Fix builds without CONFIG_SEMAPHORE_DEBUG
[akaros.git] / Documentation / processes.txt
1 processes.txt
2 Barret Rhoden
3
4 All things processes!  This explains processes from a high level, especially
5 focusing on the user-kernel boundary and transitions to the many-core state,
6 which is the way in which parallel processes run.  This doesn't discuss deep
7 details of the ROS kernel's process code.
8
9 This is motivated by two things: kernel scalability and direct support for
10 parallel applications.
11
12 Part 1: Overview
13 Part 2: How They Work
14 Part 3: Resource Requests
15 Part 4: Preemption and Notification
16 Part 5: Old Arguments (mostly for archival purposes))
17 Part 6: Parlab app use cases
18
19 Revision History:
20 2009-10-30 - Initial version
21 2010-03-04 - Preemption/Notification, changed to many-core processes
22
23 Part 1: World View of Processes
24 ==================================
25 A process is the lowest level of control, protection, and organization in the
26 kernel.
27
28 1.1: What's a process?
29 -------------------------------
30 Features:
31 - They are an executing instance of a program.  A program can load multiple
32   other chunks of code and run them (libraries), but they are written to work
33   with each other, within the same address space, and are in essence one
34   entity.
35 - They have one address space/ protection domain.  
36 - They run in Ring 3 / Usermode.
37 - They can interact with each other, subject to permissions enforced by the
38   kernel.
39 - They can make requests from the kernel, for things like resource guarantees.
40   They have a list of resources that are given/leased to them.
41
42 None of these are new.  Here's what's new:
43 - They can run in a many-core mode, where its cores run at the same time, and
44   it is aware of changes to these conditions (page faults, preemptions).  It
45   can still request more resources (cores, memory, whatever).
46 - Every core in a many-core process (MCP) is *not* backed by a kernel
47   thread/kernel stack, unlike with Linux tasks.
48         - There are *no* per-core run-queues in the kernel that decide for
49           themselves which kernel thread to run.
50 - They are not fork()/execed().  They are created(), and then later made
51   runnable.  This allows the controlling process (parent) to do whatever it
52   wants: pass file descriptors, give resources, whatever.
53
54 These changes are directly motivated by what is wrong with current SMP
55 operating systems as we move towards many-core: direct (first class) support
56 for truly parallel processes, kernel scalability, and an ability of a process
57 to see through classic abstractions (the virtual processor) to understand (and
58 make requests about) the underlying state of the machine.
59
60 1.2: What's a partition?
61 -------------------------------
62 So a process can make resource requests, but some part of the system needs to
63 decide what to grant, when to grant it, etc.  This goes by several names:
64 scheduler / resource allocator / resource manager.  The scheduler simply says
65 when you get some resources, then calls functions from lower parts of the
66 kernel to make it happen.
67
68 This is where the partitioning of resources comes in.  In the simple case (one
69 process per partitioned block of resources), the scheduler just finds a slot
70 and runs the process, giving it its resources.  
71
72 A big distinction is that the *partitioning* of resources only makes sense
73 from the scheduler on up in the stack (towards userspace).  The lower levels
74 of the kernel know about resources that are granted to a process.  The
75 partitioning is about the accounting of resources and an interface for
76 adjusting their allocation.  It is a method for telling the 'scheduler' how
77 you want resources to be granted to processes.
78
79 A possible interface for this is procfs, which has a nice hierarchy.
80 Processes can be grouped together, and resources can be granted to them.  Who
81 does this?  A process can create it's own directory entry (a partition), and
82 move anyone it controls (parent of, though that's not necessary) into its
83 partition or a sub-partition.  Likewise, a sysadmin/user can simply move PIDs
84 around in the tree, creating partitions consisting of processes completely
85 unaware of each other.
86
87 Now you can say things like "give 25% of the system's resources to apache and
88 mysql".  They don't need to know about each other.  If you want finer-grained
89 control, you can create subdirectories (subpartitions), and give resources on
90 a per-process basis.  This is back to the simple case of one process for one
91 (sub)partition.
92
93 This is all influenced by Linux's cgroups (process control groups).
94 http://www.mjmwired.net/kernel/Documentation/cgroups.txt. They group processes
95 together, and allow subsystems to attach meaning to those groups.
96
97 Ultimately, I view partitioning as something that tells the kernel how to
98 grant resources.  It's an abstraction presented to userspace and higher levels
99 of the kernel.  The specifics still need to be worked out, but by separating
100 them from the process abstraction, we can work it out and try a variety of
101 approaches.
