Linux 2.6.26-rc5
[linux-2.6] / Documentation / cpusets.txt
1                                 CPUSETS
2                                 -------
3
4 Copyright (C) 2004 BULL SA.
5 Written by Simon.Derr@bull.net
6
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>
12
13 CONTENTS:
14 =========
15
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
33
34 1. Cpusets
35 ==========
36
37 1.1 What are cpusets ?
38 ----------------------
39
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.
43
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.
49
50 Cpusets use the generic cgroup subsystem described in
51 Documentation/cgroup.txt.
52
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.
61
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.
67
68
69 1.2 Why are cpusets needed ?
70 ----------------------------
71
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.
76
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.
80
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.
86
87 This can be especially valuable on:
88
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.
94
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.
99
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.
105
106
107 1.3 How are cpusets implemented ?
108 ---------------------------------
109
110 Cpusets provide a Linux kernel mechanism to constrain which CPUs and
111 Memory Nodes are used by a process or set of processes.
112
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).
116
117 Cpusets extends these two mechanisms as follows:
118
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.
137
138 The implementation of cpusets requires a few, simple hooks
139 into the rest of the kernel, none in performance critical paths:
140
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.
151
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.
156
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:
161
162   Cpus_allowed:   ffffffff,ffffffff,ffffffff,ffffffff
163   Mems_allowed:   ffffffff,ffffffff
164
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:
168
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  - mem_hardwall flag:  is memory allocation hardwalled
175  - memory_pressure: measure of how much paging pressure in cpuset
176
177 In addition, the root cpuset only has the following file:
178  - memory_pressure_enabled flag: compute memory_pressure?
179
180 New cpusets are created using the mkdir system call or shell
181 command.  The properties of a cpuset, such as its flags, allowed
182 CPUs and Memory Nodes, and attached tasks, are modified by writing
183 to the appropriate file in that cpusets directory, as listed above.
184
185 The named hierarchical structure of nested cpusets allows partitioning
186 a large system into nested, dynamically changeable, "soft-partitions".
187
188 The attachment of each task, automatically inherited at fork by any
189 children of that task, to a cpuset allows organizing the work load
190 on a system into related sets of tasks such that each set is constrained
191 to using the CPUs and Memory Nodes of a particular cpuset.  A task
192 may be re-attached to any other cpuset, if allowed by the permissions
193 on the necessary cpuset file system directories.
194
195 Such management of a system "in the large" integrates smoothly with
196 the detailed placement done on individual tasks and memory regions
197 using the sched_setaffinity, mbind and set_mempolicy system calls.
198
199 The following rules apply to each cpuset:
200
201  - Its CPUs and Memory Nodes must be a subset of its parents.
202  - It can only be marked exclusive if its parent is.
203  - If its cpu or memory is exclusive, they may not overlap any sibling.
204
205 These rules, and the natural hierarchy of cpusets, enable efficient
206 enforcement of the exclusive guarantee, without having to scan all
207 cpusets every time any of them change to ensure nothing overlaps a
208 exclusive cpuset.  Also, the use of a Linux virtual file system (vfs)
209 to represent the cpuset hierarchy provides for a familiar permission
210 and name space for cpusets, with a minimum of additional kernel code.
211
212 The cpus and mems files in the root (top_cpuset) cpuset are
213 read-only.  The cpus file automatically tracks the value of
214 cpu_online_map using a CPU hotplug notifier, and the mems file
215 automatically tracks the value of node_states[N_HIGH_MEMORY]--i.e.,
216 nodes with memory--using the cpuset_track_online_nodes() hook.
217
218
219 1.4 What are exclusive cpusets ?
220 --------------------------------
221
222 If a cpuset is cpu or mem exclusive, no other cpuset, other than
223 a direct ancestor or descendent, may share any of the same CPUs or
224 Memory Nodes.
225
226 A cpuset that is mem_exclusive *or* mem_hardwall is "hardwalled",
227 i.e. it restricts kernel allocations for page, buffer and other data
228 commonly shared by the kernel across multiple users.  All cpusets,
229 whether hardwalled or not, restrict allocations of memory for user
230 space.  This enables configuring a system so that several independent
231 jobs can share common kernel data, such as file system pages, while
232 isolating each job's user allocation in its own cpuset.  To do this,
233 construct a large mem_exclusive cpuset to hold all the jobs, and
234 construct child, non-mem_exclusive cpusets for each individual job.
