Linux Kernel: PSI - Pressure Stall Information /proc/pressure/io で IO 待ちを観察する

Linux

www.kernel.org

Linux Kernel 4.20 で導入された PSI - Pressure Stall Information の /proc/pressure/io について気になることがあったので調べていました

イントロダクション

PSI を使うと CPU, メモリ, IO で stall した時間(割合) を計測できるってなことですが、どういった実装で「IO 待ち」なタスクを計測しているのかかが疑問で、社内で udzula さんあれこれ話を聞いていたのでした

ソースを読む

io_schedule_prepare() という関数を呼び出す際に current->in_iowait = 1 をセットしていて、これがポイント

int io_schedule_prepare(void)
{
    int old_iowait = current->in_iowait;

    current->in_iowait = 1;　👈
    blk_schedule_flush_plug(current);

    return old_iowait;
}

io_schedule_prepare() がどこで呼びだしされるかが重要で、後述する

current->in_iowait = 1 なタスクは psi_enqueue() で TSK_IOWAIT を付けて、psi_task_change() を呼び出す

/*
 * PSI tracks state that persists across sleeps, such as iowaits and
 * memory stalls. As a result, it has to distinguish between sleeps,
 * where a task's runnable state changes, and requeues, where a task
 * and its state are being moved between CPUs and runqueues.
 */
static inline void psi_enqueue(struct task_struct *p, bool wakeup)
{
    int clear = 0, set = TSK_RUNNING;

    if (static_branch_likely(&psi_disabled))
        return;

    if (!wakeup || p->sched_psi_wake_requeue) {
        if (p->flags & PF_MEMSTALL)
            set |= TSK_MEMSTALL;
        if (p->sched_psi_wake_requeue)
            p->sched_psi_wake_requeue = 0;
    } else {
        if (p->in_iowait)
            clear |= TSK_IOWAIT; 👈
    }

    psi_task_change(p, clear, set); 👈
}

psi_enqueue() は スケジューラたタスクをランキューにキューイングする際に呼び出す

更に psi_task_change() の中で task->psi_flags をセットしており、schedule_delayed_work() で非同期に PSI の統計を更新し反映する仕組みになっている

void psi_task_change(struct task_struct *task, int clear, int set)
{
    int cpu = task_cpu(task);
    struct psi_group *group;
    bool wake_clock = true;
    void *iter = NULL;

    if (!task->pid)
        return;

    if (((task->psi_flags & set) ||
         (task->psi_flags & clear) != clear) &&
        !psi_bug) {
        printk_deferred(KERN_ERR "psi: inconsistent task state! task=%d:%s cpu=%d psi_flags=%x clear=%x set=%x\n",
                task->pid, task->comm, cpu,
                task->psi_flags, clear, set);
        psi_bug = 1;
    }

    task->psi_flags &= ~clear; 👈
    task->psi_flags |= set; 👈

    /*
    * Periodic aggregation shuts off if there is a period of no
    * task changes, so we wake it back up if necessary. However,
    * don't do this if the task change is the aggregation worker
    * itself going to sleep, or we'll ping-pong forever.
    */
    if (unlikely((clear & TSK_RUNNING) &&
             (task->flags & PF_WQ_WORKER) &&
             wq_worker_last_func(task) == psi_update_work))
        wake_clock = false;

    while ((group = iterate_groups(task, &iter))) {
        psi_group_change(group, cpu, clear, set);
        if (wake_clock && !delayed_work_pending(&group->clock_work))
            schedule_delayed_work(&group->clock_work, PSI_FREQ); 👈
    }
}

細かいところをはしょりまくっているが、こんな感じでソースを追っていって理解を深めた

io_schedule_prepare を呼ぶ API は?

io_schedule_prepare() を呼び出す API は以下の 5つ です

  • io_schedule_timeout()
  • io_schedule()
  • mutex_lock_io()
  • mutex_lock_io_nested()
  • blkcg_maybe_throttle_blkg()

タスクがこれらの API を介してスケジューリングされると /proc/pressure/io の数値に計上される

/*
 * This task is about to go to sleep on IO. Increment rq->nr_iowait so
 * that process accounting knows that this is a task in IO wait state.
 */
long __sched io_schedule_timeout(long timeout)
{
    int token;
    long ret;

    token = io_schedule_prepare(); 👈
    ret = schedule_timeout(timeout);
    io_schedule_finish(token);

    return ret;
}
EXPORT_SYMBOL(io_schedule_timeout);

void io_schedule(void)
{
    int token;

    token = io_schedule_prepare(); 👈
    schedule();
    io_schedule_finish(token);
}
EXPORT_SYMBOL(io_schedule);