102
103 The actual granting of resources and enforcement is done by the lower levels
104 of the kernel (or by hardware, depending on future architectural changes).
105
106 Part 2: How They Work
107 ===============================
108 2.1: States
109 -------------------------------
110 PROC_CREATED
111 PROC_RUNNABLE_S
112 PROC_RUNNING_S
113 PROC_WAITING
114 PROC_DYING
115 PROC_DYING_ABORT
116 PROC_RUNNABLE_M
117 PROC_RUNNING_M
118
119 Difference between the _M and the _S states:
120 - _S : legacy process mode.  There is no need for a second-level scheduler, and
121   the code running is analogous to a user-level thread.
122 - RUNNING_M implies *guaranteed* core(s).  You can be a single core in the
123   RUNNING_M state.  The guarantee is subject to time slicing, but when you
124   run, you get all of your cores.
125 - The time slicing is at a coarser granularity for _M states.  This means that
126   when you run an _S on a core, it should be interrupted/time sliced more
127   often, which also means the core should be classified differently for a
128   while.  Possibly even using it's local APIC timer.
129 - A process in an _M state will be informed about changes to its state, e.g.,
130   will have a handler run in the event of a page fault
131
132 For more details, check out kern/inc/process.h  For valid transitions between
133 these, check out kern/src/process.c's proc_set_state().
134
135 2.2: Creation and Running
136 -------------------------------
137 Unlike the fork-exec model, processes are created, and then explicitly made
138 runnable.  In the time between creation and running, the parent (or another
139 controlling process) can do whatever it wants with the child, such as pass
140 specific file descriptors, map shared memory regions (which can be used to
141 pass arguments).
142
143 New processes are not a copy-on-write version of the parent's address space.
144 Due to our changes in the threading model, we no longer need (or want) this
145 behavior left over from the fork-exec model.
146
147 By splitting the creation from the running and by explicitly sharing state
148 between processes (like inherited file descriptors), we avoid a lot of
149 concurrency and security issues.
150
151 2.3: Vcoreid vs Pcoreid
152 -------------------------------
153 The vcoreid is a virtual cpu number.  Its purpose is to provide an easy way
154 for the kernel and userspace to talk about the same core.  pcoreid (physical)
155 would also work.  The vcoreid makes things a little easier, such as when a
156 process wants to refer to one of its other cores (not the calling core).  It
157 also makes the event notification mechanisms easier to specify and maintain.
158
159 Processes that care about locality should check what their pcoreid is.  This
160 is currently done via sys_getcpuid().  The name will probably change.
161
162 2.4: Transitioning to and from states
163 -------------------------------
164 2.4.1: To go from _S to _M, a process requests cores.
165 --------------
166 A resource request from 0 to 1 or more causes a transition from _S to _M.  The
167 calling context is saved in the uthread slot (uthread_ctx) in vcore0's
168 preemption data (in procdata).  The second level scheduler needs to be able to
169 restart the context when vcore0 starts up.  To do this, it will need to save the
170 TLS/TCB descriptor and the floating point/silly state (if applicable) in the
171 user-thread control block, and do whatever is needed to signal vcore0 to run the
172 _S context when it starts up.  One way would be to mark vcore0's "active thread"
173 variable to point to the _S thread.  When vcore0 starts up at
174 _start/vcore_entry() (like all vcores), it will see a thread was running there
175 and restart it.  The kernel will migrate the _S thread's silly state (FP) to the
176 new pcore, so that it looks like the process was simply running the _S thread
177 and got notified.  Odds are, it will want to just restart that thread, but the
178 kernel won't assume that (hence the notification).
179
180 In general, all cores (and all subsequently allocated cores) start at the elf
181 entry point, with vcoreid in eax or a suitable arch-specific manner.  There is
182 also a syscall to get the vcoreid, but this will save an extra trap at vcore
183 start time.
184
185 Future proc_runs(), like from RUNNABLE_M to RUNNING_M start all cores at the
186 entry point, including vcore0.  The saving of a _S context to vcore0's
187 uthread_ctx only happens on the transition from _S to _M (which the process
188 needs to be aware of for a variety of reasons).  This also means that userspace
189 needs to handle vcore0 coming up at the entry point again (and not starting the
190 program over).  This is currently done in sysdeps-ros/start.c, via the static
191 variable init.  Note there are some tricky things involving dynamically linked
192 programs, but it all works currently.
