Documentation/scheduler/sched-design-CFS.txt

   1                       =============
   2                       CFS Scheduler
   3                       =============
   4
   5
   6 1.  OVERVIEW
   7
   8 CFS stands for "Completely Fair Scheduler," and is the new "desktop" process
   9 scheduler implemented by Ingo Molnar and merged in Linux 2.6.23.  It is the
  10 replacement for the previous vanilla scheduler's SCHED_OTHER interactivity
  11 code.
  12
  13 80% of CFS's design can be summed up in a single sentence: CFS basically models
  14 an "ideal, precise multi-tasking CPU" on real hardware.
  15
  16 "Ideal multi-tasking CPU" is a (non-existent  :-)) CPU that has 100% physical
  17 power and which can run each task at precise equal speed, in parallel, each at
  18 1/nr_running speed.  For example: if there are 2 tasks running, then it runs
  19 each at 50% physical power --- i.e., actually in parallel.
  20
  21 On real hardware, we can run only a single task at once, so we have to
  22 introduce the concept of "virtual runtime."  The virtual runtime of a task
  23 specifies when its next timeslice would start execution on the ideal
  24 multi-tasking CPU described above.  In practice, the virtual runtime of a task
  25 is its actual runtime normalized to the total number of running tasks.
  26
  27
  28
  29 2.  FEW IMPLEMENTATION DETAILS
  30
  31 In CFS the virtual runtime is expressed and tracked via the per-task
  32 p->se.vruntime (nanosec-unit) value.  This way, it's possible to accurately
  33 timestamp and measure the "expected CPU time" a task should have gotten.
  34
  35 [ small detail: on "ideal" hardware, at any time all tasks would have the same
  36   p->se.vruntime value --- i.e., tasks would execute simultaneously and no task
  37   would ever get "out of balance" from the "ideal" share of CPU time.  ]
  38
  39 CFS's task picking logic is based on this p->se.vruntime value and it is thus
  40 very simple: it always tries to run the task with the smallest p->se.vruntime
  41 value (i.e., the task which executed least so far).  CFS always tries to split
  42 up CPU time between runnable tasks as close to "ideal multitasking hardware" as
  43 possible.
  44
  45 Most of the rest of CFS's design just falls out of this really simple concept,
  46 with a few add-on embellishments like nice levels, multiprocessing and various
  47 algorithm variants to recognize sleepers.
  48
  49
  50
  51 3.  THE RBTREE
  52
  53 CFS's design is quite radical: it does not use the old data structures for the
  54 runqueues, but it uses a time-ordered rbtree to build a "timeline" of future
  55 task execution, and thus has no "array switch" artifacts (by which both the
  56 previous vanilla scheduler and RSDL/SD are affected).
  57
  58 CFS also maintains the rq->cfs.min_vruntime value, which is a monotonic
  59 increasing value tracking the smallest vruntime among all tasks in the
  60 runqueue.  The total amount of work done by the system is tracked using
  61 min_vruntime; that value is used to place newly activated entities on the left
  62 side of the tree as much as possible.
  63
  64 The total number of running tasks in the runqueue is accounted through the
  65 rq->cfs.load value, which is the sum of the weights of the tasks queued on the
  66 runqueue.
  67
  68 CFS maintains a time-ordered rbtree, where all runnable tasks are sorted by the
  69 p->se.vruntime key (there is a subtraction using rq->cfs.min_vruntime to
  70 account for possible wraparounds).  CFS picks the "leftmost" task from this
  71 tree and sticks to it.
  72 As the system progresses forwards, the executed tasks are put into the tree
  73 more and more to the right --- slowly but surely giving a chance for every task
  74 to become the "leftmost task" and thus get on the CPU within a deterministic
  75 amount of time.
  76
  77 Summing up, CFS works like this: it runs a task a bit, and when the task
  78 schedules (or a scheduler tick happens) the task's CPU usage is "accounted
  79 for": the (small) time it just spent using the physical CPU is added to
  80 p->se.vruntime.  Once p->se.vruntime gets high enough so that another task
  81 becomes the "leftmost task" of the time-ordered rbtree it maintains (plus a
  82 small amount of "granularity" distance relative to the leftmost task so that we
  83 do not over-schedule tasks and trash the cache), then the new leftmost task is
  84 picked and the current task is preempted.
