kernel/sched/psi.c

   1 // SPDX-License-Identifier: GPL-2.0
   2 /*
   3  * Pressure stall information for CPU, memory and IO
   4  *
   5  * Copyright (c) 2018 Facebook, Inc.
   6  * Author: Johannes Weiner <[email protected]>
   7  *
   8  * Polling support by Suren Baghdasaryan <[email protected]>
   9  * Copyright (c) 2018 Google, Inc.
  10  *
  11  * When CPU, memory and IO are contended, tasks experience delays that
  12  * reduce throughput and introduce latencies into the workload. Memory
  13  * and IO contention, in addition, can cause a full loss of forward
  14  * progress in which the CPU goes idle.
  15  *
  16  * This code aggregates individual task delays into resource pressure
  17  * metrics that indicate problems with both workload health and
  18  * resource utilization.
  19  *
  20  *                      Model
  21  *
  22  * The time in which a task can execute on a CPU is our baseline for
  23  * productivity. Pressure expresses the amount of time in which this
  24  * potential cannot be realized due to resource contention.
  25  *
  26  * This concept of productivity has two components: the workload and
  27  * the CPU. To measure the impact of pressure on both, we define two
  28  * contention states for a resource: SOME and FULL.
  29  *
  30  * In the SOME state of a given resource, one or more tasks are
  31  * delayed on that resource. This affects the workload's ability to
  32  * perform work, but the CPU may still be executing other tasks.
  33  *
  34  * In the FULL state of a given resource, all non-idle tasks are
  35  * delayed on that resource such that nobody is advancing and the CPU
  36  * goes idle. This leaves both workload and CPU unproductive.
  37  *
  38  *      SOME = nr_delayed_tasks != 0
  39  *      FULL = nr_delayed_tasks != 0 && nr_productive_tasks == 0
  40  *
  41  * What it means for a task to be productive is defined differently
  42  * for each resource. For IO, productive means a running task. For
  43  * memory, productive means a running task that isn't a reclaimer. For
  44  * CPU, productive means an oncpu task.
  45  *
  46  * Naturally, the FULL state doesn't exist for the CPU resource at the
  47  * system level, but exist at the cgroup level. At the cgroup level,
  48  * FULL means all non-idle tasks in the cgroup are delayed on the CPU
  49  * resource which is being used by others outside of the cgroup or
  50  * throttled by the cgroup cpu.max configuration.
  51  *
  52  * The percentage of wallclock time spent in those compound stall
  53  * states gives pressure numbers between 0 and 100 for each resource,
  54  * where the SOME percentage indicates workload slowdowns and the FULL
  55  * percentage indicates reduced CPU utilization:
  56  *
  57  *      %SOME = time(SOME) / period
  58  *      %FULL = time(FULL) / period
  59  *
  60  *                      Multiple CPUs
  61  *
  62  * The more tasks and available CPUs there are, the more work can be
  63  * performed concurrently. This means that the potential that can go
  64  * unrealized due to resource contention *also* scales with non-idle
  65  * tasks and CPUs.
  66  *
  67  * Consider a scenario where 257 number crunching tasks are trying to
  68  * run concurrently on 256 CPUs. If we simply aggregated the task
  69  * states, we would have to conclude a CPU SOME pressure number of
  70  * 100%, since *somebody* is waiting on a runqueue at all
  71  * times. However, that is clearly not the amount of contention the
  72  * workload is experiencing: only one out of 256 possible execution
  73  * threads will be contended at any given time, or about 0.4%.
  74  *
  75  * Conversely, consider a scenario of 4 tasks and 4 CPUs where at any
  76  * given time *one* of the tasks is delayed due to a lack of memory.
  77  * Again, looking purely at the task state would yield a memory FULL
  78  * pressure number of 0%, since *somebody* is always making forward
  79  * progress. But again this wouldn't capture the amount of execution
  80  * potential lost, which is 1 out of 4 CPUs, or 25%.
  81  *
  82  * To calculate wasted potential (pressure) with multiple processors,
  83  * we have to base our calculation on the number of non-idle tasks in
  84  * conjunction with the number of available CPUs, which is the number
  85  * of potential execution threads. SOME becomes then the proportion of
  86  * delayed tasks to possible threads, and FULL is the share of possible
  87  * threads that are unproductive due to delays:
  88  *
  89  *      threads = min(nr_nonidle_tasks, nr_cpus)
  90  *         SOME = min(nr_delayed_tasks / threads, 1)
  91  *         FULL = (threads - min(nr_productive_tasks, threads)) / threads
  92  *
  93  * For the 257 number crunchers on 256 CPUs, this yields:
  94  *
  95  *      threads = min(257, 256)
  96  *         SOME = min(1 / 256, 1)             = 0.4%
  97  *         FULL = (256 - min(256, 256)) / 256 = 0%
  98  *
  99  * For the 1 out of 4 memory-delayed tasks, this yields:
 100  *
 101  *      threads = min(4, 4)
 102  *         SOME = min(1 / 4, 1)               = 25%
 103  *         FULL = (4 - min(3, 4)) / 4         = 25%
 104  *
 105  * [ Substitute nr_cpus with 1, and you can see that it's a natural
 106  *   extension of the single-CPU model. ]
 107  *
 108  *                      Implementation
 109  *
 110  * To assess the precise time spent in each such state, we would have
 111  * to freeze the system on task changes and start/stop the state
 112  * clocks accordingly. Obviously that doesn't scale in practice.
 113  *
 114  * Because the scheduler aims to distribute the compute load evenly
 115  * among the available CPUs, we can track task state locally to each
 116  * CPU and, at much lower frequency, extrapolate the global state for
 117  * the cumulative stall times and the running averages.
 118  *
 119  * For each runqueue, we track:
 120  *
 121  *         tSOME[cpu] = time(nr_delayed_tasks[cpu] != 0)
 122  *         tFULL[cpu] = time(nr_delayed_tasks[cpu] && !nr_productive_tasks[cpu])
 123  *      tNONIDLE[cpu] = time(nr_nonidle_tasks[cpu] != 0)
 124  *
 125  * and then periodically aggregate:
 126  *
 127  *      tNONIDLE = sum(tNONIDLE[i])
 128  *
 129  *         tSOME = sum(tSOME[i] * tNONIDLE[i]) / tNONIDLE
 130  *         tFULL = sum(tFULL[i] * tNONIDLE[i]) / tNONIDLE
 131  *
 132  *         %SOME = tSOME / period
 133  *         %FULL = tFULL / period
 134  *
 135  * This gives us an approximation of pressure that is practical
 136  * cost-wise, yet way more sensitive and accurate than periodic
 137  * sampling of the aggregate task states would be.
