// SPDX-License-Identifier: GPL-2.0
/*
 * Pressure stall information for CPU, memory and IO
 *
 * Copyright (c) 2018 Facebook, Inc.
 * Author: Johannes Weiner <hannes@cmpxchg.org>
 *
 * Polling support by Suren Baghdasaryan <surenb@google.com>
 * Copyright (c) 2018 Google, Inc.
 *
 * When CPU, memory and IO are contended, tasks experience delays that
 * reduce throughput and introduce latencies into the workload. Memory
 * and IO contention, in addition, can cause a full loss of forward
 * progress in which the CPU goes idle.
 *
 * This code aggregates individual task delays into resource pressure
 * metrics that indicate problems with both workload health and
 * resource utilization.
 *
 *   Model
 *
 * The time in which a task can execute on a CPU is our baseline for
 * productivity. Pressure expresses the amount of time in which this
 * potential cannot be realized due to resource contention.
 *
 * This concept of productivity has two components: the workload and
 * the CPU. To measure the impact of pressure on both, we define two
 * contention states for a resource: SOME and FULL.
 *
 * In the SOME state of a given resource, one or more tasks are
 * delayed on that resource. This affects the workload's ability to
 * perform work, but the CPU may still be executing other tasks.
 *
 * In the FULL state of a given resource, all non-idle tasks are
 * delayed on that resource such that nobody is advancing and the CPU
 * goes idle. This leaves both workload and CPU unproductive.
 *
 * SOME = nr_delayed_tasks != 0
 * FULL = nr_delayed_tasks != 0 && nr_productive_tasks == 0
 *
 * What it means for a task to be productive is defined differently
 * for each resource. For IO, productive means a running task. For
 * memory, productive means a running task that isn't a reclaimer. For
 * CPU, productive means an on-CPU task.
 *
 * Naturally, the FULL state doesn't exist for the CPU resource at the
 * system level, but exist at the cgroup level. At the cgroup level,
 * FULL means all non-idle tasks in the cgroup are delayed on the CPU
 * resource which is being used by others outside of the cgroup or
 * throttled by the cgroup cpu.max configuration.
 *
 * The percentage of wall clock time spent in those compound stall
 * states gives pressure numbers between 0 and 100 for each resource,
 * where the SOME percentage indicates workload slowdowns and the FULL
 * percentage indicates reduced CPU utilization:
 *
 * %SOME = time(SOME) / period
 * %FULL = time(FULL) / period
 *
 *   Multiple CPUs
 *
 * The more tasks and available CPUs there are, the more work can be
 * performed concurrently. This means that the potential that can go
 * unrealized due to resource contention *also* scales with non-idle
 * tasks and CPUs.
 *
 * Consider a scenario where 257 number crunching tasks are trying to
 * run concurrently on 256 CPUs. If we simply aggregated the task
 * states, we would have to conclude a CPU SOME pressure number of
 * 100%, since *somebody* is waiting on a runqueue at all
 * times. However, that is clearly not the amount of contention the
 * workload is experiencing: only one out of 256 possible execution
 * threads will be contended at any given time, or about 0.4%.
 *
 * Conversely, consider a scenario of 4 tasks and 4 CPUs where at any
 * given time *one* of the tasks is delayed due to a lack of memory.
 * Again, looking purely at the task state would yield a memory FULL
 * pressure number of 0%, since *somebody* is always making forward
 * progress. But again this wouldn't capture the amount of execution
 * potential lost, which is 1 out of 4 CPUs, or 25%.
 *
 * To calculate wasted potential (pressure) with multiple processors,
 * we have to base our calculation on the number of non-idle tasks in
 * conjunction with the number of available CPUs, which is the number
 * of potential execution threads. SOME becomes then the proportion of
 * delayed tasks to possible threads, and FULL is the share of possible
 * threads that are unproductive due to delays:
 *
 * threads = min(nr_nonidle_tasks, nr_cpus)
 *    SOME = min(nr_delayed_tasks / threads, 1)
 *    FULL = (threads - min(nr_productive_tasks, threads)) / threads
 *
 * For the 257 number crunchers on 256 CPUs, this yields:
 *
 * threads = min(257, 256)
 *    SOME = min(1 / 256, 1)             = 0.4%
 *    FULL = (256 - min(256, 256)) / 256 = 0%
 *
 * For the 1 out of 4 memory-delayed tasks, this yields:
 *
 * threads = min(4, 4)
 *    SOME = min(1 / 4, 1)               = 25%
 *    FULL = (4 - min(3, 4)) / 4         = 25%
 *
 * [ Substitute nr_cpus with 1, and you can see that it's a natural
 *   extension of the single-CPU model. ]
 *
 *   Implementation
 *
 * To assess the precise time spent in each such state, we would have
 * to freeze the system on task changes and start/stop the state
 * clocks accordingly. Obviously that doesn't scale in practice.
 *
 * Because the scheduler aims to distribute the compute load evenly
 * among the available CPUs, we can track task state locally to each
 * CPU and, at much lower frequency, extrapolate the global state for
 * the cumulative stall times and the running averages.
 *
 * For each runqueue, we track:
 *
 *    tSOME[cpu] = time(nr_delayed_tasks[cpu] != 0)
 *    tFULL[cpu] = time(nr_delayed_tasks[cpu] && !nr_productive_tasks[cpu])
 * tNONIDLE[cpu] = time(nr_nonidle_tasks[cpu] != 0)
 *
 * and then periodically aggregate:
 *
 * tNONIDLE = sum(tNONIDLE[i])
 *
 *    tSOME = sum(tSOME[i] * tNONIDLE[i]) / tNONIDLE
 *    tFULL = sum(tFULL[i] * tNONIDLE[i]) / tNONIDLE
 *
 *    %SOME = tSOME / period
 *    %FULL = tFULL / period
 *
 * This gives us an approximation of pressure that is practical
 * cost-wise, yet way more sensitive and accurate than periodic
 * sampling of the aggregate task states would be.
 */
#include <linux/sched/clock.h>
#include <linux/workqueue.h>
#include <linux/psi.h>
#include "sched.h"

