PAGEFLAGS_EXTENDED and separate page flags for Head and Tail
[linux-2.6/linux-acpi-2.6/ibm-acpi-2.6.git] / Documentation / cpusets.txt
blobaa854b9b18cda8de6fae047540a529b55ca81405
1                                 CPUSETS
2                                 -------
4 Copyright (C) 2004 BULL SA.
5 Written by Simon.Derr@bull.net
7 Portions Copyright (c) 2004-2006 Silicon Graphics, Inc.
8 Modified by Paul Jackson <pj@sgi.com>
9 Modified by Christoph Lameter <clameter@sgi.com>
10 Modified by Paul Menage <menage@google.com>
11 Modified by Hidetoshi Seto <seto.hidetoshi@jp.fujitsu.com>
13 CONTENTS:
14 =========
16 1. Cpusets
17   1.1 What are cpusets ?
18   1.2 Why are cpusets needed ?
19   1.3 How are cpusets implemented ?
20   1.4 What are exclusive cpusets ?
21   1.5 What is memory_pressure ?
22   1.6 What is memory spread ?
23   1.7 What is sched_load_balance ?
24   1.8 What is sched_relax_domain_level ?
25   1.9 How do I use cpusets ?
26 2. Usage Examples and Syntax
27   2.1 Basic Usage
28   2.2 Adding/removing cpus
29   2.3 Setting flags
30   2.4 Attaching processes
31 3. Questions
32 4. Contact
34 1. Cpusets
35 ==========
37 1.1 What are cpusets ?
38 ----------------------
40 Cpusets provide a mechanism for assigning a set of CPUs and Memory
41 Nodes to a set of tasks.   In this document "Memory Node" refers to
42 an on-line node that contains memory.
44 Cpusets constrain the CPU and Memory placement of tasks to only
45 the resources within a tasks current cpuset.  They form a nested
46 hierarchy visible in a virtual file system.  These are the essential
47 hooks, beyond what is already present, required to manage dynamic
48 job placement on large systems.
50 Cpusets use the generic cgroup subsystem described in
51 Documentation/cgroup.txt.
53 Requests by a task, using the sched_setaffinity(2) system call to
54 include CPUs in its CPU affinity mask, and using the mbind(2) and
55 set_mempolicy(2) system calls to include Memory Nodes in its memory
56 policy, are both filtered through that tasks cpuset, filtering out any
57 CPUs or Memory Nodes not in that cpuset.  The scheduler will not
58 schedule a task on a CPU that is not allowed in its cpus_allowed
59 vector, and the kernel page allocator will not allocate a page on a
60 node that is not allowed in the requesting tasks mems_allowed vector.
62 User level code may create and destroy cpusets by name in the cgroup
63 virtual file system, manage the attributes and permissions of these
64 cpusets and which CPUs and Memory Nodes are assigned to each cpuset,
65 specify and query to which cpuset a task is assigned, and list the
66 task pids assigned to a cpuset.
69 1.2 Why are cpusets needed ?
70 ----------------------------
72 The management of large computer systems, with many processors (CPUs),
73 complex memory cache hierarchies and multiple Memory Nodes having
74 non-uniform access times (NUMA) presents additional challenges for
75 the efficient scheduling and memory placement of processes.
77 Frequently more modest sized systems can be operated with adequate
78 efficiency just by letting the operating system automatically share
79 the available CPU and Memory resources amongst the requesting tasks.
81 But larger systems, which benefit more from careful processor and
82 memory placement to reduce memory access times and contention,
83 and which typically represent a larger investment for the customer,
84 can benefit from explicitly placing jobs on properly sized subsets of
85 the system.
87 This can be especially valuable on:
89     * Web Servers running multiple instances of the same web application,
90     * Servers running different applications (for instance, a web server
91       and a database), or
92     * NUMA systems running large HPC applications with demanding
93       performance characteristics.
95 These subsets, or "soft partitions" must be able to be dynamically
96 adjusted, as the job mix changes, without impacting other concurrently
97 executing jobs. The location of the running jobs pages may also be moved
98 when the memory locations are changed.
100 The kernel cpuset patch provides the minimum essential kernel
101 mechanisms required to efficiently implement such subsets.  It
102 leverages existing CPU and Memory Placement facilities in the Linux
103 kernel to avoid any additional impact on the critical scheduler or
104 memory allocator code.
107 1.3 How are cpusets implemented ?
