x86/mm/pat: Don't report PAT on CPUs that don't support it
[linux/fpc-iii.git] / Documentation / cgroup-v2.txt
blob49d7c997fa1ee7f759b5ba319bb57be464f0bd47
2 Control Group v2
4 October, 2015           Tejun Heo <tj@kernel.org>
6 This is the authoritative documentation on the design, interface and
7 conventions of cgroup v2.  It describes all userland-visible aspects
8 of cgroup including core and specific controller behaviors.  All
9 future changes must be reflected in this document.  Documentation for
10 v1 is available under Documentation/cgroup-v1/.
12 CONTENTS
14 1. Introduction
15   1-1. Terminology
16   1-2. What is cgroup?
17 2. Basic Operations
18   2-1. Mounting
19   2-2. Organizing Processes
20   2-3. [Un]populated Notification
21   2-4. Controlling Controllers
22     2-4-1. Enabling and Disabling
23     2-4-2. Top-down Constraint
24     2-4-3. No Internal Process Constraint
25   2-5. Delegation
26     2-5-1. Model of Delegation
27     2-5-2. Delegation Containment
28   2-6. Guidelines
29     2-6-1. Organize Once and Control
30     2-6-2. Avoid Name Collisions
31 3. Resource Distribution Models
32   3-1. Weights
33   3-2. Limits
34   3-3. Protections
35   3-4. Allocations
36 4. Interface Files
37   4-1. Format
38   4-2. Conventions
39   4-3. Core Interface Files
40 5. Controllers
41   5-1. CPU
42     5-1-1. CPU Interface Files
43   5-2. Memory
44     5-2-1. Memory Interface Files
45     5-2-2. Usage Guidelines
46     5-2-3. Memory Ownership
47   5-3. IO
48     5-3-1. IO Interface Files
49     5-3-2. Writeback
50   5-4. PID
51     5-4-1. PID Interface Files
52   5-5. RDMA
53     5-5-1. RDMA Interface Files
54   5-6. Misc
55     5-6-1. perf_event
56 6. Namespace
57   6-1. Basics
58   6-2. The Root and Views
59   6-3. Migration and setns(2)
60   6-4. Interaction with Other Namespaces
61 P. Information on Kernel Programming
62   P-1. Filesystem Support for Writeback
63 D. Deprecated v1 Core Features
64 R. Issues with v1 and Rationales for v2
65   R-1. Multiple Hierarchies
66   R-2. Thread Granularity
67   R-3. Competition Between Inner Nodes and Threads
68   R-4. Other Interface Issues
69   R-5. Controller Issues and Remedies
70     R-5-1. Memory
73 1. Introduction
75 1-1. Terminology
77 "cgroup" stands for "control group" and is never capitalized.  The
78 singular form is used to designate the whole feature and also as a
79 qualifier as in "cgroup controllers".  When explicitly referring to
80 multiple individual control groups, the plural form "cgroups" is used.
83 1-2. What is cgroup?
85 cgroup is a mechanism to organize processes hierarchically and
86 distribute system resources along the hierarchy in a controlled and
87 configurable manner.
89 cgroup is largely composed of two parts - the core and controllers.
90 cgroup core is primarily responsible for hierarchically organizing
91 processes.  A cgroup controller is usually responsible for
92 distributing a specific type of system resource along the hierarchy
93 although there are utility controllers which serve purposes other than
94 resource distribution.
96 cgroups form a tree structure and every process in the system belongs
97 to one and only one cgroup.  All threads of a process belong to the
98 same cgroup.  On creation, all processes are put in the cgroup that
99 the parent process belongs to at the time.  A process can be migrated
100 to another cgroup.  Migration of a process doesn't affect already
101 existing descendant processes.
103 Following certain structural constraints, controllers may be enabled or
104 disabled selectively on a cgroup.  All controller behaviors are
105 hierarchical - if a controller is enabled on a cgroup, it affects all
106 processes which belong to the cgroups consisting the inclusive
107 sub-hierarchy of the cgroup.  When a controller is enabled on a nested
108 cgroup, it always restricts the resource distribution further.  The
109 restrictions set closer to the root in the hierarchy can not be
110 overridden from further away.
113 2. Basic Operations
115 2-1. Mounting
117 Unlike v1, cgroup v2 has only single hierarchy.  The cgroup v2
118 hierarchy can be mounted with the following mount command.
120   # mount -t cgroup2 none $MOUNT_POINT
122 cgroup2 filesystem has the magic number 0x63677270 ("cgrp").  All
123 controllers which support v2 and are not bound to a v1 hierarchy are
124 automatically bound to the v2 hierarchy and show up at the root.
125 Controllers which are not in active use in the v2 hierarchy can be
126 bound to other hierarchies.  This allows mixing v2 hierarchy with the
127 legacy v1 multiple hierarchies in a fully backward compatible way.
129 A controller can be moved across hierarchies only after the controller
130 is no longer referenced in its current hierarchy.  Because per-cgroup
131 controller states are destroyed asynchronously and controllers may
132 have lingering references, a controller may not show up immediately on
133 the v2 hierarchy after the final umount of the previous hierarchy.
134 Similarly, a controller should be fully disabled to be moved out of
135 the unified hierarchy and it may take some time for the disabled
136 controller to become available for other hierarchies; furthermore, due
137 to inter-controller dependencies, other controllers may need to be
138 disabled too.
140 While useful for development and manual configurations, moving
141 controllers dynamically between the v2 and other hierarchies is
142 strongly discouraged for production use.  It is recommended to decide
143 the hierarchies and controller associations before starting using the
144 controllers after system boot.
146 During transition to v2, system management software might still
147 automount the v1 cgroup filesystem and so hijack all controllers
148 during boot, before manual intervention is possible. To make testing
149 and experimenting easier, the kernel parameter cgroup_no_v1= allows
150 disabling controllers in v1 and make them always available in v2.
153 2-2. Organizing Processes
155 Initially, only the root cgroup exists to which all processes belong.
156 A child cgroup can be created by creating a sub-directory.
158   # mkdir $CGROUP_NAME
160 A given cgroup may have multiple child cgroups forming a tree
161 structure.  Each cgroup has a read-writable interface file
162 "cgroup.procs".  When read, it lists the PIDs of all processes which
163 belong to the cgroup one-per-line.  The PIDs are not ordered and the
164 same PID may show up more than once if the process got moved to
165 another cgroup and then back or the PID got recycled while reading.
167 A process can be migrated into a cgroup by writing its PID to the
168 target cgroup's "cgroup.procs" file.  Only one process can be migrated
169 on a single write(2) call.  If a process is composed of multiple
170 threads, writing the PID of any thread migrates all threads of the
171 process.
173 When a process forks a child process, the new process is born into the
174 cgroup that the forking process belongs to at the time of the
175 operation.  After exit, a process stays associated with the cgroup
176 that it belonged to at the time of exit until it's reaped; however, a
177 zombie process does not appear in "cgroup.procs" and thus can't be
178 moved to another cgroup.
180 A cgroup which doesn't have any children or live processes can be
181 destroyed by removing the directory.  Note that a cgroup which doesn't
182 have any children and is associated only with zombie processes is
183 considered empty and can be removed.
185   # rmdir $CGROUP_NAME
187 "/proc/$PID/cgroup" lists a process's cgroup membership.  If legacy
188 cgroup is in use in the system, this file may contain multiple lines,
189 one for each hierarchy.  The entry for cgroup v2 is always in the
190 format "0::$PATH".
