透过Tracepoint理解内核 - 调度器框架和性能

静态tracepoint预埋在内核的关键位置, 通过这些预埋的tracepoint, 可以比较容易梳理出相关模块的框架及主要流程. 相比于直接钻到scheduler的实现细节中去, 我们先通过tracepoint及其相关工具去理解实现背后的逻辑, 细节总是不停变化, 而分析方法往往相对固定, 也更容易沉淀下来.

Tracepoint分类

通过perf命令可以列出系统所有的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类型

该类型的tracepoint额外带有delay的时间

• 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时产生, 一般不是scheduler性能调试的重点

• sched_move_numa, sched_swap_numa, sched_stick_numa. NUMA相关, 从性能分析角度上看, 它们必须在我们的checklist中, 一定程度可以把它们当作是异常(USE)

• sched_pi_setprio. 用于实现rt_mutex的优先级继承, 比如用在futex上.

• sched_process_exec, sched_process_exit, sched_process_fork, sched_process_free. 进程相关的主要事件

• sched_process_hang. 进程hang

• sched_process_wait. 等子进程的状态变化

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

• sched_wake_idle_without_ipi. 如果target cpu上的任务设置了TIF_POLLING_NRFLAG标记 (只有idle进程会设置), 这样idle进程自己去poll TIF_NEED_RESCHED, 这样就不用发ipi中断去通知了

• sched_wakeup_new. 同sched_wakeup, 但针对的是新创建的任务

核心Tracepoint

sched_switch

当调度器决定schedule另一个task运行的时候, 也就是任务切换的时候, 会触发该tracepoint. 核心逻辑如下:

__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);

我们稍微关注以下context_switch里面的切栈操作:

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);

注意这里的__switch_to_asm传入了prev, 又返回了prev, 看似没有必要, 但是因为context_switch函数涉及到2个task, 在切栈之前是A, 切栈之后就变成B了

• 对于切栈前的task A来说, prev指的就是A本身

• 对于切栈后的task B来说, prev指的还必须是A, switch到B之后还需要更新A的信息. 这里通过函数调用巧妙解决了2个task之间变量的传递.

ULK引入3个task来解释switch_to, 我认为反而复杂了.

sched_wakeup / sched_waking

内核会通过try_to_wake_up把任务唤醒, 这会涉及到这sched_wakeup和sched_waking两个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);

上面需要关注的点:

• 可以唤醒current task

• 唤醒on_rq的task比较直接, 在sched_waking和sched_wakeup之间的时间非常短

• 当需要迁移到其他cpu时会有2种方案

• 通过ipi给target cpu发送中断, 在中断处理函数中完成wakeup的后面部分

• 直接在当前cpu上操作target cpu, 所以需要先执行rq_lock操作, 可能会有锁冲突

从上面可以看出, sched_waking和sched_wakeup在wakeup task过程中肯定都会发生, sched_waking事件在ttwu开始的时候触发, 而sched_wakeup在ttwu结束的时候触发. 一般情况下, 这2个tracepoint触发的时间非常靠近, 但是不排除中间会有较大gap.

sched_migrate_task

从资源的角度看, 只有系统中存在多个同类资源(这里是cpu), 为了最大化资源利用率, 就会涉及到migration. 从性能角度看, 这个的影响是比较大的, 也是性能调试的时候必须关注的, migration有没有及时, migration会不会太多 (locality).

Stat类型

为了使用stat类型的tracepoint, 我们需要先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用于记录TASK_INTERRUPTIBLE的时间

• stat_blocked用于记录TASK_UNINTERRUPTIBLE的时间

• stat_iowait用于iowait的场景, 这种情况下stat_iowait和stat_blocked值是一样的

stat_wait

stat_wait和上面的stat不一样的地方在于, stat_wait更反映调度器本身的执行情况.

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的起始时间wait_start. 任务状态切到runnable, 但是不能马上在cpu上执行

• task被抢占了, 那么wait_start就是抢占点. put_prev_entity并且prev->on_rq成立

• task唤醒的时候, 从enqueue_entity进入

• wait的结束时间

• 任务马上要在cpu上执行了, set_next_entity

• 任务enqueue后压根没能在该cpu上执行就被dequeue了, update_stats_dequeue

stat_runtime

记录任务的执行时间, 包括runtime, vruntime

Scheduler框架

__schedule()的主要逻辑

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)  // 什么时候不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);

性能调试

即使不是调度器的开发者, 有的时候也需要能够对调度器进行调试, 比如应用开发者或者系统管理员, 升级内核后性能退化, 修改线程模型后性能不满足预期等, 最终可能只需要动某个调度器的参数而已, 但是前提是能够定位到这个参数.

sched map

只要抓取sched:sched_switch一个tracepoint, 就可以抓到系统所有的切换事件, 以下perf sched map的输出:

• 前面每列代表一个cpu, 后面2列是事件发生的时间戳和任务缩写的映射

• 点(.)表示cpu在idle

• 星号(*)表示有事件发生

   .   .   .  *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

该命令可以获得task的wait time, 特别地, 还能拿到sch delay. timehist统计的sch delay是通过sched_switch和sched_wakeup计算出来的, 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

这里的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

通过关联以下2个tracepoint, 我们可以得到任务sleep的时长及其对应的callchain

• sched_iowait/sleep/blocked. 获得sleep的时长

• sched_switch. 获得调用栈

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

这里列出一些调试的想法, 暂时没有整理和一一展开

• 性能调试要考虑工具的开销, 比如perf的开销是否会影响到应用的性能. 我们可以使用eBPF重写上面的perf的功能, eBPF因为能够在内核中直接聚合, 开销相比perf会小

• 虽然tracepoint能提供更多更完整的调试信息, 但是其他的统计工具比如schedstat等对调试也会有帮助, 很多时候只能用这些一直在搜集的信息, 而不是所有场景都能复现然后上去通过tracepoint搜集信息的

• 以上涉及的工具都还是文本界面的, 图形界面的工具会更有优势. 文本的好处是可以再加工, 图像的好处是更直观, 更容易发现问题

• 和scheduler相关的性能问题主要是两个方面, 一是怎么定位应用程序的off-cpu, 二是scheduler自身的影响, 都有一些相对固定的方法

• 有了这些tracepoint以及动态添加的kprobe, 我们很容易拿到应用程序schedule相关的信息, 比如在context switch in/out时收集信息, 就可以生成带callchain的off-cpu flamegraph

• 如果某个cpu忙应该看到什么现象, 我们可以去获取cpu runqueue的长度

• 如果task的某个函数执行时间过长, 我们可以检查它是在cpu上执行慢, 还是在等资源. 如果是调度不及时, 我们可以看到当时它runnable的时长, 以及其他cpu的状态

• 如果我们已经有了cpu视角和task视角, 我们看到大量cpu idle而只有某个task在跑, 那么一种合理的推测是该task是否阻塞其他task了

• 调试其实就是把很多现象关联起来, 也就是说孤立地去看一种现象往往收获不大. 一般来说我们可以通过时间轴把这些事件关联起来, 从资源的角度(比如每个cpu的在任意时间的使用情况), 从消费者的角度(比如每个进程的运行状态/路径)

• 如果某个cpu忙其他cpu闲会有什么现象, 以每个cpu为视角, 通过时间轴把所有的cpu关联起来, 使用不同的颜色表示runqueue的长度, 这样生成的图可以很容易看出migration是否及时, 这样的资源利用图是非常有必要的, 有点类似htop, 但是更加精细