108 ---------------------------------
110 Cpusets provide a Linux kernel mechanism to constrain which CPUs and
111 Memory Nodes are used by a process or set of processes.
113 The Linux kernel already has a pair of mechanisms to specify on which
114 CPUs a task may be scheduled (sched_setaffinity) and on which Memory
115 Nodes it may obtain memory (mbind, set_mempolicy).
117 Cpusets extends these two mechanisms as follows:
119  - Cpusets are sets of allowed CPUs and Memory Nodes, known to the
120    kernel.
121  - Each task in the system is attached to a cpuset, via a pointer
122    in the task structure to a reference counted cgroup structure.
123  - Calls to sched_setaffinity are filtered to just those CPUs
124    allowed in that tasks cpuset.
125  - Calls to mbind and set_mempolicy are filtered to just
126    those Memory Nodes allowed in that tasks cpuset.
127  - The root cpuset contains all the systems CPUs and Memory
128    Nodes.
129  - For any cpuset, one can define child cpusets containing a subset
130    of the parents CPU and Memory Node resources.
131  - The hierarchy of cpusets can be mounted at /dev/cpuset, for
132    browsing and manipulation from user space.
133  - A cpuset may be marked exclusive, which ensures that no other
134    cpuset (except direct ancestors and descendents) may contain
135    any overlapping CPUs or Memory Nodes.
136  - You can list all the tasks (by pid) attached to any cpuset.
138 The implementation of cpusets requires a few, simple hooks
139 into the rest of the kernel, none in performance critical paths:
141  - in init/main.c, to initialize the root cpuset at system boot.
142  - in fork and exit, to attach and detach a task from its cpuset.
143  - in sched_setaffinity, to mask the requested CPUs by what's
144    allowed in that tasks cpuset.
145  - in sched.c migrate_all_tasks(), to keep migrating tasks within
146    the CPUs allowed by their cpuset, if possible.
147  - in the mbind and set_mempolicy system calls, to mask the requested
148    Memory Nodes by what's allowed in that tasks cpuset.
149  - in page_alloc.c, to restrict memory to allowed nodes.
150  - in vmscan.c, to restrict page recovery to the current cpuset.
152 You should mount the "cgroup" filesystem type in order to enable
153 browsing and modifying the cpusets presently known to the kernel.  No
154 new system calls are added for cpusets - all support for querying and
155 modifying cpusets is via this cpuset file system.
157 The /proc/<pid>/status file for each task has two added lines,
158 displaying the tasks cpus_allowed (on which CPUs it may be scheduled)
159 and mems_allowed (on which Memory Nodes it may obtain memory),
160 in the format seen in the following example:
162   Cpus_allowed:   ffffffff,ffffffff,ffffffff,ffffffff
163   Mems_allowed:   ffffffff,ffffffff
165 Each cpuset is represented by a directory in the cgroup file system
166 containing (on top of the standard cgroup files) the following
167 files describing that cpuset:
169  - cpus: list of CPUs in that cpuset
170  - mems: list of Memory Nodes in that cpuset
171  - memory_migrate flag: if set, move pages to cpusets nodes
172  - cpu_exclusive flag: is cpu placement exclusive?
173  - mem_exclusive flag: is memory placement exclusive?
174  - memory_pressure: measure of how much paging pressure in cpuset
176 In addition, the root cpuset only has the following file:
177  - memory_pressure_enabled flag: compute memory_pressure?
179 New cpusets are created using the mkdir system call or shell
180 command.  The properties of a cpuset, such as its flags, allowed
181 CPUs and Memory Nodes, and attached tasks, are modified by writing
182 to the appropriate file in that cpusets directory, as listed above.
184 The named hierarchical structure of nested cpusets allows partitioning
185 a large system into nested, dynamically changeable, "soft-partitions".
187 The attachment of each task, automatically inherited at fork by any
188 children of that task, to a cpuset allows organizing the work load
189 on a system into related sets of tasks such that each set is constrained
190 to using the CPUs and Memory Nodes of a particular cpuset.  A task
191 may be re-attached to any other cpuset, if allowed by the permissions
192 on the necessary cpuset file system directories.
194 Such management of a system "in the large" integrates smoothly with
195 the detailed placement done on individual tasks and memory regions
196 using the sched_setaffinity, mbind and set_mempolicy system calls.
