Linux 2.6.33-rc8
[linux-2.6/lguest.git] / Documentation / vm / numa_memory_policy.txt
blobbe45dbb9d7f23ef17c472ef981f4a42512480229
2 What is Linux Memory Policy?
4 In the Linux kernel, "memory policy" determines from which node the kernel will
5 allocate memory in a NUMA system or in an emulated NUMA system.  Linux has
6 supported platforms with Non-Uniform Memory Access architectures since 2.4.?.
7 The current memory policy support was added to Linux 2.6 around May 2004.  This
8 document attempts to describe the concepts and APIs of the 2.6 memory policy
9 support.
11 Memory policies should not be confused with cpusets
12 (Documentation/cgroups/cpusets.txt)
13 which is an administrative mechanism for restricting the nodes from which
14 memory may be allocated by a set of processes. Memory policies are a
15 programming interface that a NUMA-aware application can take advantage of.  When
16 both cpusets and policies are applied to a task, the restrictions of the cpuset
17 takes priority.  See "MEMORY POLICIES AND CPUSETS" below for more details.
19 MEMORY POLICY CONCEPTS
21 Scope of Memory Policies
23 The Linux kernel supports _scopes_ of memory policy, described here from
24 most general to most specific:
26     System Default Policy:  this policy is "hard coded" into the kernel.  It
27     is the policy that governs all page allocations that aren't controlled
28     by one of the more specific policy scopes discussed below.  When the
29     system is "up and running", the system default policy will use "local
30     allocation" described below.  However, during boot up, the system
31     default policy will be set to interleave allocations across all nodes
32     with "sufficient" memory, so as not to overload the initial boot node
33     with boot-time allocations.
35     Task/Process Policy:  this is an optional, per-task policy.  When defined
36     for a specific task, this policy controls all page allocations made by or
37     on behalf of the task that aren't controlled by a more specific scope.
38     If a task does not define a task policy, then all page allocations that
39     would have been controlled by the task policy "fall back" to the System
40     Default Policy.
42         The task policy applies to the entire address space of a task. Thus,
43         it is inheritable, and indeed is inherited, across both fork()
44         [clone() w/o the CLONE_VM flag] and exec*().  This allows a parent task
45         to establish the task policy for a child task exec()'d from an
46         executable image that has no awareness of memory policy.  See the
47         MEMORY POLICY APIS section, below, for an overview of the system call
48         that a task may use to set/change it's task/process policy.
50         In a multi-threaded task, task policies apply only to the thread
51         [Linux kernel task] that installs the policy and any threads
52         subsequently created by that thread.  Any sibling threads existing
53         at the time a new task policy is installed retain their current
54         policy.
56         A task policy applies only to pages allocated after the policy is
57         installed.  Any pages already faulted in by the task when the task
58         changes its task policy remain where they were allocated based on
59         the policy at the time they were allocated.
61     VMA Policy:  A "VMA" or "Virtual Memory Area" refers to a range of a task's
62     virtual address space.  A task may define a specific policy for a range
63     of its virtual address space.   See the MEMORY POLICIES APIS section,
64     below, for an overview of the mbind() system call used to set a VMA
65     policy.
67     A VMA policy will govern the allocation of pages that back this region of
68     the address space.  Any regions of the task's address space that don't
69     have an explicit VMA policy will fall back to the task policy, which may
70     itself fall back to the System Default Policy.
72     VMA policies have a few complicating details:
74         VMA policy applies ONLY to anonymous pages.  These include pages
75         allocated for anonymous segments, such as the task stack and heap, and
76         any regions of the address space mmap()ed with the MAP_ANONYMOUS flag.
77         If a VMA policy is applied to a file mapping, it will be ignored if
78         the mapping used the MAP_SHARED flag.  If the file mapping used the
79         MAP_PRIVATE flag, the VMA policy will only be applied when an
80         anonymous page is allocated on an attempt to write to the mapping--
81         i.e., at Copy-On-Write.
83         VMA policies are shared between all tasks that share a virtual address
84         space--a.k.a. threads--independent of when the policy is installed; and
85         they are inherited across fork().  However, because VMA policies refer
86         to a specific region of a task's address space, and because the address
87         space is discarded and recreated on exec*(), VMA policies are NOT
88         inheritable across exec().  Thus, only NUMA-aware applications may
89         use VMA policies.
