spi-topcliff-pch: add recovery processing in case wait-event timeout
[zen-stable.git] / Documentation / virtual / kvm / mmu.txt
blob5dc972c09b556353ccbf99fec2543da9880a55eb
1 The x86 kvm shadow mmu
2 ======================
4 The mmu (in arch/x86/kvm, files mmu.[ch] and paging_tmpl.h) is responsible
5 for presenting a standard x86 mmu to the guest, while translating guest
6 physical addresses to host physical addresses.
8 The mmu code attempts to satisfy the following requirements:
10 - correctness: the guest should not be able to determine that it is running
11                on an emulated mmu except for timing (we attempt to comply
12                with the specification, not emulate the characteristics of
13                a particular implementation such as tlb size)
14 - security:    the guest must not be able to touch host memory not assigned
15                to it
16 - performance: minimize the performance penalty imposed by the mmu
17 - scaling:     need to scale to large memory and large vcpu guests
18 - hardware:    support the full range of x86 virtualization hardware
19 - integration: Linux memory management code must be in control of guest memory
20                so that swapping, page migration, page merging, transparent
21                hugepages, and similar features work without change
22 - dirty tracking: report writes to guest memory to enable live migration
23                and framebuffer-based displays
24 - footprint:   keep the amount of pinned kernel memory low (most memory
25                should be shrinkable)
26 - reliability:  avoid multipage or GFP_ATOMIC allocations
28 Acronyms
29 ========
31 pfn   host page frame number
32 hpa   host physical address
33 hva   host virtual address
34 gfn   guest frame number
35 gpa   guest physical address
36 gva   guest virtual address
37 ngpa  nested guest physical address
38 ngva  nested guest virtual address
39 pte   page table entry (used also to refer generically to paging structure
40       entries)
41 gpte  guest pte (referring to gfns)
42 spte  shadow pte (referring to pfns)
43 tdp   two dimensional paging (vendor neutral term for NPT and EPT)
45 Virtual and real hardware supported
46 ===================================
48 The mmu supports first-generation mmu hardware, which allows an atomic switch
49 of the current paging mode and cr3 during guest entry, as well as
50 two-dimensional paging (AMD's NPT and Intel's EPT).  The emulated hardware
51 it exposes is the traditional 2/3/4 level x86 mmu, with support for global
52 pages, pae, pse, pse36, cr0.wp, and 1GB pages.  Work is in progress to support
53 exposing NPT capable hardware on NPT capable hosts.
55 Translation
56 ===========
58 The primary job of the mmu is to program the processor's mmu to translate
59 addresses for the guest.  Different translations are required at different
60 times:
62 - when guest paging is disabled, we translate guest physical addresses to
63   host physical addresses (gpa->hpa)
64 - when guest paging is enabled, we translate guest virtual addresses, to
65   guest physical addresses, to host physical addresses (gva->gpa->hpa)
66 - when the guest launches a guest of its own, we translate nested guest
67   virtual addresses, to nested guest physical addresses, to guest physical
68   addresses, to host physical addresses (ngva->ngpa->gpa->hpa)
70 The primary challenge is to encode between 1 and 3 translations into hardware
71 that support only 1 (traditional) and 2 (tdp) translations.  When the
72 number of required translations matches the hardware, the mmu operates in
73 direct mode; otherwise it operates in shadow mode (see below).
75 Memory
76 ======
78 Guest memory (gpa) is part of the user address space of the process that is
79 using kvm.  Userspace defines the translation between guest addresses and user
80 addresses (gpa->hva); note that two gpas may alias to the same hva, but not
81 vice versa.
83 These hvas may be backed using any method available to the host: anonymous
84 memory, file backed memory, and device memory.  Memory might be paged by the
85 host at any time.
