利用tracepoint梳理調度器框架及主要流程

靜態(tài)tracepoint預埋在內核的關鍵位置, 通過這些預埋的tracepoint, 可以比較容易梳理出相關模塊的框架及主要流程. 相比于直接鉆到scheduler的實現(xiàn)細節(jié)中去, 我們先通過tracepoint及其相關工具去理解實現(xiàn)背后的邏輯, 細節(jié)總是不停變化, 而分析方法往往相對固定, 也更容易沉淀下來.

Tracepoint分類

通過perf命令可以列出系統(tǒng)所有的tracepoint:

$ sudo perf list | grep sched: sched:sched_kthread_stop [Tracepoint event] sched:sched_kthread_stop_ret [Tracepoint event] sched:sched_migrate_task [Tracepoint event] sched:sched_move_numa [Tracepoint event] sched:sched_pi_setprio [Tracepoint event] sched:sched_process_exec [Tracepoint event] sched:sched_process_exit [Tracepoint event] sched:sched_process_fork [Tracepoint event] sched:sched_process_free [Tracepoint event] sched:sched_process_hang [Tracepoint event] sched:sched_process_wait [Tracepoint event] sched:sched_stat_blocked [Tracepoint event] sched:sched_stat_iowait [Tracepoint event] sched:sched_stat_runtime [Tracepoint event] sched:sched_stat_sleep [Tracepoint event] sched:sched_stat_wait [Tracepoint event] sched:sched_stick_numa [Tracepoint event] sched:sched_swap_numa [Tracepoint event] sched:sched_switch [Tracepoint event] sched:sched_wait_task [Tracepoint event] sched:sched_wake_idle_without_ipi [Tracepoint event] sched:sched_wakeup [Tracepoint event] sched:sched_wakeup_new [Tracepoint event] sched:sched_waking [Tracepoint event]

核心tracepoint

sched_switch

sched_wakeup

sched_waking

sched_migrate_task

Stat類型

該類型的tracepoint額外帶有delay的時間

sched_stat_blocked

sched_stat_iowait

sched_stat_runtime

sched_stat_sleep

sched_stat_wait

其他

sched_kthread_stop, sched_kthread_stop_ret. 在kthread_stop時產(chǎn)生, 一般不是scheduler性能調試的重點

sched_move_numa, sched_swap_numa, sched_stick_numa. NUMA相關, 從性能分析角度上看, 它們必須在我們的checklist中, 一定程度可以把它們當作是異常(USE)

sched_pi_setprio. 用于實現(xiàn)rt_mutex的優(yōu)先級繼承, 比如用在futex上.

sched_process_exec, sched_process_exit, sched_process_fork, sched_process_free. 進程相關的主要事件

sched_process_hang. 進程hang

sched_process_wait. 等子進程的狀態(tài)變化

sched_wait_task. 等待其他任務unschedule, 比如用于ptrace.

sched_wake_idle_without_ipi. 如果target cpu上的任務設置了TIF_POLLING_NRFLAG標記 (只有idle進程會設置), 這樣idle進程自己去poll TIF_NEED_RESCHED, 這樣就不用發(fā)ipi中斷去通知了

sched_wakeup_new. 同sched_wakeup, 但針對的是新創(chuàng)建的任務

核心Tracepoint

sched_switch

當調度器決定schedule另一個task運行的時候, 也就是任務切換的時候, 會觸發(fā)該tracepoint. 核心邏輯如下:

__schedule next = pick_next_task(rq, prev, &rf); if (likely(prev != next)) trace_sched_switch(preempt, prev, next); rq = context_switch(rq, prev, next, &rf);

我們稍微關注以下context_switch里面的切棧操作:

switch_to(prev, next, prev); prev = __switch_to_asm((prev), (next))); pushq %rbp, %rbx, %r12, %13, %14, %15 /* Save callee-saved registers */ movq %rsp, TASK_threadsp(%rdi) movq TASK_threadsp(%rsi), %rsp /* switch stack */ popq %15, %14, %13, %12, %rbx, %rbp /* restore callee-saved registers */ jmp __switch_to struct task_struct *__switch_to(struct task_struct *prev, struct task_struct *next);

注意這里的__switch_to_asm傳入了prev, 又返回了prev, 看似沒有必要, 但是因為context_switch函數(shù)涉及到2個task, 在切棧之前是A, 切棧之后就變成B了

對于切棧前的task A來說, prev指的就是A本身

對于切棧后的task B來說, prev指的還必須是A, switch到B之后還需要更新A的信息. 這里通過函數(shù)調用巧妙解決了2個task之間變量的傳遞.