198 The following rules apply to each cpuset:
200  - Its CPUs and Memory Nodes must be a subset of its parents.
201  - It can only be marked exclusive if its parent is.
202  - If its cpu or memory is exclusive, they may not overlap any sibling.
204 These rules, and the natural hierarchy of cpusets, enable efficient
205 enforcement of the exclusive guarantee, without having to scan all
206 cpusets every time any of them change to ensure nothing overlaps a
207 exclusive cpuset.  Also, the use of a Linux virtual file system (vfs)
208 to represent the cpuset hierarchy provides for a familiar permission
209 and name space for cpusets, with a minimum of additional kernel code.
211 The cpus and mems files in the root (top_cpuset) cpuset are
212 read-only.  The cpus file automatically tracks the value of
213 cpu_online_map using a CPU hotplug notifier, and the mems file
214 automatically tracks the value of node_states[N_HIGH_MEMORY]--i.e.,
215 nodes with memory--using the cpuset_track_online_nodes() hook.
218 1.4 What are exclusive cpusets ?
219 --------------------------------
221 If a cpuset is cpu or mem exclusive, no other cpuset, other than
222 a direct ancestor or descendent, may share any of the same CPUs or
223 Memory Nodes.
225 A cpuset that is mem_exclusive restricts kernel allocations for
226 page, buffer and other data commonly shared by the kernel across
227 multiple users.  All cpusets, whether mem_exclusive or not, restrict
228 allocations of memory for user space.  This enables configuring a
229 system so that several independent jobs can share common kernel data,
230 such as file system pages, while isolating each jobs user allocation in
231 its own cpuset.  To do this, construct a large mem_exclusive cpuset to
232 hold all the jobs, and construct child, non-mem_exclusive cpusets for
233 each individual job.  Only a small amount of typical kernel memory,
234 such as requests from interrupt handlers, is allowed to be taken
235 outside even a mem_exclusive cpuset.
238 1.5 What is memory_pressure ?
239 -----------------------------
240 The memory_pressure of a cpuset provides a simple per-cpuset metric
241 of the rate that the tasks in a cpuset are attempting to free up in
242 use memory on the nodes of the cpuset to satisfy additional memory
243 requests.
245 This enables batch managers monitoring jobs running in dedicated
246 cpusets to efficiently detect what level of memory pressure that job
247 is causing.
249 This is useful both on tightly managed systems running a wide mix of
250 submitted jobs, which may choose to terminate or re-prioritize jobs that
251 are trying to use more memory than allowed on the nodes assigned them,
252 and with tightly coupled, long running, massively parallel scientific
253 computing jobs that will dramatically fail to meet required performance
254 goals if they start to use more memory than allowed to them.
256 This mechanism provides a very economical way for the batch manager
257 to monitor a cpuset for signs of memory pressure.  It's up to the
258 batch manager or other user code to decide what to do about it and
259 take action.
261 ==> Unless this feature is enabled by writing "1" to the special file
262     /dev/cpuset/memory_pressure_enabled, the hook in the rebalance
263     code of __alloc_pages() for this metric reduces to simply noticing
264     that the cpuset_memory_pressure_enabled flag is zero.  So only
265     systems that enable this feature will compute the metric.
267 Why a per-cpuset, running average:
269     Because this meter is per-cpuset, rather than per-task or mm,
270     the system load imposed by a batch scheduler monitoring this
271     metric is sharply reduced on large systems, because a scan of
272     the tasklist can be avoided on each set of queries.
274     Because this meter is a running average, instead of an accumulating
275     counter, a batch scheduler can detect memory pressure with a
276     single read, instead of having to read and accumulate results
277     for a period of time.
279     Because this meter is per-cpuset rather than per-task or mm,
280     the batch scheduler can obtain the key information, memory
281     pressure in a cpuset, with a single read, rather than having to
282     query and accumulate results over all the (dynamically changing)
283     set of tasks in the cpuset.
285 A per-cpuset simple digital filter (requires a spinlock and 3 words
286 of data per-cpuset) is kept, and updated by any task attached to that
287 cpuset, if it enters the synchronous (direct) page reclaim code.
289 A per-cpuset file provides an integer number representing the recent
290 (half-life of 10 seconds) rate of direct page reclaims caused by
291 the tasks in the cpuset, in units of reclaims attempted per second,
292 times 1000.
295 1.6 What is memory spread ?