193
194 When coming in to the entry point, whether as the result of a startcore or a
195 notification, the kernel will set the stack pointer to whatever is requested
196 by userspace in procdata.  A process should allocate stacks of whatever size
197 it wants for its vcores when it is in _S mode, and write these location to
198 procdata.  These stacks are the transition stacks (in Lithe terms) that are
199 used as jumping-off points for future function calls.  These stacks need to be
200 used in a continuation-passing style, and each time they are used, they start
201 from the top.
202
203 2.4.2: To go from _M to _S, a process requests 0 cores
204 --------------
205 The caller becomes the new _S context.  Everyone else gets trashed
206 (abandon_core()).  Their stacks are still allocated and it is up to userspace
207 to deal with this.  In general, they will regrab their transition stacks when
208 they come back up.  Their other stacks and whatnot (like TBB threads) need to
209 be dealt with.
210
211 When the caller next switches to _M, that context (including its stack)
212 maintains its old vcore identity.  If vcore3 causes the switch to _S mode, it
213 ought to remain vcore3 (lots of things get broken otherwise).
214 As of March 2010, the code does not reflect this.  Don't rely on anything in
215 this section for the time being.
216
217 2.4.3: Requesting more cores while in _M
218 --------------
219 Any core can request more cores and adjust the resource allocation in any way.
220 These new cores come up just like the original new cores in the transition
221 from _S to _M: at the entry point.
222
223 2.4.4: Yielding
224 --------------
225 sys_yield()/proc_yield() will give up the calling core, and may or may not
226 adjust the desired number of cores, subject to its parameters.  Yield is
227 performing two tasks, both of which result in giving up the core.  One is for
228 not wanting the core anymore.  The other is in response to a preemption.  Yield
229 may not be called remotely (ARSC).
230
231 In _S mode, it will transition from RUNNING_S to RUNNABLE_S.  The context is
232 saved in scp_ctx.
233
234 In _M mode, this yields the calling core.  A yield will *not* transition from _M
235 to _S.  The kernel will rip it out of your vcore list.  A process can yield its
236 cores in any order.  The kernel will "fill in the holes of the vcoremap" for any
237 future new cores requested (e.g., proc A has 4 vcores, yields vcore2, and then
238 asks for another vcore.  The new one will be vcore2).  When any core starts in
239 _M mode, even after a yield, it will come back at the vcore_entry()/_start point.
240
241 Yield will normally adjust your desired amount of vcores to the amount after the
242 calling core is taken.  This is the way a process gives its cores back.
243
244 Yield can also be used to say the process is just giving up the core in response
245 to a pending preemption, but actually wants the core and does not want resource
246 requests to be readjusted.  For example, in the event of a preemption
247 notification, a process may yield (ought to!) so that the kernel does not need
248 to waste effort with full preemption.  This is done by passing in a bool
249 (being_nice), which signals the kernel that it is in response to a preemption.
250 The kernel will not readjust the amt_wanted, and if there is no preemption
251 pending, the kernel will ignore the yield.
252
253 There may be an m_yield(), which will yield all or some of the cores of an MPC,
254 remotely.  This is discussed farther down a bit.  It's not clear what exactly
255 it's purpose would be.
256
257 We also haven't addressed other reasons to yield, or more specifically to wait,
258 such as for an interrupt or an event of some sort.
259
260 2.4.5: Others
261 --------------
262 There are other transitions, mostly self-explanatory.  We don't currently use
263 any WAITING states, since we have nothing to block on yet.  DYING is a state
264 when the kernel is trying to kill your process, which can take a little while
265 to clean up.
266
267 Part 3: Resource Requests
268 ===============================
269 A process can ask for resources from the kernel.  The kernel either grants
270 these requests or not, subject to QoS guarantees, or other scheduler-related
271 criteria.
272
273 A process requests resources, currently via sys_resource_req.  The form of a
274 request is to tell the kernel how much of a resource it wants.  Currently,
275 this is the amt_wanted.  We'll also have a minimum amount wanted, which tells
276 the scheduler not to run the process until the minimum amount of resources are
277 available.
278
279 How the kernel actually grants resources is resource-specific.  In general,
280 there are functions like proc_give_cores() (which gives certain cores to a
281 process) that actually does the allocation, as well as adjusting the
282 amt_granted for that resource.
283
284 For expressing QoS guarantees, we'll probably use something like procfs (as
285 mentioned above) to explicitly tell the scheduler/resource manager what the
286 user/sysadmin wants.  An interface like this ought to be usable both by
287 programs as well as simple filesystem tools (cat, etc).
288
289 Guarantees exist regardless of whether or not the allocation has happened.  An
290 example of this is when a process may be guaranteed to use 8 cores, but
291 currently only needs 2.  Whenever it asks for up to 8 cores, it will get them.