ULK引入3個task來解釋switch_to, 我認為反而復雜了.

sched_wakeup / sched_waking

內核會通過try_to_wake_up把任務喚醒, 這會涉及到這sched_wakeup和sched_waking兩個tracepoint.

try_to_wake_up if (p == current) ... trace_sched_waking(p); if (p->on_rq && ttwu_remote(p, wake_flags)) goto unlock; rq = __task_rq_lock(p, &rf); if (task_on_rq_queued(p)) ret = 1; ttwu_do_wakeup(rq, p, wake_flags, &rf); check_preempt_curr(rq, p, wake_flags); p->state = TASK_RUNNING; trace_sched_wakeup(p); p->state = TASK_WAKING; cpu = select_task_rq(p, p->wake_cpu, SD_BALANCE_WAKE, wake_flags); if (task_cpu(p) != cpu) wake_flags |= WF_MIGRATED; set_task_cpu(p, cpu); ttwu_queue(p, cpu, wake_flags); return ttwu_queue_remote(p, cpu, wake_flags); if (sched_feat(TTWU_QUEUE) && !cpus_share_cache(smp_processor_id(), cpu)) if (llist_add(&p->wake_entry, &cpu_rq(cpu)->wake_list)) smp_send_reschedule(cpu); if (!set_nr_if_polling(rq->idle)) scheduler_ipi sched_ttwu_pending(); ttwu_do_activate(rq, p, p->sched_remote_wakeup ? WF_MIGRATED : 0, &rf); rq = cpu_rq(cpu); rq_lock(rq, &rf); ttwu_do_activate(rq, p, wake_flags, &rf); activate_task(rq, p, en_flags); enqueue_task(rq, p, flags); for_each_sched_entity(se) break; if (se->on_rq) enqueue_entity(cfs_rq, se, flags); update_curr(cfs_rq); update_stats_enqueue(cfs_rq, se, flags); __enqueue_entity(cfs_rq, se); if (!curr) se->on_rq = 1; p->on_rq = TASK_ON_RQ_QUEUED; ttwu_do_wakeup(rq, p, wake_flags, rf); check_preempt_curr(rq, p, wake_flags); p->state = TASK_RUNNING; trace_sched_wakeup(p);

上面需要關注的點:

可以喚醒current task

喚醒on_rq的task比較直接, 在sched_waking和sched_wakeup之間的時間非常短

當需要遷移到其他cpu時會有2種方案

通過ipi給target cpu發(fā)送中斷, 在中斷處理函數(shù)中完成wakeup的后面部分

直接在當前cpu上操作target cpu, 所以需要先執(zhí)行rq_lock操作, 可能會有鎖沖突

從上面可以看出, sched_waking和sched_wakeup在wakeup task過程中肯定都會發(fā)生, sched_waking事件在ttwu開始的時候觸發(fā), 而sched_wakeup在ttwu結束的時候觸發(fā). 一般情況下, 這2個tracepoint觸發(fā)的時間非常靠近, 但是不排除中間會有較大gap.

sched_migrate_task

從資源的角度看, 只有系統(tǒng)中存在多個同類資源(這里是cpu), 為了最大化資源利用率, 就會涉及到migration. 從性能角度看, 這個的影響是比較大的, 也是性能調試的時候必須關注的, migration有沒有及時, migration會不會太多 (locality).

Stat類型

為了使用stat類型的tracepoint, 我們需要先enable.

# sysctl kernel.sched_schedstats kernel.sched_schedstats = 0 # sysctl -w kernel.sched_schedstats=1 kernel.sched_schedstats = 1

stat_iowait / stat_sleep / stat_blocked

update_stats_dequeue if (tsk->state & TASK_INTERRUPTIBLE) __schedstat_set(se->statistics.sleep_start, rq_clock(rq_of(cfs_rq))); if (tsk->state & TASK_UNINTERRUPTIBLE) __schedstat_set(se->statistics.block_start, rq_clock(rq_of(cfs_rq))); update_stats_enqueue update_stats_enqueue_sleeper(cfs_rq, se); if (flags & ENQUEUE_WAKEUP) if (sleep_start) trace_sched_stat_sleep(tsk, delta); if (block_start) trace_sched_stat_iowait(tsk, delta); if (tsk->in_iowait) trace_sched_stat_blocked(tsk, delta);

stat_sleep用于記錄TASK_INTERRUPTIBLE的時間

stat_blocked用于記錄TASK_UNINTERRUPTIBLE的時間

stat_iowait用于iowait的場景, 這種情況下stat_iowait和stat_blocked值是一樣的

stat_wait

stat_wait和上面的stat不一樣的地方在于, stat_wait更反映調度器本身的執(zhí)行情況.

