广州办公家具定制 发表于 2024-1-7 02:23:03

【WALT】update_history() 代码详解

@
目录

[*]【WALT】update_history() 代码详解

[*]代码展示
[*]代码逻辑

[*]⑴ 判断是否更新任务信息
[*]⑵ 更新历史窗口数据

[*]sum_history

[*]⑶ 计算 demand
[*]⑷ 计算 pred_demand
[*]⑸ 将 demand 与 pred_demand 更新到 CPU 负载中
[*]⑹ 更新任务信息



【WALT】update_history() 代码详解

代码版本:Linux4.9 android-msm-crosshatch-4.9-android12
代码展示

static void update_history(struct rq *rq, struct task_struct *p,
                       u32 runtime, int samples, int event)
{
        u32 *hist = &p->ravg.sum_history;
        int ridx, widx;
        u32 max = 0, avg, demand, pred_demand;
        u64 sum = 0;
        u64 prev_demand;

        // ⑴ 判断是否更新任务信息
        if (!runtime || is_idle_task(p) || exiting_task(p) || !samples)
                goto done;
       
        // ⑵ 更新历史窗口数据
        prev_demand = p->ravg.demand;
       
        widx = sched_ravg_hist_size - 1;
        ridx = widx - samples;
        for (; ridx >= 0; --widx, --ridx) {
                hist = hist;
                sum += hist;
                if (hist > max)
                        max = hist;
        }
        for (widx = 0; widx < samples && widx < sched_ravg_hist_size; widx++) {
                hist = runtime;
                sum += hist;
                if (hist > max)
                        max = hist;
        }

        p->ravg.sum = 0;

        // ⑶ 计算 demand
        if (sched_window_stats_policy == WINDOW_STATS_RECENT) {
                demand = runtime;
        } else if (sched_window_stats_policy == WINDOW_STATS_MAX) {
                demand = max;
        } else {
                avg = div64_u64(sum, sched_ravg_hist_size);
                if (sched_window_stats_policy == WINDOW_STATS_AVG)
                        demand = avg;
                else
                        demand = max(avg, runtime);
        }
        // ⑷ 计算 pred_demand
        pred_demand = predict_and_update_buckets(rq, p, runtime);

        trace_print_pred_demand(pred_demand, demand);

        // ⑸ 将 demand 与 pred_demand 更新到 rq 中
        if (!task_has_dl_policy(p) || !p->dl.dl_throttled) {
                if (task_on_rq_queued(p))
                        p->sched_class->fixup_walt_sched_stats(rq, p, demand,
                                                             pred_demand);
                else if (rq->curr == p)
                        walt_fixup_cum_window_demand(rq, demand);
        }

        // ⑹ 更新任务信息
        p->ravg.demand = demand;
        p->ravg.coloc_demand = div64_u64(sum, sched_ravg_hist_size);
        p->ravg.pred_demand = pred_demand;

done:
        trace_sched_update_history(rq, p, runtime, samples, event);
}代码逻辑

update_history() 是在 WALT 算法中,任务执行到新的一个窗口的时候,对旧窗口内数据进行更新并对新窗口内 demand 进行预测的一个函数。
参数解释:

[*]update_history(struct rq *rq, struct task_struct *p, u32 runtime, int samples, int event)
p 和 rq:当前要更新信息的任务以及任务所在的运行队列(就绪队列)
runtime:在 update_task_demand() 中记录的任务的运行时间
samples:在 update_task_demand() 中记录的窗口数。如果记录的是上一个窗口的,或者是 n 个窗口前的某个窗口的,samples = 1;如果记录的是前 n 个窗口,samples = n,且每个窗口的执行时间都是窗口大小的归一化值。
[*]u32 hist = &p->ravg.sum_history;
hist 是一个指向 p->ravg.sum_history 的指针。
p->ravg.sum_history 是一个长度为 RAVG_HIST_SIZE_MAX 的数组,存放的是过去 RAVG_HIST_SIZE_MAX 个窗口中的任务的执行时间。
此处的任务执行时间是在 update_task_demand() 中通过 scale_exec_time() 进行归一化后的时间。
RAVG_HIST_SIZE_MAX 是用来计算 demand 所需要的窗口的数量。当前版本内核中 RAVG_HIST_SIZE_MAX 默认为 5。
[*]int ridx, widx;
用来更新 p->ravg.sum_history 所需的参数。
[*]u32 max = 0, avg, demand, pred_demand;
max 是 p->ravg.sum_history 中的最大值;avg 是 p->ravg.sum_history 中的平均值。
demand:通过 p->ravg.sum_history 中的值来预测下一个窗口中负载的情况,即任务可能在下一个窗口中的运行时长的归一化值。这个值通常用于任务选核、迁核。
pred_demand:根据桶算法来预测下一个窗口中负载的情况。这个值通常用于调频。
[*]u64 sum = 0;
sum 是 p->ravg.sum_history 中的所有值的和。
[*]u64 prev_demand;
这个值记录上一个窗口中计算而得的 demand 值。
⑴ 判断是否更新任务信息

if (!runtime || is_idle_task(p) || exiting_task(p) || !samples)