292 The exact nature of the guarantee is TBD, but there will be some sort of
293 latency involved in the guarantee for systems that want to take advantage of
294 idle resources (compared to simply reserving and not allowing anyone else to
295 use them).  A latency of 0 would mean a process wants it instantly, which
296 probably means they ought to be already allocated (and billed to) that
297 process.  
298
299 Part 4: Preemption and Event Notification
300 ===============================
301 Preemption and Notification are tied together.  Preemption is when the kernel
302 takes a resource (specifically, cores).  There are two types core_preempt()
303 (one core) and gang_preempt() (all cores).  Notification (discussed below) is
304 when the kernel informs a process of an event, usually referring to the act of
305 running a function on a core (active notification).
306
307 The rough plan for preemption is to notify beforehand, then take action if
308 userspace doesn't yield.  This is a notification a process can ignore, though
309 it is highly recommended to at least be aware of impending core_preempt()
310 events.
311
312 4.1: Notification Basics
313 -------------------------------
314 One of the philosophical goals of ROS is to expose information up to userspace
315 (and allow requests based on that information).  There will be a variety of
316 events in the system that processes will want to know about.  To handle this,
317 we'll eventually build something like the following.
318
319 All events will have a number, like an interrupt vector.  Each process will
320 have an event queue (per core, described below).  On most architectures, it
321 will be a simple producer-consumer ring buffer sitting in the "shared memory"
322 procdata region (shared between the kernel and userspace).  The kernel writes
323 a message into the buffer with the event number and some other helpful
324 information.
325
326 Additionally, the process may request to be actively notified of specific
327 events.  This is done by having the process write into an event vector table
328 (like an IDT) in procdata.  For each event, the process writes the vcoreid it
329 wants to be notified on.
330
331 4.2: Notification Specifics
332 -------------------------------
333 In procdata there is an array of per-vcore data, holding some
334 preempt/notification information and space for two trapframes: one for
335 notification and one for preemption.
336
337 4.2.1: Overall
338 -----------------------------
339 When a notification arrives to a process under normal circumstances, the
340 kernel places the previous running context in the notification trapframe, and
341 returns to userspace at the program entry point (the elf entry point) on the
342 transition stack.  If a process is already handling a notification on that
343 core, the kernel will not interrupt it.  It is the processes's responsibility
344 to check for more notifications before returning to its normal work.  The
345 process must also unmask notifications (in procdata) before it returns to do
346 normal work.  Unmasking notifications is the signal to the kernel to not
347 bother sending IPIs, and if an IPI is sent before notifications are masked,
348 then the kernel will double-check this flag to make sure interrupts should
349 have arrived.
350
351 Notification unmasking is done by clearing the notif_disabled flag (similar to
352 turning interrupts on in hardware).  When a core starts up, this flag is on,
353 meaning that notifications are disabled by default.  It is the process's
354 responsibility to turn on notifications for a given vcore.
355
356 4.2.2: Notif Event Details
357 -----------------------------
358 When the process runs the handler, it is actually starting up at the same
359 location in code as it always does.  To determine if it was a notification or
360 not, simply check the queue and bitmask.  This has the added benefit of allowing
361 a process to notice notifications that it missed previously, or notifs it wanted
362 without active notification (IPI).  If we want to bypass this check by having a
363 magic register signal, we can add that later.  Additionally, the kernel will
364 mask notifications (much like an x86 interrupt gate).  It will also mask
365 notifications when starting a core with a fresh trapframe, since the process
366 will be executing on its transition stack.  The process must check its per-core
367 event queue to see why it was called, and deal with all of the events on the
368 queue.  In the case where the event queue overflows, the kernel will up a
369 counter so the process can at least be aware things are missed.  At the very
370 least, the process will see the notification marked in a bitmask.
371
372 These notification events include things such as: an IO is complete, a
373 preemption is pending to this core, the process just returned from a
374 preemption, there was a trap (divide by 0, page fault), and many other things.
375 We plan to allow this list to grow at runtime (a process can request new event
376 notification types).  These messages will often need some form of a timestamp,
377 especially ones that will expire in meaning (such as a preempt_pending).
378
379 Note that only one notification can be active at a time, including a fault.
380 This means that if a process page faults or something while notifications are
381 masked, the process will simply be killed.    It is up to the process to make
382 sure the appropriate pages are pinned, which it should do before entering _M
383 mode.