 138  */
 139
 140 #include "../workqueue_internal.h"
 141 #include <linux/sched/loadavg.h>
 142 #include <linux/seq_file.h>
 143 #include <linux/proc_fs.h>
 144 #include <linux/seqlock.h>
 145 #include <linux/uaccess.h>
 146 #include <linux/cgroup.h>
 147 #include <linux/module.h>
 148 #include <linux/sched.h>
 149 #include <linux/ctype.h>
 150 #include <linux/file.h>
 151 #include <linux/poll.h>
 152 #include <linux/psi.h>
 153 #include "sched.h"
 154
 155 static int psi_bug __read_mostly;
 156
 157 DEFINE_STATIC_KEY_FALSE(psi_disabled);
 158 DEFINE_STATIC_KEY_TRUE(psi_cgroups_enabled);
 159
 160 #ifdef CONFIG_PSI_DEFAULT_DISABLED
 161 static bool psi_enable;
 162 #else
 163 static bool psi_enable = true;
 164 #endif
 165 static int __init setup_psi(char *str)
 166 {
 167         return kstrtobool(str, &psi_enable) == 0;
 168 }
 169 __setup("psi=", setup_psi);
 170
 171 /* Running averages - we need to be higher-res than loadavg */
 172 #define PSI_FREQ        (2*HZ+1)        /* 2 sec intervals */
 173 #define EXP_10s         1677            /* 1/exp(2s/10s) as fixed-point */
 174 #define EXP_60s         1981            /* 1/exp(2s/60s) */
 175 #define EXP_300s        2034            /* 1/exp(2s/300s) */
 176
 177 /* PSI trigger definitions */
 178 #define WINDOW_MIN_US 500000    /* Min window size is 500ms */
 179 #define WINDOW_MAX_US 10000000  /* Max window size is 10s */
 180 #define UPDATES_PER_WINDOW 10   /* 10 updates per window */
 181
 182 /* Sampling frequency in nanoseconds */
 183 static u64 psi_period __read_mostly;
 184
 185 /* System-level pressure and stall tracking */
 186 static DEFINE_PER_CPU(struct psi_group_cpu, system_group_pcpu);
 187 struct psi_group psi_system = {
 188         .pcpu = &system_group_pcpu,
 189 };
 190
 191 static void psi_avgs_work(struct work_struct *work);
 192
 193 static void poll_timer_fn(struct timer_list *t);
 194
 195 static void group_init(struct psi_group *group)
 196 {
 197         int cpu;
 198
 199         for_each_possible_cpu(cpu)
 200                 seqcount_init(&per_cpu_ptr(group->pcpu, cpu)->seq);
 201         group->avg_last_update = sched_clock();
 202         group->avg_next_update = group->avg_last_update + psi_period;
 203         INIT_DELAYED_WORK(&group->avgs_work, psi_avgs_work);
 204         mutex_init(&group->avgs_lock);
 205         /* Init trigger-related members */
 206         mutex_init(&group->trigger_lock);
 207         INIT_LIST_HEAD(&group->triggers);
 208         memset(group->nr_triggers, 0, sizeof(group->nr_triggers));
 209         group->poll_states = 0;
 210         group->poll_min_period = U32_MAX;
 211         memset(group->polling_total, 0, sizeof(group->polling_total));
 212         group->polling_next_update = ULLONG_MAX;
 213         group->polling_until = 0;
 214         init_waitqueue_head(&group->poll_wait);
 215         timer_setup(&group->poll_timer, poll_timer_fn, 0);
 216         rcu_assign_pointer(group->poll_task, NULL);
 217 }
 218
 219 void __init psi_init(void)
 220 {
 221         if (!psi_enable) {
 222                 static_branch_enable(&psi_disabled);
 223                 return;
 224         }
 225
 226         if (!cgroup_psi_enabled())
 227                 static_branch_disable(&psi_cgroups_enabled);
 228
 229         psi_period = jiffies_to_nsecs(PSI_FREQ);
 230         group_init(&psi_system);
 231 }
 232
 233 static bool test_state(unsigned int *tasks, enum psi_states state)
 234 {
 235         switch (state) {
 236         case PSI_IO_SOME:
 237                 return unlikely(tasks[NR_IOWAIT]);
 238         case PSI_IO_FULL:
 239                 return unlikely(tasks[NR_IOWAIT] && !tasks[NR_RUNNING]);
 240         case PSI_MEM_SOME:
 241                 return unlikely(tasks[NR_MEMSTALL]);
 242         case PSI_MEM_FULL:
 243                 return unlikely(tasks[NR_MEMSTALL] &&
 244                         tasks[NR_RUNNING] == tasks[NR_MEMSTALL_RUNNING]);
 245         case PSI_CPU_SOME:
 246                 return unlikely(tasks[NR_RUNNING] > tasks[NR_ONCPU]);
 247         case PSI_CPU_FULL:
 248                 return unlikely(tasks[NR_RUNNING] && !tasks[NR_ONCPU]);
 249         case PSI_NONIDLE:
 250                 return tasks[NR_IOWAIT] || tasks[NR_MEMSTALL] ||
 251                         tasks[NR_RUNNING];
 252         default:
 253                 return false;
 254         }
 255 }
 256
 257 static void get_recent_times(struct psi_group *group, int cpu,
 258                              enum psi_aggregators aggregator, u32 *times,
 259                              u32 *pchanged_states)
 260 {
 261         struct psi_group_cpu *groupc = per_cpu_ptr(group->pcpu, cpu);
 262         u64 now, state_start;
 263         enum psi_states s;
 264         unsigned int seq;
 265         u32 state_mask;
 266
 267         *pchanged_states = 0;
 268
 269         /* Snapshot a coherent view of the CPU state */
 270         do {
 271                 seq = read_seqcount_begin(&groupc->seq);
 272                 now = cpu_clock(cpu);
 273                 memcpy(times, groupc->times, sizeof(groupc->times));
 274                 state_mask = groupc->state_mask;
 275                 state_start = groupc->state_start;
 276         } while (read_seqcount_retry(&groupc->seq, seq));
 277
 278         /* Calculate state time deltas against the previous snapshot */
 279         for (s = 0; s < NR_PSI_STATES; s++) {
 280                 u32 delta;
 281                 /*
 282                  * In addition to already concluded states, we also
 283                  * incorporate currently active states on the CPU,
 284                  * since states may last for many sampling periods.
 285                  *
 286                  * This way we keep our delta sampling buckets small
 287                  * (u32) and our reported pressure close to what's
 288                  * actually happening.
