【WALT】update_task_demand() 代码详解

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

代码展示

static u64 update_task_demand(struct task_struct *p, struct rq *rq,
int event, u64 wallclock)
{
u64 mark_start = p->ravg.mark_start;
u64 delta, window_start = rq->window_start;
int new_window, nr_full_windows;
u32 window_size = sched_ravg_window;
u64 runtime; // 用于判断是否进入新窗口的标志位
new_window = mark_start < window_start;
// ⑴ 不累加任务运行时间的条件判断
if (!account_busy_for_task_demand(rq, p, event)) {
if (new_window)
update_history(rq, p, p->ravg.sum, 1, event);
return 0;
} // ⑵ 仍在旧窗口中
if (!new_window) {
return add_to_task_demand(rq, p, wallclock - mark_start);
} // ⑶ 进入新窗口
delta = window_start - mark_start;
nr_full_windows = div64_u64(delta, window_size);
window_start -= (u64)nr_full_windows * (u64)window_size; runtime = add_to_task_demand(rq, p, window_start - mark_start); update_history(rq, p, p->ravg.sum, 1, event);
if (nr_full_windows) {
u64 scaled_window = scale_exec_time(window_size, rq); update_history(rq, p, scaled_window, nr_full_windows, event);
runtime += nr_full_windows * scaled_window;
} window_start += (u64)nr_full_windows * (u64)window_size; mark_start = window_start;
runtime += add_to_task_demand(rq, p, wallclock - mark_start); // ⑷ 返回值 runtime
return runtime;
}

代码逻辑

用于判断是否进入新窗口的标志位

WALT 算法中,引入了一个新的概念:窗口(sched_ravg_window)

先介绍几个名词:

  • ws:window_start,当前窗口的开始时间
  • ms:mark_start,当前任务的开始时间
  • wc:wallclock,进入 WALT 算法的时间
  • nr_full_windows,如果进入新窗口,则代表旧窗口到当前窗口所经历的完整的窗口个数
  • delta:从任务开始到当前时间/新窗口开始时间所经历的时长

窗口分三种情况进行划分:

  1. 仍在旧窗口中
                    ws   ms  wc
    | | |
    V V V
    |---------------|===============|
    即进入 WALT 算法到时间还在 window_start 到 window_start + sched_ravg_window 之间
    这种情况下,delta = wc - ms,只需要累加进任务时间,不需要更新
  2. 刚离开旧窗口,进入下一个窗口
               ms   ws   wc
    | | |
    V V V
    |---------------|===============|
    即进入 WALT 算法到时间超过了 window_start + sched_ravg_window
    但还没超过 window_start + sched_ravg_window * 2
    这种情况下,delta 分为两块,一块是 ws - ms,一块是 wc - ws
    两块都需要累加进任务时间,但 ws - ms 块需要进行更新,因为它在旧窗口中
  3. 经过了数个窗口后抵达新窗口
               ms   ws_tmp                    ws   wc
    | | | |
    V V V V
    |---------------|----------|...|----------|===============|
    | |
    |<--- nr_full_windows --->|
    即进入 WALT 算法到时间超过了 window_start + sched_ravg_window * 2
    其中经过了 nr_full_windows 个完整窗口
    这种情况下,delta 分为三块,一块是 ws_tmp - ms,一块是 wc - ws,
    一块是 sched_ravg_window * nr_full_windows
    三块都需要累加进任务时间,但只有 wc - ws 块不需要进行更新,因为它在新窗口中

通过 new_window = mark_start < window_start; 来判断是否处在 2、3 种情况之中,如果 new_window == 1,则处在 2、3 种情况之中,否则处于第 1 种情况。

⑴ 不累加任务运行时间的条件判断

static int
account_busy_for_task_demand(struct rq *rq, struct task_struct *p, int event)
{
if (exiting_task(p) || is_idle_task(p))
return 0; if (event == TASK_WAKE || (!SCHED_ACCOUNT_WAIT_TIME &&
(event == PICK_NEXT_TASK || event == TASK_MIGRATE)))
return 0; if (event == TASK_UPDATE) {
if (rq->curr == p)
return 1;
return p->on_rq ? SCHED_ACCOUNT_WAIT_TIME : 0;
} return 1;
}

在函数 account_busy_for_task_demand() 中会判断任务经过的时间是否是 runnable 或 running 时间,返回 1 则是,返回 0 则不是。