87 Events
88 ======
90 The mmu is driven by events, some from the guest, some from the host.
92 Guest generated events:
93 - writes to control registers (especially cr3)
94 - invlpg/invlpga instruction execution
95 - access to missing or protected translations
97 Host generated events:
98 - changes in the gpa->hpa translation (either through gpa->hva changes or
99   through hva->hpa changes)
100 - memory pressure (the shrinker)
102 Shadow pages
103 ============
105 The principal data structure is the shadow page, 'struct kvm_mmu_page'.  A
106 shadow page contains 512 sptes, which can be either leaf or nonleaf sptes.  A
107 shadow page may contain a mix of leaf and nonleaf sptes.
109 A nonleaf spte allows the hardware mmu to reach the leaf pages and
110 is not related to a translation directly.  It points to other shadow pages.
112 A leaf spte corresponds to either one or two translations encoded into
113 one paging structure entry.  These are always the lowest level of the
114 translation stack, with optional higher level translations left to NPT/EPT.
115 Leaf ptes point at guest pages.
117 The following table shows translations encoded by leaf ptes, with higher-level
118 translations in parentheses:
120  Non-nested guests:
121   nonpaging:     gpa->hpa
122   paging:        gva->gpa->hpa
123   paging, tdp:   (gva->)gpa->hpa
124  Nested guests:
125   non-tdp:       ngva->gpa->hpa  (*)
126   tdp:           (ngva->)ngpa->gpa->hpa
128 (*) the guest hypervisor will encode the ngva->gpa translation into its page
129     tables if npt is not present
131 Shadow pages contain the following information:
132   role.level:
133     The level in the shadow paging hierarchy that this shadow page belongs to.
134     1=4k sptes, 2=2M sptes, 3=1G sptes, etc.
135   role.direct:
136     If set, leaf sptes reachable from this page are for a linear range.
137     Examples include real mode translation, large guest pages backed by small
138     host pages, and gpa->hpa translations when NPT or EPT is active.
139     The linear range starts at (gfn << PAGE_SHIFT) and its size is determined
140     by role.level (2MB for first level, 1GB for second level, 0.5TB for third
141     level, 256TB for fourth level)
142     If clear, this page corresponds to a guest page table denoted by the gfn
143     field.
144   role.quadrant:
145     When role.cr4_pae=0, the guest uses 32-bit gptes while the host uses 64-bit
146     sptes.  That means a guest page table contains more ptes than the host,
147     so multiple shadow pages are needed to shadow one guest page.
148     For first-level shadow pages, role.quadrant can be 0 or 1 and denotes the
149     first or second 512-gpte block in the guest page table.  For second-level
150     page tables, each 32-bit gpte is converted to two 64-bit sptes
151     (since each first-level guest page is shadowed by two first-level
152     shadow pages) so role.quadrant takes values in the range 0..3.  Each
153     quadrant maps 1GB virtual address space.
154   role.access:
155     Inherited guest access permissions in the form uwx.  Note execute
156     permission is positive, not negative.
157   role.invalid:
158     The page is invalid and should not be used.  It is a root page that is
159     currently pinned (by a cpu hardware register pointing to it); once it is
160     unpinned it will be destroyed.
161   role.cr4_pae:
162     Contains the value of cr4.pae for which the page is valid (e.g. whether
163     32-bit or 64-bit gptes are in use).
164   role.nxe:
165     Contains the value of efer.nxe for which the page is valid.
166   role.cr0_wp:
167     Contains the value of cr0.wp for which the page is valid.
168   role.smep_andnot_wp:
169     Contains the value of cr4.smep && !cr0.wp for which the page is valid
170     (pages for which this is true are different from other pages; see the
171     treatment of cr0.wp=0 below).
172   gfn:
173     Either the guest page table containing the translations shadowed by this
174     page, or the base page frame for linear translations.  See role.direct.
175   spt:
176     A pageful of 64-bit sptes containing the translations for this page.
177     Accessed by both kvm and hardware.
178     The page pointed to by spt will have its page->private pointing back
179     at the shadow page structure.