235 Only a small amount of typical kernel memory, such as requests from
236 interrupt handlers, is allowed to be taken outside even a
237 mem_exclusive cpuset.
238
239
240 1.5 What is memory_pressure ?
241 -----------------------------
242 The memory_pressure of a cpuset provides a simple per-cpuset metric
243 of the rate that the tasks in a cpuset are attempting to free up in
244 use memory on the nodes of the cpuset to satisfy additional memory
245 requests.
246
247 This enables batch managers monitoring jobs running in dedicated
248 cpusets to efficiently detect what level of memory pressure that job
249 is causing.
250
251 This is useful both on tightly managed systems running a wide mix of
252 submitted jobs, which may choose to terminate or re-prioritize jobs that
253 are trying to use more memory than allowed on the nodes assigned them,
254 and with tightly coupled, long running, massively parallel scientific
255 computing jobs that will dramatically fail to meet required performance
256 goals if they start to use more memory than allowed to them.
257
258 This mechanism provides a very economical way for the batch manager
259 to monitor a cpuset for signs of memory pressure.  It's up to the
260 batch manager or other user code to decide what to do about it and
261 take action.
262
263 ==> Unless this feature is enabled by writing "1" to the special file
264     /dev/cpuset/memory_pressure_enabled, the hook in the rebalance
265     code of __alloc_pages() for this metric reduces to simply noticing
266     that the cpuset_memory_pressure_enabled flag is zero.  So only
267     systems that enable this feature will compute the metric.
268
269 Why a per-cpuset, running average:
270
271     Because this meter is per-cpuset, rather than per-task or mm,
272     the system load imposed by a batch scheduler monitoring this
273     metric is sharply reduced on large systems, because a scan of
274     the tasklist can be avoided on each set of queries.
275
276     Because this meter is a running average, instead of an accumulating
277     counter, a batch scheduler can detect memory pressure with a
278     single read, instead of having to read and accumulate results
279     for a period of time.
280
281     Because this meter is per-cpuset rather than per-task or mm,
282     the batch scheduler can obtain the key information, memory
283     pressure in a cpuset, with a single read, rather than having to
284     query and accumulate results over all the (dynamically changing)
285     set of tasks in the cpuset.
286
287 A per-cpuset simple digital filter (requires a spinlock and 3 words
288 of data per-cpuset) is kept, and updated by any task attached to that
289 cpuset, if it enters the synchronous (direct) page reclaim code.
290
291 A per-cpuset file provides an integer number representing the recent
292 (half-life of 10 seconds) rate of direct page reclaims caused by
293 the tasks in the cpuset, in units of reclaims attempted per second,
294 times 1000.
295
296
297 1.6 What is memory spread ?
298 ---------------------------
299 There are two boolean flag files per cpuset that control where the
300 kernel allocates pages for the file system buffers and related in
301 kernel data structures.  They are called 'memory_spread_page' and
302 'memory_spread_slab'.
303
304 If the per-cpuset boolean flag file 'memory_spread_page' is set, then
305 the kernel will spread the file system buffers (page cache) evenly
306 over all the nodes that the faulting task is allowed to use, instead
307 of preferring to put those pages on the node where the task is running.
308
309 If the per-cpuset boolean flag file 'memory_spread_slab' is set,
310 then the kernel will spread some file system related slab caches,
311 such as for inodes and dentries evenly over all the nodes that the
312 faulting task is allowed to use, instead of preferring to put those
313 pages on the node where the task is running.
314
315 The setting of these flags does not affect anonymous data segment or
316 stack segment pages of a task.
317
318 By default, both kinds of memory spreading are off, and memory
319 pages are allocated on the node local to where the task is running,
320 except perhaps as modified by the tasks NUMA mempolicy or cpuset
321 configuration, so long as sufficient free memory pages are available.
322
323 When new cpusets are created, they inherit the memory spread settings
324 of their parent.
