资源隔离技术之CPU隔离
本期作者
SYS-OS
B站系统部操作系统（SYS-OS）团队
负责公司OS层面系统软件支持
覆盖内核优化、系统工具、操作系统镜像、软硬件结合等方向的工作
01 混部的概念及现状
目前我们说的混部技术，主要是将不同优先级的在线业务(通常为延迟敏感型高优先级任务)和离线任务(通常为延时不敏感型低优先级任务)部署在相同的物理机器上，达到提高资源利用率、降低成本的目的。混部场景下，CPU隔离的目标是当在线需要运行时，会“压制”离线，在线不运行时，离线利用空闲cpu运行。目前基于upstream的内核，对于在离线混部可以通过cpu share、优先级等方式使得在线业务尽可能压制离线，但是由于内核CFS设置有两种最小时间粒度保护：sched_min_granularity_ns 和 sched_wakeup_granularity_ns，实际效果并不那么理想。
在离线业务的混跑，当在线和离线任务分别调度到一个核上，相互抢执行时间，意味着离线一旦抢占，便可以持续运行一个最小粒度的时间sched_min_granularity_ns，在线任务的唤醒延迟可能达sched_wakeup_granularity_ns，即在线业务的调度延迟可能会很大，导致在线业务的性能下降。另外，如果在离线业务跑到相互对应的一对HT上，还将面临超线程干扰的问题，虽然有core scheduling[1]技术，但是其设计初衷并非为了混部，设计和实现开销较大，这些都将直接影响在线业务的性能。
我司在《B站云原生混部技术实践》[2]已实现混部机器的平均cpu使用率可以达到35%的混部效果，对于大规模混部的推进，正考虑从内核层隔离与可观测方向优化调度框架。为此，我们调研了龙蜥社区开源内核的Group Identity（以下简称GI）特性，该功能可以对每一个CPU cgroup设置身份标识，以区分cgroup中的任务优先级，达到CPU层级的隔离效果。我们将对该功能的主要部分进行原理分析并进行混部模拟测试，与诸君共赏。
02 CFS模型说明
Linux 内核默认提供了5个调度类，实际业务常用的有两种：CFS和实时调度器。所以在分析GI特性之前，我们先来简单看一下CFS（Completely Fair Scheduler，完全公平调度器)模型。先来看一下内核文档[3]对CFS的描述：80%的CFS设计可以总结成一句话，CFS在真实的硬件上基本模拟了一个“理想的、精确的多任务CPU”。“理想的多任务CPU”是一个拥有100%物理功率的CPU，它能精确地以同等速度并行运行每个任务，每个任务的运行速度为1/nr_running。
每个CPU都有一个运行队列rq，每个rq会有一个cfs_rq运行队列，该结构包含一棵红黑树rb_tree，用来链接调度实体se，每次只能调度一个se到cpu上去运行。如果想要在任意时刻cfs_rq上的se运行时间都尽可能的接近，那么就需要不停地切换se上cpu运行，但是频繁的切换会有开销，想要减小这种开销，就需要减少切换的次数。为了可以减小开销还能保证时间上的统一，内核便给cfs_rq的se进行排序，让他们按照时间顺序挂在rb_tree上，这样每次取红黑树最左边的se，就可以得到运行时间的最小的那个。但实际上，se又会有优先级的概念，不同优先级的se所分配到的cpu时间片是不一样的（内核代码[4]的注释中提到，相差一个nice值，可能有约10%cpu的时间差）。内核便经过一系列公式的转换，可以得到一样的值，这个转换后的值称作虚拟运行时间vruntime，CFS实际上只需要保证每个任务运行的虚拟时间是相等的即可。
每次挑选se上cpu运行，当分配的时间片用完，就会将它再放回到cfs_rq中，挂在红黑树的适当位置。当然也有可能会碰到运行过程中，时间片还未用完，但主动放弃运行的情况，如睡眠（TASK_INTERRUPTIBLE）或等待某种资源（TASK_UNINTERRUPTIBLE），这时就需要出列等待，进到“小黑屋”，直至相应事件发生才会再次放到红黑树中等待调度。等待后重新放入红黑树的se，如果休眠时间比较长，vruntime可能会非常小，便会迅速得到运行。为了避免其疯狂地执行，cfs_rq上会维护min_vruntime，如果新唤醒的vruntime(se) < vruntime (cfs_rq→min_vruntime)，会将se的vruntime修正至接近min_vruntime，这样就可以保证此类se优先执行，但是又不会疯狂执行。
03 GI特性原理分析
group identity特性相对于upstream kernel的CFS设计，新增一棵低优先级红黑树，用于存放低优先级任务。
注：图片仅做演示作用，不代表数据结构在代码中的实际位置
3.1 单次最小运行时间粒度
上文说upstream CFS的设计离线抢占得到cpu会持续运行调度粒度的时间，这会影响在线业务的调度延迟。关于sched_min_granularity，部分代码如下：
unsigned int sysctl_sched_min_granularity = 750000ULL;static unsigned int normalized_sysctl_sched_min_granularity = 750000ULL; static void update_sysctl(void){ unsigned int factor = get_update_sysctl_factor(); #define SET_SYSCTL(name) \ (sysctl_##name = (factor) * normalized_sysctl_##name) SET_SYSCTL(sched_min_granularity); SET_SYSCTL(sched_latency); SET_SYSCTL(sched_wakeup_granularity);#undef SET_SYSCTL} static