 289                  */
 290                 if (state_mask & (1 << s))
 291                         times[s] += now - state_start;
 292
 293                 delta = times[s] - groupc->times_prev[aggregator][s];
 294                 groupc->times_prev[aggregator][s] = times[s];
 295
 296                 times[s] = delta;
 297                 if (delta)
 298                         *pchanged_states |= (1 << s);
 299         }
 300 }
 301
 302 static void calc_avgs(unsigned long avg[3], int missed_periods,
 303                       u64 time, u64 period)
 304 {
 305         unsigned long pct;
 306
 307         /* Fill in zeroes for periods of no activity */
 308         if (missed_periods) {
 309                 avg[0] = calc_load_n(avg[0], EXP_10s, 0, missed_periods);
 310                 avg[1] = calc_load_n(avg[1], EXP_60s, 0, missed_periods);
 311                 avg[2] = calc_load_n(avg[2], EXP_300s, 0, missed_periods);
 312         }
 313
 314         /* Sample the most recent active period */
 315         pct = div_u64(time * 100, period);
 316         pct *= FIXED_1;
 317         avg[0] = calc_load(avg[0], EXP_10s, pct);
 318         avg[1] = calc_load(avg[1], EXP_60s, pct);
 319         avg[2] = calc_load(avg[2], EXP_300s, pct);
 320 }
 321
 322 static void collect_percpu_times(struct psi_group *group,
 323                                  enum psi_aggregators aggregator,
 324                                  u32 *pchanged_states)
 325 {
 326         u64 deltas[NR_PSI_STATES - 1] = { 0, };
 327         unsigned long nonidle_total = 0;
 328         u32 changed_states = 0;
 329         int cpu;
 330         int s;
 331
 332         /*
 333          * Collect the per-cpu time buckets and average them into a
 334          * single time sample that is normalized to wallclock time.
 335          *
 336          * For averaging, each CPU is weighted by its non-idle time in
 337          * the sampling period. This eliminates artifacts from uneven
 338          * loading, or even entirely idle CPUs.
 339          */
 340         for_each_possible_cpu(cpu) {
 341                 u32 times[NR_PSI_STATES];
 342                 u32 nonidle;
 343                 u32 cpu_changed_states;
 344
 345                 get_recent_times(group, cpu, aggregator, times,
 346                                 &cpu_changed_states);
 347                 changed_states |= cpu_changed_states;
 348
 349                 nonidle = nsecs_to_jiffies(times[PSI_NONIDLE]);
 350                 nonidle_total += nonidle;
 351
 352                 for (s = 0; s < PSI_NONIDLE; s++)
 353                         deltas[s] += (u64)times[s] * nonidle;
 354         }
 355
 356         /*
 357          * Integrate the sample into the running statistics that are
 358          * reported to userspace: the cumulative stall times and the
 359          * decaying averages.
 360          *
 361          * Pressure percentages are sampled at PSI_FREQ. We might be
 362          * called more often when the user polls more frequently than
 363          * that; we might be called less often when there is no task
 364          * activity, thus no data, and clock ticks are sporadic. The
 365          * below handles both.
 366          */
 367
 368         /* total= */
 369         for (s = 0; s < NR_PSI_STATES - 1; s++)
 370                 group->total[aggregator][s] +=
 371                                 div_u64(deltas[s], max(nonidle_total, 1UL));
 372
 373         if (pchanged_states)
 374                 *pchanged_states = changed_states;
 375 }
 376
 377 static u64 update_averages(struct psi_group *group, u64 now)
 378 {
 379         unsigned long missed_periods = 0;
 380         u64 expires, period;
 381         u64 avg_next_update;
 382         int s;
 383
 384         /* avgX= */
 385         expires = group->avg_next_update;
 386         if (now - expires >= psi_period)
 387                 missed_periods = div_u64(now - expires, psi_period);
 388
 389         /*
 390          * The periodic clock tick can get delayed for various
 391          * reasons, especially on loaded systems. To avoid clock
 392          * drift, we schedule the clock in fixed psi_period intervals.
 393          * But the deltas we sample out of the per-cpu buckets above
 394          * are based on the actual time elapsing between clock ticks.
 395          */
 396         avg_next_update = expires + ((1 + missed_periods) * psi_period);
 397         period = now - (group->avg_last_update + (missed_periods * psi_period));
 398         group->avg_last_update = now;
 399
 400         for (s = 0; s < NR_PSI_STATES - 1; s++) {
 401                 u32 sample;
 402
 403                 sample = group->total[PSI_AVGS][s] - group->avg_total[s];
 404                 /*
 405                  * Due to the lockless sampling of the time buckets,
 406                  * recorded time deltas can slip into the next period,
 407                  * which under full pressure can result in samples in
 408                  * excess of the period length.
 409                  *
 410                  * We don't want to report non-sensical pressures in
 411                  * excess of 100%, nor do we want to drop such events
 412                  * on the floor. Instead we punt any overage into the
 413                  * future until pressure subsides. By doing this we
 414                  * don't underreport the occurring pressure curve, we
 415                  * just report it delayed by one period length.
 416                  *
 417                  * The error isn't cumulative. As soon as another
 418                  * delta slips from a period P to P+1, by definition
 419                  * it frees up its time T in P.
 420                  */
 421                 if (sample > period)
 422                         sample = period;
 423                 group->avg_total[s] += sample;
 424                 calc_avgs(group->avg[s], missed_periods, sample, period);
 425         }
 426
 427         return avg_next_update;
 428 }
 429
 430 static void psi_avgs_work(struct work_struct *work)
 431 {
 432         struct delayed_work *dwork;
 433         struct psi_group *group;
 434         u32 changed_states;
 435         bool nonidle;
 436         u64 now;
 437
 438         dwork = to_delayed_work(work);
 439         group = container_of(dwork, struct psi_group, avgs_work);
 440
 441         mutex_lock(&group->avgs_lock);
 442
 443         now = sched_clock();
 444
 445         collect_percpu_times(group, PSI_AVGS, &changed_states);
 446         nonidle = changed_states & (1 << PSI_NONIDLE);
 447         /*
 448          * If there is task activity, periodically fold the per-cpu
 449          * times and feed samples into the running averages. If things
 450          * are idle and there is no data to process, stop the clock.
 451          * Once restarted, we'll catch up the running averages in one
 452          * go - see calc_avgs() and missed_periods.
 453          */
 454         if (now >= group->avg_next_update)
 455                 group->avg_next_update = update_averages(group, now);
 456
 457         if (nonidle) {
 458                 schedule_delayed_work(dwork, nsecs_to_jiffies(
 459                                 group->avg_next_update - now) + 1);
 460         }
 461
 462         mutex_unlock(&group->avgs_lock);
 463 }
 464
 465 /* Trigger tracking window manipulations */
 466 static void window_reset(struct psi_window *win, u64 now, u64 value,
 467                          u64 prev_growth)
 468 {
 469         win->start_time = now;
 470         win->start_value = value;
 471         win->prev_growth = prev_growth;
 472 }
 473
 474 /*
 475  * PSI growth tracking window update and growth calculation routine.