static int psi_bug __read_mostly;

DEFINE_STATIC_KEY_FALSE(psi_disabled);
static DEFINE_STATIC_KEY_TRUE(psi_cgroups_enabled);

#ifdef CONFIG_PSI_DEFAULT_DISABLED
static bool psi_enable;
#else
static bool psi_enable = true;
#endif
static int __init setup_psi(char *str)
{
 return kstrtobool(str, &psi_enable) == 0;
}
__setup("psi=", setup_psi);

/* Running averages - we need to be higher-res than loadavg */
#define PSI_FREQ (2*HZ+1) /* 2 sec intervals */
#define EXP_10s  1677  /* 1/exp(2s/10s) as fixed-point */
#define EXP_60s  1981  /* 1/exp(2s/60s) */
#define EXP_300s 2034  /* 1/exp(2s/300s) */

/* PSI trigger definitions */
#define WINDOW_MAX_US 10000000 /* Max window size is 10s */
#define UPDATES_PER_WINDOW 10 /* 10 updates per window */

/* Sampling frequency in nanoseconds */
static u64 psi_period __read_mostly;

/* System-level pressure and stall tracking */
static DEFINE_PER_CPU(struct psi_group_cpu, system_group_pcpu);
struct psi_group psi_system = {
 .pcpu = &system_group_pcpu,
};

static DEFINE_PER_CPU(seqcount_t, psi_seq) = SEQCNT_ZERO(psi_seq);

static inline void psi_write_begin(int cpu)
{
 write_seqcount_begin(per_cpu_ptr(&psi_seq, cpu));
}

static inline void psi_write_end(int cpu)
{
 write_seqcount_end(per_cpu_ptr(&psi_seq, cpu));
}

static inline u32 psi_read_begin(int cpu)
{
 return read_seqcount_begin(per_cpu_ptr(&psi_seq, cpu));
}

static inline bool psi_read_retry(int cpu, u32 seq)
{
 return read_seqcount_retry(per_cpu_ptr(&psi_seq, cpu), seq);
}

static void psi_avgs_work(struct work_struct *work);

static void poll_timer_fn(struct timer_list *t);

static void group_init(struct psi_group *group)
{
 group->enabled = true;
 group->avg_last_update = sched_clock();
 group->avg_next_update = group->avg_last_update + psi_period;
 mutex_init(&group->avgs_lock);