325
326 Setting memory spreading causes allocations for the affected page
327 or slab caches to ignore the tasks NUMA mempolicy and be spread
328 instead.    Tasks using mbind() or set_mempolicy() calls to set NUMA
329 mempolicies will not notice any change in these calls as a result of
330 their containing tasks memory spread settings.  If memory spreading
331 is turned off, then the currently specified NUMA mempolicy once again
332 applies to memory page allocations.
333
334 Both 'memory_spread_page' and 'memory_spread_slab' are boolean flag
335 files.  By default they contain "0", meaning that the feature is off
336 for that cpuset.  If a "1" is written to that file, then that turns
337 the named feature on.
338
339 The implementation is simple.
340
341 Setting the flag 'memory_spread_page' turns on a per-process flag
342 PF_SPREAD_PAGE for each task that is in that cpuset or subsequently
343 joins that cpuset.  The page allocation calls for the page cache
344 is modified to perform an inline check for this PF_SPREAD_PAGE task
345 flag, and if set, a call to a new routine cpuset_mem_spread_node()
346 returns the node to prefer for the allocation.
347
348 Similarly, setting 'memory_spread_cache' turns on the flag
349 PF_SPREAD_SLAB, and appropriately marked slab caches will allocate
350 pages from the node returned by cpuset_mem_spread_node().
351
352 The cpuset_mem_spread_node() routine is also simple.  It uses the
353 value of a per-task rotor cpuset_mem_spread_rotor to select the next
354 node in the current tasks mems_allowed to prefer for the allocation.
355
356 This memory placement policy is also known (in other contexts) as
357 round-robin or interleave.
358
359 This policy can provide substantial improvements for jobs that need
360 to place thread local data on the corresponding node, but that need
361 to access large file system data sets that need to be spread across
362 the several nodes in the jobs cpuset in order to fit.  Without this
363 policy, especially for jobs that might have one thread reading in the
364 data set, the memory allocation across the nodes in the jobs cpuset
365 can become very uneven.
366
367 1.7 What is sched_load_balance ?
368 --------------------------------
369
370 The kernel scheduler (kernel/sched.c) automatically load balances
371 tasks.  If one CPU is underutilized, kernel code running on that
372 CPU will look for tasks on other more overloaded CPUs and move those
373 tasks to itself, within the constraints of such placement mechanisms
374 as cpusets and sched_setaffinity.
375
376 The algorithmic cost of load balancing and its impact on key shared
377 kernel data structures such as the task list increases more than
378 linearly with the number of CPUs being balanced.  So the scheduler
379 has support to  partition the systems CPUs into a number of sched
380 domains such that it only load balances within each sched domain.
381 Each sched domain covers some subset of the CPUs in the system;
382 no two sched domains overlap; some CPUs might not be in any sched
383 domain and hence won't be load balanced.
384
385 Put simply, it costs less to balance between two smaller sched domains
386 than one big one, but doing so means that overloads in one of the
387 two domains won't be load balanced to the other one.
388
389 By default, there is one sched domain covering all CPUs, except those
390 marked isolated using the kernel boot time "isolcpus=" argument.
391
392 This default load balancing across all CPUs is not well suited for
393 the following two situations:
394  1) On large systems, load balancing across many CPUs is expensive.
395     If the system is managed using cpusets to place independent jobs
396     on separate sets of CPUs, full load balancing is unnecessary.
397  2) Systems supporting realtime on some CPUs need to minimize
398     system overhead on those CPUs, including avoiding task load
399     balancing if that is not needed.
400
401 When the per-cpuset flag "sched_load_balance" is enabled (the default
402 setting), it requests that all the CPUs in that cpusets allowed 'cpus'
403 be contained in a single sched domain, ensuring that load balancing
404 can move a task (not otherwised pinned, as by sched_setaffinity)
405 from any CPU in that cpuset to any other.
406
407 When the per-cpuset flag "sched_load_balance" is disabled, then the
408 scheduler will avoid load balancing across the CPUs in that cpuset,
409 --except-- in so far as is necessary because some overlapping cpuset
410 has "sched_load_balance" enabled.
411
412 So, for example, if the top cpuset has the flag "sched_load_balance"
413 enabled, then the scheduler will have one sched domain covering all
414 CPUs, and the setting of the "sched_load_balance" flag in any other
415 cpusets won't matter, as we're already fully load balancing.