  85
  86
  87
  88 4.  SOME FEATURES OF CFS
  89
  90 CFS uses nanosecond granularity accounting and does not rely on any jiffies or
  91 other HZ detail.  Thus the CFS scheduler has no notion of "timeslices" in the
  92 way the previous scheduler had, and has no heuristics whatsoever.  There is
  93 only one central tunable (you have to switch on CONFIG_SCHED_DEBUG):
  94
  95    /proc/sys/kernel/sched_min_granularity_ns
  96
  97 which can be used to tune the scheduler from "desktop" (i.e., low latencies) to
  98 "server" (i.e., good batching) workloads.  It defaults to a setting suitable
  99 for desktop workloads.  SCHED_BATCH is handled by the CFS scheduler module too.
 100
 101 Due to its design, the CFS scheduler is not prone to any of the "attacks" that
 102 exist today against the heuristics of the stock scheduler: fiftyp.c, thud.c,
 103 chew.c, ring-test.c, massive_intr.c all work fine and do not impact
 104 interactivity and produce the expected behavior.
 105
 106 The CFS scheduler has a much stronger handling of nice levels and SCHED_BATCH
 107 than the previous vanilla scheduler: both types of workloads are isolated much
 108 more aggressively.
 109
 110 SMP load-balancing has been reworked/sanitized: the runqueue-walking
 111 assumptions are gone from the load-balancing code now, and iterators of the
 112 scheduling modules are used.  The balancing code got quite a bit simpler as a
 113 result.
 114
 115
 116
 117 5. Scheduling policies
 118
 119 CFS implements three scheduling policies:
 120
 121   - SCHED_NORMAL (traditionally called SCHED_OTHER): The scheduling
 122     policy that is used for regular tasks.
 123
 124   - SCHED_BATCH: Does not preempt nearly as often as regular tasks
 125     would, thereby allowing tasks to run longer and make better use of
 126     caches but at the cost of interactivity. This is well suited for
 127     batch jobs.
 128
 129   - SCHED_IDLE: This is even weaker than nice 19, but its not a true
 130     idle timer scheduler in order to avoid to get into priority
 131     inversion problems which would deadlock the machine.
 132
 133 SCHED_FIFO/_RR are implemented in sched_rt.c and are as specified by
 134 POSIX.
 135
 136 The command chrt from util-linux-ng 2.13.1.1 can set all of these except
 137 SCHED_IDLE.
 138
 139
 140
 141 6.  SCHEDULING CLASSES
 142
 143 The new CFS scheduler has been designed in such a way to introduce "Scheduling
 144 Classes," an extensible hierarchy of scheduler modules.  These modules
 145 encapsulate scheduling policy details and are handled by the scheduler core
 146 without the core code assuming too much about them.
 147
 148 sched_fair.c implements the CFS scheduler described above.
 149
 150 sched_rt.c implements SCHED_FIFO and SCHED_RR semantics, in a simpler way than
 151 the previous vanilla scheduler did.  It uses 100 runqueues (for all 100 RT
 152 priority levels, instead of 140 in the previous scheduler) and it needs no
 153 expired array.
 154
 155 Scheduling classes are implemented through the sched_class structure, which
 156 contains hooks to functions that must be called whenever an interesting event
 157 occurs.
 158
 159 This is the (partial) list of the hooks:
 160
 161  - enqueue_task(...)
 162
 163    Called when a task enters a runnable state.
 164    It puts the scheduling entity (task) into the red-black tree and
 165    increments the nr_running variable.
 166
 167  - dequeue_tree(...)
 168
 169    When a task is no longer runnable, this function is called to keep the
 170    corresponding scheduling entity out of the red-black tree.  It decrements
 171    the nr_running variable.
 172
 173  - yield_task(...)
 174
 175    This function is basically just a dequeue followed by an enqueue, unless the
 176    compat_yield sysctl is turned on; in that case, it places the scheduling
 177    entity at the right-most end of the red-black tree.
 178
 179  - check_preempt_curr(...)
 180
 181    This function checks if a task that entered the runnable state should
 182    preempt the currently running task.
 183
 184  - pick_next_task(...)
 185
 186    This function chooses the most appropriate task eligible to run next.
 187
 188  - set_curr_task(...)
 189
 190    This function is called when a task changes its scheduling class or changes
 191    its task group.
 192
 193  - task_tick(...)
 194
 195    This function is mostly called from time tick functions; it might lead to
 196    process switch.  This drives the running preemption.
 197
 198  - task_new(...)
