
530                  * excess of the period length.
531                  *
532                  * We don't want to report non-sensical pressures in
533                  * excess of 100%, nor do we want to drop such events
534                  * on the floor. Instead we punt any overage into the
535                  * future until pressure subsides. By doing this we
536                  * don't underreport the occurring pressure curve, we
537                  * just report it delayed by one period length.
538                  *
539                  * The error isn't cumulative. As soon as another
540                  * delta slips from a period P to P+1, by definition
541                  * it frees up its time T in P.
542                  */
543                 if (sample > period)
544                         sample = period;
545                 group->avg_total[s] += sample;
546                 calc_avgs(group->avg[s], missed_periods, sample, period);
547         }
548
549         return avg_next_update;
550 }
551
552 static void psi_avgs_work(struct work_struct *work)
553 {
554         struct delayed_work *dwork;
555         struct psi_group *group;
556         u32 changed_states;
557         u64 now;
558
559         dwork = to_delayed_work(work);
560         group = container_of(dwork, struct psi_group, avgs_work);
561
562         mutex_lock(&group->avgs_lock);
563
564         now = sched_clock();
565
566         collect_percpu_times(group, PSI_AVGS, &changed_states);
567         /*
568          * If there is task activity, periodically fold the per-cpu
569          * times and feed samples into the running averages. If things
570          * are idle and there is no data to process, stop the clock.
571          * Once restarted, we'll catch up the running averages in one
572          * go - see calc_avgs() and missed_periods.
573          */
574         if (now >= group->avg_next_update) {
575                 update_triggers(group, now, PSI_AVGS);
576                 group->avg_next_update = update_averages(group, now);
577         }
578
579         if (changed_states & PSI_STATE_RESCHEDULE) {
580                 schedule_delayed_work(dwork, nsecs_to_jiffies(
581                                 group->avg_next_update - now) + 1);
582         }
583
584         mutex_unlock(&group->avgs_lock);
585 }
586
587 static void init_rtpoll_triggers(struct psi_group *group, u64 now)
588 {
589         struct psi_trigger *t;
590
591         list_for_each_entry(t, &group->rtpoll_triggers, node)
592                 window_reset(&t->win, now,
593                                 group->total[PSI_POLL][t->state], 0);
594         memcpy(group->rtpoll_total, group->total[PSI_POLL],
595                    sizeof(group->rtpoll_total));
596         group->rtpoll_next_update = now + group->rtpoll_min_period;
597 }
598
599 /* Schedule rtpolling if it's not already scheduled or forced. */
600 static void psi_schedule_rtpoll_work(struct psi_group *group, unsigned long delay,
601                                    bool force)
602 {
603         struct task_struct *task;
604
605         /*
606          * atomic_xchg should be called even when !force to provide a
607          * full memory barrier (see the comment inside psi_rtpoll_work).
608          */
609         if (atomic_xchg(&group->rtpoll_scheduled, 1) && !force)
610                 return;
611
612         rcu_read_lock();
613
614         task = rcu_dereference(group->rtpoll_task);
615         /*
616          * kworker might be NULL in case psi_trigger_destroy races with
617          * psi_task_change (hotpath) which can't use locks
618          */
619         if (likely(task))
620                 mod_timer(&group->rtpoll_timer, jiffies + delay);
621         else
622                 atomic_set(&group->rtpoll_scheduled, 0);
623
624         rcu_read_unlock();
625 }
626
627 static void psi_rtpoll_work(struct psi_group *group)
628 {
629         bool force_reschedule = false;
630         u32 changed_states;
631         u64 now;
632
633         mutex_lock(&group->rtpoll_trigger_lock);
634
635         now = sched_clock();
636
637         if (now > group->rtpoll_until) {
638                 /*
639                  * We are either about to start or might stop rtpolling if no
640                  * state change was recorded. Resetting rtpoll_scheduled leaves
641                  * a small window for psi_group_change to sneak in and schedule
642                  * an immediate rtpoll_work before we get to rescheduling. One
643                  * potential extra wakeup at the end of the rtpolling window
644                  * should be negligible and rtpoll_next_update still keeps
645                  * updates correctly on schedule.
646                  */
647                 atomic_set(&group->rtpoll_scheduled, 0);
648                 /*
649                  * A task change can race with the rtpoll worker that is supposed to
650                  * report on it. To avoid missing events, ensure ordering between
651                  * rtpoll_scheduled and the task state accesses, such that if the
652                  * rtpoll worker misses the state update, the task change is
653                  * guaranteed to reschedule the rtpoll worker:
654                  *
655                  * rtpoll worker:
656                  *   atomic_set(rtpoll_scheduled, 0)
657                  *   smp_mb()
658                  *   LOAD states
659                  *
660                  * task change:
661                  *   STORE states
662                  *   if atomic_xchg(rtpoll_scheduled, 1) == 0:
663                  *     schedule rtpoll worker
664                  *
665                  * The atomic_xchg() implies a full barrier.
666                  */
667                 smp_mb();
668         } else {
669                 /* The rtpolling window is not over, keep rescheduling */
670                 force_reschedule = true;
671         }
672
673
674         collect_percpu_times(group, PSI_POLL, &changed_states);
675
676         if (changed_states & group->rtpoll_states) {
677                 /* Initialize trigger windows when entering rtpolling mode */
678                 if (now > group->rtpoll_until)
679                         init_rtpoll_triggers(group, now);
680
681                 /*
682                  * Keep the monitor active for at least the duration of the
683                  * minimum tracking window as long as monitor states are
684                  * changing.