416
417 Therefore in the above two situations, the top cpuset flag
418 "sched_load_balance" should be disabled, and only some of the smaller,
419 child cpusets have this flag enabled.
420
421 When doing this, you don't usually want to leave any unpinned tasks in
422 the top cpuset that might use non-trivial amounts of CPU, as such tasks
423 may be artificially constrained to some subset of CPUs, depending on
424 the particulars of this flag setting in descendent cpusets.  Even if
425 such a task could use spare CPU cycles in some other CPUs, the kernel
426 scheduler might not consider the possibility of load balancing that
427 task to that underused CPU.
428
429 Of course, tasks pinned to a particular CPU can be left in a cpuset
430 that disables "sched_load_balance" as those tasks aren't going anywhere
431 else anyway.
432
433 There is an impedance mismatch here, between cpusets and sched domains.
434 Cpusets are hierarchical and nest.  Sched domains are flat; they don't
435 overlap and each CPU is in at most one sched domain.
436
437 It is necessary for sched domains to be flat because load balancing
438 across partially overlapping sets of CPUs would risk unstable dynamics
439 that would be beyond our understanding.  So if each of two partially
440 overlapping cpusets enables the flag 'sched_load_balance', then we
441 form a single sched domain that is a superset of both.  We won't move
442 a task to a CPU outside it cpuset, but the scheduler load balancing
443 code might waste some compute cycles considering that possibility.
444
445 This mismatch is why there is not a simple one-to-one relation
446 between which cpusets have the flag "sched_load_balance" enabled,
447 and the sched domain configuration.  If a cpuset enables the flag, it
448 will get balancing across all its CPUs, but if it disables the flag,
449 it will only be assured of no load balancing if no other overlapping
450 cpuset enables the flag.
451
452 If two cpusets have partially overlapping 'cpus' allowed, and only
453 one of them has this flag enabled, then the other may find its
454 tasks only partially load balanced, just on the overlapping CPUs.
455 This is just the general case of the top_cpuset example given a few
456 paragraphs above.  In the general case, as in the top cpuset case,
457 don't leave tasks that might use non-trivial amounts of CPU in
458 such partially load balanced cpusets, as they may be artificially
459 constrained to some subset of the CPUs allowed to them, for lack of
460 load balancing to the other CPUs.
461
462 1.7.1 sched_load_balance implementation details.
463 ------------------------------------------------
464
465 The per-cpuset flag 'sched_load_balance' defaults to enabled (contrary
466 to most cpuset flags.)  When enabled for a cpuset, the kernel will
467 ensure that it can load balance across all the CPUs in that cpuset
468 (makes sure that all the CPUs in the cpus_allowed of that cpuset are
469 in the same sched domain.)
470
471 If two overlapping cpusets both have 'sched_load_balance' enabled,
472 then they will be (must be) both in the same sched domain.
473
474 If, as is the default, the top cpuset has 'sched_load_balance' enabled,
475 then by the above that means there is a single sched domain covering
476 the whole system, regardless of any other cpuset settings.
477
478 The kernel commits to user space that it will avoid load balancing
479 where it can.  It will pick as fine a granularity partition of sched
480 domains as it can while still providing load balancing for any set
481 of CPUs allowed to a cpuset having 'sched_load_balance' enabled.
482
483 The internal kernel cpuset to scheduler interface passes from the
484 cpuset code to the scheduler code a partition of the load balanced
485 CPUs in the system. This partition is a set of subsets (represented
486 as an array of cpumask_t) of CPUs, pairwise disjoint, that cover all
487 the CPUs that must be load balanced.
488
489 Whenever the 'sched_load_balance' flag changes, or CPUs come or go
490 from a cpuset with this flag enabled, or a cpuset with this flag
491 enabled is removed, the cpuset code builds a new such partition and
492 passes it to the scheduler sched domain setup code, to have the sched
493 domains rebuilt as necessary.
494
495 This partition exactly defines what sched domains the scheduler should
496 setup - one sched domain for each element (cpumask_t) in the partition.
497
498 The scheduler remembers the currently active sched domain partitions.
499 When the scheduler routine partition_sched_domains() is invoked from
500 the cpuset code to update these sched domains, it compares the new
501 partition requested with the current, and updates its sched domains,
502 removing the old and adding the new, for each change.