384
385 4.2.3: Event Overflow and Non-Messages
386 -----------------------------
387 For missed/overflowed events, and for events that do not need messages (they
388 have no parameters and multiple notifications are irrelevant), the kernel will
389 toggle that event's bit in a bitmask.  For the events that don't want messages,
390 we may have a flag that userspace sets, meaning they just want to know it
391 happened.  This might be too much of a pain, so we'll see.  For notification
392 events that overflowed the queue, the parameters will be lost, but hopefully the
393 application can sort it out.  Again, we'll see.  A specific notif_event should
394 not appear in both the event buffers and in the bitmask.
395
396 It does not make sense for all events to have messages.  Others, it does not
397 make sense to specify a different core on which to run the handler (e.g. page
398 faults).  The notification methods that the process expresses via procdata are
399 suggestions to the kernel.  When they don't make sense, they will be ignored.
400 Some notifications might be unserviceable without messages.  A process needs to
401 have a fallback mechanism.  For example, they can read the vcoremap to see who
402 was lost, or they can restart a thread to cause it to page fault again.
403
404 Event overflow sucks - it leads to a bunch of complications.  Ultimately, what
405 we really want is a limitless amount of notification messages (per core), as
406 well as a limitless amount of notification types.  And we want these to be
407 relayed to userspace without trapping into the kernel. 
408
409 We could do this if we had a way to dynamically manage memory in procdata, with
410 a distrusted process on one side of the relationship.  We could imagine growing
411 procdata dynamically (we plan to, mostly to grow the preempt_data struct as we
412 request more vcores), and then run some sort of heap manager / malloc.  Things
413 get very tricky since the kernel should never follow pointers that userspace can
414 touch.  Additionally, whatever memory management we use becomes a part of the
415 kernel interface.  
416
417 Even if we had that, dynamic notification *types* is tricky - they are
418 identified by a number, not by a specific (list) element.
419
420 For now, this all seems like an unnecessary pain in the ass.  We might adjust it
421 in the future if we come up with clean, clever ways to deal with the problem,
422 which we aren't even sure is a problem yet.
423
424 4.2.4: How to Use and Leave a Transition Stack
425 -----------------------------
426 We considered having the kernel be aware of a process's transition stacks and
427 sizes so that it can detect if a vcore is in a notification handler based on
428 the stack pointer in the trapframe when a trap or interrupt fires.  While
429 cool, the flag for notif_disabled is much easier and just as capable.
430 Userspace needs to be aware of various races, and only enable notifications
431 when it is ready to have its transition stack clobbered.  This means that when
432 switching from big user-thread to user-thread, the process should temporarily
433 disable notifications and reenable them before starting the new thread fully.
434 This is analogous to having a kernel that disables interrupts while in process
435 context.
436
437 A process can fake not being on its transition stack, and even unmapping their
438 stack.  At worst, a vcore could recursively page fault (the kernel does not
439 know it is in a handler, if they keep enabling notifs before faulting), and
440 that would continue til the core is forcibly preempted.  This is not an issue
441 for the kernel.
442
443 When a process wants to use its transition stack, it ought to check
444 preempt_pending, mask notifications, jump to its transition stack, do its work
445 (e.g. process notifications, check for new notifications, schedule a new
446 thread) periodically checking for a pending preemption, and making sure the
447 notification queue/list is empty before moving back to real code.  Then it
448 should jump back to a real stack, unmask notifications, and jump to the newly
449 scheduled thread.
450
451 This can be really tricky.  When userspace is changing threads, it will need to
452 unmask notifs as well as jump to the new thread.  There is a slight race here,
453 but it is okay.  The race is that an IPI can arrive after notifs are unmasked,
454 but before returning to the real user thread.  Then the code will think the
455 uthread_ctx represents the new user thread, even though it hasn't started (and
456 the PC is wrong).  The trick is to make sure that all state required to start
457 the new thread, as well as future instructions, are all saved within the "stuff"
458 that gets saved in the uthread_ctx.  When these threading packages change
459 contexts, they ought to push the PC on the stack of the new thread, (then enable
460 notifs) and then execute a return.  If an IPI arrives before the "function
461 return", then when that context gets restarted, it will run the "return" with
462 the appropriate value on the stack still.