296 ---------------------------
297 There are two boolean flag files per cpuset that control where the
298 kernel allocates pages for the file system buffers and related in
299 kernel data structures.  They are called 'memory_spread_page' and
300 'memory_spread_slab'.
302 If the per-cpuset boolean flag file 'memory_spread_page' is set, then
303 the kernel will spread the file system buffers (page cache) evenly
304 over all the nodes that the faulting task is allowed to use, instead
305 of preferring to put those pages on the node where the task is running.
307 If the per-cpuset boolean flag file 'memory_spread_slab' is set,
308 then the kernel will spread some file system related slab caches,
309 such as for inodes and dentries evenly over all the nodes that the
310 faulting task is allowed to use, instead of preferring to put those
311 pages on the node where the task is running.
313 The setting of these flags does not affect anonymous data segment or
314 stack segment pages of a task.
316 By default, both kinds of memory spreading are off, and memory
317 pages are allocated on the node local to where the task is running,
318 except perhaps as modified by the tasks NUMA mempolicy or cpuset
319 configuration, so long as sufficient free memory pages are available.
321 When new cpusets are created, they inherit the memory spread settings
322 of their parent.
324 Setting memory spreading causes allocations for the affected page
325 or slab caches to ignore the tasks NUMA mempolicy and be spread
326 instead.    Tasks using mbind() or set_mempolicy() calls to set NUMA
327 mempolicies will not notice any change in these calls as a result of
328 their containing tasks memory spread settings.  If memory spreading
329 is turned off, then the currently specified NUMA mempolicy once again
330 applies to memory page allocations.
332 Both 'memory_spread_page' and 'memory_spread_slab' are boolean flag
333 files.  By default they contain "0", meaning that the feature is off
334 for that cpuset.  If a "1" is written to that file, then that turns
335 the named feature on.
337 The implementation is simple.
339 Setting the flag 'memory_spread_page' turns on a per-process flag
340 PF_SPREAD_PAGE for each task that is in that cpuset or subsequently
341 joins that cpuset.  The page allocation calls for the page cache
342 is modified to perform an inline check for this PF_SPREAD_PAGE task
343 flag, and if set, a call to a new routine cpuset_mem_spread_node()
344 returns the node to prefer for the allocation.
346 Similarly, setting 'memory_spread_cache' turns on the flag
347 PF_SPREAD_SLAB, and appropriately marked slab caches will allocate
348 pages from the node returned by cpuset_mem_spread_node().
350 The cpuset_mem_spread_node() routine is also simple.  It uses the
351 value of a per-task rotor cpuset_mem_spread_rotor to select the next
352 node in the current tasks mems_allowed to prefer for the allocation.
354 This memory placement policy is also known (in other contexts) as
355 round-robin or interleave.
357 This policy can provide substantial improvements for jobs that need
358 to place thread local data on the corresponding node, but that need
359 to access large file system data sets that need to be spread across
360 the several nodes in the jobs cpuset in order to fit.  Without this
361 policy, especially for jobs that might have one thread reading in the
362 data set, the memory allocation across the nodes in the jobs cpuset
363 can become very uneven.
365 1.7 What is sched_load_balance ?
366 --------------------------------
368 The kernel scheduler (kernel/sched.c) automatically load balances
369 tasks.  If one CPU is underutilized, kernel code running on that
370 CPU will look for tasks on other more overloaded CPUs and move those
371 tasks to itself, within the constraints of such placement mechanisms
372 as cpusets and sched_setaffinity.
374 The algorithmic cost of load balancing and its impact on key shared
375 kernel data structures such as the task list increases more than
376 linearly with the number of CPUs being balanced.  So the scheduler
377 has support to  partition the systems CPUs into a number of sched
378 domains such that it only load balances within each sched domain.
379 Each sched domain covers some subset of the CPUs in the system;
380 no two sched domains overlap; some CPUs might not be in any sched
381 domain and hence won't be load balanced.
383 Put simply, it costs less to balance between two smaller sched domains
384 than one big one, but doing so means that overloads in one of the
385 two domains won't be load balanced to the other one.
387 By default, there is one sched domain covering all CPUs, except those
388 marked isolated using the kernel boot time "isolcpus=" argument.
390 This default load balancing across all CPUs is not well suited for
391 the following two situations:
392  1) On large systems, load balancing across many CPUs is expensive.
393     If the system is managed using cpusets to place independent jobs
394     on separate sets of CPUs, full load balancing is unnecessary.