503
504
505 1.8 What is sched_relax_domain_level ?
506 --------------------------------------
507
508 In sched domain, the scheduler migrates tasks in 2 ways; periodic load
509 balance on tick, and at time of some schedule events.
510
511 When a task is woken up, scheduler try to move the task on idle CPU.
512 For example, if a task A running on CPU X activates another task B
513 on the same CPU X, and if CPU Y is X's sibling and performing idle,
514 then scheduler migrate task B to CPU Y so that task B can start on
515 CPU Y without waiting task A on CPU X.
516
517 And if a CPU run out of tasks in its runqueue, the CPU try to pull
518 extra tasks from other busy CPUs to help them before it is going to
519 be idle.
520
521 Of course it takes some searching cost to find movable tasks and/or
522 idle CPUs, the scheduler might not search all CPUs in the domain
523 everytime.  In fact, in some architectures, the searching ranges on
524 events are limited in the same socket or node where the CPU locates,
525 while the load balance on tick searchs all.
526
527 For example, assume CPU Z is relatively far from CPU X.  Even if CPU Z
528 is idle while CPU X and the siblings are busy, scheduler can't migrate
529 woken task B from X to Z since it is out of its searching range.
530 As the result, task B on CPU X need to wait task A or wait load balance
531 on the next tick.  For some applications in special situation, waiting
532 1 tick may be too long.
533
534 The 'sched_relax_domain_level' file allows you to request changing
535 this searching range as you like.  This file takes int value which
536 indicates size of searching range in levels ideally as follows,
537 otherwise initial value -1 that indicates the cpuset has no request.
538
539   -1  : no request. use system default or follow request of others.
540    0  : no search.
541    1  : search siblings (hyperthreads in a core).
542    2  : search cores in a package.
543    3  : search cpus in a node [= system wide on non-NUMA system]
544  ( 4  : search nodes in a chunk of node [on NUMA system] )
545  ( 5~ : search system wide [on NUMA system])
546
547 This file is per-cpuset and affect the sched domain where the cpuset
548 belongs to.  Therefore if the flag 'sched_load_balance' of a cpuset
549 is disabled, then 'sched_relax_domain_level' have no effect since
550 there is no sched domain belonging the cpuset.
551
552 If multiple cpusets are overlapping and hence they form a single sched
553 domain, the largest value among those is used.  Be careful, if one
554 requests 0 and others are -1 then 0 is used.
555
556 Note that modifying this file will have both good and bad effects,
557 and whether it is acceptable or not will be depend on your situation.
558 Don't modify this file if you are not sure.
559
560 If your situation is:
561  - The migration costs between each cpu can be assumed considerably
562    small(for you) due to your special application's behavior or
563    special hardware support for CPU cache etc.
564  - The searching cost doesn't have impact(for you) or you can make
565    the searching cost enough small by managing cpuset to compact etc.
566  - The latency is required even it sacrifices cache hit rate etc.
567 then increasing 'sched_relax_domain_level' would benefit you.
568
569
570 1.9 How do I use cpusets ?
571 --------------------------
572
573 In order to minimize the impact of cpusets on critical kernel
574 code, such as the scheduler, and due to the fact that the kernel
575 does not support one task updating the memory placement of another
576 task directly, the impact on a task of changing its cpuset CPU
577 or Memory Node placement, or of changing to which cpuset a task
578 is attached, is subtle.
579
580 If a cpuset has its Memory Nodes modified, then for each task attached
581 to that cpuset, the next time that the kernel attempts to allocate
582 a page of memory for that task, the kernel will notice the change
583 in the tasks cpuset, and update its per-task memory placement to
584 remain within the new cpusets memory placement.  If the task was using
585 mempolicy MPOL_BIND, and the nodes to which it was bound overlap with
586 its new cpuset, then the task will continue to use whatever subset
587 of MPOL_BIND nodes are still allowed in the new cpuset.  If the task
588 was using MPOL_BIND and now none of its MPOL_BIND nodes are allowed
589 in the new cpuset, then the task will be essentially treated as if it
590 was MPOL_BIND bound to the new cpuset (even though its numa placement,
591 as queried by get_mempolicy(), doesn't change).  If a task is moved
592 from one cpuset to another, then the kernel will adjust the tasks
593 memory placement, as above, the next time that the kernel attempts
594 to allocate a page of memory for that task.