 199
 200    The core scheduler gives the scheduling module an opportunity to manage new
 201    task startup.  The CFS scheduling module uses it for group scheduling, while
 202    the scheduling module for a real-time task does not use it.
 203
 204
 205
 206 7.  GROUP SCHEDULER EXTENSIONS TO CFS
 207
 208 Normally, the scheduler operates on individual tasks and strives to provide
 209 fair CPU time to each task.  Sometimes, it may be desirable to group tasks and
 210 provide fair CPU time to each such task group.  For example, it may be
 211 desirable to first provide fair CPU time to each user on the system and then to
 212 each task belonging to a user.
 213
 214 CONFIG_GROUP_SCHED strives to achieve exactly that.  It lets tasks to be
 215 grouped and divides CPU time fairly among such groups.
 216
 217 CONFIG_RT_GROUP_SCHED permits to group real-time (i.e., SCHED_FIFO and
 218 SCHED_RR) tasks.
 219
 220 CONFIG_FAIR_GROUP_SCHED permits to group CFS (i.e., SCHED_NORMAL and
 221 SCHED_BATCH) tasks.
 222
 223 At present, there are two (mutually exclusive) mechanisms to group tasks for
 224 CPU bandwidth control purposes:
 225
 226  - Based on user id (CONFIG_USER_SCHED)
 227
 228    With this option, tasks are grouped according to their user id.
 229
 230  - Based on "cgroup" pseudo filesystem (CONFIG_CGROUP_SCHED)
 231
 232    This options needs CONFIG_CGROUPS to be defined, and lets the administrator
 233    create arbitrary groups of tasks, using the "cgroup" pseudo filesystem.  See
 234    Documentation/cgroups/cgroups.txt for more information about this filesystem.
 235
 236 Only one of these options to group tasks can be chosen and not both.
 237
 238 When CONFIG_USER_SCHED is defined, a directory is created in sysfs for each new
 239 user and a "cpu_share" file is added in that directory.
 240
 241         # cd /sys/kernel/uids
 242         # cat 512/cpu_share             # Display user 512's CPU share
 243         1024
 244         # echo 2048 > 512/cpu_share     # Modify user 512's CPU share
 245         # cat 512/cpu_share             # Display user 512's CPU share
 246         2048
 247         #
 248
 249 CPU bandwidth between two users is divided in the ratio of their CPU shares.
 250 For example: if you would like user "root" to get twice the bandwidth of user
 251 "guest," then set the cpu_share for both the users such that "root"'s cpu_share
 252 is twice "guest"'s cpu_share.
 253
 254 When CONFIG_CGROUP_SCHED is defined, a "cpu.shares" file is created for each
 255 group created using the pseudo filesystem.  See example steps below to create
 256 task groups and modify their CPU share using the "cgroups" pseudo filesystem.
 257
 258         # mkdir /dev/cpuctl
 259         # mount -t cgroup -ocpu none /dev/cpuctl
 260         # cd /dev/cpuctl
 261
 262         # mkdir multimedia      # create "multimedia" group of tasks
 263         # mkdir browser         # create "browser" group of tasks
 264
 265         # #Configure the multimedia group to receive twice the CPU bandwidth
 266         # #that of browser group
 267
 268         # echo 2048 > multimedia/cpu.shares
 269         # echo 1024 > browser/cpu.shares
 270
 271         # firefox &     # Launch firefox and move it to "browser" group
 272         # echo <firefox_pid> > browser/tasks
 273
 274         # #Launch gmplayer (or your favourite movie player)
 275         # echo <movie_player_pid> > multimedia/tasks
 276
 277 8. Implementation note: user namespaces
 278
 279 User namespaces are intended to be hierarchical.  But they are currently
 280 only partially implemented.  Each of those has ramifications for CFS.
 281
 282 First, since user namespaces are hierarchical, the /sys/kernel/uids
 283 presentation is inadequate.  Eventually we will likely want to use sysfs
 284 tagging to provide private views of /sys/kernel/uids within each user
 285 namespace.
 286
 287 Second, the hierarchical nature is intended to support completely
 288 unprivileged use of user namespaces.  So if using user groups, then
 289 we want the users in a user namespace to be children of the user
 290 who created it.
 291
 292 That is currently unimplemented.  So instead, every user in a new
 293 user namespace will receive 1024 shares just like any user in the
 294 initial user namespace.  Note that at the moment creation of a new
 295 user namespace requires each of CAP_SYS_ADMIN, CAP_SETUID, and
 296 CAP_SETGID.