685                  */
686                 group->rtpoll_until = now +
687                         group->rtpoll_min_period * UPDATES_PER_WINDOW;
688         }
689
690         if (now > group->rtpoll_until) {
691                 group->rtpoll_next_update = ULLONG_MAX;
692                 goto out;
693         }
694
695         if (now >= group->rtpoll_next_update) {
696                 if (changed_states & group->rtpoll_states) {
697                         update_triggers(group, now, PSI_POLL);
698                         memcpy(group->rtpoll_total, group->total[PSI_POLL],
699                                    sizeof(group->rtpoll_total));
700                 }
701                 group->rtpoll_next_update = now + group->rtpoll_min_period;
702         }
703
704         psi_schedule_rtpoll_work(group,
705                 nsecs_to_jiffies(group->rtpoll_next_update - now) + 1,
706                 force_reschedule);
707
708 out:
709         mutex_unlock(&group->rtpoll_trigger_lock);
710 }
711
712 static int psi_rtpoll_worker(void *data)
713 {
714         struct psi_group *group = (struct psi_group *)data;
715
716         sched_set_fifo_low(current);
717
718         while (true) {
719                 wait_event_interruptible(group->rtpoll_wait,
720                                 atomic_cmpxchg(&group->rtpoll_wakeup, 1, 0) ||
721                                 kthread_should_stop());
722                 if (kthread_should_stop())
723                         break;
724
725                 psi_rtpoll_work(group);
726         }
727         return 0;
728 }
729
730 static void poll_timer_fn(struct timer_list *t)
731 {
732         struct psi_group *group = from_timer(group, t, rtpoll_timer);
733
734         atomic_set(&group->rtpoll_wakeup, 1);
735         wake_up_interruptible(&group->rtpoll_wait);
736 }
737
738 static void record_times(struct psi_group_cpu *groupc, u64 now)
739 {
740         u32 delta;
741
742         delta = now - groupc->state_start;
743         groupc->state_start = now;
744
745         if (groupc->state_mask & (1 << PSI_IO_SOME)) {
746                 groupc->times[PSI_IO_SOME] += delta;
747                 if (groupc->state_mask & (1 << PSI_IO_FULL))
748                         groupc->times[PSI_IO_FULL] += delta;
749         }
750
751         if (groupc->state_mask & (1 << PSI_MEM_SOME)) {
752                 groupc->times[PSI_MEM_SOME] += delta;
753                 if (groupc->state_mask & (1 << PSI_MEM_FULL))
754                         groupc->times[PSI_MEM_FULL] += delta;
755         }
756
757         if (groupc->state_mask & (1 << PSI_CPU_SOME)) {
758                 groupc->times[PSI_CPU_SOME] += delta;
759                 if (groupc->state_mask & (1 << PSI_CPU_FULL))
760                         groupc->times[PSI_CPU_FULL] += delta;
761         }
762
763         if (groupc->state_mask & (1 << PSI_NONIDLE))
764                 groupc->times[PSI_NONIDLE] += delta;
765 }
766
767 static void psi_group_change(struct psi_group *group, int cpu,
768                              unsigned int clear, unsigned int set, u64 now,
769                              bool wake_clock)
770 {
771         struct psi_group_cpu *groupc;
772         unsigned int t, m;
773         enum psi_states s;
774         u32 state_mask;
775
776         groupc = per_cpu_ptr(group->pcpu, cpu);
777
778         /*
779          * First we update the task counts according to the state
780          * change requested through the @clear and @set bits.
781          *
782          * Then if the cgroup PSI stats accounting enabled, we
783          * assess the aggregate resource states this CPU's tasks
784          * have been in since the last change, and account any
785          * SOME and FULL time these may have resulted in.
786          */
787         write_seqcount_begin(&groupc->seq);
788
789         /*
790          * Start with TSK_ONCPU, which doesn't have a corresponding
791          * task count - it's just a boolean flag directly encoded in
792          * the state mask. Clear, set, or carry the current state if
793          * no changes are requested.
794          */
795         if (unlikely(clear & TSK_ONCPU)) {
796                 state_mask = 0;
797                 clear &= ~TSK_ONCPU;
798         } else if (unlikely(set & TSK_ONCPU)) {
799                 state_mask = PSI_ONCPU;
800                 set &= ~TSK_ONCPU;
801         } else {
802                 state_mask = groupc->state_mask & PSI_ONCPU;
803         }
804
805         /*
806          * The rest of the state mask is calculated based on the task
807          * counts. Update those first, then construct the mask.
808          */
809         for (t = 0, m = clear; m; m &= ~(1 << t), t++) {
810                 if (!(m & (1 << t)))
811                         continue;
812                 if (groupc->tasks[t]) {
813                         groupc->tasks[t]--;
814                 } else if (!psi_bug) {
815                         printk_deferred(KERN_ERR "psi: task underflow! cpu=%d t=%d tasks=[%u %u %u %u] clear=%x set=%x\n",
816                                         cpu, t, groupc->tasks[0],
817                                         groupc->tasks[1], groupc->tasks[2],
818                                         groupc->tasks[3], clear, set);
819                         psi_bug = 1;
820                 }
821         }
822
823         for (t = 0; set; set &= ~(1 << t), t++)
824                 if (set & (1 << t))
825                         groupc->tasks[t]++;
826
827         if (!group->enabled) {
828                 /*
829                  * On the first group change after disabling PSI, conclude
830                  * the current state and flush its time. This is unlikely
831                  * to matter to the user, but aggregation (get_recent_times)
832                  * may have already incorporated the live state into times_prev;
833                  * avoid a delta sample underflow when PSI is later re-enabled.
