Merge branch 'linux-next' of git://git.infradead.org/~dedekind/ubi-2.6
[linux-2.6] / Documentation / vm / numa_memory_policy.txt
1
2 What is Linux Memory Policy?
3
4 In the Linux kernel, "memory policy" determines from which node the kernel will
5 allocate memory in a NUMA system or in an emulated NUMA system.  Linux has
6 supported platforms with Non-Uniform Memory Access architectures since 2.4.?.
7 The current memory policy support was added to Linux 2.6 around May 2004.  This
8 document attempts to describe the concepts and APIs of the 2.6 memory policy
9 support.
10
11 Memory policies should not be confused with cpusets (Documentation/cpusets.txt)
12 which is an administrative mechanism for restricting the nodes from which
13 memory may be allocated by a set of processes. Memory policies are a
14 programming interface that a NUMA-aware application can take advantage of.  When
15 both cpusets and policies are applied to a task, the restrictions of the cpuset
16 takes priority.  See "MEMORY POLICIES AND CPUSETS" below for more details.
17
18 MEMORY POLICY CONCEPTS
19
20 Scope of Memory Policies
21
22 The Linux kernel supports _scopes_ of memory policy, described here from
23 most general to most specific:
24
25     System Default Policy:  this policy is "hard coded" into the kernel.  It
26     is the policy that governs all page allocations that aren't controlled
27     by one of the more specific policy scopes discussed below.  When the
28     system is "up and running", the system default policy will use "local
29     allocation" described below.  However, during boot up, the system
30     default policy will be set to interleave allocations across all nodes
31     with "sufficient" memory, so as not to overload the initial boot node
32     with boot-time allocations.
33
34     Task/Process Policy:  this is an optional, per-task policy.  When defined
35     for a specific task, this policy controls all page allocations made by or
36     on behalf of the task that aren't controlled by a more specific scope.
37     If a task does not define a task policy, then all page allocations that
38     would have been controlled by the task policy "fall back" to the System
39     Default Policy.
40
41         The task policy applies to the entire address space of a task. Thus,
42         it is inheritable, and indeed is inherited, across both fork()
43         [clone() w/o the CLONE_VM flag] and exec*().  This allows a parent task
44         to establish the task policy for a child task exec()'d from an
45         executable image that has no awareness of memory policy.  See the
46         MEMORY POLICY APIS section, below, for an overview of the system call
47         that a task may use to set/change it's task/process policy.
48
49         In a multi-threaded task, task policies apply only to the thread
50         [Linux kernel task] that installs the policy and any threads
51         subsequently created by that thread.  Any sibling threads existing
52         at the time a new task policy is installed retain their current
53         policy.
54
55         A task policy applies only to pages allocated after the policy is
56         installed.  Any pages already faulted in by the task when the task
57         changes its task policy remain where they were allocated based on
58         the policy at the time they were allocated.
59
60     VMA Policy:  A "VMA" or "Virtual Memory Area" refers to a range of a task's
61     virtual adddress space.  A task may define a specific policy for a range
62     of its virtual address space.   See the MEMORY POLICIES APIS section,
63     below, for an overview of the mbind() system call used to set a VMA
64     policy.
65
66     A VMA policy will govern the allocation of pages that back this region of
67     the address space.  Any regions of the task's address space that don't
68     have an explicit VMA policy will fall back to the task policy, which may
69     itself fall back to the System Default Policy.
70
71     VMA policies have a few complicating details:
72
73         VMA policy applies ONLY to anonymous pages.  These include pages
74         allocated for anonymous segments, such as the task stack and heap, and
75         any regions of the address space mmap()ed with the MAP_ANONYMOUS flag.
76         If a VMA policy is applied to a file mapping, it will be ignored if
77         the mapping used the MAP_SHARED flag.  If the file mapping used the
78         MAP_PRIVATE flag, the VMA policy will only be applied when an
79         anonymous page is allocated on an attempt to write to the mapping--
80         i.e., at Copy-On-Write.
81
82         VMA policies are shared between all tasks that share a virtual address
83         space--a.k.a. threads--independent of when the policy is installed; and
84         they are inherited across fork().  However, because VMA policies refer
85         to a specific region of a task's address space, and because the address
86         space is discarded and recreated on exec*(), VMA policies are NOT
87         inheritable across exec().  Thus, only NUMA-aware applications may
88         use VMA policies.
