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