91         A task may install a new VMA policy on a sub-range of a previously
92         mmap()ed region.  When this happens, Linux splits the existing virtual
93         memory area into 2 or 3 VMAs, each with it's own policy.
95         By default, VMA policy applies only to pages allocated after the policy
96         is installed.  Any pages already faulted into the VMA range remain
97         where they were allocated based on the policy at the time they were
98         allocated.  However, since 2.6.16, Linux supports page migration via
99         the mbind() system call, so that page contents can be moved to match
100         a newly installed policy.
102     Shared Policy:  Conceptually, shared policies apply to "memory objects"
103     mapped shared into one or more tasks' distinct address spaces.  An
104     application installs a shared policies the same way as VMA policies--using
105     the mbind() system call specifying a range of virtual addresses that map
106     the shared object.  However, unlike VMA policies, which can be considered
107     to be an attribute of a range of a task's address space, shared policies
108     apply directly to the shared object.  Thus, all tasks that attach to the
109     object share the policy, and all pages allocated for the shared object,
110     by any task, will obey the shared policy.
112         As of 2.6.22, only shared memory segments, created by shmget() or
113         mmap(MAP_ANONYMOUS|MAP_SHARED), support shared policy.  When shared
114         policy support was added to Linux, the associated data structures were
115         added to hugetlbfs shmem segments.  At the time, hugetlbfs did not
116         support allocation at fault time--a.k.a lazy allocation--so hugetlbfs
117         shmem segments were never "hooked up" to the shared policy support.
118         Although hugetlbfs segments now support lazy allocation, their support
119         for shared policy has not been completed.
121         As mentioned above [re: VMA policies], allocations of page cache
122         pages for regular files mmap()ed with MAP_SHARED ignore any VMA
123         policy installed on the virtual address range backed by the shared
124         file mapping.  Rather, shared page cache pages, including pages backing
125         private mappings that have not yet been written by the task, follow
126         task policy, if any, else System Default Policy.
128         The shared policy infrastructure supports different policies on subset
129         ranges of the shared object.  However, Linux still splits the VMA of
130         the task that installs the policy for each range of distinct policy.
131         Thus, different tasks that attach to a shared memory segment can have
132         different VMA configurations mapping that one shared object.  This
133         can be seen by examining the /proc/<pid>/numa_maps of tasks sharing
134         a shared memory region, when one task has installed shared policy on
135         one or more ranges of the region.
137 Components of Memory Policies
139     A Linux memory policy consists of a "mode", optional mode flags, and an
140     optional set of nodes.  The mode determines the behavior of the policy,
141     the optional mode flags determine the behavior of the mode, and the
142     optional set of nodes can be viewed as the arguments to the policy
143     behavior.
145    Internally, memory policies are implemented by a reference counted
146    structure, struct mempolicy.  Details of this structure will be discussed
147    in context, below, as required to explain the behavior.
149    Linux memory policy supports the following 4 behavioral modes:
151         Default Mode--MPOL_DEFAULT:  This mode is only used in the memory
152         policy APIs.  Internally, MPOL_DEFAULT is converted to the NULL
153         memory policy in all policy scopes.  Any existing non-default policy
154         will simply be removed when MPOL_DEFAULT is specified.  As a result,
155         MPOL_DEFAULT means "fall back to the next most specific policy scope."
157             For example, a NULL or default task policy will fall back to the
158             system default policy.  A NULL or default vma policy will fall
159             back to the task policy.
161             When specified in one of the memory policy APIs, the Default mode
162             does not use the optional set of nodes.
164             It is an error for the set of nodes specified for this policy to
165             be non-empty.
167         MPOL_BIND:  This mode specifies that memory must come from the
168         set of nodes specified by the policy.  Memory will be allocated from
169         the node in the set with sufficient free memory that is closest to
170         the node where the allocation takes place.
172         MPOL_PREFERRED:  This mode specifies that the allocation should be
173         attempted from the single node specified in the policy.  If that
174         allocation fails, the kernel will search other nodes, in order of
175         increasing distance from the preferred node based on information
176         provided by the platform firmware.
177         containing the cpu where the allocation takes place.