834                  */
835                 if (unlikely(groupc->state_mask & (1 << PSI_NONIDLE)))
836                         record_times(groupc, now);
837
838                 groupc->state_mask = state_mask;
839
840                 write_seqcount_end(&groupc->seq);
841                 return;
842         }
843
844         for (s = 0; s < NR_PSI_STATES; s++) {
845                 if (test_state(groupc->tasks, s, state_mask & PSI_ONCPU))
846                         state_mask |= (1 << s);
847         }
848
849         /*
850          * Since we care about lost potential, a memstall is FULL
851          * when there are no other working tasks, but also when
852          * the CPU is actively reclaiming and nothing productive
853          * could run even if it were runnable. So when the current
854          * task in a cgroup is in_memstall, the corresponding groupc
855          * on that cpu is in PSI_MEM_FULL state.
856          */
857         if (unlikely((state_mask & PSI_ONCPU) && cpu_curr(cpu)->in_memstall))
858                 state_mask |= (1 << PSI_MEM_FULL);
859
860         record_times(groupc, now);
861
862         groupc->state_mask = state_mask;
863
864         write_seqcount_end(&groupc->seq);
865
866         if (state_mask & group->rtpoll_states)
867                 psi_schedule_rtpoll_work(group, 1, false);
868
869         if (wake_clock && !delayed_work_pending(&group->avgs_work))
870                 schedule_delayed_work(&group->avgs_work, PSI_FREQ);
871 }
872
873 static inline struct psi_group *task_psi_group(struct task_struct *task)
874 {
875 #ifdef CONFIG_CGROUPS
876         if (static_branch_likely(&psi_cgroups_enabled))
877                 return cgroup_psi(task_dfl_cgroup(task));
878 #endif
879         return &psi_system;
880 }
881
882 static void psi_flags_change(struct task_struct *task, int clear, int set)
883 {
884         if (((task->psi_flags & set) ||
885              (task->psi_flags & clear) != clear) &&
886             !psi_bug) {
887                 printk_deferred(KERN_ERR "psi: inconsistent task state! task=%d:%s cpu=%d psi_flags=%x clear=%x set=%x\n",
888                                 task->pid, task->comm, task_cpu(task),
889                                 task->psi_flags, clear, set);
890                 psi_bug = 1;
891         }
892
893         task->psi_flags &= ~clear;
894         task->psi_flags |= set;
895 }
896
897 void psi_task_change(struct task_struct *task, int clear, int set)
898 {
899         int cpu = task_cpu(task);
900         struct psi_group *group;
901         u64 now;
902
903         if (!task->pid)
904                 return;
905
906         psi_flags_change(task, clear, set);
907
908         now = cpu_clock(cpu);
909
910         group = task_psi_group(task);
911         do {
912                 psi_group_change(group, cpu, clear, set, now, true);
913         } while ((group = group->parent));
914 }
915
916 void psi_task_switch(struct task_struct *prev, struct task_struct *next,
917                      bool sleep)
918 {
919         struct psi_group *group, *common = NULL;
920         int cpu = task_cpu(prev);
921         u64 now = cpu_clock(cpu);
922
923         if (next->pid) {
924                 psi_flags_change(next, 0, TSK_ONCPU);
925                 /*
926                  * Set TSK_ONCPU on @next's cgroups. If @next shares any
927                  * ancestors with @prev, those will already have @prev's
928                  * TSK_ONCPU bit set, and we can stop the iteration there.
929                  */
930                 group = task_psi_group(next);
931                 do {
932                         if (per_cpu_ptr(group->pcpu, cpu)->state_mask &
933                             PSI_ONCPU) {
934                                 common = group;
935                                 break;
936                         }
937
938                         psi_group_change(group, cpu, 0, TSK_ONCPU, now, true);
939                 } while ((group = group->parent));
940         }
941
942         if (prev->pid) {
943                 int clear = TSK_ONCPU, set = 0;
944                 bool wake_clock = true;
945
946                 /*
947                  * When we're going to sleep, psi_dequeue() lets us
948                  * handle TSK_RUNNING, TSK_MEMSTALL_RUNNING and
949                  * TSK_IOWAIT here, where we can combine it with
950                  * TSK_ONCPU and save walking common ancestors twice.
951                  */
952                 if (sleep) {
953                         clear |= TSK_RUNNING;
954                         if (prev->in_memstall)
955                                 clear |= TSK_MEMSTALL_RUNNING;
956                         if (prev->in_iowait)
957                                 set |= TSK_IOWAIT;
958
959                         /*
960                          * Periodic aggregation shuts off if there is a period of no
961                          * task changes, so we wake it back up if necessary. However,
962                          * don't do this if the task change is the aggregation worker
963                          * itself going to sleep, or we'll ping-pong forever.