 476  *
 477  * This approximates a sliding tracking window by interpolating
 478  * partially elapsed windows using historical growth data from the
 479  * previous intervals. This minimizes memory requirements (by not storing
 480  * all the intermediate values in the previous window) and simplifies
 481  * the calculations. It works well because PSI signal changes only in
 482  * positive direction and over relatively small window sizes the growth
 483  * is close to linear.
 484  */
 485 static u64 window_update(struct psi_window *win, u64 now, u64 value)
 486 {
 487         u64 elapsed;
 488         u64 growth;
 489
 490         elapsed = now - win->start_time;
 491         growth = value - win->start_value;
 492         /*
 493          * After each tracking window passes win->start_value and
 494          * win->start_time get reset and win->prev_growth stores
 495          * the average per-window growth of the previous window.
 496          * win->prev_growth is then used to interpolate additional
 497          * growth from the previous window assuming it was linear.
 498          */
 499         if (elapsed > win->size)
 500                 window_reset(win, now, value, growth);
 501         else {
 502                 u32 remaining;
 503
 504                 remaining = win->size - elapsed;
 505                 growth += div64_u64(win->prev_growth * remaining, win->size);
 506         }
 507
 508         return growth;
 509 }
 510
 511 static void init_triggers(struct psi_group *group, u64 now)
 512 {
 513         struct psi_trigger *t;
 514
 515         list_for_each_entry(t, &group->triggers, node)
 516                 window_reset(&t->win, now,
 517                                 group->total[PSI_POLL][t->state], 0);
 518         memcpy(group->polling_total, group->total[PSI_POLL],
 519                    sizeof(group->polling_total));
 520         group->polling_next_update = now + group->poll_min_period;
 521 }
 522
 523 static u64 update_triggers(struct psi_group *group, u64 now)
 524 {
 525         struct psi_trigger *t;
 526         bool new_stall = false;
 527         u64 *total = group->total[PSI_POLL];
 528
 529         /*
 530          * On subsequent updates, calculate growth deltas and let
 531          * watchers know when their specified thresholds are exceeded.
 532          */
 533         list_for_each_entry(t, &group->triggers, node) {
 534                 u64 growth;
 535
 536                 /* Check for stall activity */
 537                 if (group->polling_total[t->state] == total[t->state])
 538                         continue;
 539
 540                 /*
 541                  * Multiple triggers might be looking at the same state,
 542                  * remember to update group->polling_total[] once we've
 543                  * been through all of them. Also remember to extend the
 544                  * polling time if we see new stall activity.
 545                  */
 546                 new_stall = true;
 547
 548                 /* Calculate growth since last update */
 549                 growth = window_update(&t->win, now, total[t->state]);
 550                 if (growth < t->threshold)
 551                         continue;
 552
 553                 /* Limit event signaling to once per window */
 554                 if (now < t->last_event_time + t->win.size)
 555                         continue;
 556
 557                 /* Generate an event */
 558                 if (cmpxchg(&t->event, 0, 1) == 0)
 559                         wake_up_interruptible(&t->event_wait);
 560                 t->last_event_time = now;
 561         }
 562
 563         if (new_stall)
 564                 memcpy(group->polling_total, total,
 565                                 sizeof(group->polling_total));
 566
 567         return now + group->poll_min_period;
 568 }
 569
 570 /* Schedule polling if it's not already scheduled. */
 571 static void psi_schedule_poll_work(struct psi_group *group, unsigned long delay)
 572 {
 573         struct task_struct *task;
 574
 575         /*
 576          * Do not reschedule if already scheduled.
 577          * Possible race with a timer scheduled after this check but before
 578          * mod_timer below can be tolerated because group->polling_next_update
 579          * will keep updates on schedule.
 580          */
 581         if (timer_pending(&group->poll_timer))
 582                 return;
 583
 584         rcu_read_lock();
 585
 586         task = rcu_dereference(group->poll_task);
 587         /*
 588          * kworker might be NULL in case psi_trigger_destroy races with
 589          * psi_task_change (hotpath) which can't use locks
 590          */
 591         if (likely(task))
 592                 mod_timer(&group->poll_timer, jiffies + delay);
 593
 594         rcu_read_unlock();
 595 }
 596
 597 static void psi_poll_work(struct psi_group *group)
 598 {
 599         u32 changed_states;
 600         u64 now;
 601
 602         mutex_lock(&group->trigger_lock);
 603
 604         now = sched_clock();
 605
 606         collect_percpu_times(group, PSI_POLL, &changed_states);
 607
 608         if (changed_states & group->poll_states) {
 609                 /* Initialize trigger windows when entering polling mode */
 610                 if (now > group->polling_until)
 611                         init_triggers(group, now);
 612
 613                 /*
 614                  * Keep the monitor active for at least the duration of the
 615                  * minimum tracking window as long as monitor states are
 616                  * changing.
 617                  */
 618                 group->polling_until = now +
 619                         group->poll_min_period * UPDATES_PER_WINDOW;
 620         }
 621
 622         if (now > group->polling_until) {
 623                 group->polling_next_update = ULLONG_MAX;
 624                 goto out;
 625         }
 626
 627         if (now >= group->polling_next_update)
 628                 group->polling_next_update = update_triggers(group, now);
 629
 630         psi_schedule_poll_work(group,
 631                 nsecs_to_jiffies(group->polling_next_update - now) + 1);
 632
 633 out:
 634         mutex_unlock(&group->trigger_lock);
 635 }
 636
 637 static int psi_poll_worker(void *data)
 638 {
 639         struct psi_group *group = (struct psi_group *)data;
 640
 641         sched_set_fifo_low(current);
 642
 643         while (true) {
 644                 wait_event_interruptible(group->poll_wait,
 645                                 atomic_cmpxchg(&group->poll_wakeup, 1, 0) ||
 646                                 kthread_should_stop());
 647                 if (kthread_should_stop())
 648                         break;
 649
 650                 psi_poll_work(group);
 651         }
 652         return 0;
 653 }
 654
 655 static void poll_timer_fn(struct timer_list *t)
 656 {
 657         struct psi_group *group = from_timer(group, t, poll_timer);
 658
 659         atomic_set(&group->poll_wakeup, 1);
 660         wake_up_interruptible(&group->poll_wait);
 661 }
 662
 663 static void record_times(struct psi_group_cpu *groupc, u64 now)
 664 {
 665         u32 delta;
 666
 667         delta = now - groupc->state_start;
 668         groupc->state_start = now;
 669
 670         if (groupc->state_mask & (1 << PSI_IO_SOME)) {
 671                 groupc->times[PSI_IO_SOME] += delta;
 672                 if (groupc->state_mask & (1 << PSI_IO_FULL))
 673                         groupc->times[PSI_IO_FULL] += delta;
 674         }
 675
 676         if (groupc->state_mask & (1 << PSI_MEM_SOME)) {
 677                 groupc->times[PSI_MEM_SOME] += delta;
 678                 if (groupc->state_mask & (1 << PSI_MEM_FULL))
 679                         groupc->times[PSI_MEM_FULL] += delta;
 680         }
 681
 682         if (groupc->state_mask & (1 << PSI_CPU_SOME)) {
 683                 groupc->times[PSI_CPU_SOME] += delta;
 684                 if (groupc->state_mask & (1 << PSI_CPU_FULL))
 685                         groupc->times[PSI_CPU_FULL] += delta;
 686         }
 687
 688         if (groupc->state_mask & (1 << PSI_NONIDLE))
 689                 groupc->times[PSI_NONIDLE] += delta;
 690 }
 691
 692 static void psi_group_change(struct psi_group *group, int cpu,
 693                              unsigned int clear, unsigned int set, u64 now,
 694                              bool wake_clock)
 695 {
 696         struct psi_group_cpu *groupc;
 697         u32 state_mask = 0;
 698         unsigned int t, m;
 699         enum psi_states s;
 700
 701         groupc = per_cpu_ptr(group->pcpu, cpu);
 702
 703         /*
 704          * First we assess the aggregate resource states this CPU's
 705          * tasks have been in since the last change, and account any
 706          * SOME and FULL time these may have resulted in.