update_stats_wait_start() wait_start = rq_clock(rq_of(cfs_rq)); __schedstat_set(se->statistics.wait_start, wait_start); update_stats_wait_end delta = rq_clock(rq_of(cfs_rq)) - schedstat_val(se->statistics.wait_start); trace_sched_stat_wait(p, delta); if (entity_is_task(se))

wait的起始時間wait_start. 任務狀態(tài)切到runnable, 但是不能馬上在cpu上執(zhí)行

task被搶占了, 那么wait_start就是搶占點. put_prev_entity并且prev->on_rq成立

task喚醒的時候, 從enqueue_entity進入

wait的結束時間

任務馬上要在cpu上執(zhí)行了, set_next_entity

任務enqueue后壓根沒能在該cpu上執(zhí)行就被dequeue了, update_stats_dequeue

stat_runtime

記錄任務的執(zhí)行時間, 包括runtime, vruntime

Scheduler框架

__schedule()的主要邏輯

if (!preempt && prev->state) if (signal_pending_state(prev->state, prev)) prev->state = TASK_RUNNING; else deactivate_task(rq, prev, DEQUEUE_SLEEP | DEQUEUE_NOCLOCK); p->on_rq = (flags & DEQUEUE_SLEEP) ? 0 : TASK_ON_RQ_MIGRATING; dequeue_task(rq, p, flags); p->sched_class->dequeue_task(rq, p, flags); dequeue_entity(cfs_rq, se, flags); update_stats_dequeue(cfs_rq, se, flags); __dequeue_entity(cfs_rq, se); if (se != cfs_rq->curr) // 在move_queued_task中, moved task可能不是curr rb_erase_cached(&se->run_node, &cfs_rq->tasks_timeline); se->on_rq = 0; next = pick_next_task(rq, prev, &rf); fair_sched_class.pick_next_task(rq, prev, rf); // pick_next_task_fair put_prev_task(rq, prev); if (prev) put_prev_entity(cfs_rq, se); if (prev->on_rq) update_curr(cfs_rq); update_stats_wait_start(cfs_rq, prev); __enqueue_entity(cfs_rq, prev); cfs_rq->curr = NULL; se = pick_next_entity(cfs_rq, NULL); set_next_entity(cfs_rq, se); if (se->on_rq) // 什么時候不on_rq? update_stats_wait_end(cfs_rq, se); trace_sched_stat_wait(p, delta); __dequeue_entity(cfs_rq, se); // 'current' is not kept within the tree. update_stats_curr_start(cfs_rq, se); se->exec_start = rq_clock_task(rq_of(cfs_rq)); cfs_rq->curr = se; if (likely(prev != next)) trace_sched_switch(preempt, prev, next); rq = context_switch(rq, prev, next, &rf);

性能調試

即使不是調度器的開發(fā)者, 有的時候也需要能夠對調度器進行調試, 比如應用開發(fā)者或者系統(tǒng)管理員, 升級內核后性能退化, 修改線程模型后性能不滿足預期等, 最終可能只需要動某個調度器的參數(shù)而已, 但是前提是能夠定位到這個參數(shù).

sched map

只要抓取sched:sched_switch一個tracepoint, 就可以抓到系統(tǒng)所有的切換事件, 以下perf sched map的輸出:

前面每列代表一個cpu, 后面2列是事件發(fā)生的時間戳和任務縮寫的映射

點(.)表示cpu在idle

星號(*)表示有事件發(fā)生

. . . *J0 . . 40302.714499 secs J0 => containerd:1125 . . . J0 . *K0 40302.714507 secs K0 => containerd:1094 . . . J0 . *. 40302.714515 secs . . . *. . . 40302.714517 secs . . . . *L0 . 40302.714522 secs L0 => containerd:1121 . . . . *. . 40302.714527 secs . . . . . *K0 40302.714583 secs . . . . . *. 40302.714586 secs . . *M0 . . . 40302.738012 secs M0 => cron:911 . . *. . . . 40302.738043 secs . . . . . *N0 40302.802649 secs N0 => kworker/5706 . . . . . *. 40302.802657 secs . . . . *O0 . 40302.818889 secs O0 => chrome:1370

sched timehist

該命令可以獲得task的wait time, 特別地, 還能拿到sch delay. timehist統(tǒng)計的sch delay是通過sched_switch和sched_wakeup計算出來的, 而不是上面的stat_wait.

/* * Explanation of delta-time stats: * * t = time of current schedule out event * tprev = time of previous sched out event * also time of schedule-in event for current task * last_time = time of last sched change event for current task * (i.e, time process was last scheduled out) * ready_to_run = time of wakeup for current task * * -----|------------|------------|------------|------ * last ready tprev t * time to run * * |-------- dt_wait --------| * |- dt_delay -|-- dt_run --| * * dt_run = run time of current task * dt_wait = time between last schedule out event for task and tprev * represents time spent off the cpu * dt_delay = time between wakeup and schedule-in of task */ time cpu task name wait time sch delay run time [tid/pid] (msec) (msec) (msec) --------------- ------ ------------------------------ --------- --------- --------- 43721.001384 [0001] 0.000 0.000 0.000 43721.001401 [0001] avahi-daemon[950] 0.000 0.000 0.017 43721.001451 [0000] 0.000 0.000 0.000 43721.001468 [0000] Chrome_IOThread[2401/2383] 0.000 0.000 0.016 43721.001516 [0004] 0.000 0.000 0.000

sched latency

這里的delay同timehist的sch delay.

