资源隔离技术之CPU隔离
SYS-OS团队约 16 分钟SYS-OS
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。
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。
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。
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_tickstatic voidcheck_preempt_tick(struct cfs_rq *cfs_rq, struct sched_entity *curr){...ideal_runtime = sched_slice(cfs_rq, curr); ----1delta_exec = curr->sum_exec_runtime - curr->prev_sum_exec_runtime;if (delta_exec > ideal_runtime) { ----2resched_curr(rq_of(cfs_rq));clear_buddies(cfs_rq, curr);return;}if (should_expel_se(rq_of(cfs_rq), curr)) { ----3resched_curr(rq_of(cfs_rq));return;}#ifdef CONFIG_GROUP_IDENTITY ----4if (is_highclass(curr) && delta_exec < sysctl_sched_min_granularity)#elseif (delta_exec < sysctl_sched_min_granularity)#endifreturn;/* Must be on expel if no next se, and curr won't be expellee */se = __pick_first_entity(cfs_rq); ----5if (!se)return;delta = id_vruntime(curr) - id_vruntime(se);if (delta < 0) ----6return;if (delta > ideal_runtime || id_preempt_all(curr, se) == 1) ----7resched_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。
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;}#endifreturn 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。
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); ----1struct sched_entity *se;if (!left || (curr && id_entity_before(curr, left))) ----2left = should_expel_se(rq_of(cfs_rq), curr) ? left : curr;se = left; /* ideally we run the leftmost entity */if (cfs_rq->skip == se) { ----3struct 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) { ----4se = cfs_rq->next;} else if (cfs_rq->last && wakeup_preempt_entity(cfs_rq->last, left) < 1) { ----5se = cfs_rq->last;}clear_buddies(cfs_rq, se);if (rq_on_expel(rq_of(cfs_rq)))update_expel_start(cfs_rq, se);return se;}
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。
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。
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50%基准，在线业务p99延迟对比图
在线业务利用率为基准
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。
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