192   # cat /proc/842/cgroup
193   ...
194   0::/test-cgroup/test-cgroup-nested
196 If the process becomes a zombie and the cgroup it was associated with
197 is removed subsequently, " (deleted)" is appended to the path.
199   # cat /proc/842/cgroup
200   ...
201   0::/test-cgroup/test-cgroup-nested (deleted)
204 2-3. [Un]populated Notification
206 Each non-root cgroup has a "cgroup.events" file which contains
207 "populated" field indicating whether the cgroup's sub-hierarchy has
208 live processes in it.  Its value is 0 if there is no live process in
209 the cgroup and its descendants; otherwise, 1.  poll and [id]notify
210 events are triggered when the value changes.  This can be used, for
211 example, to start a clean-up operation after all processes of a given
212 sub-hierarchy have exited.  The populated state updates and
213 notifications are recursive.  Consider the following sub-hierarchy
214 where the numbers in the parentheses represent the numbers of processes
215 in each cgroup.
217   A(4) - B(0) - C(1)
218               \ D(0)
220 A, B and C's "populated" fields would be 1 while D's 0.  After the one
221 process in C exits, B and C's "populated" fields would flip to "0" and
222 file modified events will be generated on the "cgroup.events" files of
223 both cgroups.
226 2-4. Controlling Controllers
228 2-4-1. Enabling and Disabling
230 Each cgroup has a "cgroup.controllers" file which lists all
231 controllers available for the cgroup to enable.
233   # cat cgroup.controllers
234   cpu io memory
236 No controller is enabled by default.  Controllers can be enabled and
237 disabled by writing to the "cgroup.subtree_control" file.
239   # echo "+cpu +memory -io" > cgroup.subtree_control
241 Only controllers which are listed in "cgroup.controllers" can be
242 enabled.  When multiple operations are specified as above, either they
243 all succeed or fail.  If multiple operations on the same controller
244 are specified, the last one is effective.
246 Enabling a controller in a cgroup indicates that the distribution of
247 the target resource across its immediate children will be controlled.
248 Consider the following sub-hierarchy.  The enabled controllers are
249 listed in parentheses.
251   A(cpu,memory) - B(memory) - C()
252                             \ D()
254 As A has "cpu" and "memory" enabled, A will control the distribution
255 of CPU cycles and memory to its children, in this case, B.  As B has
256 "memory" enabled but not "CPU", C and D will compete freely on CPU
257 cycles but their division of memory available to B will be controlled.
259 As a controller regulates the distribution of the target resource to
260 the cgroup's children, enabling it creates the controller's interface
261 files in the child cgroups.  In the above example, enabling "cpu" on B
262 would create the "cpu." prefixed controller interface files in C and
263 D.  Likewise, disabling "memory" from B would remove the "memory."
264 prefixed controller interface files from C and D.  This means that the
265 controller interface files - anything which doesn't start with
266 "cgroup." are owned by the parent rather than the cgroup itself.
269 2-4-2. Top-down Constraint
271 Resources are distributed top-down and a cgroup can further distribute
272 a resource only if the resource has been distributed to it from the
273 parent.  This means that all non-root "cgroup.subtree_control" files
274 can only contain controllers which are enabled in the parent's
275 "cgroup.subtree_control" file.  A controller can be enabled only if
276 the parent has the controller enabled and a controller can't be
277 disabled if one or more children have it enabled.
280 2-4-3. No Internal Process Constraint
282 Non-root cgroups can only distribute resources to their children when
283 they don't have any processes of their own.  In other words, only
284 cgroups which don't contain any processes can have controllers enabled
285 in their "cgroup.subtree_control" files.
287 This guarantees that, when a controller is looking at the part of the
288 hierarchy which has it enabled, processes are always only on the
289 leaves.  This rules out situations where child cgroups compete against
290 internal processes of the parent.
292 The root cgroup is exempt from this restriction.  Root contains
293 processes and anonymous resource consumption which can't be associated
294 with any other cgroups and requires special treatment from most
295 controllers.  How resource consumption in the root cgroup is governed
296 is up to each controller.
298 Note that the restriction doesn't get in the way if there is no
299 enabled controller in the cgroup's "cgroup.subtree_control".  This is
300 important as otherwise it wouldn't be possible to create children of a
301 populated cgroup.  To control resource distribution of a cgroup, the
302 cgroup must create children and transfer all its processes to the
303 children before enabling controllers in its "cgroup.subtree_control"
304 file.
307 2-5. Delegation
309 2-5-1. Model of Delegation
311 A cgroup can be delegated to a less privileged user by granting write
312 access of the directory and its "cgroup.procs" file to the user.  Note
313 that resource control interface files in a given directory control the
314 distribution of the parent's resources and thus must not be delegated
315 along with the directory.
317 Once delegated, the user can build sub-hierarchy under the directory,
318 organize processes as it sees fit and further distribute the resources
319 it received from the parent.  The limits and other settings of all
320 resource controllers are hierarchical and regardless of what happens
321 in the delegated sub-hierarchy, nothing can escape the resource
322 restrictions imposed by the parent.
324 Currently, cgroup doesn't impose any restrictions on the number of
325 cgroups in or nesting depth of a delegated sub-hierarchy; however,
326 this may be limited explicitly in the future.
329 2-5-2. Delegation Containment
331 A delegated sub-hierarchy is contained in the sense that processes
332 can't be moved into or out of the sub-hierarchy by the delegatee.  For
333 a process with a non-root euid to migrate a target process into a
334 cgroup by writing its PID to the "cgroup.procs" file, the following
335 conditions must be met.
337 - The writer must have write access to the "cgroup.procs" file.
339 - The writer must have write access to the "cgroup.procs" file of the
340   common ancestor of the source and destination cgroups.
342 The above two constraints ensure that while a delegatee may migrate
343 processes around freely in the delegated sub-hierarchy it can't pull
344 in from or push out to outside the sub-hierarchy.
346 For an example, let's assume cgroups C0 and C1 have been delegated to
347 user U0 who created C00, C01 under C0 and C10 under C1 as follows and
348 all processes under C0 and C1 belong to U0.
350   ~~~~~~~~~~~~~ - C0 - C00
351   ~ cgroup    ~      \ C01
352   ~ hierarchy ~
353   ~~~~~~~~~~~~~ - C1 - C10
355 Let's also say U0 wants to write the PID of a process which is
356 currently in C10 into "C00/cgroup.procs".  U0 has write access to the
357 file; however, the common ancestor of the source cgroup C10 and the
358 destination cgroup C00 is above the points of delegation and U0 would
359 not have write access to its "cgroup.procs" files and thus the write
360 will be denied with -EACCES.
363 2-6. Guidelines
365 2-6-1. Organize Once and Control
367 Migrating a process across cgroups is a relatively expensive operation
368 and stateful resources such as memory are not moved together with the
369 process.  This is an explicit design decision as there often exist
370 inherent trade-offs between migration and various hot paths in terms
371 of synchronization cost.
373 As such, migrating processes across cgroups frequently as a means to
374 apply different resource restrictions is discouraged.  A workload
375 should be assigned to a cgroup according to the system's logical and
376 resource structure once on start-up.  Dynamic adjustments to resource
377 distribution can be made by changing controller configuration through
378 the interface files.