unsigned int get_update_sysctl_factor(void){ unsigned int cpus = min_t(unsigned int, num_online_cpus(), 8); unsigned int factor; switch (sysctl_sched_tunable_scaling) { case SCHED_TUNABLESCALING_NONE: factor = 1; break; case SCHED_TUNABLESCALING_LINEAR: factor = cpus; break; case SCHED_TUNABLESCALING_LOG: default: factor = 1 + ilog2(cpus); break; } return factor;}内核中定义了sysctl_sched_min_granularity，默认值0.75ms，这并非最终值，系统在启动时会对这个变量进行赋值，调度粒度需乘以一个factor。factor值由变量sysctl_sched_tunable_scaling决定，可能为如下情况：等于1， 等于nr(cpus)，等于1加上nr(cpus)对2的对数。可以通过/proc/sys/kernel/sched_tunable_scaling来设置sysctl_sched_tunable_scaling的值，默认值是1，即SCHED_TUNABLESCALING_LOG。
定时器抢占调度逻辑（有删减），如下：
scheduler_tick--->task_tick_fair--->entity_tick--->check_preempt_tick static voidcheck_preempt_tick(struct cfs_rq *cfs_rq, struct sched_entity *curr){ ... ideal_runtime = sched_slice(cfs_rq, curr); ----1 delta_exec = curr->sum_exec_runtime - curr->prev_sum_exec_runtime; if (delta_exec > ideal_runtime) { ----2 resched_curr(rq_of(cfs_rq)); clear_buddies(cfs_rq, curr); return; } if (should_expel_se(rq_of(cfs_rq), curr)) { ----3 resched_curr(rq_of(cfs_rq)); return; } #ifdef CONFIG_GROUP_IDENTITY ----4 if (is_highclass(curr) && delta_exec < sysctl_sched_min_granularity)#else if (delta_exec < sysctl_sched_min_granularity)#endif return; /* Must be on expel if no next se, and curr won't be expellee */ se = __pick_first_entity(cfs_rq); ----5 if (!se) return; delta = id_vruntime(curr) - id_vruntime(se); if (delta < 0) ----6 return; if (delta > ideal_runtime || id_preempt_all(curr, se) == 1) ----7 resched_curr(rq_of(cfs_rq));}1. ideal_runtime是根据任务的权重得到的理论运行时间，delta_exec是当前任务截止本次更新运行的实际时间；
2. 如果实际运行时间已经超过分配给任务的时间片，就会调用resched_curr设置TIF_NEED_RESCHED标志来触发抢占；
3. should_expel_se 是GI特性中的SMT expeller技术的细节，我们下文分析该技术，埋坑1；
4. 为了防止频繁过度抢占，原生CFS通过比较delta_exec和sysctl_sched_min_granularity的值，来保证每个任务运行时间不小于单次最小运行时间粒度。而GI对于当前任务是normal和underclass的情况，会跳过此处逻辑，从而保证highclass任务可以及时地抢占资源；
5. 这里的__pick_first_entity也做了HACK，我们下文详细分析，埋坑2；
6. 从rb_tree中找到vruntime最小的se，如果当前任务的vrumtime仍然比rb_tree中最左边se的vruntime小，这种情况则不应触发抢占；
7. 原生CFS在vruntime的差值大于ideal_runtime时才会触发抢占，GI判断如果se的优先级高于curr，则会无视这个条件，触发抢占，保证高优任务的及时抢占。
3.2 唤醒粒度
来看下sched_wakeup_granularity_ns相关逻辑在GI特性中如何处理：
