2023年，眾多Linux內(nèi)核開發(fā)者仍然在調(diào)度器、內(nèi)存管理、文件系統(tǒng)等領(lǐng)域貢獻著自己的idea和patch，本文從其中選取十個最典型的patchset，進行闡述，它們是：

1. 基于eBPF的sched_ext調(diào)度類擴展

2. per-VMA lock

3. NUMA系統(tǒng)上kernel代碼段復(fù)制

4. Large folios/動態(tài)大頁

5. 文件系統(tǒng)large block支持

6. 基于scope的資源管理

7. 用代理執(zhí)行解決優(yōu)先級反轉(zhuǎn)(priority inversion)問題

8. 延后用戶空間臨界區(qū)內(nèi)的搶占

9. EEVDF調(diào)度

10. BPF通用迭代器

下面我們一一展開。

基于eBPF的sched_ext調(diào)度類擴展

這一patchset的開發(fā)過程，堪稱神仙打架。對壘的多方，無論是發(fā)patch的還是review patch的，都是內(nèi)核社區(qū)的頂流大神，甚至連看客都會北冥神功。他們之間直接的拼殺，刺刀見紅，毫不留情，讓凡人們見識了神仙也有性格，技術(shù)和思想的力量可以怎樣無視虛偽和矯情。

sched_ext patchset由社區(qū)鼎鼎大名的Tejun Heo發(fā)出，他是Linux內(nèi)核cgroup、KERNFS、PER-CPU MEMORY ALLOCATOR、WORKQUEUE等的maintainer。

這個patchset——sched: Implement BPF extensible scheduler class

Patchset的實際貢獻還包括來自Google、meta、卡內(nèi)基梅隆大學(xué)等多家主流廠商和科研院校的開發(fā)者。該patchset擴展了一個調(diào)度class，與之前的CFS、realtime等并行，但是它允許調(diào)度行為被一個BPF程序來實現(xiàn)，并聲稱有如下三大好處：

1.讓探索和實驗變地容易: 讓新的調(diào)度策略可以快速迭代

2. 定制化調(diào)度行為：為特定應(yīng)用定制調(diào)度器（這個調(diào)度器也許不適用于通用目的）

3. 調(diào)度器快速部署: 在產(chǎn)品環(huán)境下，非侵入式地修改調(diào)度器。

新加入的sched_ext與內(nèi)核已經(jīng)存在的stop_sched_class、dl_sched_class、rt_sched_class、fair_sched_class、idle_sched_class是一種并列關(guān)系，任何一個sched_class，都需要實現(xiàn)一系列的callback函數(shù)，比如：

• enqueue_task：將task放入runqueue，在CFS中task會加入一個紅黑樹;

• dequeue_task：將task從runqueue拿出來；

• pick_next_task：調(diào)度時候選取下一個run的task，比如對于rt調(diào)度類而言就是找bitmap上第一個bit的queue里面的task;

• task_tick：在調(diào)度tick發(fā)生時被調(diào)用，比如對于CFS而言，它會更新當前運行task的vruntime和sum_exec_runtime，并可能設(shè)置need_resched；

• wakeup_preempt：一個task被喚醒的時候（也可能是調(diào)度策略或者優(yōu)先級更改，比如從其他策略調(diào)整為CFS插入CFS的runqueue的switched_to_fair），可能搶占正在運行的task；

• select_task_rq：比如fork一個新的task以及exec、wakeup等負載均衡場景，我們要選擇把task放到哪個CPU的runqueue上面。

Patchset定義了一組可以由eBPF程序?qū)崿F(xiàn)的callback：

并在內(nèi)核的sched_ext class的callback中，調(diào)用這一組eBPF實現(xiàn)的callback，比如ext sched_class的select_task_rq() callback調(diào)用eBPF的select_cpu() callback：

進一步地，由于eBPF程序可以通過maps和userspace交互，實際上，調(diào)度行為也可以在userspace實現(xiàn)了，這讓內(nèi)核sched_class、eBPF的sched_ext_ops和用戶空間，實現(xiàn)了3位一體的聯(lián)動。

比如eBPF中可以pop一個BPF_MAP_TYPE_QUEUE類型的map：

而userspace則可以update_elem相關(guān)dispatch進程的pid到這個map：

整個patchset讓Linux內(nèi)核調(diào)度器的維護者Peter Zijlstra（同時也是ATOMIC INFRASTRUCTURE、CPU HOTPLUG、FUTEX、LKMM、MMU GATHER AND TLB INVALIDATION、Perf等的維護者）所極度反感，在patchset中直接給出了NACK：

他NAK的無疑是一位大神，當我們回眸特洛伊之戰(zhàn)中兩位偉大英雄阿喀琉斯和赫克托耳的決斗時刻，最后命運的天平無論便向的是哪一邊，剩下的都只有悲壯。

per-VMA lock

如果Linux內(nèi)核里面有什么鎖最臭名昭著，那么一定是mmap_sem（后改名為mmap_lock）。這個鎖位于mm_struct里面，很顯然它應(yīng)該是一個多線程共享的進程級別概念而不應(yīng)該是per-VMA的概念：