964                          */
965                         if (unlikely((prev->flags & PF_WQ_WORKER) &&
966                                      wq_worker_last_func(prev) == psi_avgs_work))
967                                 wake_clock = false;
968                 }
969
970                 psi_flags_change(prev, clear, set);
971
972                 group = task_psi_group(prev);
973                 do {
974                         if (group == common)
975                                 break;
976                         psi_group_change(group, cpu, clear, set, now, wake_clock);
977                 } while ((group = group->parent));
978
979                 /*
980                  * TSK_ONCPU is handled up to the common ancestor. If there are
981                  * any other differences between the two tasks (e.g. prev goes
982                  * to sleep, or only one task is memstall), finish propagating
983                  * those differences all the way up to the root.
984                  */
985                 if ((prev->psi_flags ^ next->psi_flags) & ~TSK_ONCPU) {
986                         clear &= ~TSK_ONCPU;
987                         for (; group; group = group->parent)
988                                 psi_group_change(group, cpu, clear, set, now, wake_clock);
989                 }
990         }
991 }
992
993 #ifdef CONFIG_IRQ_TIME_ACCOUNTING
994 void psi_account_irqtime(struct task_struct *task, u32 delta)
995 {
996         int cpu = task_cpu(task);
997         struct psi_group *group;
998         struct psi_group_cpu *groupc;
999         u64 now;
1000
1001         if (static_branch_likely(&psi_disabled))
1002                 return;
1003
1004         if (!task->pid)
1005                 return;
1006
1007         now = cpu_clock(cpu);
1008
1009         group = task_psi_group(task);
1010         do {
1011                 if (!group->enabled)
1012                         continue;
1013
1014                 groupc = per_cpu_ptr(group->pcpu, cpu);
1015
1016                 write_seqcount_begin(&groupc->seq);
1017
1018                 record_times(groupc, now);
1019                 groupc->times[PSI_IRQ_FULL] += delta;
1020
1021                 write_seqcount_end(&groupc->seq);
1022
1023                 if (group->rtpoll_states & (1 << PSI_IRQ_FULL))
1024                         psi_schedule_rtpoll_work(group, 1, false);
1025         } while ((group = group->parent));
1026 }
1027 #endif
1028
1029 /**
1030  * psi_memstall_enter - mark the beginning of a memory stall section
1031  * @flags: flags to handle nested sections
1032  *
1033  * Marks the calling task as being stalled due to a lack of memory,
1034  * such as waiting for a refault or performing reclaim.
1035  */
1036 void psi_memstall_enter(unsigned long *flags)
1037 {
1038         struct rq_flags rf;
1039         struct rq *rq;
1040
1041         if (static_branch_likely(&psi_disabled))
1042                 return;
1043
1044         *flags = current->in_memstall;
1045         if (*flags)
1046                 return;
1047         /*
1048          * in_memstall setting & accounting needs to be atomic wrt
1049          * changes to the task's scheduling state, otherwise we can
1050          * race with CPU migration.
1051          */
1052         rq = this_rq_lock_irq(&rf);
1053
1054         current->in_memstall = 1;
1055         psi_task_change(current, 0, TSK_MEMSTALL | TSK_MEMSTALL_RUNNING);
1056
1057         rq_unlock_irq(rq, &rf);
1058 }
1059 EXPORT_SYMBOL_GPL(psi_memstall_enter);
1060
1061 /**
1062  * psi_memstall_leave - mark the end of an memory stall section
1063  * @flags: flags to handle nested memdelay sections
1064  *
1065  * Marks the calling task as no longer stalled due to lack of memory.
1066  */
1067 void psi_memstall_leave(unsigned long *flags)
1068 {
1069         struct rq_flags rf;
1070         struct rq *rq;
1071
1072         if (static_branch_likely(&psi_disabled))
1073                 return;
1074
1075         if (*flags)
1076                 return;
1077         /*
1078          * in_memstall clearing & accounting needs to be atomic wrt
1079          * changes to the task's scheduling state, otherwise we could
1080          * race with CPU migration.
1081          */
1082         rq = this_rq_lock_irq(&rf);
1083
1084         current->in_memstall = 0;
1085         psi_task_change(current, TSK_MEMSTALL | TSK_MEMSTALL_RUNNING, 0);
1086
1087         rq_unlock_irq(rq, &rf);
1088 }
1089 EXPORT_SYMBOL_GPL(psi_memstall_leave);
1090
1091 #ifdef CONFIG_CGROUPS
1092 int psi_cgroup_alloc(struct cgroup *cgroup)
1093 {
1094         if (!static_branch_likely(&psi_cgroups_enabled))
1095                 return 0;
1096
1097         cgroup->psi = kzalloc(sizeof(struct psi_group), GFP_KERNEL);
1098         if (!cgroup->psi)
1099                 return -ENOMEM;
1100
1101         cgroup->psi->pcpu = alloc_percpu(struct psi_group_cpu);
1102         if (!cgroup->psi->pcpu) {
1103                 kfree(cgroup->psi);
1104                 return -ENOMEM;
1105         }
1106         group_init(cgroup->psi);
1107         cgroup->psi->parent = cgroup_psi(cgroup_parent(cgroup));
1108         return 0;
1109 }
1110
1111 void psi_cgroup_free(struct cgroup *cgroup)
1112 {
1113         if (!static_branch_likely(&psi_cgroups_enabled))
1114                 return;
1115
1116         cancel_delayed_work_sync(&cgroup->psi->avgs_work);
1117         free_percpu(cgroup->psi->pcpu);
1118         /* All triggers must be removed by now */
1119         WARN_ONCE(cgroup->psi->rtpoll_states, "psi: trigger leak\n");
1120         kfree(cgroup->psi);
1121 }
1122
1123 /**
1124  * cgroup_move_task - move task to a different cgroup
1125  * @task: the task
1126  * @to: the target css_set
1127  *
1128  * Move task to a new cgroup and safely migrate its associated stall
1129  * state between the different groups.