 /* Init avg trigger-related members */
 INIT_LIST_HEAD(&group->avg_triggers);
 memset(group->avg_nr_triggers, 0, sizeof(group->avg_nr_triggers));
 INIT_DELAYED_WORK(&group->avgs_work, psi_avgs_work);

 /* Init rtpoll trigger-related members */
 atomic_set(&group->rtpoll_scheduled, 0);
 mutex_init(&group->rtpoll_trigger_lock);
 INIT_LIST_HEAD(&group->rtpoll_triggers);
 group->rtpoll_min_period = U32_MAX;
 group->rtpoll_next_update = ULLONG_MAX;
 init_waitqueue_head(&group->rtpoll_wait);
 timer_setup(&group->rtpoll_timer, poll_timer_fn, 0);
 rcu_assign_pointer(group->rtpoll_task, NULL);
}

void __init psi_init(void)
{
 if (!psi_enable) {
  static_branch_enable(&psi_disabled);
  static_branch_disable(&psi_cgroups_enabled);
  return;
 }

 if (!cgroup_psi_enabled())
  static_branch_disable(&psi_cgroups_enabled);

 psi_period = jiffies_to_nsecs(PSI_FREQ);
 group_init(&psi_system);
}

static u32 test_states(unsigned int *tasks, u32 state_mask)
{
 const bool oncpu = state_mask & PSI_ONCPU;

 if (tasks[NR_IOWAIT]) {
  state_mask |= BIT(PSI_IO_SOME);
  if (!tasks[NR_RUNNING])
   state_mask |= BIT(PSI_IO_FULL);
 }

 if (tasks[NR_MEMSTALL]) {
  state_mask |= BIT(PSI_MEM_SOME);
  if (tasks[NR_RUNNING] == tasks[NR_MEMSTALL_RUNNING])
   state_mask |= BIT(PSI_MEM_FULL);
 }

 if (tasks[NR_RUNNING] > oncpu)
  state_mask |= BIT(PSI_CPU_SOME);

 if (tasks[NR_RUNNING] && !oncpu)
  state_mask |= BIT(PSI_CPU_FULL);

 if (tasks[NR_IOWAIT] || tasks[NR_MEMSTALL] || tasks[NR_RUNNING])
  state_mask |= BIT(PSI_NONIDLE);

 return state_mask;
}

static void get_recent_times(struct psi_group *group, int cpu,
        enum psi_aggregators aggregator, u32 *times,
        u32 *pchanged_states)
{
 struct psi_group_cpu *groupc = per_cpu_ptr(group->pcpu, cpu);
 int current_cpu = raw_smp_processor_id();
 unsigned int tasks[NR_PSI_TASK_COUNTS];
 u64 now, state_start;
 enum psi_states s;
 unsigned int seq;
 u32 state_mask;

 *pchanged_states = 0;

 /* Snapshot a coherent view of the CPU state */
 do {
  seq = psi_read_begin(cpu);
  now = cpu_clock(cpu);
  memcpy(times, groupc->times, sizeof(groupc->times));
  state_mask = groupc->state_mask;
  state_start = groupc->state_start;
  if (cpu == current_cpu)
   memcpy(tasks, groupc->tasks, sizeof(groupc->tasks));
 } while (psi_read_retry(cpu, seq));