但是之前我們在page fault中，也是要拿mmap_sem讀鎖的，因為我們也不知道page fault處理過程中，對應(yīng)的VMA會不會變化或者甚至消失，所以要和可能寫VMA的人排他。Page fault的處理邏輯實際是：

由于mmap_sem是整個進程的，而一個進程里面說不定也有成千上萬的VMA，然后大量的page fault以及其他的VMA的寫操作行為，相互競爭鎖，就導(dǎo)致大量的競爭延遲。其他需要持有寫鎖的地方也是非常多的，比如：brk、stack expand、munmap、remap_file_pages、exit、madvise、mprotect、mremap、mlock等。

用一個大的mmap_lock把這些寫和page fault的讀進行保護，這固然安全，但是也實在低效。我們假設(shè)一個進程有1萬個VMA，然后我們在其中的1個VMA上面進行page fault，其他的9999個VMA消失不消失，變化不變化，跟我這個page fault之間其實是沒有半毛錢關(guān)系的。如果能夠在PF中不去持有mmap_lock讀鎖，而去持有一個更細粒度的，只關(guān)心本VMA的鎖，應(yīng)該是一個更好的選擇。

在處理page fault的時候，我們只需要通過持有VMA的lock，來保證這個VMA本身的穩(wěn)定：

struct vm_area_struct *lock_vma_under_rcu(struct mm_struct *mm,            unsigned long address)；

每個VMA里面實際增加了一個vma_lock（里面含有一個讀寫鎖）：

在page fault里面我們持有讀鎖，在其他要寫某個VMA的場景，我們要持有寫鎖（前提條件是我們也必須持有了進程級的mmap_lock）：

它的這個實現(xiàn)看起來很奇怪，因為它拿到了vma->vm_lock->lock后，并不真地會一直拿著，而是馬上就放了up_write，但是它寫了一個vma->vm_lock_seq，把這個vm_lock_seq寫成了vma->vm_mm->mm_lock_seq的，而進程級的mm_lock_seq會在mmap_lock釋放的時候自增。

但是拿讀鎖的page fault，則是在page fault的途中一直hold著vma->vm_lock->lock。lock_vma_under_rcu()會調(diào)用vma_start_read()：

因為我們要開始VMA寫的時候把vma->vm_lock_seq寫成了進程級的mm_lock_seq，這樣當我們拿讀鎖的時候，如果vma->vm_lock_seq == mm->mm_lock_seq，說明VMA還在寫，我們其實也不用拿讀鎖了，per-VMA讀鎖直接失敗，讓page fault的代碼回退到去拿原先的mmap_lock就好。

由于per-VMA拿寫鎖的人總是當場放寫鎖，我們其實就不用擔心忘記up_write了。這有點自動化的類似后面將要提到的scope-based resource management。

值得一提是，在per-VMA lock準備好之前，有些Linux內(nèi)核，比如Android采用了SPF（Speculative page faults）來處理page fault，SPF的實現(xiàn)不包含per-VMA lock，它也不拿mmap_sem，但是page fault會不拿mmap_sem投機執(zhí)行，處理過程中會邊走邊看，如果執(zhí)行過程中發(fā)現(xiàn)VMA被修改，page fault會拿mmap_sem來retry原先的page fault。這個機制我們在2022年終盤點中也有提及。

NUMA系統(tǒng)上kernel代碼段復(fù)制

Russell King，在Linux ARM體系架構(gòu)采用device tree之前，維護著ARM Linux社區(qū)。由于當時的arch/arm目錄充斥著大量的冗余描述硬件的代碼，在2011年TI OMAP的一次Pull request中，Linus終于忍無可忍，破口大罵“this whole ARM thing is a f*cking pain in the ass”。此后，Linaro和ARM強勢介入，在ARM Linux引入了device tree，開啟了一個嶄新的時代。自己的地盤被人革了命，Russell童鞋的黯然神傷無可掩飾。但是，作為大神，Russell無疑擁有無可辯駁的技術(shù)實力，這次他給我們帶來的是黯然銷魂掌arm64 kernel text replication。

在一個典型的NUMA系統(tǒng)中，跨node訪問內(nèi)存的開銷比訪問本地node的開銷大。

Large folios/動態(tài)大頁

Large folios是社區(qū)2023的熱門話題，由于一個large folio中可以包含多個page，所以采用large folio可以減小page fault的次數(shù)（比如一個page fault中映射1個包含16個page的folio，這樣就減少了后面15次page fault）、降低LRU的維護成本（large folio整體加入LRU）、降低內(nèi)存的回收成本（large folio整體回收）等。

上一篇：21%程序員感覺到失業(yè)危機、AI崗成HR招聘難題，調(diào)查了13000名開發(fā)者后揭曉2024年技術(shù)招聘現(xiàn)狀！

下一篇：軟件工程--------就業(yè)與編程語言的多樣性選擇