1130  *
1131  * This function acquires the task's rq lock to lock out concurrent
1132  * changes to the task's scheduling state and - in case the task is
1133  * running - concurrent changes to its stall state.
1134  */
1135 void cgroup_move_task(struct task_struct *task, struct css_set *to)
1136 {
1137         unsigned int task_flags;
1138         struct rq_flags rf;
1139         struct rq *rq;
1140
1141         if (!static_branch_likely(&psi_cgroups_enabled)) {
1142                 /*
1143                  * Lame to do this here, but the scheduler cannot be locked
1144                  * from the outside, so we move cgroups from inside sched/.
1145                  */
1146                 rcu_assign_pointer(task->cgroups, to);
1147                 return;
1148         }
1149
1150         rq = task_rq_lock(task, &rf);
1151
1152         /*
1153          * We may race with schedule() dropping the rq lock between
1154          * deactivating prev and switching to next. Because the psi
1155          * updates from the deactivation are deferred to the switch
1156          * callback to save cgroup tree updates, the task's scheduling
1157          * state here is not coherent with its psi state:
1158          *
1159          * schedule()                   cgroup_move_task()
1160          *   rq_lock()
1161          *   deactivate_task()
1162          *     p->on_rq = 0
1163          *     psi_dequeue() // defers TSK_RUNNING & TSK_IOWAIT updates
1164          *   pick_next_task()
1165          *     rq_unlock()
1166          *                                rq_lock()
1167          *                                psi_task_change() // old cgroup
1168          *                                task->cgroups = to
1169          *                                psi_task_change() // new cgroup
1170          *                                rq_unlock()
1171          *     rq_lock()
1172          *   psi_sched_switch() // does deferred updates in new cgroup
1173          *
1174          * Don't rely on the scheduling state. Use psi_flags instead.
1175          */
1176         task_flags = task->psi_flags;
1177
1178         if (task_flags)
1179                 psi_task_change(task, task_flags, 0);
1180
1181         /* See comment above */
1182         rcu_assign_pointer(task->cgroups, to);
1183
1184         if (task_flags)
1185                 psi_task_change(task, 0, task_flags);
1186
1187         task_rq_unlock(rq, task, &rf);
1188 }
1189
1190 void psi_cgroup_restart(struct psi_group *group)
1191 {
1192         int cpu;
1193
1194         /*
1195          * After we disable psi_group->enabled, we don't actually
1196          * stop percpu tasks accounting in each psi_group_cpu,
1197          * instead only stop test_state() loop, record_times()
1198          * and averaging worker, see psi_group_change() for details.
1199          *
1200          * When disable cgroup PSI, this function has nothing to sync
1201          * since cgroup pressure files are hidden and percpu psi_group_cpu
1202          * would see !psi_group->enabled and only do task accounting.
1203          *
1204          * When re-enable cgroup PSI, this function use psi_group_change()
1205          * to get correct state mask from test_state() loop on tasks[],
1206          * and restart groupc->state_start from now, use .clear = .set = 0
1207          * here since no task status really changed.
1208          */
1209         if (!group->enabled)
1210                 return;
1211
1212         for_each_possible_cpu(cpu) {
1213                 struct rq *rq = cpu_rq(cpu);
1214                 struct rq_flags rf;
1215                 u64 now;
1216
1217                 rq_lock_irq(rq, &rf);
1218                 now = cpu_clock(cpu);
1219                 psi_group_change(group, cpu, 0, 0, now, true);
1220                 rq_unlock_irq(rq, &rf);
1221         }
1222 }
1223 #endif /* CONFIG_CGROUPS */
1224
1225 int psi_show(struct seq_file *m, struct psi_group *group, enum psi_res res)
1226 {
1227         bool only_full = false;
1228         int full;
1229         u64 now;
1230
1231         if (static_branch_likely(&psi_disabled))
1232                 return -EOPNOTSUPP;
1233
1234         /* Update averages before reporting them */
1235         mutex_lock(&group->avgs_lock);
1236         now = sched_clock();
1237         collect_percpu_times(group, PSI_AVGS, NULL);
1238         if (now >= group->avg_next_update)
1239                 group->avg_next_update = update_averages(group, now);
1240         mutex_unlock(&group->avgs_lock);
1241
1242 #ifdef CONFIG_IRQ_TIME_ACCOUNTING
1243         only_full = res == PSI_IRQ;
1244 #endif
1245
1246         for (full = 0; full < 2 - only_full; full++) {
1247                 unsigned long avg[3] = { 0, };
1248                 u64 total = 0;
1249                 int w;
1250
1251                 /* CPU FULL is undefined at the system level */
1252                 if (!(group == &psi_system && res == PSI_CPU && full)) {
1253                         for (w = 0; w < 3; w++)
1254                                 avg[w] = group->avg[res * 2 + full][w];
1255                         total = div_u64(group->total[PSI_AVGS][res * 2 + full],
1256                                         NSEC_PER_USEC);
1257                 }
1258
1259                 seq_printf(m, "%s avg10=%lu.%02lu avg60=%lu.%02lu avg300=%lu.%02lu total=%llu\n",
1260                            full || only_full ? "full" : "some",
1261                            LOAD_INT(avg[0]), LOAD_FRAC(avg[0]),
1262                            LOAD_INT(avg[1]), LOAD_FRAC(avg[1]),
1263                            LOAD_INT(avg[2]), LOAD_FRAC(avg[2]),
1264                            total);
1265         }
1266
1267         return 0;
1268 }
1269
1270 struct psi_trigger *psi_trigger_create(struct psi_group *group, char *buf,
1271                                        enum psi_res res, struct file *file,
1272                                        struct kernfs_open_file *of)
1273 {
1274         struct psi_trigger *t;
1275         enum psi_states state;
1276         u32 threshold_us;
1277         bool privileged;
1278         u32 window_us;
1279
1280         if (static_branch_likely(&psi_disabled))
1281                 return ERR_PTR(-EOPNOTSUPP);
1282
1283         /*
1284          * Checking the privilege here on file->f_cred implies that a privileged user
1285          * could open the file and delegate the write to an unprivileged one.