[*]如果上个窗口内没有执行时间;
[*]如果任务是 idle 任务;
[*]如果任务正在退出;
[*]如果 samples == 0,
就直接结束,不进行更新。
⑵ 更新历史窗口数据

先通过 prev_demand = p->ravg.demand; 保存上一个窗口的 demand。
sum_history

介绍一下保存历史窗口负载的数组 sum_history。
默认情况下,sched_ravg_hist_size = RAVG_HIST_SIZE_MAX = 5,其中 sched_ravg_hist_size 可以根据需求来进行调整。
widx = sched_ravg_hist_size - 1; widx 是设定中最旧窗口的下标。“设定中”的意思是,如果 sched_ravg_hist_size 不等于 RAVG_HIST_SIZE_MAX,那么 sum_history 指向的就是我们调整窗口数量之后的最旧的窗口。
ridx = widx - samples; ridx 是更新之后的最旧窗口的下标。“更新之后”的意思是,我们要保证 sum_history 始终是上一个窗口的执行时间,如果更新了不止一个窗口,如更新了 samples 个窗口,那么最旧的 samples 个窗口就要被舍弃,同时将前面还未被舍弃的窗口往后挪 samples 个位置,这样才能将第 0 个位置留给上一个窗口。
执行过程如下:
设 samples = 2,即本次更新了 2 个窗口
sum_history:
               0       1       2       3       4
               ↑       ↑       ↑       ↑       ↑
                              ridx            widx
第一个 for 循环:
        for (; ridx >= 0; --widx, --ridx) {
                hist = hist;
                // 累加剩余的旧窗口的值
                sum += hist;
                // 计算最大值
                if (hist > max)
                        max = hist;
        }
第一次循环后结果:
sum_history:
               0       1       2       3       4
               ↑       ↑       ↑       ↑       ↑
                      ridx            widx
第二次循环后结果:
sum_history:
               0       1       2       3       4
               ↑       ↑       ↑       ↑       ↑
            ridx            widx
第三次循环后结果:
sum_history:
               0       1       2       3       4
               ↑       ↑       ↑       ↑       ↑
      ridx            widx
第二个 for 循环的开头将 widx 设置为 0:
sum_history:
               0       1       2       3       4
               ↑       ↑       ↑       ↑       ↑
      ridx    widx      
        for (widx = 0; widx < samples && widx < sched_ravg_hist_size; widx++) {
                hist = runtime;
                // 累加新窗口的值
                sum += hist;
                // 计算最大值
                if (hist > max)
                        max = hist;
        }
第一次循环后结果:
sum_history:[ s_w ]
               0       1       2       3       4
               ↑       ↑       ↑       ↑       ↑
      ridx            widx      
第一次循环后结果:
sum_history:[ s_w ] [ s_w ]
               0       1       2       3       4
               ↑       ↑       ↑       ↑       ↑
      ridx                  widx
因为 samples > 1 的时候 runtime 都是 scaled_window,所以填入的都是 s_w。 最后令 p->ravg.sum = 0; ,进行下一次 WALT 算法中 runtime 的累加。
⑶ 计算 demand

在当前版本中,WALT 算法设置了四种策略,分别通过不同的方法来计算 demand。
其中,avg = div64_u64(sum, sched_ravg_hist_size);

[*]sched_window_stats_policy == WINDOW_STATS_RECENT
demand = runtime; 直接将 demand 设置为上一个窗口的 runtime。
[*]sched_window_stats_policy == WINDOW_STATS_MAX
demand = max; 直接将 demand 设置为历史窗口中 runtime 的最大值。
[*]sched_window_stats_policy == WINDOW_STATS_AVG
demand = avg; 直接将 demnad 设置为历史窗口中 runtime 的平均值。
[*]sched_window_stats_policy == WINDOW_STATS_MAX_RECENT_AVG(默认情况)
demand = max(avg, runtime); 在上一个窗口的 runtime 和 历史窗口中 runtime 的平均值中选取最大值作为 demand。
⑷ 计算 pred_demand

根据桶算法来计算 pred_demand:pred_demand = predict_and_update_buckets(rq, p, runtime);
点击此处查看 predict_and_update_buckets() 代码详解。
⑸ 将 demand 与 pred_demand 更新到 CPU 负载中

在 【WALT】调度与负载计算 中详细描述了 WALT 是如何将之前计算的 demand 和 pred_demand 更新到 CPU 负载之中的。
⑹ 更新任务信息

p->ravg.demand = demand;
p->ravg.coloc_demand = div64_u64(sum, sched_ravg_hist_size);
将历史窗口中的平均值赋进 coloc_demand 中。
p->ravg.pred_demand = pred_demand;
点击此处回到 WALT 入口函数 update_task_ravg()

来源:https://www.cnblogs.com/cyrusandy/p/17949294
免责声明:由于采集信息均来自互联网,如果侵犯了您的权益,请联系我们【E-Mail:cb@itdo.tech】 我们会及时删除侵权内容,谢谢合作!
页: [1]
查看完整版本: 【WALT】update_history() 代码详解