  1. 任务经过的时间是 runnable 或 running,即返回 1 的情况

    在当前版本内核中,SCHED_ACCOUNT_WAIT_TIME 默认为 1

    • 任务更新且任务在就绪队列中,无论是不是当前任务
    • 其他情况
  2. 任务经过的时间不是 runnable 或 running,即返回 0 的情况
    • 任务正在退出
    • 任务是 idle 任务
    • 任务刚被唤醒
    • 任务更新切任务不在就绪队列中

如果任务经过的时间不是 runnable 或 running 时间,且正好进入新窗口,就不累加任务时间,直接通过 update_history() 将上一个窗口中已经累加的时间更新至任务结构体中(task_struct)。

点击此处查看 update_history() 代码详解。

⑵ 仍在旧窗口中

根据开头的分析,我们知道这种情况下不需要通过 update_history() 更新时间,只需要通过 add_to_task_demand() 累加任务时间。

static u64 add_to_task_demand(struct rq *rq, struct task_struct *p, u64 delta)
{
// 1. 将 delta 时间进行归一化
delta = scale_exec_time(delta, rq);
// 2. 累加进 p->ravg.sum 中
p->ravg.sum += delta;
if (unlikely(p->ravg.sum > sched_ravg_window))
p->ravg.sum = sched_ravg_window; return delta;
}

将归一化后的任务时间累加进 p->ravg.sum 中,在之后的 update_history() 中会将 p->ravg.sum 放进 p->ravg.sum_history 结构体中。

其中,任务时间的归一化是 WALT 算法中的重要部分。点击此处查看 scale_exec_time() 代码详解。

⑶ 进入新窗口

根据开头的分析,我们知道进入新窗口分为两种情况,无论是哪种情况,都需要累加 ws_tmp - ms 和 wc - ws 两部分。其中,如果刚离开旧窗口进入下一个窗口,则 ws = ws_tmp。

我们先处理 ws_tmp - ms 部分:

  • 先通过 delta = window_start - mark_start; 计算总体经过的时间;
  • 再通过 nr_full_windows = div64_u64(delta, window_size); 计算经过的完整窗口的数量;
  • 最后得到 ws_tmp:window_start -= (u64)nr_full_windows * (u64)window_size;
  • 累加 ws_tmp - ms 部分时间:runtime = add_to_task_demand(rq, p, window_start - mark_start);
  • 更新 ws_tmp - ms 部分时间:update_history(rq, p, p->ravg.sum, 1, event);

然后针对经过多个完整窗口情况进行时间更新。此处不需要通过 add_to_task_demand() 累加任务时间,因为任务在这些完整窗口中的时间都是从窗口开始到窗口结束。

  • 先对窗口时间进行归一化:scaled_window = scale_exec_time(window_size, rq);
  • 更新时间:update_history(rq, p, scaled_window, nr_full_windows, event);

最后处理 wc - ws 部分。

  • 把 ws 时间还原:window_start += (u64)nr_full_windows * (u64)window_size;
  • mark_start = window_start; 此处不是更新任务的开始时间,任务开始时间在 WALT 算法的 done 部分进行更新。如果任务开始时间在此处更新,会影响到 update_cpu_busy_time() 中的计算。
  • 累加 wc - ws 部分时间:runtime += add_to_task_demand(rq, p, wallclock - mark_start);

⑷ 返回值 runtime

最后的返回值 runtime 在该版本内核中并未使用到,它是此次执行 update_task_demand() 时一共累加的任务 runnable 和 running 时间,也就是上一次 WALT 算法开始到这一次 WALT 算法开始过程中,该任务的 runnable 和 running 时间。

点击此处回到 WALT 入口函数 update_task_ravg()

【WALT】update_task_demand() 代码详解的更多相关文章

  1. BM算法  Boyer-Moore高质量实现代码详解与算法详解

    Boyer-Moore高质量实现代码详解与算法详解 鉴于我见到对算法本身分析非常透彻的文章以及实现的非常精巧的文章,所以就转载了,本文的贡献在于将两者结合起来,方便大家了解代码实现! 算法详解转自:h ...

  2. ASP.NET MVC 5 学习教程:生成的代码详解

    原文 ASP.NET MVC 5 学习教程:生成的代码详解 起飞网 ASP.NET MVC 5 学习教程目录: 添加控制器 添加视图 修改视图和布局页 控制器传递数据给视图 添加模型 创建连接字符串 ...

  3. Github-karpathy/char-rnn代码详解

    Github-karpathy/char-rnn代码详解 zoerywzhou@gmail.com http://www.cnblogs.com/swje/ 作者:Zhouwan  2016-1-10 ...