 707          *
 708          * Then we update the task counts according to the state
 709          * change requested through the @clear and @set bits.
 710          */
 711         write_seqcount_begin(&groupc->seq);
 712
 713         record_times(groupc, now);
 714
 715         for (t = 0, m = clear; m; m &= ~(1 << t), t++) {
 716                 if (!(m & (1 << t)))
 717                         continue;
 718                 if (groupc->tasks[t]) {
 719                         groupc->tasks[t]--;
 720                 } else if (!psi_bug) {
 721                         printk_deferred(KERN_ERR "psi: task underflow! cpu=%d t=%d tasks=[%u %u %u %u %u] clear=%x set=%x\n",
 722                                         cpu, t, groupc->tasks[0],
 723                                         groupc->tasks[1], groupc->tasks[2],
 724                                         groupc->tasks[3], groupc->tasks[4],
 725                                         clear, set);
 726                         psi_bug = 1;
 727                 }
 728         }
 729
 730         for (t = 0; set; set &= ~(1 << t), t++)
 731                 if (set & (1 << t))
 732                         groupc->tasks[t]++;
 733
 734         /* Calculate state mask representing active states */
 735         for (s = 0; s < NR_PSI_STATES; s++) {
 736                 if (test_state(groupc->tasks, s))
 737                         state_mask |= (1 << s);
 738         }
 739
 740         /*
 741          * Since we care about lost potential, a memstall is FULL
 742          * when there are no other working tasks, but also when
 743          * the CPU is actively reclaiming and nothing productive
 744          * could run even if it were runnable. So when the current
 745          * task in a cgroup is in_memstall, the corresponding groupc
 746          * on that cpu is in PSI_MEM_FULL state.
 747          */
 748         if (unlikely(groupc->tasks[NR_ONCPU] && cpu_curr(cpu)->in_memstall))
 749                 state_mask |= (1 << PSI_MEM_FULL);
 750
 751         groupc->state_mask = state_mask;
 752
 753         write_seqcount_end(&groupc->seq);
 754
 755         if (state_mask & group->poll_states)
 756                 psi_schedule_poll_work(group, 1);
 757
 758         if (wake_clock && !delayed_work_pending(&group->avgs_work))
 759                 schedule_delayed_work(&group->avgs_work, PSI_FREQ);
 760 }
 761
 762 static struct psi_group *iterate_groups(struct task_struct *task, void **iter)
 763 {
 764         if (*iter == &psi_system)
 765                 return NULL;
 766
 767 #ifdef CONFIG_CGROUPS
 768         if (static_branch_likely(&psi_cgroups_enabled)) {
 769                 struct cgroup *cgroup = NULL;
 770
 771                 if (!*iter)
 772                         cgroup = task->cgroups->dfl_cgrp;
 773                 else
 774                         cgroup = cgroup_parent(*iter);
 775
 776                 if (cgroup && cgroup_parent(cgroup)) {
 777                         *iter = cgroup;
 778                         return cgroup_psi(cgroup);
 779                 }
 780         }
 781 #endif
 782         *iter = &psi_system;
 783         return &psi_system;
 784 }
 785
 786 static void psi_flags_change(struct task_struct *task, int clear, int set)
 787 {
 788         if (((task->psi_flags & set) ||
 789              (task->psi_flags & clear) != clear) &&
 790             !psi_bug) {
 791                 printk_deferred(KERN_ERR "psi: inconsistent task state! task=%d:%s cpu=%d psi_flags=%x clear=%x set=%x\n",
 792                                 task->pid, task->comm, task_cpu(task),
 793                                 task->psi_flags, clear, set);
 794                 psi_bug = 1;
 795         }
 796
 797         task->psi_flags &= ~clear;
 798         task->psi_flags |= set;
 799 }
 800
 801 void psi_task_change(struct task_struct *task, int clear, int set)
 802 {
 803         int cpu = task_cpu(task);
 804         struct psi_group *group;
 805         bool wake_clock = true;
 806         void *iter = NULL;
 807         u64 now;
 808
 809         if (!task->pid)
 810                 return;
 811
 812         psi_flags_change(task, clear, set);
 813
 814         now = cpu_clock(cpu);
 815         /*
 816          * Periodic aggregation shuts off if there is a period of no
 817          * task changes, so we wake it back up if necessary. However,
 818          * don't do this if the task change is the aggregation worker
 819          * itself going to sleep, or we'll ping-pong forever.
 820          */
 821         if (unlikely((clear & TSK_RUNNING) &&
 822                      (task->flags & PF_WQ_WORKER) &&
 823                      wq_worker_last_func(task) == psi_avgs_work))
 824                 wake_clock = false;
 825
 826         while ((group = iterate_groups(task, &iter)))
 827                 psi_group_change(group, cpu, clear, set, now, wake_clock);
 828 }
 829
 830 void psi_task_switch(struct task_struct *prev, struct task_struct *next,
 831                      bool sleep)
 832 {
 833         struct psi_group *group, *common = NULL;
 834         int cpu = task_cpu(prev);
 835         void *iter;
 836         u64 now = cpu_clock(cpu);
 837
 838         if (next->pid) {
 839                 bool identical_state;
 840
 841                 psi_flags_change(next, 0, TSK_ONCPU);
 842                 /*
 843                  * When switching between tasks that have an identical
 844                  * runtime state, the cgroup that contains both tasks
 845                  * we reach the first common ancestor. Iterate @next's
 846                  * ancestors only until we encounter @prev's ONCPU.