 /* Calculate state time deltas against the previous snapshot */
 for (s = 0; s < NR_PSI_STATES; s++) {
  u32 delta;
  /*
   * In addition to already concluded states, we also
   * incorporate currently active states on the CPU,
   * since states may last for many sampling periods.
   *
   * This way we keep our delta sampling buckets small
   * (u32) and our reported pressure close to what's
   * actually happening.
 */
  if (state_mask & (1 << s))
   times[s] += now - state_start;

  delta = times[s] - groupc->times_prev[aggregator][s];
  groupc->times_prev[aggregator][s] = times[s];

  times[s] = delta;
  if (delta)
   *pchanged_states |= (1 << s);
 }

 /*
  * When collect_percpu_times() from the avgs_work, we don't want to
  * re-arm avgs_work when all CPUs are IDLE. But the current CPU running
  * this avgs_work is never IDLE, cause avgs_work can't be shut off.
  * So for the current CPU, we need to re-arm avgs_work only when
  * (NR_RUNNING > 1 || NR_IOWAIT > 0 || NR_MEMSTALL > 0), for other CPUs
  * we can just check PSI_NONIDLE delta.
 */
 if (current_work() == &group->avgs_work.work) {
  bool reschedule;

  if (cpu == current_cpu)
   reschedule = tasks[NR_RUNNING] +
         tasks[NR_IOWAIT] +
         tasks[NR_MEMSTALL] > 1;
  else
   reschedule = *pchanged_states & (1 << PSI_NONIDLE);

  if (reschedule)
   *pchanged_states |= PSI_STATE_RESCHEDULE;
 }
}

static void calc_avgs(unsigned long avg[3], int missed_periods,
        u64 time, u64 period)
{
 unsigned long pct;

 /* Fill in zeroes for periods of no activity */
 if (missed_periods) {
  avg[0] = calc_load_n(avg[0], EXP_10s, 0, missed_periods);
  avg[1] = calc_load_n(avg[1], EXP_60s, 0, missed_periods);
  avg[2] = calc_load_n(avg[2], EXP_300s, 0, missed_periods);
 }

 /* Sample the most recent active period */
 pct = div_u64(time * 100, period);
 pct *= FIXED_1;
 avg[0] = calc_load(avg[0], EXP_10s, pct);
 avg[1] = calc_load(avg[1], EXP_60s, pct);
 avg[2] = calc_load(avg[2], EXP_300s, pct);
}

static void collect_percpu_times(struct psi_group *group,
     enum psi_aggregators aggregator,
     u32 *pchanged_states)
{
 u64 deltas[NR_PSI_STATES - 1] = { 0, };
 unsigned long nonidle_total = 0;
 u32 changed_states = 0;
 int cpu;
 int s;

 /*
  * Collect the per-cpu time buckets and average them into a
  * single time sample that is normalized to wall clock time.
  *
  * For averaging, each CPU is weighted by its non-idle time in
  * the sampling period. This eliminates artifacts from uneven
  * loading, or even entirely idle CPUs.
 */
 for_each_possible_cpu(cpu) {
  u32 times[NR_PSI_STATES];
  u32 nonidle;
  u32 cpu_changed_states;

  get_recent_times(group, cpu, aggregator, times,
    &cpu_changed_states);
  changed_states |= cpu_changed_states;

  nonidle = nsecs_to_jiffies(times[PSI_NONIDLE]);
  nonidle_total += nonidle;

  for (s = 0; s < PSI_NONIDLE; s++)
   deltas[s] += (u64)times[s] * nonidle;
 }

 /*
  * Integrate the sample into the running statistics that are
  * reported to userspace: the cumulative stall times and the
  * decaying averages.
  *
  * Pressure percentages are sampled at PSI_FREQ. We might be
  * called more often when the user polls more frequently than
  * that; we might be called less often when there is no task
  * activity, thus no data, and clock ticks are sporadic. The
  * below handles both.
 */

 /* total= */
 for (s = 0; s < NR_PSI_STATES - 1; s++)
  group->total[aggregator][s] +=
    div_u64(deltas[s], max(nonidle_total, 1UL));

 if (pchanged_states)
  *pchanged_states = changed_states;
}

/* Trigger tracking window manipulations */
static void window_reset(struct psi_window *win, u64 now, u64 value,
    u64 prev_growth)
{
 win->start_time = now;
 win->start_value = value;
 win->prev_growth = prev_growth;
}