180     sptes in spt point either at guest pages, or at lower-level shadow pages.
181     Specifically, if sp1 and sp2 are shadow pages, then sp1->spt[n] may point
182     at __pa(sp2->spt).  sp2 will point back at sp1 through parent_pte.
183     The spt array forms a DAG structure with the shadow page as a node, and
184     guest pages as leaves.
185   gfns:
186     An array of 512 guest frame numbers, one for each present pte.  Used to
187     perform a reverse map from a pte to a gfn. When role.direct is set, any
188     element of this array can be calculated from the gfn field when used, in
189     this case, the array of gfns is not allocated. See role.direct and gfn.
190   slot_bitmap:
191     A bitmap containing one bit per memory slot.  If the page contains a pte
192     mapping a page from memory slot n, then bit n of slot_bitmap will be set
193     (if a page is aliased among several slots, then it is not guaranteed that
194     all slots will be marked).
195     Used during dirty logging to avoid scanning a shadow page if none if its
196     pages need tracking.
197   root_count:
198     A counter keeping track of how many hardware registers (guest cr3 or
199     pdptrs) are now pointing at the page.  While this counter is nonzero, the
200     page cannot be destroyed.  See role.invalid.
201   multimapped:
202     Whether there exist multiple sptes pointing at this page.
203   parent_pte/parent_ptes:
204     If multimapped is zero, parent_pte points at the single spte that points at
205     this page's spt.  Otherwise, parent_ptes points at a data structure
206     with a list of parent_ptes.
207   unsync:
208     If true, then the translations in this page may not match the guest's
209     translation.  This is equivalent to the state of the tlb when a pte is
210     changed but before the tlb entry is flushed.  Accordingly, unsync ptes
211     are synchronized when the guest executes invlpg or flushes its tlb by
212     other means.  Valid for leaf pages.
213   unsync_children:
214     How many sptes in the page point at pages that are unsync (or have
215     unsynchronized children).
216   unsync_child_bitmap:
217     A bitmap indicating which sptes in spt point (directly or indirectly) at
218     pages that may be unsynchronized.  Used to quickly locate all unsychronized
219     pages reachable from a given page.
221 Reverse map
222 ===========
224 The mmu maintains a reverse mapping whereby all ptes mapping a page can be
225 reached given its gfn.  This is used, for example, when swapping out a page.
227 Synchronized and unsynchronized pages
228 =====================================
230 The guest uses two events to synchronize its tlb and page tables: tlb flushes
231 and page invalidations (invlpg).
233 A tlb flush means that we need to synchronize all sptes reachable from the
234 guest's cr3.  This is expensive, so we keep all guest page tables write
235 protected, and synchronize sptes to gptes when a gpte is written.
237 A special case is when a guest page table is reachable from the current
238 guest cr3.  In this case, the guest is obliged to issue an invlpg instruction
239 before using the translation.  We take advantage of that by removing write
240 protection from the guest page, and allowing the guest to modify it freely.
241 We synchronize modified gptes when the guest invokes invlpg.  This reduces
242 the amount of emulation we have to do when the guest modifies multiple gptes,
243 or when the a guest page is no longer used as a page table and is used for
244 random guest data.
246 As a side effect we have to resynchronize all reachable unsynchronized shadow
247 pages on a tlb flush.