179             Internally, the Preferred policy uses a single node--the
180             preferred_node member of struct mempolicy.  When the internal
181             mode flag MPOL_F_LOCAL is set, the preferred_node is ignored and
182             the policy is interpreted as local allocation.  "Local" allocation
183             policy can be viewed as a Preferred policy that starts at the node
184             containing the cpu where the allocation takes place.
186             It is possible for the user to specify that local allocation is
187             always preferred by passing an empty nodemask with this mode.
188             If an empty nodemask is passed, the policy cannot use the
189             MPOL_F_STATIC_NODES or MPOL_F_RELATIVE_NODES flags described
190             below.
192         MPOL_INTERLEAVED:  This mode specifies that page allocations be
193         interleaved, on a page granularity, across the nodes specified in
194         the policy.  This mode also behaves slightly differently, based on
195         the context where it is used:
197             For allocation of anonymous pages and shared memory pages,
198             Interleave mode indexes the set of nodes specified by the policy
199             using the page offset of the faulting address into the segment
200             [VMA] containing the address modulo the number of nodes specified
201             by the policy.  It then attempts to allocate a page, starting at
202             the selected node, as if the node had been specified by a Preferred
203             policy or had been selected by a local allocation.  That is,
204             allocation will follow the per node zonelist.
206             For allocation of page cache pages, Interleave mode indexes the set
207             of nodes specified by the policy using a node counter maintained
208             per task.  This counter wraps around to the lowest specified node
209             after it reaches the highest specified node.  This will tend to
210             spread the pages out over the nodes specified by the policy based
211             on the order in which they are allocated, rather than based on any
212             page offset into an address range or file.  During system boot up,
213             the temporary interleaved system default policy works in this
214             mode.
216    Linux memory policy supports the following optional mode flags:
218         MPOL_F_STATIC_NODES:  This flag specifies that the nodemask passed by
219         the user should not be remapped if the task or VMA's set of allowed
220         nodes changes after the memory policy has been defined.
222             Without this flag, anytime a mempolicy is rebound because of a
223             change in the set of allowed nodes, the node (Preferred) or
224             nodemask (Bind, Interleave) is remapped to the new set of
225             allowed nodes.  This may result in nodes being used that were
226             previously undesired.
228             With this flag, if the user-specified nodes overlap with the
229             nodes allowed by the task's cpuset, then the memory policy is
230             applied to their intersection.  If the two sets of nodes do not
231             overlap, the Default policy is used.
233             For example, consider a task that is attached to a cpuset with
234             mems 1-3 that sets an Interleave policy over the same set.  If
235             the cpuset's mems change to 3-5, the Interleave will now occur
236             over nodes 3, 4, and 5.  With this flag, however, since only node
237             3 is allowed from the user's nodemask, the "interleave" only
238             occurs over that node.  If no nodes from the user's nodemask are
239             now allowed, the Default behavior is used.
241             MPOL_F_STATIC_NODES cannot be combined with the
242             MPOL_F_RELATIVE_NODES flag.  It also cannot be used for
243             MPOL_PREFERRED policies that were created with an empty nodemask
244             (local allocation).
246         MPOL_F_RELATIVE_NODES:  This flag specifies that the nodemask passed
247         by the user will be mapped relative to the set of the task or VMA's
248         set of allowed nodes.  The kernel stores the user-passed nodemask,
249         and if the allowed nodes changes, then that original nodemask will
250         be remapped relative to the new set of allowed nodes.
252             Without this flag (and without MPOL_F_STATIC_NODES), anytime a
253             mempolicy is rebound because of a change in the set of allowed
254             nodes, the node (Preferred) or nodemask (Bind, Interleave) is
255             remapped to the new set of allowed nodes.  That remap may not
256             preserve the relative nature of the user's passed nodemask to its
257             set of allowed nodes upon successive rebinds: a nodemask of
258             1,3,5 may be remapped to 7-9 and then to 1-3 if the set of
259             allowed nodes is restored to its original state.
261             With this flag, the remap is done so that the node numbers from
262             the user's passed nodemask are relative to the set of allowed
263             nodes.  In other words, if nodes 0, 2, and 4 are set in the user's
264             nodemask, the policy will be effected over the first (and in the
265             Bind or Interleave case, the third and fifth) nodes in the set of
266             allowed nodes.  The nodemask passed by the user represents nodes
267             relative to task or VMA's set of allowed nodes.