395  2) Systems supporting realtime on some CPUs need to minimize
396     system overhead on those CPUs, including avoiding task load
397     balancing if that is not needed.
399 When the per-cpuset flag "sched_load_balance" is enabled (the default
400 setting), it requests that all the CPUs in that cpusets allowed 'cpus'
401 be contained in a single sched domain, ensuring that load balancing
402 can move a task (not otherwised pinned, as by sched_setaffinity)
403 from any CPU in that cpuset to any other.
405 When the per-cpuset flag "sched_load_balance" is disabled, then the
406 scheduler will avoid load balancing across the CPUs in that cpuset,
407 --except-- in so far as is necessary because some overlapping cpuset
408 has "sched_load_balance" enabled.
410 So, for example, if the top cpuset has the flag "sched_load_balance"
411 enabled, then the scheduler will have one sched domain covering all
412 CPUs, and the setting of the "sched_load_balance" flag in any other
413 cpusets won't matter, as we're already fully load balancing.
415 Therefore in the above two situations, the top cpuset flag
416 "sched_load_balance" should be disabled, and only some of the smaller,
417 child cpusets have this flag enabled.
419 When doing this, you don't usually want to leave any unpinned tasks in
420 the top cpuset that might use non-trivial amounts of CPU, as such tasks
421 may be artificially constrained to some subset of CPUs, depending on
422 the particulars of this flag setting in descendent cpusets.  Even if
423 such a task could use spare CPU cycles in some other CPUs, the kernel
424 scheduler might not consider the possibility of load balancing that
425 task to that underused CPU.
427 Of course, tasks pinned to a particular CPU can be left in a cpuset
428 that disables "sched_load_balance" as those tasks aren't going anywhere
429 else anyway.
431 There is an impedance mismatch here, between cpusets and sched domains.
432 Cpusets are hierarchical and nest.  Sched domains are flat; they don't
433 overlap and each CPU is in at most one sched domain.
435 It is necessary for sched domains to be flat because load balancing
436 across partially overlapping sets of CPUs would risk unstable dynamics
437 that would be beyond our understanding.  So if each of two partially
438 overlapping cpusets enables the flag 'sched_load_balance', then we
439 form a single sched domain that is a superset of both.  We won't move
440 a task to a CPU outside it cpuset, but the scheduler load balancing
441 code might waste some compute cycles considering that possibility.
443 This mismatch is why there is not a simple one-to-one relation
444 between which cpusets have the flag "sched_load_balance" enabled,
445 and the sched domain configuration.  If a cpuset enables the flag, it
446 will get balancing across all its CPUs, but if it disables the flag,
447 it will only be assured of no load balancing if no other overlapping
448 cpuset enables the flag.
450 If two cpusets have partially overlapping 'cpus' allowed, and only
451 one of them has this flag enabled, then the other may find its
452 tasks only partially load balanced, just on the overlapping CPUs.
453 This is just the general case of the top_cpuset example given a few
454 paragraphs above.  In the general case, as in the top cpuset case,
455 don't leave tasks that might use non-trivial amounts of CPU in
456 such partially load balanced cpusets, as they may be artificially
457 constrained to some subset of the CPUs allowed to them, for lack of
458 load balancing to the other CPUs.
460 1.7.1 sched_load_balance implementation details.
461 ------------------------------------------------
463 The per-cpuset flag 'sched_load_balance' defaults to enabled (contrary
464 to most cpuset flags.)  When enabled for a cpuset, the kernel will
465 ensure that it can load balance across all the CPUs in that cpuset
466 (makes sure that all the CPUs in the cpus_allowed of that cpuset are
467 in the same sched domain.)
469 If two overlapping cpusets both have 'sched_load_balance' enabled,
470 then they will be (must be) both in the same sched domain.
472 If, as is the default, the top cpuset has 'sched_load_balance' enabled,
473 then by the above that means there is a single sched domain covering
474 the whole system, regardless of any other cpuset settings.
476 The kernel commits to user space that it will avoid load balancing
477 where it can.  It will pick as fine a granularity partition of sched
478 domains as it can while still providing load balancing for any set
479 of CPUs allowed to a cpuset having 'sched_load_balance' enabled.
481 The internal kernel cpuset to scheduler interface passes from the
482 cpuset code to the scheduler code a partition of the load balanced
483 CPUs in the system. This partition is a set of subsets (represented
484 as an array of cpumask_t) of CPUs, pairwise disjoint, that cover all
485 the CPUs that must be load balanced.