381 2-6-2. Avoid Name Collisions
383 Interface files for a cgroup and its children cgroups occupy the same
384 directory and it is possible to create children cgroups which collide
385 with interface files.
387 All cgroup core interface files are prefixed with "cgroup." and each
388 controller's interface files are prefixed with the controller name and
389 a dot.  A controller's name is composed of lower case alphabets and
390 '_'s but never begins with an '_' so it can be used as the prefix
391 character for collision avoidance.  Also, interface file names won't
392 start or end with terms which are often used in categorizing workloads
393 such as job, service, slice, unit or workload.
395 cgroup doesn't do anything to prevent name collisions and it's the
396 user's responsibility to avoid them.
399 3. Resource Distribution Models
401 cgroup controllers implement several resource distribution schemes
402 depending on the resource type and expected use cases.  This section
403 describes major schemes in use along with their expected behaviors.
406 3-1. Weights
408 A parent's resource is distributed by adding up the weights of all
409 active children and giving each the fraction matching the ratio of its
410 weight against the sum.  As only children which can make use of the
411 resource at the moment participate in the distribution, this is
412 work-conserving.  Due to the dynamic nature, this model is usually
413 used for stateless resources.
415 All weights are in the range [1, 10000] with the default at 100.  This
416 allows symmetric multiplicative biases in both directions at fine
417 enough granularity while staying in the intuitive range.
419 As long as the weight is in range, all configuration combinations are
420 valid and there is no reason to reject configuration changes or
421 process migrations.
423 "cpu.weight" proportionally distributes CPU cycles to active children
424 and is an example of this type.
427 3-2. Limits
429 A child can only consume upto the configured amount of the resource.
430 Limits can be over-committed - the sum of the limits of children can
431 exceed the amount of resource available to the parent.
433 Limits are in the range [0, max] and defaults to "max", which is noop.
435 As limits can be over-committed, all configuration combinations are
436 valid and there is no reason to reject configuration changes or
437 process migrations.
439 "io.max" limits the maximum BPS and/or IOPS that a cgroup can consume
440 on an IO device and is an example of this type.
443 3-3. Protections
445 A cgroup is protected to be allocated upto the configured amount of
446 the resource if the usages of all its ancestors are under their
447 protected levels.  Protections can be hard guarantees or best effort
448 soft boundaries.  Protections can also be over-committed in which case
449 only upto the amount available to the parent is protected among
450 children.
452 Protections are in the range [0, max] and defaults to 0, which is
453 noop.
455 As protections can be over-committed, all configuration combinations
456 are valid and there is no reason to reject configuration changes or
457 process migrations.
459 "memory.low" implements best-effort memory protection and is an
460 example of this type.
463 3-4. Allocations
465 A cgroup is exclusively allocated a certain amount of a finite
466 resource.  Allocations can't be over-committed - the sum of the
467 allocations of children can not exceed the amount of resource
468 available to the parent.
470 Allocations are in the range [0, max] and defaults to 0, which is no
471 resource.
473 As allocations can't be over-committed, some configuration
474 combinations are invalid and should be rejected.  Also, if the
475 resource is mandatory for execution of processes, process migrations
476 may be rejected.
478 "cpu.rt.max" hard-allocates realtime slices and is an example of this
479 type.
482 4. Interface Files
484 4-1. Format
486 All interface files should be in one of the following formats whenever
487 possible.
489   New-line separated values
490   (when only one value can be written at once)
492         VAL0\n
493         VAL1\n
494         ...
496   Space separated values
497   (when read-only or multiple values can be written at once)
499         VAL0 VAL1 ...\n
501   Flat keyed
503         KEY0 VAL0\n
504         KEY1 VAL1\n
505         ...
507   Nested keyed
509         KEY0 SUB_KEY0=VAL00 SUB_KEY1=VAL01...
510         KEY1 SUB_KEY0=VAL10 SUB_KEY1=VAL11...
511         ...
513 For a writable file, the format for writing should generally match
514 reading; however, controllers may allow omitting later fields or
515 implement restricted shortcuts for most common use cases.
517 For both flat and nested keyed files, only the values for a single key
518 can be written at a time.  For nested keyed files, the sub key pairs
519 may be specified in any order and not all pairs have to be specified.
522 4-2. Conventions
524 - Settings for a single feature should be contained in a single file.
526 - The root cgroup should be exempt from resource control and thus
527   shouldn't have resource control interface files.  Also,
528   informational files on the root cgroup which end up showing global
529   information available elsewhere shouldn't exist.
531 - If a controller implements weight based resource distribution, its
532   interface file should be named "weight" and have the range [1,
533   10000] with 100 as the default.  The values are chosen to allow
534   enough and symmetric bias in both directions while keeping it
535   intuitive (the default is 100%).
537 - If a controller implements an absolute resource guarantee and/or
538   limit, the interface files should be named "min" and "max"
539   respectively.  If a controller implements best effort resource
540   guarantee and/or limit, the interface files should be named "low"
541   and "high" respectively.
543   In the above four control files, the special token "max" should be
544   used to represent upward infinity for both reading and writing.
546 - If a setting has a configurable default value and keyed specific
547   overrides, the default entry should be keyed with "default" and
548   appear as the first entry in the file.
550   The default value can be updated by writing either "default $VAL" or
551   "$VAL".
553   When writing to update a specific override, "default" can be used as
554   the value to indicate removal of the override.  Override entries
555   with "default" as the value must not appear when read.
557   For example, a setting which is keyed by major:minor device numbers
558   with integer values may look like the following.
560     # cat cgroup-example-interface-file
561     default 150
562     8:0 300
564   The default value can be updated by
566     # echo 125 > cgroup-example-interface-file
568   or
570     # echo "default 125" > cgroup-example-interface-file
572   An override can be set by
574     # echo "8:16 170" > cgroup-example-interface-file
576   and cleared by
578     # echo "8:0 default" > cgroup-example-interface-file
579     # cat cgroup-example-interface-file
580     default 125
581     8:16 170
583 - For events which are not very high frequency, an interface file
584   "events" should be created which lists event key value pairs.
585   Whenever a notifiable event happens, file modified event should be
586   generated on the file.
589 4-3. Core Interface Files
591 All cgroup core files are prefixed with "cgroup."
593   cgroup.procs
595         A read-write new-line separated values file which exists on
596         all cgroups.
598         When read, it lists the PIDs of all processes which belong to
599         the cgroup one-per-line.  The PIDs are not ordered and the
600         same PID may show up more than once if the process got moved
601         to another cgroup and then back or the PID got recycled while
602         reading.
604         A PID can be written to migrate the process associated with
605         the PID to the cgroup.  The writer should match all of the
606         following conditions.
608         - Its euid is either root or must match either uid or suid of
609           the target process.
611         - It must have write access to the "cgroup.procs" file.
613         - It must have write access to the "cgroup.procs" file of the
614           common ancestor of the source and destination cgroups.
616         When delegating a sub-hierarchy, write access to this file
617         should be granted along with the containing directory.
619   cgroup.controllers
621         A read-only space separated values file which exists on all
622         cgroups.
624         It shows space separated list of all controllers available to
625         the cgroup.  The controllers are not ordered.
627   cgroup.subtree_control
629         A read-write space separated values file which exists on all
630         cgroups.  Starts out empty.
632         When read, it shows space separated list of the controllers
633         which are enabled to control resource distribution from the
634         cgroup to its children.