/*
 * PSI growth tracking window update and growth calculation routine.
 *
 * This approximates a sliding tracking window by interpolating
 * partially elapsed windows using historical growth data from the
 * previous intervals. This minimizes memory requirements (by not storing
 * all the intermediate values in the previous window) and simplifies
 * the calculations. It works well because PSI signal changes only in
 * positive direction and over relatively small window sizes the growth
 * is close to linear.
 */
static u64 window_update(struct psi_window *win, u64 now, u64 value)
{
 u64 elapsed;
 u64 growth;

 elapsed = now - win->start_time;
 growth = value - win->start_value;
 /*
  * After each tracking window passes win->start_value and
  * win->start_time get reset and win->prev_growth stores
  * the average per-window growth of the previous window.
  * win->prev_growth is then used to interpolate additional
  * growth from the previous window assuming it was linear.
 */
 if (elapsed > win->size)
  window_reset(win, now, value, growth);
 else {
  u32 remaining;

  remaining = win->size - elapsed;
  growth += div64_u64(win->prev_growth * remaining, win->size);
 }

 return growth;
}

static void update_triggers(struct psi_group *group, u64 now,
         enum psi_aggregators aggregator)
{
 struct psi_trigger *t;
 u64 *total = group->total[aggregator];
 struct list_head *triggers;
 u64 *aggregator_total;

 if (aggregator == PSI_AVGS) {
  triggers = &group->avg_triggers;
  aggregator_total = group->avg_total;
 } else {
  triggers = &group->rtpoll_triggers;
  aggregator_total = group->rtpoll_total;
 }

 /*
  * On subsequent updates, calculate growth deltas and let
  * watchers know when their specified thresholds are exceeded.
 */
 list_for_each_entry(t, triggers, node) {
  u64 growth;
  bool new_stall;

  new_stall = aggregator_total[t->state] != total[t->state];

  /* Check for stall activity or a previous threshold breach */
  if (!new_stall && !t->pending_event)
   continue;
  /*
   * Check for new stall activity, as well as deferred
   * events that occurred in the last window after the
   * trigger had already fired (we want to ratelimit
   * events without dropping any).
 */
  if (new_stall) {
   /* Calculate growth since last update */
   growth = window_update(&t->win, now, total[t->state]);
   if (!t->pending_event) {
    if (growth < t->threshold)
     continue;

    t->pending_event = true;
   }
  }
  /* Limit event signaling to once per window */
  if (now < t->last_event_time + t->win.size)
   continue;

  /* Generate an event */
  if (cmpxchg(&t->event, 0, 1) == 0) {
   if (t->of)
    kernfs_notify(t->of->kn);
   else
    wake_up_interruptible(&t->event_wait);
  }
  t->last_event_time = now;
  /* Reset threshold breach flag once event got generated */
  t->pending_event = false;
 }
}

static u64 update_averages(struct psi_group *group, u64 now)
{
 unsigned long missed_periods = 0;
 u64 expires, period;
 u64 avg_next_update;
 int s;

 /* avgX= */
 expires = group->avg_next_update;
 if (now - expires >= psi_period)
  missed_periods = div_u64(now - expires, psi_period);

 /*
  * The periodic clock tick can get delayed for various
  * reasons, especially on loaded systems. To avoid clock
  * drift, we schedule the clock in fixed psi_period intervals.
  * But the deltas we sample out of the per-cpu buckets above
  * are based on the actual time elapsing between clock ticks.
 */
 avg_next_update = expires + ((1 + missed_periods) * psi_period);
 period = now - (group->avg_last_update + (missed_periods * psi_period));
 group->avg_last_update = now;

 for (s = 0; s < NR_PSI_STATES - 1; s++) {
  u32 sample;