595
596 If a cpuset has its 'cpus' modified, then each task in that cpuset
597 will have its allowed CPU placement changed immediately.  Similarly,
598 if a tasks pid is written to a cpusets 'tasks' file, in either its
599 current cpuset or another cpuset, then its allowed CPU placement is
600 changed immediately.  If such a task had been bound to some subset
601 of its cpuset using the sched_setaffinity() call, the task will be
602 allowed to run on any CPU allowed in its new cpuset, negating the
603 affect of the prior sched_setaffinity() call.
604
605 In summary, the memory placement of a task whose cpuset is changed is
606 updated by the kernel, on the next allocation of a page for that task,
607 but the processor placement is not updated, until that tasks pid is
608 rewritten to the 'tasks' file of its cpuset.  This is done to avoid
609 impacting the scheduler code in the kernel with a check for changes
610 in a tasks processor placement.
611
612 Normally, once a page is allocated (given a physical page
613 of main memory) then that page stays on whatever node it
614 was allocated, so long as it remains allocated, even if the
615 cpusets memory placement policy 'mems' subsequently changes.
616 If the cpuset flag file 'memory_migrate' is set true, then when
617 tasks are attached to that cpuset, any pages that task had
618 allocated to it on nodes in its previous cpuset are migrated
619 to the tasks new cpuset. The relative placement of the page within
620 the cpuset is preserved during these migration operations if possible.
621 For example if the page was on the second valid node of the prior cpuset
622 then the page will be placed on the second valid node of the new cpuset.
623
624 Also if 'memory_migrate' is set true, then if that cpusets
625 'mems' file is modified, pages allocated to tasks in that
626 cpuset, that were on nodes in the previous setting of 'mems',
627 will be moved to nodes in the new setting of 'mems.'
628 Pages that were not in the tasks prior cpuset, or in the cpusets
629 prior 'mems' setting, will not be moved.
630
631 There is an exception to the above.  If hotplug functionality is used
632 to remove all the CPUs that are currently assigned to a cpuset,
633 then the kernel will automatically update the cpus_allowed of all
634 tasks attached to CPUs in that cpuset to allow all CPUs.  When memory
635 hotplug functionality for removing Memory Nodes is available, a
636 similar exception is expected to apply there as well.  In general,
637 the kernel prefers to violate cpuset placement, over starving a task
638 that has had all its allowed CPUs or Memory Nodes taken offline.  User
639 code should reconfigure cpusets to only refer to online CPUs and Memory
640 Nodes when using hotplug to add or remove such resources.
641
642 There is a second exception to the above.  GFP_ATOMIC requests are
643 kernel internal allocations that must be satisfied, immediately.
644 The kernel may drop some request, in rare cases even panic, if a
645 GFP_ATOMIC alloc fails.  If the request cannot be satisfied within
646 the current tasks cpuset, then we relax the cpuset, and look for
647 memory anywhere we can find it.  It's better to violate the cpuset
648 than stress the kernel.
649
650 To start a new job that is to be contained within a cpuset, the steps are:
651
652  1) mkdir /dev/cpuset
653  2) mount -t cgroup -ocpuset cpuset /dev/cpuset
654  3) Create the new cpuset by doing mkdir's and write's (or echo's) in
655     the /dev/cpuset virtual file system.
656  4) Start a task that will be the "founding father" of the new job.
657  5) Attach that task to the new cpuset by writing its pid to the
658     /dev/cpuset tasks file for that cpuset.
659  6) fork, exec or clone the job tasks from this founding father task.
660
661 For example, the following sequence of commands will setup a cpuset
662 named "Charlie", containing just CPUs 2 and 3, and Memory Node 1,
663 and then start a subshell 'sh' in that cpuset:
664
665   mount -t cgroup -ocpuset cpuset /dev/cpuset
666   cd /dev/cpuset
667   mkdir Charlie
668   cd Charlie
669   /bin/echo 2-3 > cpus
670   /bin/echo 1 > mems
671   /bin/echo $$ > tasks
672   sh
673   # The subshell 'sh' is now running in cpuset Charlie
674   # The next line should display '/Charlie'
675   cat /proc/self/cpuset
676
677 In the future, a C library interface to cpusets will likely be
678 available.  For now, the only way to query or modify cpusets is
679 via the cpuset file system, using the various cd, mkdir, echo, cat,
680 rmdir commands from the shell, or their equivalent from C.