463
464 There is a further complication.  The kernel can send an IPI that the process
465 wanted, but the vcore did not get truly interrupted since its notifs were
466 disabled.  There is a race between checking the queue/bitmask and then enabling
467 notifications.  The way we deal with it is that the kernel posts the
468 message/bit, then sets notif_pending.  Then it sends the IPI, which may or may
469 not be received (based on notif_disabled).  (Actually, the kernel only ought to
470 send the IPI if notif_pending was 0 (atomically) and notif_disabled is 0).  When
471 leaving the transition stack, userspace should clear the notif_pending, then
472 check the queue do whatever, and then try to pop the tf.  When popping the tf,
473 after enabling notifications, check notif_pending.  If it is still clear, return
474 without fear of missing a notif.  If it is not clear, it needs to manually
475 notify itself (sys_self_notify) so that it can process the notification that it
476 missed and for which it wanted to receive an IPI.  Before it does this, it needs
477 to clear notif_pending, so the kernel will send it an IPI.  These last parts are
478 handled in pop_user_ctx().
479
480 4.3: Preemption Specifics
481 -------------------------------
482 There's an issue with a preempted vcore getting restarted while a remote core
483 tries to restart that context.  They resolve this fight with a variety of VC
484 flags (VC_UTHREAD_STEALING).  Check out handle_preempt() in uthread.c.
485
486 4.4: Other trickiness
487 -------------------------------
488 Take all of these with a grain of salt - it's quite old.
489
490 4.4.1: Preemption -> deadlock
491 -------------------------------
492 One issue is that a context can be holding a lock that is necessary for the
493 userspace scheduler to manage preempted threads, and this context can be
494 preempted.  This would deadlock the scheduler.  To assist a process from
495 locking itself up, the kernel will toggle a preempt_pending flag in
496 procdata for that vcore before sending the actual preemption.  Whenever the
497 scheduler is grabbing one of these critical spinlocks, it needs to check that
498 flag first, and yield if a preemption is coming in.
499
500 Another option we may implement is for the process to be able to signal to the
501 kernel that it is in one of these ultra-critical sections by writing a magic
502 value to a specific register in the trapframe.  If there kernel sees this, it
503 will allow the process to run for a little longer.  The issue with this is
504 that the kernel would need to assume processes will always do this (malicious
505 ones will) and add this extra wait time to the worst case preemption time.
506
507 Finally, a scheduler could try to use non-blocking synchronization (no
508 spinlocks), or one of our other long-term research synchronization methods to
509 avoid deadlock, though we realize this is a pain for userspace for now.  FWIW,
510 there are some OSs out there with only non-blocking synchronization (I think).
511
512 4.4.2: Cascading and overflow
513 -------------------------------
514 There used to be issues with cascading interrupts (when contexts are still
515 running handlers).  Imagine a pagefault, followed by preempting the handler.
516 It doesn't make sense to run the preempt context after the page fault.
517 Earlier designs had issues where it was hard for a vcore to determine the
518 order of events and unmixing preemption, notification, and faults.  We deal
519 with this by having separate slots for preemption and notification, and by
520 treating faults as another form of notification.  Faulting while handling a
521 notification just leads to death.  Perhaps there is a better way to do that.
522
523 Another thing we considered would be to have two stacks - transition for
524 notification and an exception stack for faults.  We'd also need a fault slot
525 for the faulting trapframe.  This begins to take up even more memory, and it
526 is not clear how to handle mixed faults and notifications.  If you fault while
527 on the notification slot, then fine.  But you could fault for other reasons,
528 and then receive a notification.  And then if you fault in that handler, we're
529 back to where we started - might as well just kill them.
530
531 Another issue was overload.  Consider if vcore0 is set up to receive all
532 events.  If events come in faster than it can process them, it will both nest
533 too deep and process out of order.  To handle this, we only notify once, and
534 will not send future active notifications / interrupts until the process
535 issues an "end of interrupt" (EOI) for that vcore.  This is modelled after
536 hardware interrupts (on x86, at least).
537
538 4.4.3: Restarting a Preempted Notification
539 -------------------------------
540 Nowadays, to restart a preempted notification, you just restart the vcore.
541 The kernel does, either if it gives the process more cores or if userspace asked
542 it to with a sys_change_vcore().
543
544 4.4.4: Userspace Yield Races
545 -------------------------------
546 Imagine a vcore realizes it is getting preempted soon, so it starts to yield.
547 However, it is too slow and doesn't make it into the kernel before a preempt
548 message takes over.  When that vcore is run again, it will continue where it
549 left off and yield its core.  The desired outcome is for yield to fail, since
550 the process doesn't really want to yield that core.  To sort this out, yield
551 will take a parameter saying that the yield is in response to a pending
552 preemption.  If the phase is over (preempted and returned), the call will not
553 yield and simply return to userspace.
554
555 4.4.5: Userspace m_yield
556 -------------------------------
557 There are a variety of ways to implement an m_yield (yield the entire MCP).
558 We could have a "no niceness" yield - just immediately preempt, but there is a
559 danger of the locking business.  We could do the usual delay game, though if
560 userspace is requesting its yield, arguably we don't need to give warning. 