  sample = group->total[PSI_AVGS][s] - group->avg_total[s];
  /*
   * Due to the lockless sampling of the time buckets,
   * recorded time deltas can slip into the next period,
   * which under full pressure can result in samples in
   * excess of the period length.
   *
   * We don't want to report non-sensical pressures in
   * excess of 100%, nor do we want to drop such events
   * on the floor. Instead we punt any overage into the
   * future until pressure subsides. By doing this we
   * don't underreport the occurring pressure curve, we
   * just report it delayed by one period length.
   *
   * The error isn't cumulative. As soon as another
   * delta slips from a period P to P+1, by definition
   * it frees up its time T in P.
 */
  if (sample > period)
   sample = period;
  group->avg_total[s] += sample;
  calc_avgs(group->avg[s], missed_periods, sample, period);
 }

 return avg_next_update;
}

static void psi_avgs_work(struct work_struct *work)
{
 struct delayed_work *dwork;
 struct psi_group *group;
 u32 changed_states;
 u64 now;

 dwork = to_delayed_work(work);
 group = container_of(dwork, struct psi_group, avgs_work);

 mutex_lock(&group->avgs_lock);

 now = sched_clock();

 collect_percpu_times(group, PSI_AVGS, &changed_states);
 /*
  * If there is task activity, periodically fold the per-cpu
  * times and feed samples into the running averages. If things
  * are idle and there is no data to process, stop the clock.
  * Once restarted, we'll catch up the running averages in one
  * go - see calc_avgs() and missed_periods.
 */
 if (now >= group->avg_next_update) {
  update_triggers(group, now, PSI_AVGS);
  group->avg_next_update = update_averages(group, now);
 }

 if (changed_states & PSI_STATE_RESCHEDULE) {
  schedule_delayed_work(dwork, nsecs_to_jiffies(
    group->avg_next_update - now) + 1);
 }

 mutex_unlock(&group->avgs_lock);
}

static void init_rtpoll_triggers(struct psi_group *group, u64 now)
{
 struct psi_trigger *t;

 list_for_each_entry(t, &group->rtpoll_triggers, node)
  window_reset(&t->win, now,
    group->total[PSI_POLL][t->state], 0);
 memcpy(group->rtpoll_total, group->total[PSI_POLL],
     sizeof(group->rtpoll_total));
 group->rtpoll_next_update = now + group->rtpoll_min_period;
}

/* Schedule rtpolling if it's not already scheduled or forced. */
static void psi_schedule_rtpoll_work(struct psi_group *group, unsigned long delay,
       bool force)
{
 struct task_struct *task;

 /*
  * atomic_xchg should be called even when !force to provide a
  * full memory barrier (see the comment inside psi_rtpoll_work).
 */
 if (atomic_xchg(&group->rtpoll_scheduled, 1) && !force)
  return;

 rcu_read_lock();

 task = rcu_dereference(group->rtpoll_task);
 /*
  * kworker might be NULL in case psi_trigger_destroy races with
  * psi_task_change (hotpath) which can't use locks
 */
 if (likely(task))
  mod_timer(&group->rtpoll_timer, jiffies + delay);
 else
  atomic_set(&group->rtpoll_scheduled, 0);

 rcu_read_unlock();
}

static void psi_rtpoll_work(struct psi_group *group)
{
 bool force_reschedule = false;
 u32 changed_states;
 u64 now;

 mutex_lock(&group->rtpoll_trigger_lock);

 now = sched_clock();

 if (now > group->rtpoll_until) {
  /*
   * We are either about to start or might stop rtpolling if no
   * state change was recorded. Resetting rtpoll_scheduled leaves
   * a small window for psi_group_change to sneak in and schedule
   * an immediate rtpoll_work before we get to rescheduling. One
   * potential extra wakeup at the end of the rtpolling window
   * should be negligible and rtpoll_next_update still keeps
   * updates correctly on schedule.
 */
  atomic_set(&group->rtpoll_scheduled, 0);
  /*
   * A task change can race with the rtpoll worker that is supposed to
   * report on it. To avoid missing events, ensure ordering between
   * rtpoll_scheduled and the task state accesses, such that if the
   * rtpoll worker misses the state update, the task change is
   * guaranteed to reschedule the rtpoll worker:
   *
   * rtpoll worker:
   *   atomic_set(rtpoll_scheduled, 0)
   *   smp_mb()
   *   LOAD states
   *
   * task change:
   *   STORE states
   *   if atomic_xchg(rtpoll_scheduled, 1) == 0:
   *     schedule rtpoll worker
   *
   * The atomic_xchg() implies a full barrier.
 */
  smp_mb();
 } else {
  /* The rtpolling window is not over, keep rescheduling */
  force_reschedule = true;
 }