static intwakeup_preempt_entity(struct sched_entity *curr, struct sched_entity *se){ int ret; s64 gran, vdiff = curr->vruntime - se->vruntime; ret = id_preempt_underclass(curr, se); if (ret) return ret; if (vdiff <= 0) return -1; ret = id_preempt_highclass(curr, se); if (ret) return ret; gran = wakeup_gran(se); if (vdiff > gran) return 1; return 0;} static inline intid_preempt_underclass(struct sched_entity *curr, struct sched_entity *se){ bool under_curr = is_underclass(curr); bool under_se = is_underclass(se); if (under_curr == under_se) {#ifdef CONFIG_SCHED_SMT /* Full of expellee is also underclass when on expel */ if (rq_on_expel(rq_of(cfs_rq_of(curr)))) { bool expel_curr = expellee_se(curr); bool expel_se = expellee_se(se); if (expel_curr != expel_se) return expel_se ? -1 : 1; }#endif return 0; } return under_se ? -1 : 1;} static inline intid_preempt_highclass(struct sched_entity *curr, struct sched_entity *se){ bool high_curr = is_highclass(curr); bool high_se = is_highclass(se); if (high_curr == high_se) return 0; return high_curr ? -1 : 1;}wakeup_preempt_entity判断se是否可以抢占curr，原生CFS逻辑需要比较vdiff和gran值决定是否抢占。在GI特性中，通过在wakeup_preempt_entity调用id_preempt_underclass和id_preempt_highclass，实现highclass和normal任务在唤醒时总是可以无条件地抢占underclass的任务；如果当前运行的是normal优先级任务，当highclass任务被唤醒时，vruntime小于normal优先级任务，highclass任务可以无视原有调度策略，进行资源抢占，这可以减小在线业务的唤醒延迟。
3.3 超线程干扰和SMT expeller技术
对于超线程干扰问题，GI特性通过SMT expeller技术，引入SMT_EXPELLER身份标识，使得在运行时驱逐在smt对端的underclass任务，具体实现为在SMT的对端不会挑选underclass任务来运行。现在underclass任务都挂在低优先级的rb_tree树上，在pick_next_task时隐藏掉这些任务即可达到驱逐的目的。
static inline bool should_expel_se(struct rq *rq, struct sched_entity *se){ return rq_on_expel(rq) && !is_expel_immune(se);} static inline bool rq_on_expel(struct rq *rq){ return rq->on_expel;} static inline bool is_expel_immune(struct sched_entity *se){ return __is_expel_immune(se, false);} static inline bool __is_expel_immune(struct sched_entity *se, bool wakeup){ bool ret = true; /* To expel if hierarchy contain underclass identity */ rcu_read_lock(); for_each_sched_entity(se) { if (is_underclass(se) || (!wakeup && expellee_se(se))) { ret = false; break; } } rcu_read_unlock(); return ret;} static inline bool expellee_se(struct sched_entity *se){ return se->my_q && !se->my_q->h_nr_expel_immune;}should_expel_se在SMT调度器的对端有ID_SMT_EXPELLER任务在运行，并且当前运行的se是/或只包含underclass任务时返回true，表示应该发生驱逐，所以上文check_preempt_tick判断如果需要驱逐se也需要触发抢占，填坑1完成。
对于CFS调度器来说，挑选下一个任务对应pick_next_task_fair函数，会调用pick_next_entity从就绪队列中选择最适合运行的se。GI中的pick_next_entity函数代码如下：