636         Space separated list of controllers prefixed with '+' or '-'
637         can be written to enable or disable controllers.  A controller
638         name prefixed with '+' enables the controller and '-'
639         disables.  If a controller appears more than once on the list,
640         the last one is effective.  When multiple enable and disable
641         operations are specified, either all succeed or all fail.
643   cgroup.events
645         A read-only flat-keyed file which exists on non-root cgroups.
646         The following entries are defined.  Unless specified
647         otherwise, a value change in this file generates a file
648         modified event.
650           populated
652                 1 if the cgroup or its descendants contains any live
653                 processes; otherwise, 0.
656 5. Controllers
658 5-1. CPU
660 [NOTE: The interface for the cpu controller hasn't been merged yet]
662 The "cpu" controllers regulates distribution of CPU cycles.  This
663 controller implements weight and absolute bandwidth limit models for
664 normal scheduling policy and absolute bandwidth allocation model for
665 realtime scheduling policy.
668 5-1-1. CPU Interface Files
670 All time durations are in microseconds.
672   cpu.stat
674         A read-only flat-keyed file which exists on non-root cgroups.
676         It reports the following six stats.
678           usage_usec
679           user_usec
680           system_usec
681           nr_periods
682           nr_throttled
683           throttled_usec
685   cpu.weight
687         A read-write single value file which exists on non-root
688         cgroups.  The default is "100".
690         The weight in the range [1, 10000].
692   cpu.max
694         A read-write two value file which exists on non-root cgroups.
695         The default is "max 100000".
697         The maximum bandwidth limit.  It's in the following format.
699           $MAX $PERIOD
701         which indicates that the group may consume upto $MAX in each
702         $PERIOD duration.  "max" for $MAX indicates no limit.  If only
703         one number is written, $MAX is updated.
705   cpu.rt.max
707   [NOTE: The semantics of this file is still under discussion and the
708    interface hasn't been merged yet]
710         A read-write two value file which exists on all cgroups.
711         The default is "0 100000".
713         The maximum realtime runtime allocation.  Over-committing
714         configurations are disallowed and process migrations are
715         rejected if not enough bandwidth is available.  It's in the
716         following format.
718           $MAX $PERIOD
720         which indicates that the group may consume upto $MAX in each
721         $PERIOD duration.  If only one number is written, $MAX is
722         updated.
725 5-2. Memory
727 The "memory" controller regulates distribution of memory.  Memory is
728 stateful and implements both limit and protection models.  Due to the
729 intertwining between memory usage and reclaim pressure and the
730 stateful nature of memory, the distribution model is relatively
731 complex.
733 While not completely water-tight, all major memory usages by a given
734 cgroup are tracked so that the total memory consumption can be
735 accounted and controlled to a reasonable extent.  Currently, the
736 following types of memory usages are tracked.
738 - Userland memory - page cache and anonymous memory.
740 - Kernel data structures such as dentries and inodes.
742 - TCP socket buffers.
744 The above list may expand in the future for better coverage.
747 5-2-1. Memory Interface Files
749 All memory amounts are in bytes.  If a value which is not aligned to
750 PAGE_SIZE is written, the value may be rounded up to the closest
751 PAGE_SIZE multiple when read back.
753   memory.current
755         A read-only single value file which exists on non-root
756         cgroups.
758         The total amount of memory currently being used by the cgroup
759         and its descendants.
761   memory.low
763         A read-write single value file which exists on non-root
764         cgroups.  The default is "0".
766         Best-effort memory protection.  If the memory usages of a
767         cgroup and all its ancestors are below their low boundaries,
768         the cgroup's memory won't be reclaimed unless memory can be
769         reclaimed from unprotected cgroups.
771         Putting more memory than generally available under this
772         protection is discouraged.
774   memory.high
776         A read-write single value file which exists on non-root
777         cgroups.  The default is "max".
779         Memory usage throttle limit.  This is the main mechanism to
780         control memory usage of a cgroup.  If a cgroup's usage goes
781         over the high boundary, the processes of the cgroup are
782         throttled and put under heavy reclaim pressure.
784         Going over the high limit never invokes the OOM killer and
785         under extreme conditions the limit may be breached.
787   memory.max
789         A read-write single value file which exists on non-root
790         cgroups.  The default is "max".
792         Memory usage hard limit.  This is the final protection
793         mechanism.  If a cgroup's memory usage reaches this limit and
794         can't be reduced, the OOM killer is invoked in the cgroup.
795         Under certain circumstances, the usage may go over the limit
796         temporarily.
798         This is the ultimate protection mechanism.  As long as the
799         high limit is used and monitored properly, this limit's
800         utility is limited to providing the final safety net.
802   memory.events
804         A read-only flat-keyed file which exists on non-root cgroups.
805         The following entries are defined.  Unless specified
806         otherwise, a value change in this file generates a file
807         modified event.
809           low
811                 The number of times the cgroup is reclaimed due to
812                 high memory pressure even though its usage is under
813                 the low boundary.  This usually indicates that the low
814                 boundary is over-committed.
816           high
818                 The number of times processes of the cgroup are
819                 throttled and routed to perform direct memory reclaim
820                 because the high memory boundary was exceeded.  For a
821                 cgroup whose memory usage is capped by the high limit
822                 rather than global memory pressure, this event's
823                 occurrences are expected.
825           max
827                 The number of times the cgroup's memory usage was
828                 about to go over the max boundary.  If direct reclaim
829                 fails to bring it down, the OOM killer is invoked.
831           oom
833                 The number of times the OOM killer has been invoked in
834                 the cgroup.  This may not exactly match the number of
835                 processes killed but should generally be close.
837   memory.stat
839         A read-only flat-keyed file which exists on non-root cgroups.
841         This breaks down the cgroup's memory footprint into different
842         types of memory, type-specific details, and other information
843         on the state and past events of the memory management system.
845         All memory amounts are in bytes.
847         The entries are ordered to be human readable, and new entries
848         can show up in the middle. Don't rely on items remaining in a
849         fixed position; use the keys to look up specific values!
851           anon
853                 Amount of memory used in anonymous mappings such as
854                 brk(), sbrk(), and mmap(MAP_ANONYMOUS)
856           file
858                 Amount of memory used to cache filesystem data,
859                 including tmpfs and shared memory.
861           kernel_stack
863                 Amount of memory allocated to kernel stacks.
865           slab
867                 Amount of memory used for storing in-kernel data
868                 structures.
870           sock
872                 Amount of memory used in network transmission buffers
874           file_mapped
876                 Amount of cached filesystem data mapped with mmap()
878           file_dirty
880                 Amount of cached filesystem data that was modified but
881                 not yet written back to disk
883           file_writeback
885                 Amount of cached filesystem data that was modified and
886                 is currently being written back to disk
888           inactive_anon
889           active_anon
890           inactive_file
891           active_file
892           unevictable
894                 Amount of memory, swap-backed and filesystem-backed,
895                 on the internal memory management lists used by the
896                 page reclaim algorithm
898           slab_reclaimable
900                 Part of "slab" that might be reclaimed, such as
901                 dentries and inodes.
903           slab_unreclaimable
905                 Part of "slab" that cannot be reclaimed on memory
906                 pressure.
908           pgfault
910                 Total number of page faults incurred
912           pgmajfault
914                 Number of major page faults incurred
916   memory.swap.current
918         A read-only single value file which exists on non-root
919         cgroups.
921         The total amount of swap currently being used by the cgroup
922         and its descendants.