89
90         A task may install a new VMA policy on a sub-range of a previously
91         mmap()ed region.  When this happens, Linux splits the existing virtual
92         memory area into 2 or 3 VMAs, each with it's own policy.
93
94         By default, VMA policy applies only to pages allocated after the policy
95         is installed.  Any pages already faulted into the VMA range remain
96         where they were allocated based on the policy at the time they were
97         allocated.  However, since 2.6.16, Linux supports page migration via
98         the mbind() system call, so that page contents can be moved to match
99         a newly installed policy.
100
101     Shared Policy:  Conceptually, shared policies apply to "memory objects"
102     mapped shared into one or more tasks' distinct address spaces.  An
103     application installs a shared policies the same way as VMA policies--using
104     the mbind() system call specifying a range of virtual addresses that map
105     the shared object.  However, unlike VMA policies, which can be considered
106     to be an attribute of a range of a task's address space, shared policies
107     apply directly to the shared object.  Thus, all tasks that attach to the
108     object share the policy, and all pages allocated for the shared object,
109     by any task, will obey the shared policy.
110
111         As of 2.6.22, only shared memory segments, created by shmget() or
112         mmap(MAP_ANONYMOUS|MAP_SHARED), support shared policy.  When shared
113         policy support was added to Linux, the associated data structures were
114         added to hugetlbfs shmem segments.  At the time, hugetlbfs did not
115         support allocation at fault time--a.k.a lazy allocation--so hugetlbfs
116         shmem segments were never "hooked up" to the shared policy support.
117         Although hugetlbfs segments now support lazy allocation, their support
118         for shared policy has not been completed.
119
120         As mentioned above [re: VMA policies], allocations of page cache
121         pages for regular files mmap()ed with MAP_SHARED ignore any VMA
122         policy installed on the virtual address range backed by the shared
123         file mapping.  Rather, shared page cache pages, including pages backing
124         private mappings that have not yet been written by the task, follow
125         task policy, if any, else System Default Policy.
126
127         The shared policy infrastructure supports different policies on subset
128         ranges of the shared object.  However, Linux still splits the VMA of
129         the task that installs the policy for each range of distinct policy.
130         Thus, different tasks that attach to a shared memory segment can have
131         different VMA configurations mapping that one shared object.  This
132         can be seen by examining the /proc/<pid>/numa_maps of tasks sharing
133         a shared memory region, when one task has installed shared policy on
134         one or more ranges of the region.
135
136 Components of Memory Policies
137
138     A Linux memory policy consists of a "mode", optional mode flags, and an
139     optional set of nodes.  The mode determines the behavior of the policy,
140     the optional mode flags determine the behavior of the mode, and the
141     optional set of nodes can be viewed as the arguments to the policy
142     behavior.
143
144    Internally, memory policies are implemented by a reference counted
145    structure, struct mempolicy.  Details of this structure will be discussed
146    in context, below, as required to explain the behavior.
147
148    Linux memory policy supports the following 4 behavioral modes:
149
150         Default Mode--MPOL_DEFAULT:  This mode is only used in the memory
151         policy APIs.  Internally, MPOL_DEFAULT is converted to the NULL
152         memory policy in all policy scopes.  Any existing non-default policy
153         will simply be removed when MPOL_DEFAULT is specified.  As a result,
154         MPOL_DEFAULT means "fall back to the next most specific policy scope."
155
156             For example, a NULL or default task policy will fall back to the
157             system default policy.  A NULL or default vma policy will fall
158             back to the task policy.
159
160             When specified in one of the memory policy APIs, the Default mode
161             does not use the optional set of nodes.
162
163             It is an error for the set of nodes specified for this policy to
164             be non-empty.
165
166         MPOL_BIND:  This mode specifies that memory must come from the
167         set of nodes specified by the policy.  Memory will be allocated from
168         the node in the set with sufficient free memory that is closest to
169         the node where the allocation takes place.
170
171         MPOL_PREFERRED:  This mode specifies that the allocation should be
172         attempted from the single node specified in the policy.  If that
173         allocation fails, the kernel will search other nodes, in order of
174         increasing distance from the preferred node based on information
175         provided by the platform firmware.
176         containing the cpu where the allocation takes place.