681
682 The sched_setaffinity calls can also be done at the shell prompt using
683 SGI's runon or Robert Love's taskset.  The mbind and set_mempolicy
684 calls can be done at the shell prompt using the numactl command
685 (part of Andi Kleen's numa package).
686
687 2. Usage Examples and Syntax
688 ============================
689
690 2.1 Basic Usage
691 ---------------
692
693 Creating, modifying, using the cpusets can be done through the cpuset
694 virtual filesystem.
695
696 To mount it, type:
697 # mount -t cgroup -o cpuset cpuset /dev/cpuset
698
699 Then under /dev/cpuset you can find a tree that corresponds to the
700 tree of the cpusets in the system. For instance, /dev/cpuset
701 is the cpuset that holds the whole system.
702
703 If you want to create a new cpuset under /dev/cpuset:
704 # cd /dev/cpuset
705 # mkdir my_cpuset
706
707 Now you want to do something with this cpuset.
708 # cd my_cpuset
709
710 In this directory you can find several files:
711 # ls
712 cpus  cpu_exclusive  mems  mem_exclusive mem_hardwall  tasks
713
714 Reading them will give you information about the state of this cpuset:
715 the CPUs and Memory Nodes it can use, the processes that are using
716 it, its properties.  By writing to these files you can manipulate
717 the cpuset.
718
719 Set some flags:
720 # /bin/echo 1 > cpu_exclusive
721
722 Add some cpus:
723 # /bin/echo 0-7 > cpus
724
725 Add some mems:
726 # /bin/echo 0-7 > mems
727
728 Now attach your shell to this cpuset:
729 # /bin/echo $$ > tasks
730
731 You can also create cpusets inside your cpuset by using mkdir in this
732 directory.
733 # mkdir my_sub_cs
734
735 To remove a cpuset, just use rmdir:
736 # rmdir my_sub_cs
737 This will fail if the cpuset is in use (has cpusets inside, or has
738 processes attached).
739
740 Note that for legacy reasons, the "cpuset" filesystem exists as a
741 wrapper around the cgroup filesystem.
742
743 The command
744
745 mount -t cpuset X /dev/cpuset
746
747 is equivalent to
748
749 mount -t cgroup -ocpuset X /dev/cpuset
750 echo "/sbin/cpuset_release_agent" > /dev/cpuset/release_agent
751
752 2.2 Adding/removing cpus
753 ------------------------
754
755 This is the syntax to use when writing in the cpus or mems files
756 in cpuset directories:
757
758 # /bin/echo 1-4 > cpus          -> set cpus list to cpus 1,2,3,4
759 # /bin/echo 1,2,3,4 > cpus      -> set cpus list to cpus 1,2,3,4
760
761 2.3 Setting flags
762 -----------------
763
764 The syntax is very simple:
765
766 # /bin/echo 1 > cpu_exclusive   -> set flag 'cpu_exclusive'
767 # /bin/echo 0 > cpu_exclusive   -> unset flag 'cpu_exclusive'
768
769 2.4 Attaching processes
770 -----------------------
771
772 # /bin/echo PID > tasks
773
774 Note that it is PID, not PIDs. You can only attach ONE task at a time.
775 If you have several tasks to attach, you have to do it one after another:
776
777 # /bin/echo PID1 > tasks
778 # /bin/echo PID2 > tasks
779         ...
780 # /bin/echo PIDn > tasks
781
782
783 3. Questions
784 ============
785
786 Q: what's up with this '/bin/echo' ?
787 A: bash's builtin 'echo' command does not check calls to write() against
788    errors. If you use it in the cpuset file system, you won't be
789    able to tell whether a command succeeded or failed.
790
791 Q: When I attach processes, only the first of the line gets really attached !
792 A: We can only return one error code per call to write(). So you should also
793    put only ONE pid.
794
795 4. Contact
796 ==========
797
798 Web: http://www.bullopensource.org/cpuset