1286          */
1287         privileged = cap_raised(file->f_cred->cap_effective, CAP_SYS_RESOURCE);
1288
1289         if (sscanf(buf, "some %u %u", &threshold_us, &window_us) == 2)
1290                 state = PSI_IO_SOME + res * 2;
1291         else if (sscanf(buf, "full %u %u", &threshold_us, &window_us) == 2)
1292                 state = PSI_IO_FULL + res * 2;
1293         else
1294                 return ERR_PTR(-EINVAL);
1295
1296 #ifdef CONFIG_IRQ_TIME_ACCOUNTING
1297         if (res == PSI_IRQ && --state != PSI_IRQ_FULL)
1298                 return ERR_PTR(-EINVAL);
1299 #endif
1300
1301         if (state >= PSI_NONIDLE)
1302                 return ERR_PTR(-EINVAL);
1303
1304         if (window_us == 0 || window_us > WINDOW_MAX_US)
1305                 return ERR_PTR(-EINVAL);
1306
1307         /*
1308          * Unprivileged users can only use 2s windows so that averages aggregation
1309          * work is used, and no RT threads need to be spawned.
1310          */
1311         if (!privileged && window_us % 2000000)
1312                 return ERR_PTR(-EINVAL);
1313
1314         /* Check threshold */
1315         if (threshold_us == 0 || threshold_us > window_us)
1316                 return ERR_PTR(-EINVAL);
1317
1318         t = kmalloc(sizeof(*t), GFP_KERNEL);
1319         if (!t)
1320                 return ERR_PTR(-ENOMEM);
1321
1322         t->group = group;
1323         t->state = state;
1324         t->threshold = threshold_us * NSEC_PER_USEC;
1325         t->win.size = window_us * NSEC_PER_USEC;
1326         window_reset(&t->win, sched_clock(),
1327                         group->total[PSI_POLL][t->state], 0);
1328
1329         t->event = 0;
1330         t->last_event_time = 0;
1331         t->of = of;
1332         if (!of)
1333                 init_waitqueue_head(&t->event_wait);
1334         t->pending_event = false;
1335         t->aggregator = privileged ? PSI_POLL : PSI_AVGS;
1336
1337         if (privileged) {
1338                 mutex_lock(&group->rtpoll_trigger_lock);
1339
1340                 if (!rcu_access_pointer(group->rtpoll_task)) {
1341                         struct task_struct *task;
1342
1343                         task = kthread_create(psi_rtpoll_worker, group, "psimon");
1344                         if (IS_ERR(task)) {
1345                                 kfree(t);
1346                                 mutex_unlock(&group->rtpoll_trigger_lock);
1347                                 return ERR_CAST(task);
1348                         }
1349                         atomic_set(&group->rtpoll_wakeup, 0);
1350                         wake_up_process(task);
1351                         rcu_assign_pointer(group->rtpoll_task, task);
1352                 }
1353
1354                 list_add(&t->node, &group->rtpoll_triggers);
1355                 group->rtpoll_min_period = min(group->rtpoll_min_period,
1356                         div_u64(t->win.size, UPDATES_PER_WINDOW));
1357                 group->rtpoll_nr_triggers[t->state]++;
1358                 group->rtpoll_states |= (1 << t->state);
1359
1360                 mutex_unlock(&group->rtpoll_trigger_lock);
1361         } else {
1362                 mutex_lock(&group->avgs_lock);
1363
1364                 list_add(&t->node, &group->avg_triggers);
1365                 group->avg_nr_triggers[t->state]++;
1366
1367                 mutex_unlock(&group->avgs_lock);
1368         }
1369         return t;
1370 }
1371
1372 void psi_trigger_destroy(struct psi_trigger *t)
1373 {
1374         struct psi_group *group;
1375         struct task_struct *task_to_destroy = NULL;
1376
1377         /*
1378          * We do not check psi_disabled since it might have been disabled after
1379          * the trigger got created.