/**
 * mutex_lock_io() - Acquire the mutex and mark the process as waiting for I/O
 * @lock: The mutex to be acquired.
 *
 * Lock the mutex like mutex_lock().  While the task is waiting for this
 * mutex, it will be accounted as being in the IO wait state by the
 * scheduler.
 *
 * Context: Process context.
 */
void __sched mutex_lock_io(struct mutex *lock)
{
    int token;

    token = io_schedule_prepare(); 👈
    mutex_lock(lock);
    io_schedule_finish(token);
}
EXPORT_SYMBOL_GPL(mutex_lock_io);

void __sched
mutex_lock_io_nested(struct mutex *lock, unsigned int subclass)
{
    int token;

    might_sleep();

    token = io_schedule_prepare();　👈
    __mutex_lock_common(lock, TASK_UNINTERRUPTIBLE,
                subclass, NULL, _RET_IP_, NULL, 0);
    io_schedule_finish(token);
}
EXPORT_SYMBOL_GPL(mutex_lock_io_nested);

blkcg_maybe_throttle_blkg() はちょいと長いので割愛する

実験する

さて API がわかったのでカーネルモジュールを書いて実験する

まず io_schedule_timeout() と mutex_lock_io() を呼び出すカーネルモジュールを作り、これを用いて PSI - /proc/pressure/io の値が実際に変化するのかどうかを実験した

github.com

実験1: io_schedule_timeout() を使って観測する

拙作のカーネルモジュールを insmod すると、io_schedule_stuck という sysctl インタフェースが生える.

$ find /proc/sys | grep io_schedule_stuck
/proc/sys/io_schedule_stuck

このインタフェースに sysctl -w したタスクは任意の秒数間 io_schedule_timeout() で待つ (TASK_UNINTERRUPTIBLE でブロック)

root@bionic:~# sysctl -w io_schedule_stuck=10  # io_schedule_timeout() で 10秒間ブロックする

同時に /proc/pressure/io を観測する

# /proc/pressure/io の生の値をまんま出してて見にくくてごめんなさい. グラフを用意するのもちと面倒でして ... 

vagrant@bionic:~$ for i in {1..100}; do cat /proc/pressure/io | perl -nle 'printf "%s\t%s\n", scalar localtime(), $_'; sleep 1; done;
Tue Nov 12 14:53:22 2019        some avg10=0.00 avg60=2.74 avg300=2.36 total=364406988
Tue Nov 12 14:53:22 2019        full avg10=0.00 avg60=2.73 avg300=2.36 total=361087398
Tue Nov 12 14:53:23 2019        some avg10=0.00 avg60=2.74 avg300=2.36 total=364406988
Tue Nov 12 14:53:23 2019        full avg10=0.00 avg60=2.73 avg300=2.36 total=361087398
Tue Nov 12 14:53:24 2019        some avg10=0.00 avg60=2.65 avg300=2.34 total=364556987
Tue Nov 12 14:53:24 2019        full avg10=0.00 avg60=2.64 avg300=2.34 total=361236378
Tue Nov 12 14:53:25 2019        some avg10=0.00 avg60=2.65 avg300=2.34 total=365570489
Tue Nov 12 14:53:25 2019        full avg10=0.00 avg60=2.64 avg300=2.34 total=362246601