924   memory.swap.max
926         A read-write single value file which exists on non-root
927         cgroups.  The default is "max".
929         Swap usage hard limit.  If a cgroup's swap usage reaches this
930         limit, anonymous meomry of the cgroup will not be swapped out.
933 5-2-2. Usage Guidelines
935 "memory.high" is the main mechanism to control memory usage.
936 Over-committing on high limit (sum of high limits > available memory)
937 and letting global memory pressure to distribute memory according to
938 usage is a viable strategy.
940 Because breach of the high limit doesn't trigger the OOM killer but
941 throttles the offending cgroup, a management agent has ample
942 opportunities to monitor and take appropriate actions such as granting
943 more memory or terminating the workload.
945 Determining whether a cgroup has enough memory is not trivial as
946 memory usage doesn't indicate whether the workload can benefit from
947 more memory.  For example, a workload which writes data received from
948 network to a file can use all available memory but can also operate as
949 performant with a small amount of memory.  A measure of memory
950 pressure - how much the workload is being impacted due to lack of
951 memory - is necessary to determine whether a workload needs more
952 memory; unfortunately, memory pressure monitoring mechanism isn't
953 implemented yet.
956 5-2-3. Memory Ownership
958 A memory area is charged to the cgroup which instantiated it and stays
959 charged to the cgroup until the area is released.  Migrating a process
960 to a different cgroup doesn't move the memory usages that it
961 instantiated while in the previous cgroup to the new cgroup.
963 A memory area may be used by processes belonging to different cgroups.
964 To which cgroup the area will be charged is in-deterministic; however,
965 over time, the memory area is likely to end up in a cgroup which has
966 enough memory allowance to avoid high reclaim pressure.
968 If a cgroup sweeps a considerable amount of memory which is expected
969 to be accessed repeatedly by other cgroups, it may make sense to use
970 POSIX_FADV_DONTNEED to relinquish the ownership of memory areas
971 belonging to the affected files to ensure correct memory ownership.
974 5-3. IO
976 The "io" controller regulates the distribution of IO resources.  This
977 controller implements both weight based and absolute bandwidth or IOPS
978 limit distribution; however, weight based distribution is available
979 only if cfq-iosched is in use and neither scheme is available for
980 blk-mq devices.
983 5-3-1. IO Interface Files
985   io.stat
987         A read-only nested-keyed file which exists on non-root
988         cgroups.
990         Lines are keyed by $MAJ:$MIN device numbers and not ordered.
991         The following nested keys are defined.
993           rbytes        Bytes read
994           wbytes        Bytes written
995           rios          Number of read IOs
996           wios          Number of write IOs
998         An example read output follows.
1000           8:16 rbytes=1459200 wbytes=314773504 rios=192 wios=353
1001           8:0 rbytes=90430464 wbytes=299008000 rios=8950 wios=1252
1003   io.weight
1005         A read-write flat-keyed file which exists on non-root cgroups.
1006         The default is "default 100".
1008         The first line is the default weight applied to devices
1009         without specific override.  The rest are overrides keyed by
1010         $MAJ:$MIN device numbers and not ordered.  The weights are in
1011         the range [1, 10000] and specifies the relative amount IO time
1012         the cgroup can use in relation to its siblings.
1014         The default weight can be updated by writing either "default
1015         $WEIGHT" or simply "$WEIGHT".  Overrides can be set by writing
1016         "$MAJ:$MIN $WEIGHT" and unset by writing "$MAJ:$MIN default".
1018         An example read output follows.
1020           default 100
1021           8:16 200
1022           8:0 50
1024   io.max
1026         A read-write nested-keyed file which exists on non-root
1027         cgroups.
1029         BPS and IOPS based IO limit.  Lines are keyed by $MAJ:$MIN
1030         device numbers and not ordered.  The following nested keys are
1031         defined.
1033           rbps          Max read bytes per second
1034           wbps          Max write bytes per second
1035           riops         Max read IO operations per second
1036           wiops         Max write IO operations per second
1038         When writing, any number of nested key-value pairs can be
1039         specified in any order.  "max" can be specified as the value
1040         to remove a specific limit.  If the same key is specified
1041         multiple times, the outcome is undefined.
1043         BPS and IOPS are measured in each IO direction and IOs are
1044         delayed if limit is reached.  Temporary bursts are allowed.
1046         Setting read limit at 2M BPS and write at 120 IOPS for 8:16.
1048           echo "8:16 rbps=2097152 wiops=120" > io.max
1050         Reading returns the following.
1052           8:16 rbps=2097152 wbps=max riops=max wiops=120
1054         Write IOPS limit can be removed by writing the following.
1056           echo "8:16 wiops=max" > io.max
1058         Reading now returns the following.
1060           8:16 rbps=2097152 wbps=max riops=max wiops=max
1063 5-3-2. Writeback
1065 Page cache is dirtied through buffered writes and shared mmaps and
1066 written asynchronously to the backing filesystem by the writeback
1067 mechanism.  Writeback sits between the memory and IO domains and
1068 regulates the proportion of dirty memory by balancing dirtying and
1069 write IOs.
1071 The io controller, in conjunction with the memory controller,
1072 implements control of page cache writeback IOs.  The memory controller
1073 defines the memory domain that dirty memory ratio is calculated and
1074 maintained for and the io controller defines the io domain which
1075 writes out dirty pages for the memory domain.  Both system-wide and
1076 per-cgroup dirty memory states are examined and the more restrictive
1077 of the two is enforced.
1079 cgroup writeback requires explicit support from the underlying
1080 filesystem.  Currently, cgroup writeback is implemented on ext2, ext4
1081 and btrfs.  On other filesystems, all writeback IOs are attributed to
1082 the root cgroup.
1084 There are inherent differences in memory and writeback management
1085 which affects how cgroup ownership is tracked.  Memory is tracked per
1086 page while writeback per inode.  For the purpose of writeback, an
1087 inode is assigned to a cgroup and all IO requests to write dirty pages
1088 from the inode are attributed to that cgroup.
1090 As cgroup ownership for memory is tracked per page, there can be pages
1091 which are associated with different cgroups than the one the inode is
1092 associated with.  These are called foreign pages.  The writeback
1093 constantly keeps track of foreign pages and, if a particular foreign
1094 cgroup becomes the majority over a certain period of time, switches
1095 the ownership of the inode to that cgroup.
1097 While this model is enough for most use cases where a given inode is
1098 mostly dirtied by a single cgroup even when the main writing cgroup
1099 changes over time, use cases where multiple cgroups write to a single
1100 inode simultaneously are not supported well.  In such circumstances, a
1101 significant portion of IOs are likely to be attributed incorrectly.
1102 As memory controller assigns page ownership on the first use and
1103 doesn't update it until the page is released, even if writeback
1104 strictly follows page ownership, multiple cgroups dirtying overlapping
1105 areas wouldn't work as expected.  It's recommended to avoid such usage
1106 patterns.
1108 The sysctl knobs which affect writeback behavior are applied to cgroup
1109 writeback as follows.
1111   vm.dirty_background_ratio
1112   vm.dirty_ratio
1114         These ratios apply the same to cgroup writeback with the
1115         amount of available memory capped by limits imposed by the
1116         memory controller and system-wide clean memory.
1118   vm.dirty_background_bytes
1119   vm.dirty_bytes
1121         For cgroup writeback, this is calculated into ratio against
1122         total available memory and applied the same way as
1123         vm.dirty[_background]_ratio.