561
562 Another approach would be to not have an explicit m_yield call.  Instead, we
563 can provide a notify_all call, where the notification sent to every vcore is
564 to yield.  I imagine we'll have a notify_all (or rather, flags to the notify
565 call) anyway, so we can do this for now.
566
567 The fastest way will probably be the no niceness way.  One way to make this
568 work would be for vcore0 to hold all of the low-level locks (from 4.4.1) and
569 manually unlock them when it wakes up.  Yikes!
570
571 4.5: Random Other Stuff
572 -------------------------------
573 Pre-Notification issues: how much time does userspace need to clean up and
574 yield?  How quickly does the kernel need the core back (for scheduling
575 reasons)?
576
577 Part 5: Old Arguments about Processes vs Partitions
578 ===============================
579 This is based on my interpretation of the cell (formerly what I thought was
580 called a partition).
581
582 5.1: Program vs OS
583 -------------------------------
584 A big difference is what runs inside the object.  I think trying to support
585 OS-like functionality is a quick path to unnecessary layers and complexity,
586 esp for the common case.  This leads to discussions of physical memory
587 management, spawning new programs, virtualizing HW, shadow page tables,
588 exporting protection rings, etc.
589
590 This unnecessarily brings in the baggage and complexity of supporting VMs,
591 which are a special case.  Yes, we want processes to be able to use their
592 resources, but I'd rather approach this from the perspective of "what do they
593 need?" than "how can we make it look like a real machine."  Virtual machines
594 are cool, and paravirtualization influenced a lot of my ideas, but they have
595 their place and I don't think this is it.
596
597 For example, exporting direct control of physical pages is a bad idea.  I
598 wasn't clear if anyone was advocating this or not.  By exposing actual machine
599 physical frames, we lose our ability to do all sorts of things (like swapping,
600 for all practical uses, and other VM tricks).  If the cell/process thinks it
601 is manipulating physical pages, but really isn't, we're in the VM situation of
602 managing nested or shadow page tables, which we don't want.
603
604 For memory, we'd be better off giving an allocation of a quantity frames, not
605 specific frames.  A process can pin up to X pages, for instance.  It can also
606 pick pages to be evicted when there's memory pressure.  There are already
607 similar ideas out there, both in POSIX and in ACPM.
608
609 Instead of mucking with faking multiple programs / entities within an cell,
610 just make more processes.  Otherwise, you'd have to export weird controls that
611 the kernel is doing anyway (and can do better!), and have complicated middle
612 layers.
613
614 5.2: Multiple "Things" in a "partition"
615 -------------------------------
616 In the process-world, the kernel can make a distinction between different
617 entities that are using a block of resources.  Yes, "you" can still do
618 whatever you want with your resources.  But the kernel directly supports
619 useful controls that you want. 
620 - Multiple protection domains are no problem.  They are just multiple
621   processes.  Resource allocation is a separate topic.
622 - Processes can control one another, based on a rational set of rules.  Even
623   if you have just cells, we still need them to be able to control one another
624   (it's a sysadmin thing).
625
626 "What happens in a cell, stays in a cell."  What does this really mean?  If
627 it's about resource allocation and passing of resources around, we can do that
628 with process groups.  If it's about the kernel not caring about what code runs
629 inside a protection domain, a process provides that.  If it's about a "parent"
630 program trying to control/kill/whatever a "child" (even if it's within a cell,
631 in the cell model), you *want* the kernel to be involved.  The kernel is the
632 one that can do protection between entities.
633
634 5.3: Other Things
635 -------------------------------
636 Let the kernel do what it's made to do, and in the best position to do: manage
637 protection and low-level resources.
638
639 Both processes and partitions "have" resources.  They are at different levels
640 in the system.  A process actually gets to use the resources.  A partition is
641 a collection of resources allocated to one or more processes.
642
643 In response to this:
644
645 On 2009-09-15 at 22:33 John Kubiatowicz wrote:
646 > John Shalf wrote:  
647 > >
648 > > Anyhow, Barret is asking that resource requirements attributes be 
649 > > assigned on a process basis rather than partition basis.  We need
650 > > to justify why gang scheduling of a partition and resource
651 > > management should be linked.  
652
653 I want a process to be aware of it's specific resources, as well as the other
654 members of it's partition.  An individual process (which is gang-scheduled in
655 many-core mode) has a specific list of resources.  Its just that the overall
656 'partition of system resources' is separate from the list of specific
657 resources of a process, simply because there can be many processes under the
658 same partition (collection of resources allocated).