🔥 ここで sysctl -w なプロセスをスタートしていて、計上され始める

Tue Nov 12 14:53:26 2019        some avg10=13.76 avg60=5.05 avg300=2.85 total=366562074 
Tue Nov 12 14:53:26 2019        full avg10=13.76 avg60=5.04 avg300=2.84 total=363236425
Tue Nov 12 14:53:27 2019        some avg10=13.76 avg60=5.05 avg300=2.85 total=367568565
Tue Nov 12 14:53:27 2019        full avg10=13.76 avg60=5.04 avg300=2.84 total=364240573
Tue Nov 12 14:53:28 2019        some avg10=29.02 avg60=8.09 avg300=3.50 total=368575956
Tue Nov 12 14:53:28 2019        full avg10=29.02 avg60=8.08 avg300=3.49 total=365246678
Tue Nov 12 14:53:29 2019        some avg10=29.02 avg60=8.09 avg300=3.50 total=369581289
Tue Nov 12 14:53:29 2019        full avg10=29.02 avg60=8.08 avg300=3.49 total=366249360
Tue Nov 12 14:53:30 2019        some avg10=41.70 avg60=11.06 avg300=4.15 total=370587139
Tue Nov 12 14:53:30 2019        full avg10=41.70 avg60=11.06 avg300=4.15 total=367253197
Tue Nov 12 14:53:31 2019        some avg10=52.08 avg60=13.94 avg300=4.80 total=371697728
Tue Nov 12 14:53:31 2019        full avg10=52.08 avg60=13.94 avg300=4.80 total=368361911
Tue Nov 12 14:53:32 2019        some avg10=52.08 avg60=13.94 avg300=4.80 total=372717875
Tue Nov 12 14:53:32 2019        full avg10=52.08 avg60=13.94 avg300=4.80 total=369380596
Tue Nov 12 14:53:33 2019        some avg10=60.40 avg60=16.69 avg300=5.44 total=373724431
Tue Nov 12 14:53:33 2019        full avg10=60.40 avg60=16.69 avg300=5.43 total=370385496
Tue Nov 12 14:53:34 2019        some avg10=60.40 avg60=16.69 avg300=5.44 total=374375911
Tue Nov 12 14:53:34 2019        full avg10=60.40 avg60=16.69 avg300=5.43 total=371036282
Tue Nov 12 14:53:35 2019        some avg10=56.52 avg60=17.42 avg300=5.67 total=374375911
Tue Nov 12 14:53:35 2019        full avg10=56.52 avg60=17.42 avg300=5.66 total=371036282
Tue Nov 12 14:53:36 2019        some avg10=56.52 avg60=17.42 avg300=5.67 total=374375911
Tue Nov 12 14:53:36 2019        full avg10=56.52 avg60=17.42 avg300=5.66 total=371036282 

🔥 ここで sysctl -w のプロセスが終わっていて、avg の数値が減り始める

Tue Nov 12 14:53:37 2019        some avg10=46.28 avg60=16.85 avg300=5.63 total=374375911
Tue Nov 12 14:53:37 2019        full avg10=46.28 avg60=16.85 avg300=5.62 total=371036282
Tue Nov 12 14:53:38 2019        some avg10=46.28 avg60=16.85 avg300=5.63 total=374375911
Tue Nov 12 14:53:38 2019        full avg10=46.28 avg60=16.85 avg300=5.62 total=371036282
Tue Nov 12 14:53:39 2019        some avg10=37.89 avg60=16.30 avg300=5.59 total=374375911
Tue Nov 12 14:53:39 2019        full avg10=37.89 avg60=16.29 avg300=5.59 total=371036282
Tue Nov 12 14:53:40 2019        some avg10=37.89 avg60=16.30 avg300=5.59 total=374375911
Tue Nov 12 14:53:40 2019        full avg10=37.89 avg60=16.29 avg300=5.59 total=371036282
Tue Nov 12 14:53:41 2019        some avg10=31.03 avg60=15.76 avg300=5.55 total=374375911
Tue Nov 12 14:53:41 2019        full avg10=31.03 avg60=15.76 avg300=5.55 total=371036282 
Tue Nov 12 14:53:42 2019        some avg10=31.03 avg60=15.76 avg300=5.55 total=374375911
Tue Nov 12 14:53:42 2019        full avg10=31.03 avg60=15.76 avg300=5.55 total=371036282
Tue Nov 12 14:53:43 2019        some avg10=25.41 avg60=15.25 avg300=5.51 total=374375911
Tue Nov 12 14:53:43 2019        full avg10=25.41 avg60=15.24 avg300=5.51 total=371036282
Tue Nov 12 14:53:44 2019        some avg10=25.41 avg60=15.25 avg300=5.51 total=374375911
Tue Nov 12 14:53:44 2019        full avg10=25.41 avg60=15.24 avg300=5.51 total=371036282

ふむふむ なるほど〜

実験2: mutex_lock_io() を使って PSI を観測する

mutex_lock_io() を使った場合も同様に試験できます

io_schedule_timeout() とは違って 「mutex_lock_io() で mutex を獲得しているタスクではなく、mutex_lock_io() でブロックしているタスク」 が PSI で計上されるので要注意です

実験の際には ２つ以上の sysctl -w プロセスを起動して実験します

root@bionic:~# sysctl -w mutex_lock_io_stuck=10 &  # 1個目のタスクは mutex_lock_io で mutex を獲得し 10秒間 sleep する 
root@bionic:~# sysctl -w mutex_lock_io_stuck=10     # 2個目のタスクは 1個目のタスクによって約 10秒間ブロックされる

リアルな環境では、mutex_lock_io() でロック待ちになっている状況が /proc/pressure/io で観測できるということですね

実験2 で得られる結果は、実験1 とほぼ同等なので割愛します

まとめ

  • ソースを追って/proc/pressure/io がどのように計測されるかをざっくり追った
  • 自分でコントロール化においた環境で実験すると 理解が捗る