487 Whenever the 'sched_load_balance' flag changes, or CPUs come or go
488 from a cpuset with this flag enabled, or a cpuset with this flag
489 enabled is removed, the cpuset code builds a new such partition and
490 passes it to the scheduler sched domain setup code, to have the sched
491 domains rebuilt as necessary.
493 This partition exactly defines what sched domains the scheduler should
494 setup - one sched domain for each element (cpumask_t) in the partition.
496 The scheduler remembers the currently active sched domain partitions.
497 When the scheduler routine partition_sched_domains() is invoked from
498 the cpuset code to update these sched domains, it compares the new
499 partition requested with the current, and updates its sched domains,
500 removing the old and adding the new, for each change.
503 1.8 What is sched_relax_domain_level ?
504 --------------------------------------
506 In sched domain, the scheduler migrates tasks in 2 ways; periodic load
507 balance on tick, and at time of some schedule events.
509 When a task is woken up, scheduler try to move the task on idle CPU.
510 For example, if a task A running on CPU X activates another task B
511 on the same CPU X, and if CPU Y is X's sibling and performing idle,
512 then scheduler migrate task B to CPU Y so that task B can start on
513 CPU Y without waiting task A on CPU X.
515 And if a CPU run out of tasks in its runqueue, the CPU try to pull
516 extra tasks from other busy CPUs to help them before it is going to
517 be idle.
519 Of course it takes some searching cost to find movable tasks and/or
520 idle CPUs, the scheduler might not search all CPUs in the domain
521 everytime.  In fact, in some architectures, the searching ranges on
522 events are limited in the same socket or node where the CPU locates,
523 while the load balance on tick searchs all.
525 For example, assume CPU Z is relatively far from CPU X.  Even if CPU Z
526 is idle while CPU X and the siblings are busy, scheduler can't migrate
527 woken task B from X to Z since it is out of its searching range.
528 As the result, task B on CPU X need to wait task A or wait load balance
529 on the next tick.  For some applications in special situation, waiting
530 1 tick may be too long.
532 The 'sched_relax_domain_level' file allows you to request changing
533 this searching range as you like.  This file takes int value which
534 indicates size of searching range in levels ideally as follows,
535 otherwise initial value -1 that indicates the cpuset has no request.
537   -1  : no request. use system default or follow request of others.
538    0  : no search.
539    1  : search siblings (hyperthreads in a core).
540    2  : search cores in a package.
541    3  : search cpus in a node [= system wide on non-NUMA system]
542  ( 4  : search nodes in a chunk of node [on NUMA system] )
543  ( 5~ : search system wide [on NUMA system])
545 This file is per-cpuset and affect the sched domain where the cpuset
546 belongs to.  Therefore if the flag 'sched_load_balance' of a cpuset
547 is disabled, then 'sched_relax_domain_level' have no effect since
548 there is no sched domain belonging the cpuset.
550 If multiple cpusets are overlapping and hence they form a single sched
551 domain, the largest value among those is used.  Be careful, if one
552 requests 0 and others are -1 then 0 is used.
554 Note that modifying this file will have both good and bad effects,
555 and whether it is acceptable or not will be depend on your situation.
556 Don't modify this file if you are not sure.
558 If your situation is:
559  - The migration costs between each cpu can be assumed considerably
560    small(for you) due to your special application's behavior or
561    special hardware support for CPU cache etc.
562  - The searching cost doesn't have impact(for you) or you can make
563    the searching cost enough small by managing cpuset to compact etc.
564  - The latency is required even it sacrifices cache hit rate etc.
565 then increasing 'sched_relax_domain_level' would benefit you.
568 1.9 How do I use cpusets ?
569 --------------------------
571 In order to minimize the impact of cpusets on critical kernel
572 code, such as the scheduler, and due to the fact that the kernel
573 does not support one task updating the memory placement of another
574 task directly, the impact on a task of changing its cpuset CPU
575 or Memory Node placement, or of changing to which cpuset a task
576 is attached, is subtle.
