Documentation/scheduler/schedutil.rst

   1 =========
   2 Schedutil
   3 =========
   4
   5 .. note::
   6
   7    All this assumes a linear relation between frequency and work capacity,
   8    we know this is flawed, but it is the best workable approximation.
   9
  10
  11 PELT (Per Entity Load Tracking)
  12 ===============================
  13
  14 With PELT we track some metrics across the various scheduler entities, from
  15 individual tasks to task-group slices to CPU runqueues. As the basis for this
  16 we use an Exponentially Weighted Moving Average (EWMA), each period (1024us)
  17 is decayed such that y^32 = 0.5. That is, the most recent 32ms contribute
  18 half, while the rest of history contribute the other half.
  19
  20 Specifically:
  21
  22   ewma_sum(u) := u_0 + u_1*y + u_2*y^2 + ...
  23
  24   ewma(u) = ewma_sum(u) / ewma_sum(1)
  25
  26 Since this is essentially a progression of an infinite geometric series, the
  27 results are composable, that is ewma(A) + ewma(B) = ewma(A+B). This property
  28 is key, since it gives the ability to recompose the averages when tasks move
  29 around.
  30
  31 Note that blocked tasks still contribute to the aggregates (task-group slices
  32 and CPU runqueues), which reflects their expected contribution when they
  33 resume running.
  34
  35 Using this we track 2 key metrics: 'running' and 'runnable'. 'Running'
  36 reflects the time an entity spends on the CPU, while 'runnable' reflects the
  37 time an entity spends on the runqueue. When there is only a single task these
  38 two metrics are the same, but once there is contention for the CPU 'running'
  39 will decrease to reflect the fraction of time each task spends on the CPU
  40 while 'runnable' will increase to reflect the amount of contention.
  41
  42 For more detail see: kernel/sched/pelt.c
  43
  44
  45 Frequency / CPU Invariance
  46 ==========================
  47
  48 Because consuming the CPU for 50% at 1GHz is not the same as consuming the CPU
  49 for 50% at 2GHz, nor is running 50% on a LITTLE CPU the same as running 50% on
  50 a big CPU, we allow architectures to scale the time delta with two ratios, one
  51 Dynamic Voltage and Frequency Scaling (DVFS) ratio and one microarch ratio.
  52
  53 For simple DVFS architectures (where software is in full control) we trivially
  54 compute the ratio as::
  55
  56             f_cur
  57   r_dvfs := -----
  58             f_max
  59
  60 For more dynamic systems where the hardware is in control of DVFS we use
  61 hardware counters (Intel APERF/MPERF, ARMv8.4-AMU) to provide us this ratio.
  62 For Intel specifically, we use::
  63
  64            APERF
  65   f_cur := ----- * P0
  66            MPERF
  67
  68              4C-turbo;  if available and turbo enabled
  69   f_max := { 1C-turbo;  if turbo enabled
  70              P0;        otherwise
  71
  72                     f_cur
  73   r_dvfs := min( 1, ----- )
  74                     f_max
  75
  76 We pick 4C turbo over 1C turbo to make it slightly more sustainable.
  77
  78 r_cpu is determined as the ratio of highest performance level of the current
  79 CPU vs the highest performance level of any other CPU in the system.
  80
  81   r_tot = r_dvfs * r_cpu
  82
  83 The result is that the above 'running' and 'runnable' metrics become invariant
  84 of DVFS and CPU type. IOW. we can transfer and compare them between CPUs.
  85
  86 For more detail see:
  87
  88  - kernel/sched/pelt.h:update_rq_clock_pelt()
  89  - arch/x86/kernel/smpboot.c:"APERF/MPERF frequency ratio computation."
  90  - Documentation/scheduler/sched-capacity.rst:"1. CPU Capacity + 2. Task utilization"
  91
  92
  93 UTIL_EST / UTIL_EST_FASTUP
  94 ==========================
  95
  96 Because periodic tasks have their averages decayed while they sleep, even
  97 though when running their expected utilization will be the same, they suffer a
  98 (DVFS) ramp-up after they are running again.
  99
 100 To alleviate this (a default enabled option) UTIL_EST drives an Infinite
 101 Impulse Response (IIR) EWMA with the 'running' value on dequeue -- when it is
 102 highest. A further default enabled option UTIL_EST_FASTUP modifies the IIR
 103 filter to instantly increase and only decay on decrease.
 104
 105 A further runqueue wide sum (of runnable tasks) is maintained of:
 106
 107   util_est := \Sum_t max( t_running, t_util_est_ewma )
 108
 109 For more detail see: kernel/sched/fair.c:util_est_dequeue()
 110
 111
 112 UCLAMP
 113 ======
 114
 115 It is possible to set effective u_min and u_max clamps on each CFS or RT task;
 116 the runqueue keeps an max aggregate of these clamps for all running tasks.
 117
 118 For more detail see: include/uapi/linux/sched/types.h
 119
 120
 121 Schedutil / DVFS
 122 ================
 123
 124 Every time the scheduler load tracking is updated (task wakeup, task
 125 migration, time progression) we call out to schedutil to update the hardware
 126 DVFS state.
 127
 128 The basis is the CPU runqueue's 'running' metric, which per the above it is
 129 the frequency invariant utilization estimate of the CPU. From this we compute
 130 a desired frequency like::
 131
 132              max( running, util_est );  if UTIL_EST
 133   u_cfs := { running;                   otherwise
 134
 135                clamp( u_cfs + u_rt , u_min, u_max );    if UCLAMP_TASK
 136   u_clamp := { u_cfs + u_rt;                            otherwise
 137
 138   u := u_clamp + u_irq + u_dl;          [approx. see source for more detail]
 139
 140   f_des := min( f_max, 1.25 u * f_max )
 141
 142 XXX IO-wait: when the update is due to a task wakeup from IO-completion we
 143 boost 'u' above.
 144
 145 This frequency is then used to select a P-state/OPP or directly munged into a
 146 CPPC style request to the hardware.
 147
 148 XXX: deadline tasks (Sporadic Task Model) allows us to calculate a hard f_min
 149 required to satisfy the workload.
 150
 151 Because these callbacks are directly from the scheduler, the DVFS hardware
 152 interaction should be 'fast' and non-blocking. Schedutil supports
 153 rate-limiting DVFS requests for when hardware interaction is slow and
 154 expensive, this reduces effectiveness.
 155
 156 For more information see: kernel/sched/cpufreq_schedutil.c
 157
 158
 159 NOTES
 160 =====
 161
 162  - On low-load scenarios, where DVFS is most relevant, the 'running' numbers
 163    will closely reflect utilization.
 164
 165  - In saturated scenarios task movement will cause some transient dips,
 166    suppose we have a CPU saturated with 4 tasks, then when we migrate a task
 167    to an idle CPU, the old CPU will have a 'running' value of 0.75 while the
 168    new CPU will gain 0.25. This is inevitable and time progression will
 169    correct this. XXX do we still guarantee f_max due to no idle-time?
 170
 171  - Much of the above is about avoiding DVFS dips, and independent DVFS domains
 172    having to re-learn / ramp-up when load shifts.
 173