269             If the user's nodemask includes nodes that are outside the range
270             of the new set of allowed nodes (for example, node 5 is set in
271             the user's nodemask when the set of allowed nodes is only 0-3),
272             then the remap wraps around to the beginning of the nodemask and,
273             if not already set, sets the node in the mempolicy nodemask.
275             For example, consider a task that is attached to a cpuset with
276             mems 2-5 that sets an Interleave policy over the same set with
277             MPOL_F_RELATIVE_NODES.  If the cpuset's mems change to 3-7, the
278             interleave now occurs over nodes 3,5-6.  If the cpuset's mems
279             then change to 0,2-3,5, then the interleave occurs over nodes
280             0,3,5.
282             Thanks to the consistent remapping, applications preparing
283             nodemasks to specify memory policies using this flag should
284             disregard their current, actual cpuset imposed memory placement
285             and prepare the nodemask as if they were always located on
286             memory nodes 0 to N-1, where N is the number of memory nodes the
287             policy is intended to manage.  Let the kernel then remap to the
288             set of memory nodes allowed by the task's cpuset, as that may
289             change over time.
291             MPOL_F_RELATIVE_NODES cannot be combined with the
292             MPOL_F_STATIC_NODES flag.  It also cannot be used for
293             MPOL_PREFERRED policies that were created with an empty nodemask
294             (local allocation).
296 MEMORY POLICY REFERENCE COUNTING
298 To resolve use/free races, struct mempolicy contains an atomic reference
299 count field.  Internal interfaces, mpol_get()/mpol_put() increment and
300 decrement this reference count, respectively.  mpol_put() will only free
301 the structure back to the mempolicy kmem cache when the reference count
302 goes to zero.
304 When a new memory policy is allocated, it's reference count is initialized
305 to '1', representing the reference held by the task that is installing the
306 new policy.  When a pointer to a memory policy structure is stored in another
307 structure, another reference is added, as the task's reference will be dropped
308 on completion of the policy installation.
310 During run-time "usage" of the policy, we attempt to minimize atomic operations
311 on the reference count, as this can lead to cache lines bouncing between cpus
312 and NUMA nodes.  "Usage" here means one of the following:
314 1) querying of the policy, either by the task itself [using the get_mempolicy()
315    API discussed below] or by another task using the /proc/<pid>/numa_maps
316    interface.
318 2) examination of the policy to determine the policy mode and associated node
319    or node lists, if any, for page allocation.  This is considered a "hot
320    path".  Note that for MPOL_BIND, the "usage" extends across the entire
321    allocation process, which may sleep during page reclaimation, because the
322    BIND policy nodemask is used, by reference, to filter ineligible nodes.
324 We can avoid taking an extra reference during the usages listed above as
325 follows:
327 1) we never need to get/free the system default policy as this is never
328    changed nor freed, once the system is up and running.
330 2) for querying the policy, we do not need to take an extra reference on the
331    target task's task policy nor vma policies because we always acquire the
332    task's mm's mmap_sem for read during the query.  The set_mempolicy() and
333    mbind() APIs [see below] always acquire the mmap_sem for write when
334    installing or replacing task or vma policies.  Thus, there is no possibility
335    of a task or thread freeing a policy while another task or thread is
336    querying it.
338 3) Page allocation usage of task or vma policy occurs in the fault path where
339    we hold them mmap_sem for read.  Again, because replacing the task or vma
340    policy requires that the mmap_sem be held for write, the policy can't be
341    freed out from under us while we're using it for page allocation.
343 4) Shared policies require special consideration.  One task can replace a
344    shared memory policy while another task, with a distinct mmap_sem, is
345    querying or allocating a page based on the policy.  To resolve this
346    potential race, the shared policy infrastructure adds an extra reference
347    to the shared policy during lookup while holding a spin lock on the shared
348    policy management structure.  This requires that we drop this extra
349    reference when we're finished "using" the policy.  We must drop the
350    extra reference on shared policies in the same query/allocation paths
351    used for non-shared policies.  For this reason, shared policies are marked
352    as such, and the extra reference is dropped "conditionally"--i.e., only
353    for shared policies.