659
660 > >  
661 > Simplicity!
662
663 > Yes, we can allow lots of options, but at the end of the day, the 
664 > simplest model that does what we need is likely the best. I don't
665 > want us to hack together a frankenscheduler.  
666
667 My view is also simple in the case of one address space/process per
668 'partition.'  Extending it to multiple address spaces is simply asking that
669 resources be shared between processes, but without design details that I
670 imagine will be brutally complicated in the Cell model.
671
672
673 Part 6: Use Cases
674 ===============================
675 6.1: Matrix Multiply / Trusting Many-core app
676 -------------------------------
677 The process is created by something (bash, for instance).  It's parent makes
678 it runnable.  The process requests a bunch of cores and RAM.  The scheduler
679 decides to give it a certain amount of resources, which creates it's partition
680 (aka, chunk of resources granted to it's process group, of which it is the
681 only member).  The sysadmin can tweak this allocation via procfs.
682
683 The process runs on its cores in it's many-core mode.  It is gang scheduled,
684 and knows how many cores there are.  When the kernel starts the process on
685 it's extra cores, it passes control to a known spot in code (the ELF entry
686 point), with the virtual core id passed as a parameter.
687
688 The code runs from a single binary image, eventually with shared
689 object/library support.  It's view of memory is a virtual address space, but
690 it also can see it's own page tables to see which pages are really resident
691 (similar to POSIX's mincore()).
692
693 When it comes time to lose a core, or be completely preempted, the process is
694 notified by the OS running a handler of the process's choosing (in userspace).
695 The process can choose what to do (pick a core to yield, prepare to be
696 preempted, etc).
697
698 To deal with memory, the process is notified when it page faults, and keeps
699 its core.  The process can pin pages in memory.  If there is memory pressure,
700 the process can tell the kernel which pages to unmap.
701
702 This is the simple case.
703
704 6.2: Browser
705 -------------------------------
706 In this case, a process wants to create multiple protection domains that share
707 the same pool of resources.  Or rather, with it's own allocated resources.
708
709 The browser process is created, as above.  It creates, but does not run, it's
710 untrusted children.  The kernel will have a variety of ways a process can
711 "mess with" a process it controls.  So for this untrusted child, the parent
712 can pass (for example), a file descriptor of what to render, "sandbox" that
713 process (only allow a whitelist of syscalls, e.g. can only read and write
714 descriptors it has).  You can't do this easily in the cell model.
715
716 The parent can also set up a shared memory mapping / channel with the child.
717
718 For resources, the parent can put the child in a subdirectory/ subpartition
719 and give a portion of its resources to that subpartition.  The scheduler will
720 ensure that both the parent and the child are run at the same time, and will
721 give the child process the resources specified.  (cores, RAM, etc).
722
723 After this setup, the parent will then make the child "runnable".  This is why
724 we want to separate the creation from the runnability of a process, which we
725 can't do with the fork/exec model.
726
727 The parent can later kill the child if it wants, reallocate the resources in
728 the partition (perhaps to another process rendering a more important page),
729 preempt that process, whatever.
730
731 6.3: SMP Virtual Machines
732 -------------------------------
733 The main issue (regardless of paravirt or full virt), is that what's running
734 on the cores may or may not trust one another.  One solution is to run each
735 VM-core in it's own process (like with Linux's KVM, it uses N tasks (part of
736 one process) for an N-way SMP VM).  The processes set up the appropriate
737 shared memory mapping between themselves early on.  Another approach would be
738 to allow a many-cored process to install specific address spaces on each
739 core, and interpose on syscalls, privileged instructions, and page faults.
740 This sounds very much like the Cell approach, which may be fine for a VM, but
741 not for the general case of a process.
742
743 Or with a paravirtualized SMP guest, you could (similar to the L4Linux way,)
744 make any Guest OS processes actual processes in our OS.  The resource
745 allocation to the Guest OS partition would be managed by the parent process of
746 the group (which would be running the Guest OS kernel).  We still need to play
747 tricks with syscall redirection.
748
749 For full virtualization, we'd need to make use of hardware virtualization
750 instructions. Dealing with the VMEXITs, emulation, and other things is a real
751 pain, but already done.  The long range plan was to wait til the
752 http://v3vee.org/ project supported Intel's instructions and eventually
753 incorporate that.
754
755 All of these ways involve subtle and not-so-subtle difficulties.  The
756 Cell-as-OS mode will have to deal with them for the common case, which seems
757 brutal.  And rather unnecessary.