# perf sched latency -s max ----------------------------------------------------------------------------------------------------------------- Task | Runtime ms | Switches | Average delay ms | Maximum delay ms | Maximum delay at | ----------------------------------------------------------------------------------------------------------------- rcu_preempt:11 | 0.323 ms | 13 | avg: 0.020 ms | max: 0.141 ms | max at: 43721.824102 s kworker/110084 | 0.636 ms | 7 | avg: 0.047 ms | max: 0.141 ms | max at: 43721.716104 s ThreadPoolForeg:(3) | 1.148 ms | 20 | avg: 0.012 ms | max: 0.139 ms | max at: 43721.797089 s containerd:(7) | 1.863 ms | 46 | avg: 0.012 ms | max: 0.070 ms | max at: 43721.068446 s gnome-shell:1612 | 2.517 ms | 16 | avg: 0.011 ms | max: 0.054 ms | max at: 43721.982652 s

perf inject

通過關聯(lián)以下2個tracepoint, 我們可以得到任務sleep的時長及其對應的callchain

sched_iowait/sleep/blocked. 獲得sleep的時長

sched_switch. 獲得調用棧

commit 26a031e136f4f8dc82c64df48cca0eb3b5d3eb4f Author: Andrew Vagin Date: Tue Aug 7 1604 2012 +0400 perf inject: Merge sched_stat_* and sched_switch events You may want to know where and how long a task is sleeping. A callchain may be found in sched_switch and a time slice in stat_iowait, so I add handler in perf inject for merging this events. My code saves sched_switch event for each process and when it meets stat_iowait, it reports the sched_switch event, because this event contains a correct callchain. By another words it replaces all stat_iowait events on proper sched_switch events.

其他

這里列出一些調試的想法, 暫時沒有整理和一一展開

性能調試要考慮工具的開銷, 比如perf的開銷是否會影響到應用的性能. 我們可以使用eBPF重寫上面的perf的功能, eBPF因為能夠在內核中直接聚合, 開銷相比perf會小

雖然tracepoint能提供更多更完整的調試信息, 但是其他的統(tǒng)計工具比如schedstat等對調試也會有幫助, 很多時候只能用這些一直在搜集的信息, 而不是所有場景都能復現(xiàn)然后上去通過tracepoint搜集信息的

以上涉及的工具都還是文本界面的, 圖形界面的工具會更有優(yōu)勢. 文本的好處是可以再加工, 圖像的好處是更直觀, 更容易發(fā)現(xiàn)問題

和scheduler相關的性能問題主要是兩個方面, 一是怎么定位應用程序的off-cpu, 二是scheduler自身的影響, 都有一些相對固定的方法

有了這些tracepoint以及動態(tài)添加的kprobe, 我們很容易拿到應用程序schedule相關的信息, 比如在context switch in/out時收集信息, 就可以生成帶callchain的off-cpu flamegraph

如果某個cpu忙應該看到什么現(xiàn)象, 我們可以去獲取cpu runqueue的長度

如果task的某個函數(shù)執(zhí)行時間過長, 我們可以檢查它是在cpu上執(zhí)行慢, 還是在等資源. 如果是調度不及時, 我們可以看到當時它runnable的時長, 以及其他cpu的狀態(tài)

如果我們已經(jīng)有了cpu視角和task視角, 我們看到大量cpu idle而只有某個task在跑, 那么一種合理的推測是該task是否阻塞其他task了

調試其實就是把很多現(xiàn)象關聯(lián)起來, 也就是說孤立地去看一種現(xiàn)象往往收獲不大. 一般來說我們可以通過時間軸把這些事件關聯(lián)起來, 從資源的角度(比如每個cpu的在任意時間的使用情況), 從消費者的角度(比如每個進程的運行狀態(tài)/路徑)

如果某個cpu忙其他cpu閑會有什么現(xiàn)象, 以每個cpu為視角, 通過時間軸把所有的cpu關聯(lián)起來, 使用不同的顏色表示runqueue的長度, 這樣生成的圖可以很容易看出migration是否及時, 這樣的資源利用圖是非常有必要的, 有點類似htop, 但是更加精細

本文作者：J.FW

來源：https://zhuanlan.zhihu.com/p/143320517（閱讀原文可直達)

責任編輯：PSY

原文標題：透過Tracepoint理解內核 - 調度器框架和性能

文章出處：【微信公眾號：Linuxer】歡迎添加關注！文章轉載請注明出處。