1380          */
1381         if (!t)
1382                 return;
1383
1384         group = t->group;
1385         /*
1386          * Wakeup waiters to stop polling and clear the queue to prevent it from
1387          * being accessed later. Can happen if cgroup is deleted from under a
1388          * polling process.
1389          */
1390         if (t->of)
1391                 kernfs_notify(t->of->kn);
1392         else
1393                 wake_up_interruptible(&t->event_wait);
1394
1395         if (t->aggregator == PSI_AVGS) {
1396                 mutex_lock(&group->avgs_lock);
1397                 if (!list_empty(&t->node)) {
1398                         list_del(&t->node);
1399                         group->avg_nr_triggers[t->state]--;
1400                 }
1401                 mutex_unlock(&group->avgs_lock);
1402         } else {
1403                 mutex_lock(&group->rtpoll_trigger_lock);
1404                 if (!list_empty(&t->node)) {
1405                         struct psi_trigger *tmp;
1406                         u64 period = ULLONG_MAX;
1407
1408                         list_del(&t->node);
1409                         group->rtpoll_nr_triggers[t->state]--;
1410                         if (!group->rtpoll_nr_triggers[t->state])
1411                                 group->rtpoll_states &= ~(1 << t->state);
1412                         /*
1413                          * Reset min update period for the remaining triggers
1414                          * iff the destroying trigger had the min window size.
1415                          */
1416                         if (group->rtpoll_min_period == div_u64(t->win.size, UPDATES_PER_WINDOW)) {
1417                                 list_for_each_entry(tmp, &group->rtpoll_triggers, node)
1418                                         period = min(period, div_u64(tmp->win.size,
1419                                                         UPDATES_PER_WINDOW));
1420                                 group->rtpoll_min_period = period;
1421                         }
1422                         /* Destroy rtpoll_task when the last trigger is destroyed */
1423                         if (group->rtpoll_states == 0) {
1424                                 group->rtpoll_until = 0;
1425                                 task_to_destroy = rcu_dereference_protected(
1426                                                 group->rtpoll_task,
1427                                                 lockdep_is_held(&group->rtpoll_trigger_lock));
1428                                 rcu_assign_pointer(group->rtpoll_task, NULL);
1429                                 del_timer(&group->rtpoll_timer);
1430                         }
1431                 }
1432                 mutex_unlock(&group->rtpoll_trigger_lock);
1433         }
1434
1435         /*
1436          * Wait for psi_schedule_rtpoll_work RCU to complete its read-side
1437          * critical section before destroying the trigger and optionally the
1438          * rtpoll_task.
1439          */
1440         synchronize_rcu();
1441         /*
1442          * Stop kthread 'psimon' after releasing rtpoll_trigger_lock to prevent
1443          * a deadlock while waiting for psi_rtpoll_work to acquire
1444          * rtpoll_trigger_lock
1445          */
1446         if (task_to_destroy) {
1447                 /*
1448                  * After the RCU grace period has expired, the worker
1449                  * can no longer be found through group->rtpoll_task.
1450                  */
1451                 kthread_stop(task_to_destroy);
1452                 atomic_set(&group->rtpoll_scheduled, 0);
1453         }
1454         kfree(t);
1455 }
1456
1457 __poll_t psi_trigger_poll(void **trigger_ptr,
1458                                 struct file *file, poll_table *wait)
1459 {
1460         __poll_t ret = DEFAULT_POLLMASK;
1461         struct psi_trigger *t;
1462
1463         if (static_branch_likely(&psi_disabled))
1464                 return DEFAULT_POLLMASK | EPOLLERR | EPOLLPRI;
1465
1466         t = smp_load_acquire(trigger_ptr);
1467         if (!t)
1468                 return DEFAULT_POLLMASK | EPOLLERR | EPOLLPRI;
1469
1470         if (t->of)
1471                 kernfs_generic_poll(t->of, wait);
1472         else
1473                 poll_wait(file, &t->event_wait, wait);
1474
1475         if (cmpxchg(&t->event, 1, 0) == 1)
1476                 ret |= EPOLLPRI;
1477
1478         return ret;
1479 }
1480
1481 #ifdef CONFIG_PROC_FS
1482 static int psi_io_show(struct seq_file *m, void *v)
1483 {
1484         return psi_show(m, &psi_system, PSI_IO);
1485 }
1486
1487 static int psi_memory_show(struct seq_file *m, void *v)
1488 {
1489         return psi_show(m, &psi_system, PSI_MEM);
1490 }
1491
1492 static int psi_cpu_show(struct seq_file *m, void *v)
1493 {
1494         return psi_show(m, &psi_system, PSI_CPU);
1495 }
1496
1497 static int psi_io_open(struct inode *inode, struct file *file)
1498 {
1499         return single_open(file, psi_io_show, NULL);
1500 }
1501
1502 static int psi_memory_open(struct inode *inode, struct file *file)
1503 {
1504         return single_open(file, psi_memory_show, NULL);
1505 }
1506