1126 5-4. PID
1128 The process number controller is used to allow a cgroup to stop any
1129 new tasks from being fork()'d or clone()'d after a specified limit is
1130 reached.
1132 The number of tasks in a cgroup can be exhausted in ways which other
1133 controllers cannot prevent, thus warranting its own controller.  For
1134 example, a fork bomb is likely to exhaust the number of tasks before
1135 hitting memory restrictions.
1137 Note that PIDs used in this controller refer to TIDs, process IDs as
1138 used by the kernel.
1141 5-4-1. PID Interface Files
1143   pids.max
1145         A read-write single value file which exists on non-root
1146         cgroups.  The default is "max".
1148         Hard limit of number of processes.
1150   pids.current
1152         A read-only single value file which exists on all cgroups.
1154         The number of processes currently in the cgroup and its
1155         descendants.
1157 Organisational operations are not blocked by cgroup policies, so it is
1158 possible to have pids.current > pids.max.  This can be done by either
1159 setting the limit to be smaller than pids.current, or attaching enough
1160 processes to the cgroup such that pids.current is larger than
1161 pids.max.  However, it is not possible to violate a cgroup PID policy
1162 through fork() or clone(). These will return -EAGAIN if the creation
1163 of a new process would cause a cgroup policy to be violated.
1166 5-5. RDMA
1168 The "rdma" controller regulates the distribution and accounting of
1169 of RDMA resources.
1171 5-5-1. RDMA Interface Files
1173   rdma.max
1174         A readwrite nested-keyed file that exists for all the cgroups
1175         except root that describes current configured resource limit
1176         for a RDMA/IB device.
1178         Lines are keyed by device name and are not ordered.
1179         Each line contains space separated resource name and its configured
1180         limit that can be distributed.
1182         The following nested keys are defined.
1184           hca_handle    Maximum number of HCA Handles
1185           hca_object    Maximum number of HCA Objects
1187         An example for mlx4 and ocrdma device follows.
1189           mlx4_0 hca_handle=2 hca_object=2000
1190           ocrdma1 hca_handle=3 hca_object=max
1192   rdma.current
1193         A read-only file that describes current resource usage.
1194         It exists for all the cgroup except root.
1196         An example for mlx4 and ocrdma device follows.
1198           mlx4_0 hca_handle=1 hca_object=20
1199           ocrdma1 hca_handle=1 hca_object=23
1202 5-6. Misc
1204 5-6-1. perf_event
1206 perf_event controller, if not mounted on a legacy hierarchy, is
1207 automatically enabled on the v2 hierarchy so that perf events can
1208 always be filtered by cgroup v2 path.  The controller can still be
1209 moved to a legacy hierarchy after v2 hierarchy is populated.
1212 6. Namespace
1214 6-1. Basics
1216 cgroup namespace provides a mechanism to virtualize the view of the
1217 "/proc/$PID/cgroup" file and cgroup mounts.  The CLONE_NEWCGROUP clone
1218 flag can be used with clone(2) and unshare(2) to create a new cgroup
1219 namespace.  The process running inside the cgroup namespace will have
1220 its "/proc/$PID/cgroup" output restricted to cgroupns root.  The
1221 cgroupns root is the cgroup of the process at the time of creation of
1222 the cgroup namespace.
1224 Without cgroup namespace, the "/proc/$PID/cgroup" file shows the
1225 complete path of the cgroup of a process.  In a container setup where
1226 a set of cgroups and namespaces are intended to isolate processes the
1227 "/proc/$PID/cgroup" file may leak potential system level information
1228 to the isolated processes.  For Example:
1230   # cat /proc/self/cgroup
1231   0::/batchjobs/container_id1
1233 The path '/batchjobs/container_id1' can be considered as system-data
1234 and undesirable to expose to the isolated processes.  cgroup namespace
1235 can be used to restrict visibility of this path.  For example, before
1236 creating a cgroup namespace, one would see:
1238   # ls -l /proc/self/ns/cgroup
1239   lrwxrwxrwx 1 root root 0 2014-07-15 10:37 /proc/self/ns/cgroup -> cgroup:[4026531835]
1240   # cat /proc/self/cgroup
1241   0::/batchjobs/container_id1
1243 After unsharing a new namespace, the view changes.
1245   # ls -l /proc/self/ns/cgroup
1246   lrwxrwxrwx 1 root root 0 2014-07-15 10:35 /proc/self/ns/cgroup -> cgroup:[4026532183]
1247   # cat /proc/self/cgroup
1248   0::/
1250 When some thread from a multi-threaded process unshares its cgroup
1251 namespace, the new cgroupns gets applied to the entire process (all
1252 the threads).  This is natural for the v2 hierarchy; however, for the
1253 legacy hierarchies, this may be unexpected.
1255 A cgroup namespace is alive as long as there are processes inside or
1256 mounts pinning it.  When the last usage goes away, the cgroup
1257 namespace is destroyed.  The cgroupns root and the actual cgroups
1258 remain.
1261 6-2. The Root and Views
1263 The 'cgroupns root' for a cgroup namespace is the cgroup in which the
1264 process calling unshare(2) is running.  For example, if a process in
1265 /batchjobs/container_id1 cgroup calls unshare, cgroup
1266 /batchjobs/container_id1 becomes the cgroupns root.  For the
1267 init_cgroup_ns, this is the real root ('/') cgroup.
1269 The cgroupns root cgroup does not change even if the namespace creator
1270 process later moves to a different cgroup.
1272   # ~/unshare -c # unshare cgroupns in some cgroup
1273   # cat /proc/self/cgroup
1274   0::/
1275   # mkdir sub_cgrp_1
1276   # echo 0 > sub_cgrp_1/cgroup.procs
1277   # cat /proc/self/cgroup
1278   0::/sub_cgrp_1
1280 Each process gets its namespace-specific view of "/proc/$PID/cgroup"
1282 Processes running inside the cgroup namespace will be able to see
1283 cgroup paths (in /proc/self/cgroup) only inside their root cgroup.
1284 From within an unshared cgroupns:
1286   # sleep 100000 &
1287   [1] 7353
1288   # echo 7353 > sub_cgrp_1/cgroup.procs
1289   # cat /proc/7353/cgroup
1290   0::/sub_cgrp_1
1292 From the initial cgroup namespace, the real cgroup path will be
1293 visible:
1295   $ cat /proc/7353/cgroup
1296   0::/batchjobs/container_id1/sub_cgrp_1
1298 From a sibling cgroup namespace (that is, a namespace rooted at a
1299 different cgroup), the cgroup path relative to its own cgroup
1300 namespace root will be shown.  For instance, if PID 7353's cgroup
1301 namespace root is at '/batchjobs/container_id2', then it will see
1303   # cat /proc/7353/cgroup
1304   0::/../container_id2/sub_cgrp_1
1306 Note that the relative path always starts with '/' to indicate that
1307 its relative to the cgroup namespace root of the caller.
1310 6-3. Migration and setns(2)
1312 Processes inside a cgroup namespace can move into and out of the
1313 namespace root if they have proper access to external cgroups.  For
1314 example, from inside a namespace with cgroupns root at
1315 /batchjobs/container_id1, and assuming that the global hierarchy is
1316 still accessible inside cgroupns:
1318   # cat /proc/7353/cgroup
1319   0::/sub_cgrp_1
1320   # echo 7353 > batchjobs/container_id2/cgroup.procs
1321   # cat /proc/7353/cgroup
1322   0::/../container_id2
1324 Note that this kind of setup is not encouraged.  A task inside cgroup
1325 namespace should only be exposed to its own cgroupns hierarchy.