 847                  */
 848                 identical_state = prev->psi_flags == next->psi_flags;
 849                 iter = NULL;
 850                 while ((group = iterate_groups(next, &iter))) {
 851                         if (identical_state &&
 852                             per_cpu_ptr(group->pcpu, cpu)->tasks[NR_ONCPU]) {
 853                                 common = group;
 854                                 break;
 855                         }
 856
 857                         psi_group_change(group, cpu, 0, TSK_ONCPU, now, true);
 858                 }
 859         }
 860
 861         if (prev->pid) {
 862                 int clear = TSK_ONCPU, set = 0;
 863
 864                 /*
 865                  * When we're going to sleep, psi_dequeue() lets us
 866                  * handle TSK_RUNNING, TSK_MEMSTALL_RUNNING and
 867                  * TSK_IOWAIT here, where we can combine it with
 868                  * TSK_ONCPU and save walking common ancestors twice.
 869                  */
 870                 if (sleep) {
 871                         clear |= TSK_RUNNING;
 872                         if (prev->in_memstall)
 873                                 clear |= TSK_MEMSTALL_RUNNING;
 874                         if (prev->in_iowait)
 875                                 set |= TSK_IOWAIT;
 876                 }
 877
 878                 psi_flags_change(prev, clear, set);
 879
 880                 iter = NULL;
 881                 while ((group = iterate_groups(prev, &iter)) && group != common)
 882                         psi_group_change(group, cpu, clear, set, now, true);
 883
 884                 /*
 885                  * TSK_ONCPU is handled up to the common ancestor. If we're tasked
 886                  * with dequeuing too, finish that for the rest of the hierarchy.
 887                  */
 888                 if (sleep) {
 889                         clear &= ~TSK_ONCPU;
 890                         for (; group; group = iterate_groups(prev, &iter))
 891                                 psi_group_change(group, cpu, clear, set, now, true);
 892                 }
 893         }
 894 }
 895
 896 /**
 897  * psi_memstall_enter - mark the beginning of a memory stall section
 898  * @flags: flags to handle nested sections
 899  *
 900  * Marks the calling task as being stalled due to a lack of memory,
 901  * such as waiting for a refault or performing reclaim.
 902  */
 903 void psi_memstall_enter(unsigned long *flags)
 904 {
 905         struct rq_flags rf;
 906         struct rq *rq;
 907
 908         if (static_branch_likely(&psi_disabled))
 909                 return;
 910
 911         *flags = current->in_memstall;
 912         if (*flags)
 913                 return;
 914         /*
 915          * in_memstall setting & accounting needs to be atomic wrt
 916          * changes to the task's scheduling state, otherwise we can
 917          * race with CPU migration.
 918          */
 919         rq = this_rq_lock_irq(&rf);
 920
 921         current->in_memstall = 1;
 922         psi_task_change(current, 0, TSK_MEMSTALL | TSK_MEMSTALL_RUNNING);
 923
 924         rq_unlock_irq(rq, &rf);
 925 }
 926
 927 /**
 928  * psi_memstall_leave - mark the end of an memory stall section
 929  * @flags: flags to handle nested memdelay sections
 930  *
 931  * Marks the calling task as no longer stalled due to lack of memory.
 932  */
 933 void psi_memstall_leave(unsigned long *flags)
 934 {
 935         struct rq_flags rf;
 936         struct rq *rq;
 937
 938         if (static_branch_likely(&psi_disabled))
 939                 return;
 940
 941         if (*flags)
 942                 return;
 943         /*
 944          * in_memstall clearing & accounting needs to be atomic wrt
 945          * changes to the task's scheduling state, otherwise we could
 946          * race with CPU migration.
 947          */
 948         rq = this_rq_lock_irq(&rf);
 949
 950         current->in_memstall = 0;
 951         psi_task_change(current, TSK_MEMSTALL | TSK_MEMSTALL_RUNNING, 0);
 952
 953         rq_unlock_irq(rq, &rf);
 954 }
 955
 956 #ifdef CONFIG_CGROUPS
 957 int psi_cgroup_alloc(struct cgroup *cgroup)
 958 {
 959         if (static_branch_likely(&psi_disabled))
 960                 return 0;
 961
 962         cgroup->psi.pcpu = alloc_percpu(struct psi_group_cpu);
 963         if (!cgroup->psi.pcpu)
 964                 return -ENOMEM;
 965         group_init(&cgroup->psi);
 966         return 0;
 967 }
 968
 969 void psi_cgroup_free(struct cgroup *cgroup)
 970 {
 971         if (static_branch_likely(&psi_disabled))
 972                 return;
 973
 974         cancel_delayed_work_sync(&cgroup->psi.avgs_work);
 975         free_percpu(cgroup->psi.pcpu);
 976         /* All triggers must be removed by now */
 977         WARN_ONCE(cgroup->psi.poll_states, "psi: trigger leak\n");
 978 }
 979
 980 /**
 981  * cgroup_move_task - move task to a different cgroup
 982  * @task: the task
 983  * @to: the target css_set
 984  *
 985  * Move task to a new cgroup and safely migrate its associated stall
 986  * state between the different groups.
 987  *
 988  * This function acquires the task's rq lock to lock out concurrent
 989  * changes to the task's scheduling state and - in case the task is
 990  * running - concurrent changes to its stall state.
 991  */
 992 void cgroup_move_task(struct task_struct *task, struct css_set *to)
 993 {
 994         unsigned int task_flags;
 995         struct rq_flags rf;
 996         struct rq *rq;
 997
 998         if (static_branch_likely(&psi_disabled)) {
 999                 /*
1000                  * Lame to do this here, but the scheduler cannot be locked
1001                  * from the outside, so we move cgroups from inside sched/.
1002                  */
1003                 rcu_assign_pointer(task->cgroups, to);
1004                 return;
1005         }
1006
1007         rq = task_rq_lock(task, &rf);
1008
1009         /*
1010          * We may race with schedule() dropping the rq lock between
1011          * deactivating prev and switching to next. Because the psi
1012          * updates from the deactivation are deferred to the switch
1013          * callback to save cgroup tree updates, the task's scheduling
1014          * state here is not coherent with its psi state:
1015          *
1016          * schedule()                   cgroup_move_task()
1017          *   rq_lock()
1018          *   deactivate_task()
1019          *     p->on_rq = 0
1020          *     psi_dequeue() // defers TSK_RUNNING & TSK_IOWAIT updates
1021          *   pick_next_task()
1022          *     rq_unlock()
1023          *                                rq_lock()
1024          *                                psi_task_change() // old cgroup
1025          *                                task->cgroups = to
1026          *                                psi_task_change() // new cgroup
1027          *                                rq_unlock()
1028          *     rq_lock()
1029          *   psi_sched_switch() // does deferred updates in new cgroup
1030          *
1031          * Don't rely on the scheduling state. Use psi_flags instead.