static struct sched_entity *pick_next_entity(struct cfs_rq *cfs_rq, struct sched_entity *curr){ struct sched_entity *left = __pick_first_entity(cfs_rq); ----1 struct sched_entity *se; if (!left || (curr && id_entity_before(curr, left))) ----2 left = should_expel_se(rq_of(cfs_rq), curr) ? left : curr; se = left; /* ideally we run the leftmost entity */ if (cfs_rq->skip == se) { ----3 struct sched_entity *second; if (se == curr) { second = __pick_first_entity(cfs_rq); } else { second = __pick_next_entity(se); if (!second || (curr && id_entity_before(curr, second))) second = curr; } if (second && wakeup_preempt_entity(second, left) < 1) se = second; } if (cfs_rq->next && wakeup_preempt_entity(cfs_rq->next, left) < 1) { ----4 se = cfs_rq->next; } else if (cfs_rq->last && wakeup_preempt_entity(cfs_rq->last, left) < 1) { ----5 se = cfs_rq->last; } clear_buddies(cfs_rq, se); if (rq_on_expel(rq_of(cfs_rq))) update_expel_start(cfs_rq, se); return se;}原生CFS中pick_next_entity[5]代码逻辑可概括如下：
1. 摘取红黑树最左节点(vruntime最小)left；
2. 如果left不存在，或者当前运行的任务curr符合vruntime(curr)<vruntime(left)，那么left=curr；
3. cfs_rq->skip记录了要跳过的se，如果选出来的se是cfs_rq→skip，那需要重新选择次优的second，如果second优于left，则将se赋值为second；
4. cfs_rq→next记录了确实想要执行的se，比较cfs_rq->next和left，如果cfs_rq→next优于left，则将se赋值为cfs_rq→next；
5. 为了利用cache局部性原理，cfs_rq→last记录了上次占用CPU的se，比较cfs_rq->last和left，如果cfs_rq->last优于left，则将se赋值为cfs_rq→last。
相对于原生的CFS逻辑，GI在第1步__pick_first_entity选择红黑树上最左子节点做了HACK；在第2步比较最左子节点left和当前运行任务curr的vruntime，GI通过should_expel_se判断curr如果应该被驱逐，那么无视vruntime，保证不会选择underclass任务；第3、4、5步中调用的wakeup_preempt_entity也做了前文所言的HACK。
GI在__pick_first_entity中调用id_rb_first_cached来选择最左子节点，我们看一下id_rb_first_cached的逻辑：
static inline struct rb_node *id_rb_first_cached(struct cfs_rq *cfs_rq){ int i; struct rb_node *left; struct rb_root_cached *roots[2] = { &cfs_rq->tasks_timeline, &cfs_rq->under_timeline, }; check_expellee_se(cfs_rq); if (rq_on_expel(rq_of(cfs_rq))) return skip_expellee_se(cfs_rq); update_expel_spread(cfs_rq); if (cfs_rq->min_under_vruntime + get_expel_spread(cfs_rq) < cfs_rq->min_vruntime) { roots[0] = &cfs_rq->under_timeline; roots[1] = &cfs_rq->tasks_timeline; } for (i = 0; i < 2; i++) { left = rb_first_cached(roots[i]); if (left) return left; } return NULL;} static inline void check_expellee_se(struct cfs_rq *cfs_rq){ struct sched_entity *se, *tmp; list_for_each_entry_safe(se, tmp, &cfs_rq->expel_list, expel_node) { if (rq_on_expel(rq_of(cfs_rq)) && expellee_se(se)) continue; list_del_init(&se->expel_node); place_entity(cfs_rq, se, 0); __enqueue_entity(cfs_rq, se); }} static inline struct rb_node *skip_expellee_se(struct cfs_rq *cfs_rq){ struct rb_node *left = rb_first_cached(&cfs_rq->tasks_timeline); while (left) { struct sched_entity *se = rb_entry(left, struct sched_entity, run_node); if (!expellee_se(se)) break; left = rb_next(&se->run_node); __dequeue_entity(cfs_rq, se); list_add_tail(&se->expel_node, &cfs_rq->expel_list); } return left;}考虑某些使用cgroup的服务，对于一个highclass的父亲，可能会同时含有highclass和underclass的儿子，GI的做法是跳过全部都是underclass儿子的highclass父亲，做法是通过把它们从红黑树暂时孤立，直到驱逐结束或者它不只含有underclass为止。现在回头把坑2也填上，在check_preempt_tick第5步调用__pick_first_entity，如果最终没有找到se，那只可能是rq_on_expel且当前运行的任务不会是expellee，所以不应该发生抢占。