  4. 代码详解:TensorFlow Core带你探索深度神经网络“黑匣子”

    来源商业新知网,原标题:代码详解:TensorFlow Core带你探索深度神经网络“黑匣子” 想学TensorFlow?先从低阶API开始吧~某种程度而言,它能够帮助我们更好地理解Tensorflo ...

  5. JAVA类与类之间的全部关系简述+代码详解

    本文转自: https://blog.csdn.net/wq6ylg08/article/details/81092056类和类之间关系包括了 is a,has a, use a三种关系(1)is a ...

  6. Java中String的intern方法,javap&cfr.jar反编译,javap反编译后二进制指令代码详解,Java8常量池的位置

    一个例子 public class TestString{ public static void main(String[] args){ String a = "a"; Stri ...

  7. Kaggle网站流量预测任务第一名解决方案:从模型到代码详解时序预测

    Kaggle网站流量预测任务第一名解决方案:从模型到代码详解时序预测 2017年12月13日 17:39:11 机器之心V 阅读数:5931   近日,Artur Suilin 等人发布了 Kaggl ...

  8. 基础 | batchnorm原理及代码详解

    https://blog.csdn.net/qq_25737169/article/details/79048516 https://www.cnblogs.com/bonelee/p/8528722 ...

  9. 非极大值抑制(NMS,Non-Maximum Suppression)的原理与代码详解

    1.NMS的原理 NMS(Non-Maximum Suppression)算法本质是搜索局部极大值,抑制非极大值元素.NMS就是需要根据score矩阵和region的坐标信息,从中找到置信度比较高的b ...

  10. 委托与事件代码详解与(Object sender,EventArgs e)详解

    委托与事件代码详解 using System;using System.Collections.Generic;using System.Text; namespace @Delegate //自定义 ...

随机推荐

  1. [数据库]MySQL之SQL查询

    一 关系表的介绍 * 课程表 * 学生表 * 选课表 二 SQL查询语句格式 /* SQL查询的一般格式 SELECT [ALL | DISTINCT] [* | coulmnNameA,coulmn ...

  2. 扯下@EventListener这个注解的神秘面纱。

    你好呀,我是歪歪. 前段时间看到同事在项目里面使用了一个叫做 @EventListener 的注解. 在这之前,我知道这个注解的用法和想要达到的目的,但是也仅限于此,其内部工作原理对我来说是一个黑盒, ...

  3. flume基本安装与使用

    解压flume包 到/usr/local/src/目录下 [root@hadoopha01 pack]# tar -zxvf apache-flume-1.7.0-bin.tar.gz -C /usr ...

  4. 在Vue中使用键盘事件,回调函数被执行两次

    暂时先不考虑v-for的key,查看下面的代码 <template> <div> <form @submit.prevent="addTask"> ...

  5. 机器视觉基本理论(opencv)

    1. 什么是图像采样 采样是按照某种时间间隔或空间间隔,将空间上连续的图像变换成离散点的操作称为图像采样 2. 什么是图像分变率 采样 得到的离散图像的尺寸称为图像分辨率.分辨率是数字图像可辨别的最小 ...

  6. Win Pycharm + Airtest + 夜神模拟器 实现APP自动化

    前言: 前面已经讲过了Airtest的简单配置与使用了,相信大家已经对于操作Airtest没有什么问题了(#^.^#) 但是在Airtest IDE中编写代码是有局限性的,而且不能封装Airtest的 ...

  7. 微擎删除分类无法删除解决-select in效率低解决办法

    今天朋友微擎后台微网站里的分类要删除,可是怎么删除也不能删除,同样的系统另一套却可以迅速删除. 后来查询到是查询语句的问题,朋友的平台用户量太大,数据太大,用了以下语句,造成效率太低: SELECT ...

  8. BUG解决-Vscode/Sublime C++ 打印中文乱码问题

    #include <iostream> using namespace std; #ifdef _WIN32 #include <windows.h> #endif int m ...

  9. String、StringBuilder、StringBuffer使用场景

    String:加了final修饰,长度不可变,每次修改会创建新String:操作少量数据或者不需要操作数据时使用. StringBuilder:长度可变,线程不安全:在需要频繁操作数据且不需要考虑线程 ...

  10. #Powerbi 利用EOMONTH,计算月度时间进度

    在POWERBI中计算本月的时间进度 许多小伙伴在做看板时,往往会遇到需要时间进度的计算,来配合业绩达成的进度,进行比较分析.那么如何在BI做通过公式进行这个数据的求值呢? 首先,我们需要测算两个值, ...