1032          */
1033         task_flags = task->psi_flags;
1034
1035         if (task_flags)
1036                 psi_task_change(task, task_flags, 0);
1037
1038         /* See comment above */
1039         rcu_assign_pointer(task->cgroups, to);
1040
1041         if (task_flags)
1042                 psi_task_change(task, 0, task_flags);
1043
1044         task_rq_unlock(rq, task, &rf);
1045 }
1046 #endif /* CONFIG_CGROUPS */
1047
1048 int psi_show(struct seq_file *m, struct psi_group *group, enum psi_res res)
1049 {
1050         int full;
1051         u64 now;
1052
1053         if (static_branch_likely(&psi_disabled))
1054                 return -EOPNOTSUPP;
1055
1056         /* Update averages before reporting them */
1057         mutex_lock(&group->avgs_lock);
1058         now = sched_clock();
1059         collect_percpu_times(group, PSI_AVGS, NULL);
1060         if (now >= group->avg_next_update)
1061                 group->avg_next_update = update_averages(group, now);
1062         mutex_unlock(&group->avgs_lock);
1063
1064         for (full = 0; full < 2; full++) {
1065                 unsigned long avg[3];
1066                 u64 total;
1067                 int w;
1068
1069                 for (w = 0; w < 3; w++)
1070                         avg[w] = group->avg[res * 2 + full][w];
1071                 total = div_u64(group->total[PSI_AVGS][res * 2 + full],
1072                                 NSEC_PER_USEC);
1073
1074                 seq_printf(m, "%s avg10=%lu.%02lu avg60=%lu.%02lu avg300=%lu.%02lu total=%llu\n",
1075                            full ? "full" : "some",
1076                            LOAD_INT(avg[0]), LOAD_FRAC(avg[0]),
1077                            LOAD_INT(avg[1]), LOAD_FRAC(avg[1]),
1078                            LOAD_INT(avg[2]), LOAD_FRAC(avg[2]),
1079                            total);
1080         }
1081
1082         return 0;
1083 }
1084
1085 static int psi_io_show(struct seq_file *m, void *v)
1086 {
1087         return psi_show(m, &psi_system, PSI_IO);
1088 }
1089
1090 static int psi_memory_show(struct seq_file *m, void *v)
1091 {
1092         return psi_show(m, &psi_system, PSI_MEM);
1093 }
1094
1095 static int psi_cpu_show(struct seq_file *m, void *v)
1096 {
1097         return psi_show(m, &psi_system, PSI_CPU);
1098 }
1099
1100 static int psi_open(struct file *file, int (*psi_show)(struct seq_file *, void *))
1101 {
1102         if (file->f_mode & FMODE_WRITE && !capable(CAP_SYS_RESOURCE))
1103                 return -EPERM;
1104
1105         return single_open(file, psi_show, NULL);
1106 }
1107
1108 static int psi_io_open(struct inode *inode, struct file *file)
1109 {
1110         return psi_open(file, psi_io_show);
1111 }
1112
1113 static int psi_memory_open(struct inode *inode, struct file *file)
1114 {
1115         return psi_open(file, psi_memory_show);
1116 }
1117
1118 static int psi_cpu_open(struct inode *inode, struct file *file)
1119 {
1120         return psi_open(file, psi_cpu_show);
1121 }
1122
1123 struct psi_trigger *psi_trigger_create(struct psi_group *group,
1124                         char *buf, size_t nbytes, enum psi_res res)
1125 {
1126         struct psi_trigger *t;
1127         enum psi_states state;
1128         u32 threshold_us;
1129         u32 window_us;
1130
1131         if (static_branch_likely(&psi_disabled))
1132                 return ERR_PTR(-EOPNOTSUPP);
1133
1134         if (sscanf(buf, "some %u %u", &threshold_us, &window_us) == 2)
1135                 state = PSI_IO_SOME + res * 2;
1136         else if (sscanf(buf, "full %u %u", &threshold_us, &window_us) == 2)
1137                 state = PSI_IO_FULL + res * 2;
1138         else
1139                 return ERR_PTR(-EINVAL);
1140
1141         if (state >= PSI_NONIDLE)
1142                 return ERR_PTR(-EINVAL);
1143
1144         if (window_us < WINDOW_MIN_US ||
1145                 window_us > WINDOW_MAX_US)
1146                 return ERR_PTR(-EINVAL);
1147
1148         /* Check threshold */
1149         if (threshold_us == 0 || threshold_us > window_us)
1150                 return ERR_PTR(-EINVAL);
1151
1152         t = kmalloc(sizeof(*t), GFP_KERNEL);
1153         if (!t)
1154                 return ERR_PTR(-ENOMEM);
1155
1156         t->group = group;
1157         t->state = state;
1158         t->threshold = threshold_us * NSEC_PER_USEC;
1159         t->win.size = window_us * NSEC_PER_USEC;
1160         window_reset(&t->win, 0, 0, 0);
1161
1162         t->event = 0;
1163         t->last_event_time = 0;
1164         init_waitqueue_head(&t->event_wait);
1165
1166         mutex_lock(&group->trigger_lock);
1167
1168         if (!rcu_access_pointer(group->poll_task)) {
1169                 struct task_struct *task;
1170
1171                 task = kthread_create(psi_poll_worker, group, "psimon");
1172                 if (IS_ERR(task)) {
1173                         kfree(t);
1174                         mutex_unlock(&group->trigger_lock);
1175                         return ERR_CAST(task);
1176                 }
1177                 atomic_set(&group->poll_wakeup, 0);
1178                 wake_up_process(task);
1179                 rcu_assign_pointer(group->poll_task, task);
1180         }
1181
1182         list_add(&t->node, &group->triggers);
1183         group->poll_min_period = min(group->poll_min_period,
1184                 div_u64(t->win.size, UPDATES_PER_WINDOW));
1185         group->nr_triggers[t->state]++;
1186         group->poll_states |= (1 << t->state);
1187
1188         mutex_unlock(&group->trigger_lock);
1189
1190         return t;
1191 }
1192
1193 void psi_trigger_destroy(struct psi_trigger *t)
1194 {
1195         struct psi_group *group;
1196         struct task_struct *task_to_destroy = NULL;
1197
1198         /*
1199          * We do not check psi_disabled since it might have been disabled after
1200          * the trigger got created.
1201          */
1202         if (!t)
1203                 return;
1204
1205         group = t->group;
1206         /*
1207          * Wakeup waiters to stop polling. Can happen if cgroup is deleted
1208          * from under a polling process.