177
178             Internally, the Preferred policy uses a single node--the
179             preferred_node member of struct mempolicy.  When the internal
180             mode flag MPOL_F_LOCAL is set, the preferred_node is ignored and
181             the policy is interpreted as local allocation.  "Local" allocation
182             policy can be viewed as a Preferred policy that starts at the node
183             containing the cpu where the allocation takes place.
184
185             It is possible for the user to specify that local allocation is
186             always preferred by passing an empty nodemask with this mode.
187             If an empty nodemask is passed, the policy cannot use the
188             MPOL_F_STATIC_NODES or MPOL_F_RELATIVE_NODES flags described
189             below.
190
191         MPOL_INTERLEAVED:  This mode specifies that page allocations be
192         interleaved, on a page granularity, across the nodes specified in
193         the policy.  This mode also behaves slightly differently, based on
194         the context where it is used:
195
196             For allocation of anonymous pages and shared memory pages,
197             Interleave mode indexes the set of nodes specified by the policy
198             using the page offset of the faulting address into the segment
199             [VMA] containing the address modulo the number of nodes specified
200             by the policy.  It then attempts to allocate a page, starting at
201             the selected node, as if the node had been specified by a Preferred
202             policy or had been selected by a local allocation.  That is,
203             allocation will follow the per node zonelist.
204
205             For allocation of page cache pages, Interleave mode indexes the set
206             of nodes specified by the policy using a node counter maintained
207             per task.  This counter wraps around to the lowest specified node
208             after it reaches the highest specified node.  This will tend to
209             spread the pages out over the nodes specified by the policy based
210             on the order in which they are allocated, rather than based on any
211             page offset into an address range or file.  During system boot up,
212             the temporary interleaved system default policy works in this
213             mode.
214
215    Linux memory policy supports the following optional mode flags:
216
217         MPOL_F_STATIC_NODES:  This flag specifies that the nodemask passed by
218         the user should not be remapped if the task or VMA's set of allowed
219         nodes changes after the memory policy has been defined.
220
221             Without this flag, anytime a mempolicy is rebound because of a
222             change in the set of allowed nodes, the node (Preferred) or
223             nodemask (Bind, Interleave) is remapped to the new set of
224             allowed nodes.  This may result in nodes being used that were
225             previously undesired.
226
227             With this flag, if the user-specified nodes overlap with the
228             nodes allowed by the task's cpuset, then the memory policy is
229             applied to their intersection.  If the two sets of nodes do not
230             overlap, the Default policy is used.
231
232             For example, consider a task that is attached to a cpuset with
233             mems 1-3 that sets an Interleave policy over the same set.  If
234             the cpuset's mems change to 3-5, the Interleave will now occur
235             over nodes 3, 4, and 5.  With this flag, however, since only node
236             3 is allowed from the user's nodemask, the "interleave" only
237             occurs over that node.  If no nodes from the user's nodemask are
238             now allowed, the Default behavior is used.
239
240             MPOL_F_STATIC_NODES cannot be combined with the
241             MPOL_F_RELATIVE_NODES flag.  It also cannot be used for
242             MPOL_PREFERRED policies that were created with an empty nodemask
243             (local allocation).
244
245         MPOL_F_RELATIVE_NODES:  This flag specifies that the nodemask passed
246         by the user will be mapped relative to the set of the task or VMA's
247         set of allowed nodes.  The kernel stores the user-passed nodemask,
248         and if the allowed nodes changes, then that original nodemask will
249         be remapped relative to the new set of allowed nodes.
250
251             Without this flag (and without MPOL_F_STATIC_NODES), anytime a
252             mempolicy is rebound because of a change in the set of allowed
253             nodes, the node (Preferred) or nodemask (Bind, Interleave) is
254             remapped to the new set of allowed nodes.  That remap may not
255             preserve the relative nature of the user's passed nodemask to its
256             set of allowed nodes upon successive rebinds: a nodemask of
257             1,3,5 may be remapped to 7-9 and then to 1-3 if the set of
258             allowed nodes is restored to its original state.
259
260             With this flag, the remap is done so that the node numbers from
261             the user's passed nodemask are relative to the set of allowed
262             nodes.  In other words, if nodes 0, 2, and 4 are set in the user's
263             nodemask, the policy will be effected over the first (and in the
264             Bind or Interleave case, the third and fifth) nodes in the set of
265             allowed nodes.  The nodemask passed by the user represents nodes
266             relative to task or VMA's set of allowed nodes.