1507 static int psi_cpu_open(struct inode *inode, struct file *file)
1508 {
1509         return single_open(file, psi_cpu_show, NULL);
1510 }
1511
1512 static ssize_t psi_write(struct file *file, const char __user *user_buf,
1513                          size_t nbytes, enum psi_res res)
1514 {
1515         char buf[32];
1516         size_t buf_size;
1517         struct seq_file *seq;
1518         struct psi_trigger *new;
1519
1520         if (static_branch_likely(&psi_disabled))
1521                 return -EOPNOTSUPP;
1522
1523         if (!nbytes)
1524                 return -EINVAL;
1525
1526         buf_size = min(nbytes, sizeof(buf));
1527         if (copy_from_user(buf, user_buf, buf_size))
1528                 return -EFAULT;
1529
1530         buf[buf_size - 1] = '\0';
1531
1532         seq = file->private_data;
1533
1534         /* Take seq->lock to protect seq->private from concurrent writes */
1535         mutex_lock(&seq->lock);
1536
1537         /* Allow only one trigger per file descriptor */
1538         if (seq->private) {
1539                 mutex_unlock(&seq->lock);
1540                 return -EBUSY;
1541         }
1542
1543         new = psi_trigger_create(&psi_system, buf, res, file, NULL);
1544         if (IS_ERR(new)) {
1545                 mutex_unlock(&seq->lock);
1546                 return PTR_ERR(new);
1547         }
1548
1549         smp_store_release(&seq->private, new);
1550         mutex_unlock(&seq->lock);
1551
1552         return nbytes;
1553 }
1554
1555 static ssize_t psi_io_write(struct file *file, const char __user *user_buf,
1556                             size_t nbytes, loff_t *ppos)
1557 {
1558         return psi_write(file, user_buf, nbytes, PSI_IO);
1559 }
1560
1561 static ssize_t psi_memory_write(struct file *file, const char __user *user_buf,
1562                                 size_t nbytes, loff_t *ppos)
1563 {
1564         return psi_write(file, user_buf, nbytes, PSI_MEM);
1565 }
1566
1567 static ssize_t psi_cpu_write(struct file *file, const char __user *user_buf,
1568                              size_t nbytes, loff_t *ppos)
1569 {
1570         return psi_write(file, user_buf, nbytes, PSI_CPU);
1571 }
1572
1573 static __poll_t psi_fop_poll(struct file *file, poll_table *wait)
1574 {
1575         struct seq_file *seq = file->private_data;
1576
1577         return psi_trigger_poll(&seq->private, file, wait);
1578 }
1579
1580 static int psi_fop_release(struct inode *inode, struct file *file)
1581 {
1582         struct seq_file *seq = file->private_data;
1583
1584         psi_trigger_destroy(seq->private);
1585         return single_release(inode, file);
1586 }
1587
1588 static const struct proc_ops psi_io_proc_ops = {
1589         .proc_open      = psi_io_open,
1590         .proc_read      = seq_read,
1591         .proc_lseek     = seq_lseek,
1592         .proc_write     = psi_io_write,
1593         .proc_poll      = psi_fop_poll,
1594         .proc_release   = psi_fop_release,
1595 };
1596
1597 static const struct proc_ops psi_memory_proc_ops = {
1598         .proc_open      = psi_memory_open,
1599         .proc_read      = seq_read,
1600         .proc_lseek     = seq_lseek,
1601         .proc_write     = psi_memory_write,
1602         .proc_poll      = psi_fop_poll,
1603         .proc_release   = psi_fop_release,
1604 };
1605
1606 static const struct proc_ops psi_cpu_proc_ops = {
1607         .proc_open      = psi_cpu_open,
1608         .proc_read      = seq_read,
1609         .proc_lseek     = seq_lseek,
1610         .proc_write     = psi_cpu_write,
1611         .proc_poll      = psi_fop_poll,
1612         .proc_release   = psi_fop_release,
1613 };
1614
1615 #ifdef CONFIG_IRQ_TIME_ACCOUNTING
1616 static int psi_irq_show(struct seq_file *m, void *v)
1617 {
1618         return psi_show(m, &psi_system, PSI_IRQ);
1619 }
1620
1621 static int psi_irq_open(struct inode *inode, struct file *file)
1622 {
1623         return single_open(file, psi_irq_show, NULL);
1624 }
1625
1626 static ssize_t psi_irq_write(struct file *file, const char __user *user_buf,
1627                              size_t nbytes, loff_t *ppos)
1628 {
1629         return psi_write(file, user_buf, nbytes, PSI_IRQ);
1630 }
1631
1632 static const struct proc_ops psi_irq_proc_ops = {
1633         .proc_open      = psi_irq_open,
1634         .proc_read      = seq_read,
1635         .proc_lseek     = seq_lseek,
1636         .proc_write     = psi_irq_write,
1637         .proc_poll      = psi_fop_poll,
1638         .proc_release   = psi_fop_release,
1639 };
1640 #endif
1641
1642 static int __init psi_proc_init(void)
1643 {
1644         if (psi_enable) {
1645                 proc_mkdir("pressure", NULL);
1646                 proc_create("pressure/io", 0666, NULL, &psi_io_proc_ops);
1647                 proc_create("pressure/memory", 0666, NULL, &psi_memory_proc_ops);
1648                 proc_create("pressure/cpu", 0666, NULL, &psi_cpu_proc_ops);
1649 #ifdef CONFIG_IRQ_TIME_ACCOUNTING
1650                 proc_create("pressure/irq", 0666, NULL, &psi_irq_proc_ops);
1651 #endif
1652         }
1653         return 0;
1654 }
1655 module_init(psi_proc_init);
1656
1657 #endif /* CONFIG_PROC_FS */