1209          */
1210         wake_up_interruptible(&t->event_wait);
1211
1212         mutex_lock(&group->trigger_lock);
1213
1214         if (!list_empty(&t->node)) {
1215                 struct psi_trigger *tmp;
1216                 u64 period = ULLONG_MAX;
1217
1218                 list_del(&t->node);
1219                 group->nr_triggers[t->state]--;
1220                 if (!group->nr_triggers[t->state])
1221                         group->poll_states &= ~(1 << t->state);
1222                 /* reset min update period for the remaining triggers */
1223                 list_for_each_entry(tmp, &group->triggers, node)
1224                         period = min(period, div_u64(tmp->win.size,
1225                                         UPDATES_PER_WINDOW));
1226                 group->poll_min_period = period;
1227                 /* Destroy poll_task when the last trigger is destroyed */
1228                 if (group->poll_states == 0) {
1229                         group->polling_until = 0;
1230                         task_to_destroy = rcu_dereference_protected(
1231                                         group->poll_task,
1232                                         lockdep_is_held(&group->trigger_lock));
1233                         rcu_assign_pointer(group->poll_task, NULL);
1234                         del_timer(&group->poll_timer);
1235                 }
1236         }
1237
1238         mutex_unlock(&group->trigger_lock);
1239
1240         /*
1241          * Wait for psi_schedule_poll_work RCU to complete its read-side
1242          * critical section before destroying the trigger and optionally the
1243          * poll_task.
1244          */
1245         synchronize_rcu();
1246         /*
1247          * Stop kthread 'psimon' after releasing trigger_lock to prevent a
1248          * deadlock while waiting for psi_poll_work to acquire trigger_lock
1249          */
1250         if (task_to_destroy) {
1251                 /*
1252                  * After the RCU grace period has expired, the worker
1253                  * can no longer be found through group->poll_task.
1254                  */
1255                 kthread_stop(task_to_destroy);
1256         }
1257         kfree(t);
1258 }
1259
1260 __poll_t psi_trigger_poll(void **trigger_ptr,
1261                                 struct file *file, poll_table *wait)
1262 {
1263         __poll_t ret = DEFAULT_POLLMASK;
1264         struct psi_trigger *t;
1265
1266         if (static_branch_likely(&psi_disabled))
1267                 return DEFAULT_POLLMASK | EPOLLERR | EPOLLPRI;
1268
1269         t = smp_load_acquire(trigger_ptr);
1270         if (!t)
1271                 return DEFAULT_POLLMASK | EPOLLERR | EPOLLPRI;
1272
1273         poll_wait(file, &t->event_wait, wait);
1274
1275         if (cmpxchg(&t->event, 1, 0) == 1)
1276                 ret |= EPOLLPRI;
1277
1278         return ret;
1279 }
1280
1281 static ssize_t psi_write(struct file *file, const char __user *user_buf,
1282                          size_t nbytes, enum psi_res res)
1283 {
1284         char buf[32];
1285         size_t buf_size;
1286         struct seq_file *seq;
1287         struct psi_trigger *new;
1288
1289         if (static_branch_likely(&psi_disabled))
1290                 return -EOPNOTSUPP;
1291
1292         if (!nbytes)
1293                 return -EINVAL;
1294
1295         buf_size = min(nbytes, sizeof(buf));
1296         if (copy_from_user(buf, user_buf, buf_size))
1297                 return -EFAULT;
1298
1299         buf[buf_size - 1] = '\0';
1300
1301         seq = file->private_data;
1302
1303         /* Take seq->lock to protect seq->private from concurrent writes */
1304         mutex_lock(&seq->lock);
1305
1306         /* Allow only one trigger per file descriptor */
1307         if (seq->private) {
1308                 mutex_unlock(&seq->lock);
1309                 return -EBUSY;
1310         }
1311
1312         new = psi_trigger_create(&psi_system, buf, nbytes, res);
1313         if (IS_ERR(new)) {
1314                 mutex_unlock(&seq->lock);
1315                 return PTR_ERR(new);
1316         }
1317
1318         smp_store_release(&seq->private, new);
1319         mutex_unlock(&seq->lock);
1320
1321         return nbytes;
1322 }
1323
1324 static ssize_t psi_io_write(struct file *file, const char __user *user_buf,
1325                             size_t nbytes, loff_t *ppos)
1326 {
1327         return psi_write(file, user_buf, nbytes, PSI_IO);
1328 }
1329
1330 static ssize_t psi_memory_write(struct file *file, const char __user *user_buf,
1331                                 size_t nbytes, loff_t *ppos)
1332 {
1333         return psi_write(file, user_buf, nbytes, PSI_MEM);
1334 }
1335
1336 static ssize_t psi_cpu_write(struct file *file, const char __user *user_buf,
1337                              size_t nbytes, loff_t *ppos)
1338 {
1339         return psi_write(file, user_buf, nbytes, PSI_CPU);
1340 }
1341
1342 static __poll_t psi_fop_poll(struct file *file, poll_table *wait)
1343 {
1344         struct seq_file *seq = file->private_data;
1345
1346         return psi_trigger_poll(&seq->private, file, wait);
1347 }
1348
1349 static int psi_fop_release(struct inode *inode, struct file *file)
1350 {
1351         struct seq_file *seq = file->private_data;
1352
1353         psi_trigger_destroy(seq->private);
1354         return single_release(inode, file);
1355 }
1356
1357 static const struct proc_ops psi_io_proc_ops = {
1358         .proc_open      = psi_io_open,
1359         .proc_read      = seq_read,
1360         .proc_lseek     = seq_lseek,
1361         .proc_write     = psi_io_write,
1362         .proc_poll      = psi_fop_poll,
1363         .proc_release   = psi_fop_release,
1364 };
1365
1366 static const struct proc_ops psi_memory_proc_ops = {
1367         .proc_open      = psi_memory_open,
1368         .proc_read      = seq_read,
1369         .proc_lseek     = seq_lseek,
1370         .proc_write     = psi_memory_write,
1371         .proc_poll      = psi_fop_poll,
1372         .proc_release   = psi_fop_release,
1373 };
1374
1375 static const struct proc_ops psi_cpu_proc_ops = {
1376         .proc_open      = psi_cpu_open,
1377         .proc_read      = seq_read,
1378         .proc_lseek     = seq_lseek,
1379         .proc_write     = psi_cpu_write,
1380         .proc_poll      = psi_fop_poll,
1381         .proc_release   = psi_fop_release,
1382 };
1383
1384 static int __init psi_proc_init(void)
1385 {
1386         if (psi_enable) {
1387                 proc_mkdir("pressure", NULL);
1388                 proc_create("pressure/io", 0666, NULL, &psi_io_proc_ops);
1389                 proc_create("pressure/memory", 0666, NULL, &psi_memory_proc_ops);
1390                 proc_create("pressure/cpu", 0666, NULL, &psi_cpu_proc_ops);
1391         }
1392         return 0;
1393 }
1394 module_init(psi_proc_init);