1327 setns(2) to another cgroup namespace is allowed when:
1329 (a) the process has CAP_SYS_ADMIN against its current user namespace
1330 (b) the process has CAP_SYS_ADMIN against the target cgroup
1331     namespace's userns
1333 No implicit cgroup changes happen with attaching to another cgroup
1334 namespace.  It is expected that the someone moves the attaching
1335 process under the target cgroup namespace root.
1338 6-4. Interaction with Other Namespaces
1340 Namespace specific cgroup hierarchy can be mounted by a process
1341 running inside a non-init cgroup namespace.
1343   # mount -t cgroup2 none $MOUNT_POINT
1345 This will mount the unified cgroup hierarchy with cgroupns root as the
1346 filesystem root.  The process needs CAP_SYS_ADMIN against its user and
1347 mount namespaces.
1349 The virtualization of /proc/self/cgroup file combined with restricting
1350 the view of cgroup hierarchy by namespace-private cgroupfs mount
1351 provides a properly isolated cgroup view inside the container.
1354 P. Information on Kernel Programming
1356 This section contains kernel programming information in the areas
1357 where interacting with cgroup is necessary.  cgroup core and
1358 controllers are not covered.
1361 P-1. Filesystem Support for Writeback
1363 A filesystem can support cgroup writeback by updating
1364 address_space_operations->writepage[s]() to annotate bio's using the
1365 following two functions.
1367   wbc_init_bio(@wbc, @bio)
1369         Should be called for each bio carrying writeback data and
1370         associates the bio with the inode's owner cgroup.  Can be
1371         called anytime between bio allocation and submission.
1373   wbc_account_io(@wbc, @page, @bytes)
1375         Should be called for each data segment being written out.
1376         While this function doesn't care exactly when it's called
1377         during the writeback session, it's the easiest and most
1378         natural to call it as data segments are added to a bio.
1380 With writeback bio's annotated, cgroup support can be enabled per
1381 super_block by setting SB_I_CGROUPWB in ->s_iflags.  This allows for
1382 selective disabling of cgroup writeback support which is helpful when
1383 certain filesystem features, e.g. journaled data mode, are
1384 incompatible.
1386 wbc_init_bio() binds the specified bio to its cgroup.  Depending on
1387 the configuration, the bio may be executed at a lower priority and if
1388 the writeback session is holding shared resources, e.g. a journal
1389 entry, may lead to priority inversion.  There is no one easy solution
1390 for the problem.  Filesystems can try to work around specific problem
1391 cases by skipping wbc_init_bio() or using bio_associate_blkcg()
1392 directly.
1395 D. Deprecated v1 Core Features
1397 - Multiple hierarchies including named ones are not supported.
1399 - All mount options and remounting are not supported.
1401 - The "tasks" file is removed and "cgroup.procs" is not sorted.
1403 - "cgroup.clone_children" is removed.
1405 - /proc/cgroups is meaningless for v2.  Use "cgroup.controllers" file
1406   at the root instead.
1409 R. Issues with v1 and Rationales for v2
1411 R-1. Multiple Hierarchies
1413 cgroup v1 allowed an arbitrary number of hierarchies and each
1414 hierarchy could host any number of controllers.  While this seemed to
1415 provide a high level of flexibility, it wasn't useful in practice.
1417 For example, as there is only one instance of each controller, utility
1418 type controllers such as freezer which can be useful in all
1419 hierarchies could only be used in one.  The issue is exacerbated by
1420 the fact that controllers couldn't be moved to another hierarchy once
1421 hierarchies were populated.  Another issue was that all controllers
1422 bound to a hierarchy were forced to have exactly the same view of the
1423 hierarchy.  It wasn't possible to vary the granularity depending on
1424 the specific controller.
1426 In practice, these issues heavily limited which controllers could be
1427 put on the same hierarchy and most configurations resorted to putting
1428 each controller on its own hierarchy.  Only closely related ones, such
1429 as the cpu and cpuacct controllers, made sense to be put on the same
1430 hierarchy.  This often meant that userland ended up managing multiple
1431 similar hierarchies repeating the same steps on each hierarchy
1432 whenever a hierarchy management operation was necessary.
1434 Furthermore, support for multiple hierarchies came at a steep cost.
1435 It greatly complicated cgroup core implementation but more importantly
1436 the support for multiple hierarchies restricted how cgroup could be
1437 used in general and what controllers was able to do.
1439 There was no limit on how many hierarchies there might be, which meant
1440 that a thread's cgroup membership couldn't be described in finite
1441 length.  The key might contain any number of entries and was unlimited
1442 in length, which made it highly awkward to manipulate and led to
1443 addition of controllers which existed only to identify membership,
1444 which in turn exacerbated the original problem of proliferating number
1445 of hierarchies.
1447 Also, as a controller couldn't have any expectation regarding the
1448 topologies of hierarchies other controllers might be on, each
1449 controller had to assume that all other controllers were attached to
1450 completely orthogonal hierarchies.  This made it impossible, or at
1451 least very cumbersome, for controllers to cooperate with each other.
1453 In most use cases, putting controllers on hierarchies which are
1454 completely orthogonal to each other isn't necessary.  What usually is
1455 called for is the ability to have differing levels of granularity
1456 depending on the specific controller.  In other words, hierarchy may
1457 be collapsed from leaf towards root when viewed from specific
1458 controllers.  For example, a given configuration might not care about
1459 how memory is distributed beyond a certain level while still wanting
1460 to control how CPU cycles are distributed.
1463 R-2. Thread Granularity
1465 cgroup v1 allowed threads of a process to belong to different cgroups.
1466 This didn't make sense for some controllers and those controllers
1467 ended up implementing different ways to ignore such situations but
1468 much more importantly it blurred the line between API exposed to
1469 individual applications and system management interface.
1471 Generally, in-process knowledge is available only to the process
1472 itself; thus, unlike service-level organization of processes,
1473 categorizing threads of a process requires active participation from
1474 the application which owns the target process.
1476 cgroup v1 had an ambiguously defined delegation model which got abused
1477 in combination with thread granularity.  cgroups were delegated to
1478 individual applications so that they can create and manage their own
1479 sub-hierarchies and control resource distributions along them.  This
1480 effectively raised cgroup to the status of a syscall-like API exposed
1481 to lay programs.
1483 First of all, cgroup has a fundamentally inadequate interface to be
1484 exposed this way.  For a process to access its own knobs, it has to
1485 extract the path on the target hierarchy from /proc/self/cgroup,
1486 construct the path by appending the name of the knob to the path, open
1487 and then read and/or write to it.  This is not only extremely clunky
1488 and unusual but also inherently racy.  There is no conventional way to
1489 define transaction across the required steps and nothing can guarantee
1490 that the process would actually be operating on its own sub-hierarchy.
1492 cgroup controllers implemented a number of knobs which would never be
1493 accepted as public APIs because they were just adding control knobs to
1494 system-management pseudo filesystem.  cgroup ended up with interface
1495 knobs which were not properly abstracted or refined and directly
1496 revealed kernel internal details.  These knobs got exposed to
1497 individual applications through the ill-defined delegation mechanism
1498 effectively abusing cgroup as a shortcut to implementing public APIs
1499 without going through the required scrutiny.