267
268             If the user's nodemask includes nodes that are outside the range
269             of the new set of allowed nodes (for example, node 5 is set in
270             the user's nodemask when the set of allowed nodes is only 0-3),
271             then the remap wraps around to the beginning of the nodemask and,
272             if not already set, sets the node in the mempolicy nodemask.
273
274             For example, consider a task that is attached to a cpuset with
275             mems 2-5 that sets an Interleave policy over the same set with
276             MPOL_F_RELATIVE_NODES.  If the cpuset's mems change to 3-7, the
277             interleave now occurs over nodes 3,5-6.  If the cpuset's mems
278             then change to 0,2-3,5, then the interleave occurs over nodes
279             0,3,5.
280
281             Thanks to the consistent remapping, applications preparing
282             nodemasks to specify memory policies using this flag should
283             disregard their current, actual cpuset imposed memory placement
284             and prepare the nodemask as if they were always located on
285             memory nodes 0 to N-1, where N is the number of memory nodes the
286             policy is intended to manage.  Let the kernel then remap to the
287             set of memory nodes allowed by the task's cpuset, as that may
288             change over time.
289
290             MPOL_F_RELATIVE_NODES cannot be combined with the
291             MPOL_F_STATIC_NODES flag.  It also cannot be used for
292             MPOL_PREFERRED policies that were created with an empty nodemask
293             (local allocation).
294
295 MEMORY POLICY REFERENCE COUNTING
296
297 To resolve use/free races, struct mempolicy contains an atomic reference
298 count field.  Internal interfaces, mpol_get()/mpol_put() increment and
299 decrement this reference count, respectively.  mpol_put() will only free
300 the structure back to the mempolicy kmem cache when the reference count
301 goes to zero.
302
303 When a new memory policy is allocated, it's reference count is initialized
304 to '1', representing the reference held by the task that is installing the
305 new policy.  When a pointer to a memory policy structure is stored in another
306 structure, another reference is added, as the task's reference will be dropped
307 on completion of the policy installation.
308
309 During run-time "usage" of the policy, we attempt to minimize atomic operations
310 on the reference count, as this can lead to cache lines bouncing between cpus
311 and NUMA nodes.  "Usage" here means one of the following:
312
313 1) querying of the policy, either by the task itself [using the get_mempolicy()
314    API discussed below] or by another task using the /proc/<pid>/numa_maps
315    interface.
316
317 2) examination of the policy to determine the policy mode and associated node
318    or node lists, if any, for page allocation.  This is considered a "hot
319    path".  Note that for MPOL_BIND, the "usage" extends across the entire
320    allocation process, which may sleep during page reclaimation, because the
321    BIND policy nodemask is used, by reference, to filter ineligible nodes.
322
323 We can avoid taking an extra reference during the usages listed above as
324 follows:
325
326 1) we never need to get/free the system default policy as this is never
327    changed nor freed, once the system is up and running.
328
329 2) for querying the policy, we do not need to take an extra reference on the
330    target task's task policy nor vma policies because we always acquire the
331    task's mm's mmap_sem for read during the query.  The set_mempolicy() and
332    mbind() APIs [see below] always acquire the mmap_sem for write when
333    installing or replacing task or vma policies.  Thus, there is no possibility
334    of a task or thread freeing a policy while another task or thread is
335    querying it.
336
337 3) Page allocation usage of task or vma policy occurs in the fault path where
338    we hold them mmap_sem for read.  Again, because replacing the task or vma
339    policy requires that the mmap_sem be held for write, the policy can't be
340    freed out from under us while we're using it for page allocation.
341
342 4) Shared policies require special consideration.  One task can replace a
343    shared memory policy while another task, with a distinct mmap_sem, is
344    querying or allocating a page based on the policy.  To resolve this
345    potential race, the shared policy infrastructure adds an extra reference
346    to the shared policy during lookup while holding a spin lock on the shared
347    policy management structure.  This requires that we drop this extra
348    reference when we're finished "using" the policy.  We must drop the
349    extra reference on shared policies in the same query/allocation paths
350    used for non-shared policies.  For this reason, shared policies are marked
351    as such, and the extra reference is dropped "conditionally"--i.e., only
352    for shared policies.