GI中还有其他的身份标识和调度特性用来辅助降低highclass任务的调度延迟，诸如ID_EXPELLER_SHARE_CORE的特性用来分散ID_SMT_EXPELLER任务到不同的物理核，避免高优任务之间的相互干扰；在负载均衡方面，针对不同优先级的任务也有调整等。由于篇幅原因，这里不做过多赘述。
04 模拟混部测试
4.1 测试说明
为了测试GI方案的性能表现，我们通过docker部署8个schbench实例作为在线业务和8个sysbench实例模拟离线业务，采集在线业务schbench: *99.0th数据，来量化混部隔离效果。设置cpu.shares，在线业务优先级高于离线任务。为了防止numa之间的干扰，测试进行在同一numa节点的CPU上，基准条件为在线利用率从10%~30%，混部相应离线任务，比较了不混部、普通混部、混部绑核、混部GI四种策略在单节点利用率为40%、50%、60%、70%情况下的性能表现。
不混部：单独跑在线和离线
普通混部：混跑在线和离线，无CPU限制
混部绑核：混跑在线和离线，在线无CPU限制，离线CPU限制在小范围上
混部GI：混跑在线和离线，无CPU限制，开启GI
测试机器信息：cpu：Intel(R) Xeon(R) Gold 5218 CPU @ 2.30GHz，2 Sockets, 16 Cores per Socket, 2 Threads per Core；OS：Debian 9.13；kernel：upstream Linux 5.10.103+GI。
4.2 测试结果
我们从两方面比较了几种策略的性能：
1. 单节点利用率为40%、50%、60%、70%基准下，对比四种方案在线业务的延迟；
2. 在线业务利用率10%、15%、20%、25%、30%基准下，比较提高离线任务利用率对在线业务的干扰。测试结果如下：
单节点利用率为基准
单节点利用率40%基准，在线业务p99延迟对比图
单节点利用率50%基准，在线业务p99延迟对比图
单节点利用率60%基准，在线业务p99延迟对比图
单节点利用率70%基准，在线业务p99延迟对比图
在线业务利用率为基准
在线10%，提高离线任务混部率，在线业务p99延迟对比图
在线15%，提高离线任务混部率，在线业务p99延迟对比图
在线20%，提高离线任务混部率，在线业务p99延迟对比图
在线25%，提高离线任务混部率，在线业务p99延迟对比图
在线30%，提高离线任务混部率，在线业务p99延迟对比图
4.3 测试结论
基于以上测试，我们得到如下结论：
1. 以单节点利用率为基准，四种策略在线业务的延迟都随着单节点利用率上升而上升，在同样的单节点利用率下，在线业务的延迟表现：直接混部>混部绑核>GI>不混部，即除去不混部，GI的表现要好于混部绑核和普通混部的策略；
2. 以在线业务的利用率为基准，随着混部离线任务的逐步增加，四种策略在线业务干扰情况：直接混部>混部绑核>GI>不混部，也就是对于普通混部和混部绑核的策略，随着混部离线任务利用率的上升，在线业务会受到明显的干扰，导致延迟的上升，但是在GI策略下，在线业务的p99延迟表现则较为平稳。
05 结论与展望
本文我们由混部技术的CPU隔离问题引入对龙蜥社区开源内核Group Identity特性的分析，并基于该特性进行模拟混部测试，结果表明：Group Identity技术可以赋予高优先级的任务更多的调度机会来最小化其调度延迟，并把低优先级任务对其带来的影响降到最低。对我司未来的大规模混部而言，在CPU隔离层面或是一个较好的选择。另一方面我们也发现，龙蜥开源内核的GI特性考虑的场景较多，设计也就变得复杂沉重。目前B站自研内核增强了CPU调度和内存方面的可观测性，通过实际的线上数据来定位开源方案的不足，并会针对这些不足，自研实现最适合B站混部的CPU隔离能力，持续助力降本增效。
以上是今天的分享内容，如果你有什么想法或疑问，欢迎大家在留言区与我们互动，如果喜欢本期内容的话，请给我们点个赞吧！
参考资料：
[1] https://www.kernel.org/doc/html/latest/admin-guide/hw-vuln/core-scheduling.html
[2] B站云原生混部技术实践
[3] https://www.kernel.org/doc/html/latest/scheduler/sched-design-CFS.html
[4] https://elixir.bootlin.com/linux/v5.10.103/source/kernel/sched/core.c#L8440
[5] https://elixir.bootlin.com/linux/v5.10.103/source/kernel/sched/fair.c#L4481
[6] https://gitee.com/anolis/cloud-kernel
[7] https://help.aliyun.com/document_detail/338407.html
[8] 深入理解Linux进程调度