250 Reaction to events
251 ==================
253 - guest page fault (or npt page fault, or ept violation)
255 This is the most complicated event.  The cause of a page fault can be:
257   - a true guest fault (the guest translation won't allow the access) (*)
258   - access to a missing translation
259   - access to a protected translation
260     - when logging dirty pages, memory is write protected
261     - synchronized shadow pages are write protected (*)
262   - access to untranslatable memory (mmio)
264   (*) not applicable in direct mode
266 Handling a page fault is performed as follows:
268  - if needed, walk the guest page tables to determine the guest translation
269    (gva->gpa or ngpa->gpa)
270    - if permissions are insufficient, reflect the fault back to the guest
271  - determine the host page
272    - if this is an mmio request, there is no host page; call the emulator
273      to emulate the instruction instead
274  - walk the shadow page table to find the spte for the translation,
275    instantiating missing intermediate page tables as necessary
276  - try to unsynchronize the page
277    - if successful, we can let the guest continue and modify the gpte
278  - emulate the instruction
279    - if failed, unshadow the page and let the guest continue
280  - update any translations that were modified by the instruction
282 invlpg handling:
284   - walk the shadow page hierarchy and drop affected translations
285   - try to reinstantiate the indicated translation in the hope that the
286     guest will use it in the near future
288 Guest control register updates:
290 - mov to cr3
291   - look up new shadow roots
292   - synchronize newly reachable shadow pages
294 - mov to cr0/cr4/efer
295   - set up mmu context for new paging mode
296   - look up new shadow roots
297   - synchronize newly reachable shadow pages
299 Host translation updates:
301   - mmu notifier called with updated hva
302   - look up affected sptes through reverse map
303   - drop (or update) translations
305 Emulating cr0.wp
306 ================
308 If tdp is not enabled, the host must keep cr0.wp=1 so page write protection
309 works for the guest kernel, not guest guest userspace.  When the guest
310 cr0.wp=1, this does not present a problem.  However when the guest cr0.wp=0,
311 we cannot map the permissions for gpte.u=1, gpte.w=0 to any spte (the
312 semantics require allowing any guest kernel access plus user read access).
314 We handle this by mapping the permissions to two possible sptes, depending
315 on fault type:
317 - kernel write fault: spte.u=0, spte.w=1 (allows full kernel access,
318   disallows user access)
319 - read fault: spte.u=1, spte.w=0 (allows full read access, disallows kernel
320   write access)
322 (user write faults generate a #PF)
324 In the first case there is an additional complication if CR4.SMEP is
325 enabled: since we've turned the page into a kernel page, the kernel may now
326 execute it.  We handle this by also setting spte.nx.  If we get a user
327 fetch or read fault, we'll change spte.u=1 and spte.nx=gpte.nx back.
329 To prevent an spte that was converted into a kernel page with cr0.wp=0
330 from being written by the kernel after cr0.wp has changed to 1, we make
331 the value of cr0.wp part of the page role.  This means that an spte created
332 with one value of cr0.wp cannot be used when cr0.wp has a different value -
333 it will simply be missed by the shadow page lookup code.  A similar issue
334 exists when an spte created with cr0.wp=0 and cr4.smep=0 is used after
335 changing cr4.smep to 1.  To avoid this, the value of !cr0.wp && cr4.smep
336 is also made a part of the page role.
338 Large pages
339 ===========
341 The mmu supports all combinations of large and small guest and host pages.
342 Supported page sizes include 4k, 2M, 4M, and 1G.  4M pages are treated as
343 two separate 2M pages, on both guest and host, since the mmu always uses PAE
344 paging.
346 To instantiate a large spte, four constraints must be satisfied:
348 - the spte must point to a large host page
349 - the guest pte must be a large pte of at least equivalent size (if tdp is
350   enabled, there is no guest pte and this condition is satisified)
351 - if the spte will be writeable, the large page frame may not overlap any
352   write-protected pages
353 - the guest page must be wholly contained by a single memory slot
355 To check the last two conditions, the mmu maintains a ->write_count set of
356 arrays for each memory slot and large page size.  Every write protected page
357 causes its write_count to be incremented, thus preventing instantiation of
358 a large spte.  The frames at the end of an unaligned memory slot have
359 artificically inflated ->write_counts so they can never be instantiated.
361 Further reading
362 ===============
364 - NPT presentation from KVM Forum 2008
365   http://www.linux-kvm.org/wiki/images/c/c8/KvmForum2008%24kdf2008_21.pdf