aufs: policies for multiple writable branches, from aufs2.2-3.0
[zen-stable.git] / Documentation / vm / transhuge.txt
blob29bdf62aac09bc9bfb06789c40fa18b55d7b6752
1 = Transparent Hugepage Support =
3 == Objective ==
5 Performance critical computing applications dealing with large memory
6 working sets are already running on top of libhugetlbfs and in turn
7 hugetlbfs. Transparent Hugepage Support is an alternative means of
8 using huge pages for the backing of virtual memory with huge pages
9 that supports the automatic promotion and demotion of page sizes and
10 without the shortcomings of hugetlbfs.
12 Currently it only works for anonymous memory mappings but in the
13 future it can expand over the pagecache layer starting with tmpfs.
15 The reason applications are running faster is because of two
16 factors. The first factor is almost completely irrelevant and it's not
17 of significant interest because it'll also have the downside of
18 requiring larger clear-page copy-page in page faults which is a
19 potentially negative effect. The first factor consists in taking a
20 single page fault for each 2M virtual region touched by userland (so
21 reducing the enter/exit kernel frequency by a 512 times factor). This
22 only matters the first time the memory is accessed for the lifetime of
23 a memory mapping. The second long lasting and much more important
24 factor will affect all subsequent accesses to the memory for the whole
25 runtime of the application. The second factor consist of two
26 components: 1) the TLB miss will run faster (especially with
27 virtualization using nested pagetables but almost always also on bare
28 metal without virtualization) and 2) a single TLB entry will be
29 mapping a much larger amount of virtual memory in turn reducing the
30 number of TLB misses. With virtualization and nested pagetables the
31 TLB can be mapped of larger size only if both KVM and the Linux guest
32 are using hugepages but a significant speedup already happens if only
33 one of the two is using hugepages just because of the fact the TLB
34 miss is going to run faster.
36 == Design ==
38 - "graceful fallback": mm components which don't have transparent
39   hugepage knowledge fall back to breaking a transparent hugepage and
40   working on the regular pages and their respective regular pmd/pte
41   mappings
43 - if a hugepage allocation fails because of memory fragmentation,
44   regular pages should be gracefully allocated instead and mixed in
45   the same vma without any failure or significant delay and without
46   userland noticing
48 - if some task quits and more hugepages become available (either
49   immediately in the buddy or through the VM), guest physical memory
50   backed by regular pages should be relocated on hugepages
51   automatically (with khugepaged)
53 - it doesn't require memory reservation and in turn it uses hugepages
54   whenever possible (the only possible reservation here is kernelcore=
55   to avoid unmovable pages to fragment all the memory but such a tweak
56   is not specific to transparent hugepage support and it's a generic
57   feature that applies to all dynamic high order allocations in the
58   kernel)
60 - this initial support only offers the feature in the anonymous memory
61   regions but it'd be ideal to move it to tmpfs and the pagecache
62   later
64 Transparent Hugepage Support maximizes the usefulness of free memory
65 if compared to the reservation approach of hugetlbfs by allowing all
66 unused memory to be used as cache or other movable (or even unmovable
67 entities). It doesn't require reservation to prevent hugepage
68 allocation failures to be noticeable from userland. It allows paging
69 and all other advanced VM features to be available on the
70 hugepages. It requires no modifications for applications to take
71 advantage of it.
73 Applications however can be further optimized to take advantage of
74 this feature, like for example they've been optimized before to avoid
75 a flood of mmap system calls for every malloc(4k). Optimizing userland
76 is by far not mandatory and khugepaged already can take care of long
77 lived page allocations even for hugepage unaware applications that
78 deals with large amounts of memory.
80 In certain cases when hugepages are enabled system wide, application
81 may end up allocating more memory resources. An application may mmap a
82 large region but only touch 1 byte of it, in that case a 2M page might
83 be allocated instead of a 4k page for no good. This is why it's
84 possible to disable hugepages system-wide and to only have them inside
85 MADV_HUGEPAGE madvise regions.
87 Embedded systems should enable hugepages only inside madvise regions
88 to eliminate any risk of wasting any precious byte of memory and to
89 only run faster.
91 Applications that gets a lot of benefit from hugepages and that don't
92 risk to lose memory by using hugepages, should use
93 madvise(MADV_HUGEPAGE) on their critical mmapped regions.