353
354    Because of this extra reference counting, and because we must lookup
355    shared policies in a tree structure under spinlock, shared policies are
356    more expensive to use in the page allocation path.  This is expecially
357    true for shared policies on shared memory regions shared by tasks running
358    on different NUMA nodes.  This extra overhead can be avoided by always
359    falling back to task or system default policy for shared memory regions,
360    or by prefaulting the entire shared memory region into memory and locking
361    it down.  However, this might not be appropriate for all applications.
362
363 MEMORY POLICY APIs
364
365 Linux supports 3 system calls for controlling memory policy.  These APIS
366 always affect only the calling task, the calling task's address space, or
367 some shared object mapped into the calling task's address space.
368
369         Note:  the headers that define these APIs and the parameter data types
370         for user space applications reside in a package that is not part of
371         the Linux kernel.  The kernel system call interfaces, with the 'sys_'
372         prefix, are defined in <linux/syscalls.h>; the mode and flag
373         definitions are defined in <linux/mempolicy.h>.
374
375 Set [Task] Memory Policy:
376
377         long set_mempolicy(int mode, const unsigned long *nmask,
378                                         unsigned long maxnode);
379
380         Set's the calling task's "task/process memory policy" to mode
381         specified by the 'mode' argument and the set of nodes defined
382         by 'nmask'.  'nmask' points to a bit mask of node ids containing
383         at least 'maxnode' ids.  Optional mode flags may be passed by
384         combining the 'mode' argument with the flag (for example:
385         MPOL_INTERLEAVE | MPOL_F_STATIC_NODES).
386
387         See the set_mempolicy(2) man page for more details
388
389
390 Get [Task] Memory Policy or Related Information
391
392         long get_mempolicy(int *mode,
393                            const unsigned long *nmask, unsigned long maxnode,
394                            void *addr, int flags);
395
396         Queries the "task/process memory policy" of the calling task, or
397         the policy or location of a specified virtual address, depending
398         on the 'flags' argument.
399
400         See the get_mempolicy(2) man page for more details
401
402
403 Install VMA/Shared Policy for a Range of Task's Address Space
404
405         long mbind(void *start, unsigned long len, int mode,
406                    const unsigned long *nmask, unsigned long maxnode,
407                    unsigned flags);
408
409         mbind() installs the policy specified by (mode, nmask, maxnodes) as
410         a VMA policy for the range of the calling task's address space
411         specified by the 'start' and 'len' arguments.  Additional actions
412         may be requested via the 'flags' argument.
413
414         See the mbind(2) man page for more details.
415
416 MEMORY POLICY COMMAND LINE INTERFACE
417
418 Although not strictly part of the Linux implementation of memory policy,
419 a command line tool, numactl(8), exists that allows one to:
420
421 + set the task policy for a specified program via set_mempolicy(2), fork(2) and
422   exec(2)
423
424 + set the shared policy for a shared memory segment via mbind(2)
425
426 The numactl(8) tool is packages with the run-time version of the library
427 containing the memory policy system call wrappers.  Some distributions
428 package the headers and compile-time libraries in a separate development
429 package.
430
431
432 MEMORY POLICIES AND CPUSETS
433
434 Memory policies work within cpusets as described above.  For memory policies
435 that require a node or set of nodes, the nodes are restricted to the set of
436 nodes whose memories are allowed by the cpuset constraints.  If the nodemask
437 specified for the policy contains nodes that are not allowed by the cpuset and
438 MPOL_F_RELATIVE_NODES is not used, the intersection of the set of nodes
439 specified for the policy and the set of nodes with memory is used.  If the
440 result is the empty set, the policy is considered invalid and cannot be
441 installed.  If MPOL_F_RELATIVE_NODES is used, the policy's nodes are mapped
442 onto and folded into the task's set of allowed nodes as previously described.
443
444 The interaction of memory policies and cpusets can be problematic when tasks
445 in two cpusets share access to a memory region, such as shared memory segments
446 created by shmget() of mmap() with the MAP_ANONYMOUS and MAP_SHARED flags, and
447 any of the tasks install shared policy on the region, only nodes whose
448 memories are allowed in both cpusets may be used in the policies.  Obtaining
449 this information requires "stepping outside" the memory policy APIs to use the
450 cpuset information and requires that one know in what cpusets other task might
451 be attaching to the shared region.  Furthermore, if the cpusets' allowed
452 memory sets are disjoint, "local" allocation is the only valid policy.