1501 This was painful for both userland and kernel.  Userland ended up with
1502 misbehaving and poorly abstracted interfaces and kernel exposing and
1503 locked into constructs inadvertently.
1506 R-3. Competition Between Inner Nodes and Threads
1508 cgroup v1 allowed threads to be in any cgroups which created an
1509 interesting problem where threads belonging to a parent cgroup and its
1510 children cgroups competed for resources.  This was nasty as two
1511 different types of entities competed and there was no obvious way to
1512 settle it.  Different controllers did different things.
1514 The cpu controller considered threads and cgroups as equivalents and
1515 mapped nice levels to cgroup weights.  This worked for some cases but
1516 fell flat when children wanted to be allocated specific ratios of CPU
1517 cycles and the number of internal threads fluctuated - the ratios
1518 constantly changed as the number of competing entities fluctuated.
1519 There also were other issues.  The mapping from nice level to weight
1520 wasn't obvious or universal, and there were various other knobs which
1521 simply weren't available for threads.
1523 The io controller implicitly created a hidden leaf node for each
1524 cgroup to host the threads.  The hidden leaf had its own copies of all
1525 the knobs with "leaf_" prefixed.  While this allowed equivalent
1526 control over internal threads, it was with serious drawbacks.  It
1527 always added an extra layer of nesting which wouldn't be necessary
1528 otherwise, made the interface messy and significantly complicated the
1529 implementation.
1531 The memory controller didn't have a way to control what happened
1532 between internal tasks and child cgroups and the behavior was not
1533 clearly defined.  There were attempts to add ad-hoc behaviors and
1534 knobs to tailor the behavior to specific workloads which would have
1535 led to problems extremely difficult to resolve in the long term.
1537 Multiple controllers struggled with internal tasks and came up with
1538 different ways to deal with it; unfortunately, all the approaches were
1539 severely flawed and, furthermore, the widely different behaviors
1540 made cgroup as a whole highly inconsistent.
1542 This clearly is a problem which needs to be addressed from cgroup core
1543 in a uniform way.
1546 R-4. Other Interface Issues
1548 cgroup v1 grew without oversight and developed a large number of
1549 idiosyncrasies and inconsistencies.  One issue on the cgroup core side
1550 was how an empty cgroup was notified - a userland helper binary was
1551 forked and executed for each event.  The event delivery wasn't
1552 recursive or delegatable.  The limitations of the mechanism also led
1553 to in-kernel event delivery filtering mechanism further complicating
1554 the interface.
1556 Controller interfaces were problematic too.  An extreme example is
1557 controllers completely ignoring hierarchical organization and treating
1558 all cgroups as if they were all located directly under the root
1559 cgroup.  Some controllers exposed a large amount of inconsistent
1560 implementation details to userland.
1562 There also was no consistency across controllers.  When a new cgroup
1563 was created, some controllers defaulted to not imposing extra
1564 restrictions while others disallowed any resource usage until
1565 explicitly configured.  Configuration knobs for the same type of
1566 control used widely differing naming schemes and formats.  Statistics
1567 and information knobs were named arbitrarily and used different
1568 formats and units even in the same controller.
1570 cgroup v2 establishes common conventions where appropriate and updates
1571 controllers so that they expose minimal and consistent interfaces.
1574 R-5. Controller Issues and Remedies
1576 R-5-1. Memory
1578 The original lower boundary, the soft limit, is defined as a limit
1579 that is per default unset.  As a result, the set of cgroups that
1580 global reclaim prefers is opt-in, rather than opt-out.  The costs for
1581 optimizing these mostly negative lookups are so high that the
1582 implementation, despite its enormous size, does not even provide the
1583 basic desirable behavior.  First off, the soft limit has no
1584 hierarchical meaning.  All configured groups are organized in a global
1585 rbtree and treated like equal peers, regardless where they are located
1586 in the hierarchy.  This makes subtree delegation impossible.  Second,
1587 the soft limit reclaim pass is so aggressive that it not just
1588 introduces high allocation latencies into the system, but also impacts
1589 system performance due to overreclaim, to the point where the feature
1590 becomes self-defeating.
1592 The memory.low boundary on the other hand is a top-down allocated
1593 reserve.  A cgroup enjoys reclaim protection when it and all its
1594 ancestors are below their low boundaries, which makes delegation of
1595 subtrees possible.  Secondly, new cgroups have no reserve per default
1596 and in the common case most cgroups are eligible for the preferred
1597 reclaim pass.  This allows the new low boundary to be efficiently
1598 implemented with just a minor addition to the generic reclaim code,
1599 without the need for out-of-band data structures and reclaim passes.
1600 Because the generic reclaim code considers all cgroups except for the
1601 ones running low in the preferred first reclaim pass, overreclaim of
1602 individual groups is eliminated as well, resulting in much better
1603 overall workload performance.
1605 The original high boundary, the hard limit, is defined as a strict
1606 limit that can not budge, even if the OOM killer has to be called.
1607 But this generally goes against the goal of making the most out of the
1608 available memory.  The memory consumption of workloads varies during
1609 runtime, and that requires users to overcommit.  But doing that with a
1610 strict upper limit requires either a fairly accurate prediction of the
1611 working set size or adding slack to the limit.  Since working set size
1612 estimation is hard and error prone, and getting it wrong results in
1613 OOM kills, most users tend to err on the side of a looser limit and
1614 end up wasting precious resources.
1616 The memory.high boundary on the other hand can be set much more
1617 conservatively.  When hit, it throttles allocations by forcing them
1618 into direct reclaim to work off the excess, but it never invokes the
1619 OOM killer.  As a result, a high boundary that is chosen too
1620 aggressively will not terminate the processes, but instead it will
1621 lead to gradual performance degradation.  The user can monitor this
1622 and make corrections until the minimal memory footprint that still
1623 gives acceptable performance is found.
1625 In extreme cases, with many concurrent allocations and a complete
1626 breakdown of reclaim progress within the group, the high boundary can
1627 be exceeded.  But even then it's mostly better to satisfy the
1628 allocation from the slack available in other groups or the rest of the
1629 system than killing the group.  Otherwise, memory.max is there to
1630 limit this type of spillover and ultimately contain buggy or even
1631 malicious applications.
1633 Setting the original memory.limit_in_bytes below the current usage was
1634 subject to a race condition, where concurrent charges could cause the
1635 limit setting to fail. memory.max on the other hand will first set the
1636 limit to prevent new charges, and then reclaim and OOM kill until the
1637 new limit is met - or the task writing to memory.max is killed.
1639 The combined memory+swap accounting and limiting is replaced by real
1640 control over swap space.
1642 The main argument for a combined memory+swap facility in the original
1643 cgroup design was that global or parental pressure would always be
1644 able to swap all anonymous memory of a child group, regardless of the
1645 child's own (possibly untrusted) configuration.  However, untrusted
1646 groups can sabotage swapping by other means - such as referencing its
1647 anonymous memory in a tight loop - and an admin can not assume full
1648 swappability when overcommitting untrusted jobs.
1650 For trusted jobs, on the other hand, a combined counter is not an
1651 intuitive userspace interface, and it flies in the face of the idea
1652 that cgroup controllers should account and limit specific physical
1653 resources.  Swap space is a resource like all others in the system,
1654 and that's why unified hierarchy allows distributing it separately.