95 == sysfs ==
97 Transparent Hugepage Support can be entirely disabled (mostly for
98 debugging purposes) or only enabled inside MADV_HUGEPAGE regions (to
99 avoid the risk of consuming more memory resources) or enabled system
100 wide. This can be achieved with one of:
102 echo always >/sys/kernel/mm/transparent_hugepage/enabled
103 echo madvise >/sys/kernel/mm/transparent_hugepage/enabled
104 echo never >/sys/kernel/mm/transparent_hugepage/enabled
106 It's also possible to limit defrag efforts in the VM to generate
107 hugepages in case they're not immediately free to madvise regions or
108 to never try to defrag memory and simply fallback to regular pages
109 unless hugepages are immediately available. Clearly if we spend CPU
110 time to defrag memory, we would expect to gain even more by the fact
111 we use hugepages later instead of regular pages. This isn't always
112 guaranteed, but it may be more likely in case the allocation is for a
113 MADV_HUGEPAGE region.
115 echo always >/sys/kernel/mm/transparent_hugepage/defrag
116 echo madvise >/sys/kernel/mm/transparent_hugepage/defrag
117 echo never >/sys/kernel/mm/transparent_hugepage/defrag
119 khugepaged will be automatically started when
120 transparent_hugepage/enabled is set to "always" or "madvise, and it'll
121 be automatically shutdown if it's set to "never".
123 khugepaged runs usually at low frequency so while one may not want to
124 invoke defrag algorithms synchronously during the page faults, it
125 should be worth invoking defrag at least in khugepaged. However it's
126 also possible to disable defrag in khugepaged by writing 0 or enable
127 defrag in khugepaged by writing 1:
129 echo 0 >/sys/kernel/mm/transparent_hugepage/khugepaged/defrag
130 echo 1 >/sys/kernel/mm/transparent_hugepage/khugepaged/defrag
132 You can also control how many pages khugepaged should scan at each
133 pass:
135 /sys/kernel/mm/transparent_hugepage/khugepaged/pages_to_scan
137 and how many milliseconds to wait in khugepaged between each pass (you
138 can set this to 0 to run khugepaged at 100% utilization of one core):
140 /sys/kernel/mm/transparent_hugepage/khugepaged/scan_sleep_millisecs
142 and how many milliseconds to wait in khugepaged if there's an hugepage
143 allocation failure to throttle the next allocation attempt.
145 /sys/kernel/mm/transparent_hugepage/khugepaged/alloc_sleep_millisecs
147 The khugepaged progress can be seen in the number of pages collapsed:
149 /sys/kernel/mm/transparent_hugepage/khugepaged/pages_collapsed
151 for each pass:
153 /sys/kernel/mm/transparent_hugepage/khugepaged/full_scans
155 == Boot parameter ==
157 You can change the sysfs boot time defaults of Transparent Hugepage
158 Support by passing the parameter "transparent_hugepage=always" or
159 "transparent_hugepage=madvise" or "transparent_hugepage=never"
160 (without "") to the kernel command line.
162 == Need of application restart ==
164 The transparent_hugepage/enabled values only affect future
165 behavior. So to make them effective you need to restart any
166 application that could have been using hugepages. This also applies to
167 the regions registered in khugepaged.
169 == get_user_pages and follow_page ==
171 get_user_pages and follow_page if run on a hugepage, will return the
172 head or tail pages as usual (exactly as they would do on
173 hugetlbfs). Most gup users will only care about the actual physical
174 address of the page and its temporary pinning to release after the I/O
175 is complete, so they won't ever notice the fact the page is huge. But
176 if any driver is going to mangle over the page structure of the tail
177 page (like for checking page->mapping or other bits that are relevant
178 for the head page and not the tail page), it should be updated to jump
179 to check head page instead (while serializing properly against
180 split_huge_page() to avoid the head and tail pages to disappear from
181 under it, see the futex code to see an example of that, hugetlbfs also
182 needed special handling in futex code for similar reasons).
184 NOTE: these aren't new constraints to the GUP API, and they match the
185 same constrains that applies to hugetlbfs too, so any driver capable
186 of handling GUP on hugetlbfs will also work fine on transparent
187 hugepage backed mappings.
189 In case you can't handle compound pages if they're returned by
190 follow_page, the FOLL_SPLIT bit can be specified as parameter to
191 follow_page, so that it will split the hugepages before returning
192 them. Migration for example passes FOLL_SPLIT as parameter to
193 follow_page because it's not hugepage aware and in fact it can't work
194 at all on hugetlbfs (but it instead works fine on transparent
195 hugepages thanks to FOLL_SPLIT). migration simply can't deal with
196 hugepages being returned (as it's not only checking the pfn of the
197 page and pinning it during the copy but it pretends to migrate the
198 memory in regular page sizes and with regular pte/pmd mappings).
200 == Optimizing the applications ==
202 To be guaranteed that the kernel will map a 2M page immediately in any
203 memory region, the mmap region has to be hugepage naturally
204 aligned. posix_memalign() can provide that guarantee.