578 If a cpuset has its Memory Nodes modified, then for each task attached
579 to that cpuset, the next time that the kernel attempts to allocate
580 a page of memory for that task, the kernel will notice the change
581 in the tasks cpuset, and update its per-task memory placement to
582 remain within the new cpusets memory placement.  If the task was using
583 mempolicy MPOL_BIND, and the nodes to which it was bound overlap with
584 its new cpuset, then the task will continue to use whatever subset
585 of MPOL_BIND nodes are still allowed in the new cpuset.  If the task
586 was using MPOL_BIND and now none of its MPOL_BIND nodes are allowed
587 in the new cpuset, then the task will be essentially treated as if it
588 was MPOL_BIND bound to the new cpuset (even though its numa placement,
589 as queried by get_mempolicy(), doesn't change).  If a task is moved
590 from one cpuset to another, then the kernel will adjust the tasks
591 memory placement, as above, the next time that the kernel attempts
592 to allocate a page of memory for that task.
594 If a cpuset has its 'cpus' modified, then each task in that cpuset
595 will have its allowed CPU placement changed immediately.  Similarly,
596 if a tasks pid is written to a cpusets 'tasks' file, in either its
597 current cpuset or another cpuset, then its allowed CPU placement is
598 changed immediately.  If such a task had been bound to some subset
599 of its cpuset using the sched_setaffinity() call, the task will be
600 allowed to run on any CPU allowed in its new cpuset, negating the
601 affect of the prior sched_setaffinity() call.
603 In summary, the memory placement of a task whose cpuset is changed is
604 updated by the kernel, on the next allocation of a page for that task,
605 but the processor placement is not updated, until that tasks pid is
606 rewritten to the 'tasks' file of its cpuset.  This is done to avoid
607 impacting the scheduler code in the kernel with a check for changes
608 in a tasks processor placement.
610 Normally, once a page is allocated (given a physical page
611 of main memory) then that page stays on whatever node it
612 was allocated, so long as it remains allocated, even if the
613 cpusets memory placement policy 'mems' subsequently changes.
614 If the cpuset flag file 'memory_migrate' is set true, then when
615 tasks are attached to that cpuset, any pages that task had
616 allocated to it on nodes in its previous cpuset are migrated
617 to the tasks new cpuset. The relative placement of the page within
618 the cpuset is preserved during these migration operations if possible.
619 For example if the page was on the second valid node of the prior cpuset
620 then the page will be placed on the second valid node of the new cpuset.
622 Also if 'memory_migrate' is set true, then if that cpusets
623 'mems' file is modified, pages allocated to tasks in that
624 cpuset, that were on nodes in the previous setting of 'mems',
625 will be moved to nodes in the new setting of 'mems.'
626 Pages that were not in the tasks prior cpuset, or in the cpusets
627 prior 'mems' setting, will not be moved.
629 There is an exception to the above.  If hotplug functionality is used
630 to remove all the CPUs that are currently assigned to a cpuset,
631 then the kernel will automatically update the cpus_allowed of all
632 tasks attached to CPUs in that cpuset to allow all CPUs.  When memory
633 hotplug functionality for removing Memory Nodes is available, a
634 similar exception is expected to apply there as well.  In general,
635 the kernel prefers to violate cpuset placement, over starving a task
636 that has had all its allowed CPUs or Memory Nodes taken offline.  User
637 code should reconfigure cpusets to only refer to online CPUs and Memory
638 Nodes when using hotplug to add or remove such resources.
640 There is a second exception to the above.  GFP_ATOMIC requests are
641 kernel internal allocations that must be satisfied, immediately.
642 The kernel may drop some request, in rare cases even panic, if a
643 GFP_ATOMIC alloc fails.  If the request cannot be satisfied within
644 the current tasks cpuset, then we relax the cpuset, and look for
645 memory anywhere we can find it.  It's better to violate the cpuset
646 than stress the kernel.
648 To start a new job that is to be contained within a cpuset, the steps are:
650  1) mkdir /dev/cpuset
651  2) mount -t cgroup -ocpuset cpuset /dev/cpuset
652  3) Create the new cpuset by doing mkdir's and write's (or echo's) in
653     the /dev/cpuset virtual file system.
654  4) Start a task that will be the "founding father" of the new job.
655  5) Attach that task to the new cpuset by writing its pid to the
656     /dev/cpuset tasks file for that cpuset.
657  6) fork, exec or clone the job tasks from this founding father task.