355    Because of this extra reference counting, and because we must lookup
356    shared policies in a tree structure under spinlock, shared policies are
357    more expensive to use in the page allocation path.  This is especially
358    true for shared policies on shared memory regions shared by tasks running
359    on different NUMA nodes.  This extra overhead can be avoided by always
360    falling back to task or system default policy for shared memory regions,
361    or by prefaulting the entire shared memory region into memory and locking
362    it down.  However, this might not be appropriate for all applications.
364 MEMORY POLICY APIs
366 Linux supports 3 system calls for controlling memory policy.  These APIS
367 always affect only the calling task, the calling task's address space, or
368 some shared object mapped into the calling task's address space.
370         Note:  the headers that define these APIs and the parameter data types
371         for user space applications reside in a package that is not part of
372         the Linux kernel.  The kernel system call interfaces, with the 'sys_'
373         prefix, are defined in <linux/syscalls.h>; the mode and flag
374         definitions are defined in <linux/mempolicy.h>.
376 Set [Task] Memory Policy:
378         long set_mempolicy(int mode, const unsigned long *nmask,
379                                         unsigned long maxnode);
381         Set's the calling task's "task/process memory policy" to mode
382         specified by the 'mode' argument and the set of nodes defined
383         by 'nmask'.  'nmask' points to a bit mask of node ids containing
384         at least 'maxnode' ids.  Optional mode flags may be passed by
385         combining the 'mode' argument with the flag (for example:
386         MPOL_INTERLEAVE | MPOL_F_STATIC_NODES).
388         See the set_mempolicy(2) man page for more details
391 Get [Task] Memory Policy or Related Information
393         long get_mempolicy(int *mode,
394                            const unsigned long *nmask, unsigned long maxnode,
395                            void *addr, int flags);
397         Queries the "task/process memory policy" of the calling task, or
398         the policy or location of a specified virtual address, depending
399         on the 'flags' argument.
401         See the get_mempolicy(2) man page for more details
404 Install VMA/Shared Policy for a Range of Task's Address Space
406         long mbind(void *start, unsigned long len, int mode,
407                    const unsigned long *nmask, unsigned long maxnode,
408                    unsigned flags);
410         mbind() installs the policy specified by (mode, nmask, maxnodes) as
411         a VMA policy for the range of the calling task's address space
412         specified by the 'start' and 'len' arguments.  Additional actions
413         may be requested via the 'flags' argument.
415         See the mbind(2) man page for more details.
417 MEMORY POLICY COMMAND LINE INTERFACE
419 Although not strictly part of the Linux implementation of memory policy,
420 a command line tool, numactl(8), exists that allows one to:
422 + set the task policy for a specified program via set_mempolicy(2), fork(2) and
423   exec(2)
425 + set the shared policy for a shared memory segment via mbind(2)
427 The numactl(8) tool is packages with the run-time version of the library
428 containing the memory policy system call wrappers.  Some distributions
429 package the headers and compile-time libraries in a separate development
430 package.
433 MEMORY POLICIES AND CPUSETS
435 Memory policies work within cpusets as described above.  For memory policies
436 that require a node or set of nodes, the nodes are restricted to the set of
437 nodes whose memories are allowed by the cpuset constraints.  If the nodemask
438 specified for the policy contains nodes that are not allowed by the cpuset and
439 MPOL_F_RELATIVE_NODES is not used, the intersection of the set of nodes
440 specified for the policy and the set of nodes with memory is used.  If the
441 result is the empty set, the policy is considered invalid and cannot be
442 installed.  If MPOL_F_RELATIVE_NODES is used, the policy's nodes are mapped
443 onto and folded into the task's set of allowed nodes as previously described.
445 The interaction of memory policies and cpusets can be problematic when tasks
446 in two cpusets share access to a memory region, such as shared memory segments
447 created by shmget() of mmap() with the MAP_ANONYMOUS and MAP_SHARED flags, and
448 any of the tasks install shared policy on the region, only nodes whose
449 memories are allowed in both cpusets may be used in the policies.  Obtaining
450 this information requires "stepping outside" the memory policy APIs to use the
451 cpuset information and requires that one know in what cpusets other task might
452 be attaching to the shared region.  Furthermore, if the cpusets' allowed
453 memory sets are disjoint, "local" allocation is the only valid policy.