206 == Hugetlbfs ==
208 You can use hugetlbfs on a kernel that has transparent hugepage
209 support enabled just fine as always. No difference can be noted in
210 hugetlbfs other than there will be less overall fragmentation. All
211 usual features belonging to hugetlbfs are preserved and
212 unaffected. libhugetlbfs will also work fine as usual.
214 == Graceful fallback ==
216 Code walking pagetables but unware about huge pmds can simply call
217 split_huge_page_pmd(mm, pmd) where the pmd is the one returned by
218 pmd_offset. It's trivial to make the code transparent hugepage aware
219 by just grepping for "pmd_offset" and adding split_huge_page_pmd where
220 missing after pmd_offset returns the pmd. Thanks to the graceful
221 fallback design, with a one liner change, you can avoid to write
222 hundred if not thousand of lines of complex code to make your code
223 hugepage aware.
225 If you're not walking pagetables but you run into a physical hugepage
226 but you can't handle it natively in your code, you can split it by
227 calling split_huge_page(page). This is what the Linux VM does before
228 it tries to swapout the hugepage for example.
230 Example to make mremap.c transparent hugepage aware with a one liner
231 change:
233 diff --git a/mm/mremap.c b/mm/mremap.c
234 --- a/mm/mremap.c
235 +++ b/mm/mremap.c
236 @@ -41,6 +41,7 @@ static pmd_t *get_old_pmd(struct mm_stru
237                 return NULL;
239         pmd = pmd_offset(pud, addr);
240 +       split_huge_page_pmd(mm, pmd);
241         if (pmd_none_or_clear_bad(pmd))
242                 return NULL;
244 == Locking in hugepage aware code ==
246 We want as much code as possible hugepage aware, as calling
247 split_huge_page() or split_huge_page_pmd() has a cost.
249 To make pagetable walks huge pmd aware, all you need to do is to call
250 pmd_trans_huge() on the pmd returned by pmd_offset. You must hold the
251 mmap_sem in read (or write) mode to be sure an huge pmd cannot be
252 created from under you by khugepaged (khugepaged collapse_huge_page
253 takes the mmap_sem in write mode in addition to the anon_vma lock). If
254 pmd_trans_huge returns false, you just fallback in the old code
255 paths. If instead pmd_trans_huge returns true, you have to take the
256 mm->page_table_lock and re-run pmd_trans_huge. Taking the
257 page_table_lock will prevent the huge pmd to be converted into a
258 regular pmd from under you (split_huge_page can run in parallel to the
259 pagetable walk). If the second pmd_trans_huge returns false, you
260 should just drop the page_table_lock and fallback to the old code as
261 before. Otherwise you should run pmd_trans_splitting on the pmd. In
262 case pmd_trans_splitting returns true, it means split_huge_page is
263 already in the middle of splitting the page. So if pmd_trans_splitting
264 returns true it's enough to drop the page_table_lock and call
265 wait_split_huge_page and then fallback the old code paths. You are
266 guaranteed by the time wait_split_huge_page returns, the pmd isn't
267 huge anymore. If pmd_trans_splitting returns false, you can proceed to
268 process the huge pmd and the hugepage natively. Once finished you can
269 drop the page_table_lock.
271 == compound_lock, get_user_pages and put_page ==
273 split_huge_page internally has to distribute the refcounts in the head
274 page to the tail pages before clearing all PG_head/tail bits from the
275 page structures. It can do that easily for refcounts taken by huge pmd
276 mappings. But the GUI API as created by hugetlbfs (that returns head
277 and tail pages if running get_user_pages on an address backed by any
278 hugepage), requires the refcount to be accounted on the tail pages and
279 not only in the head pages, if we want to be able to run
280 split_huge_page while there are gup pins established on any tail
281 page. Failure to be able to run split_huge_page if there's any gup pin
282 on any tail page, would mean having to split all hugepages upfront in
283 get_user_pages which is unacceptable as too many gup users are
284 performance critical and they must work natively on hugepages like
285 they work natively on hugetlbfs already (hugetlbfs is simpler because
286 hugetlbfs pages cannot be splitted so there wouldn't be requirement of
287 accounting the pins on the tail pages for hugetlbfs). If we wouldn't
288 account the gup refcounts on the tail pages during gup, we won't know
289 anymore which tail page is pinned by gup and which is not while we run
290 split_huge_page. But we still have to add the gup pin to the head page
291 too, to know when we can free the compound page in case it's never
292 splitted during its lifetime. That requires changing not just
293 get_page, but put_page as well so that when put_page runs on a tail
294 page (and only on a tail page) it will find its respective head page,
295 and then it will decrease the head page refcount in addition to the
296 tail page refcount. To obtain a head page reliably and to decrease its
297 refcount without race conditions, put_page has to serialize against
298 __split_huge_page_refcount using a special per-page lock called
299 compound_lock.