659 For example, the following sequence of commands will setup a cpuset
660 named "Charlie", containing just CPUs 2 and 3, and Memory Node 1,
661 and then start a subshell 'sh' in that cpuset:
663   mount -t cgroup -ocpuset cpuset /dev/cpuset
664   cd /dev/cpuset
665   mkdir Charlie
666   cd Charlie
667   /bin/echo 2-3 > cpus
668   /bin/echo 1 > mems
669   /bin/echo $$ > tasks
670   sh
671   # The subshell 'sh' is now running in cpuset Charlie
672   # The next line should display '/Charlie'
673   cat /proc/self/cpuset
675 In the future, a C library interface to cpusets will likely be
676 available.  For now, the only way to query or modify cpusets is
677 via the cpuset file system, using the various cd, mkdir, echo, cat,
678 rmdir commands from the shell, or their equivalent from C.
680 The sched_setaffinity calls can also be done at the shell prompt using
681 SGI's runon or Robert Love's taskset.  The mbind and set_mempolicy
682 calls can be done at the shell prompt using the numactl command
683 (part of Andi Kleen's numa package).
685 2. Usage Examples and Syntax
686 ============================
688 2.1 Basic Usage
689 ---------------
691 Creating, modifying, using the cpusets can be done through the cpuset
692 virtual filesystem.
694 To mount it, type:
695 # mount -t cgroup -o cpuset cpuset /dev/cpuset
697 Then under /dev/cpuset you can find a tree that corresponds to the
698 tree of the cpusets in the system. For instance, /dev/cpuset
699 is the cpuset that holds the whole system.
701 If you want to create a new cpuset under /dev/cpuset:
702 # cd /dev/cpuset
703 # mkdir my_cpuset
705 Now you want to do something with this cpuset.
706 # cd my_cpuset
708 In this directory you can find several files:
709 # ls
710 cpus  cpu_exclusive  mems  mem_exclusive  tasks
712 Reading them will give you information about the state of this cpuset:
713 the CPUs and Memory Nodes it can use, the processes that are using
714 it, its properties.  By writing to these files you can manipulate
715 the cpuset.
717 Set some flags:
718 # /bin/echo 1 > cpu_exclusive
720 Add some cpus:
721 # /bin/echo 0-7 > cpus
723 Add some mems:
724 # /bin/echo 0-7 > mems
726 Now attach your shell to this cpuset:
727 # /bin/echo $$ > tasks
729 You can also create cpusets inside your cpuset by using mkdir in this
730 directory.
731 # mkdir my_sub_cs
733 To remove a cpuset, just use rmdir:
734 # rmdir my_sub_cs
735 This will fail if the cpuset is in use (has cpusets inside, or has
736 processes attached).
738 Note that for legacy reasons, the "cpuset" filesystem exists as a
739 wrapper around the cgroup filesystem.
741 The command
743 mount -t cpuset X /dev/cpuset
745 is equivalent to
747 mount -t cgroup -ocpuset X /dev/cpuset
748 echo "/sbin/cpuset_release_agent" > /dev/cpuset/release_agent
750 2.2 Adding/removing cpus
751 ------------------------
753 This is the syntax to use when writing in the cpus or mems files
754 in cpuset directories:
756 # /bin/echo 1-4 > cpus          -> set cpus list to cpus 1,2,3,4
757 # /bin/echo 1,2,3,4 > cpus      -> set cpus list to cpus 1,2,3,4
759 2.3 Setting flags
760 -----------------
762 The syntax is very simple:
764 # /bin/echo 1 > cpu_exclusive   -> set flag 'cpu_exclusive'
765 # /bin/echo 0 > cpu_exclusive   -> unset flag 'cpu_exclusive'
767 2.4 Attaching processes
768 -----------------------
770 # /bin/echo PID > tasks
772 Note that it is PID, not PIDs. You can only attach ONE task at a time.
773 If you have several tasks to attach, you have to do it one after another:
775 # /bin/echo PID1 > tasks
776 # /bin/echo PID2 > tasks
777         ...
778 # /bin/echo PIDn > tasks
781 3. Questions
782 ============
784 Q: what's up with this '/bin/echo' ?
785 A: bash's builtin 'echo' command does not check calls to write() against
786    errors. If you use it in the cpuset file system, you won't be
787    able to tell whether a command succeeded or failed.
789 Q: When I attach processes, only the first of the line gets really attached !
790 A: We can only return one error code per call to write(). So you should also
791    put only ONE pid.
793 4. Contact
794 ==========
796 Web: http://www.bullopensource.org/cpuset