 collect_percpu_times(group, PSI_POLL, &changed_states);

 if (changed_states & group->rtpoll_states) {
  /* Initialize trigger windows when entering rtpolling mode */
  if (now > group->rtpoll_until)
   init_rtpoll_triggers(group, now);

  /*
   * Keep the monitor active for at least the duration of the
   * minimum tracking window as long as monitor states are
   * changing.
 */
  group->rtpoll_until = now +
   group->rtpoll_min_period * UPDATES_PER_WINDOW;
 }

 if (now > group->rtpoll_until) {
  group->rtpoll_next_update = ULLONG_MAX;
  goto out;
 }

 if (now >= group->rtpoll_next_update) {
  if (changed_states & group->rtpoll_states) {
   update_triggers(group, now, PSI_POLL);
   memcpy(group->rtpoll_total, group->total[PSI_POLL],
       sizeof(group->rtpoll_total));
  }
  group->rtpoll_next_update = now + group->rtpoll_min_period;
 }

 psi_schedule_rtpoll_work(group,
  nsecs_to_jiffies(group->rtpoll_next_update - now) + 1,
  force_reschedule);

out:
 mutex_unlock(&group->rtpoll_trigger_lock);
}

static int psi_rtpoll_worker(void *data)
{
 struct psi_group *group = (struct psi_group *)data;

 sched_set_fifo_low(current);

 while (true) {
  wait_event_interruptible(group->rtpoll_wait,
    atomic_cmpxchg(&group->rtpoll_wakeup, 1, 0) ||
    kthread_should_stop());
  if (kthread_should_stop())
   break;

  psi_rtpoll_work(group);
 }
 return 0;
}

static void poll_timer_fn(struct timer_list *t)
{
 struct psi_group *group = timer_container_of(group, t, rtpoll_timer);

 atomic_set(&group->rtpoll_wakeup, 1);
 wake_up_interruptible(&group->rtpoll_wait);
}

static void record_times(struct psi_group_cpu *groupc, u64 now)
{
 u32 delta;

 delta = now - groupc->state_start;
 groupc->state_start = now;

 if (groupc->state_mask & (1 << PSI_IO_SOME)) {
  groupc->times[PSI_IO_SOME] += delta;
  if (groupc->state_mask & (1 << PSI_IO_FULL))
   groupc->times[PSI_IO_FULL] += delta;
 }

 if (groupc->state_mask & (1 << PSI_MEM_SOME)) {
  groupc->times[PSI_MEM_SOME] += delta;
  if (groupc->state_mask & (1 << PSI_MEM_FULL))
   groupc->times[PSI_MEM_FULL] += delta;
 }

 if (groupc->state_mask & (1 << PSI_CPU_SOME)) {
  groupc->times[PSI_CPU_SOME] += delta;
  if (groupc->state_mask & (1 << PSI_CPU_FULL))
   groupc->times[PSI_CPU_FULL] += delta;
 }

 if (groupc->state_mask & (1 << PSI_NONIDLE))
  groupc->times[PSI_NONIDLE] += delta;
}

#define for_each_group(iter, group) \
 for (typeof(group) iter = group; iter; iter = iter->parent)

static void psi_group_change(struct psi_group *group, int cpu,
        unsigned int clear, unsigned int set,
        u64 now, bool wake_clock)
{
 struct psi_group_cpu *groupc;
 unsigned int t, m;
 u32 state_mask;

 lockdep_assert_rq_held(cpu_rq(cpu));
 groupc = per_cpu_ptr(group->pcpu, cpu);

 /*
  * Start with TSK_ONCPU, which doesn't have a corresponding
  * task count - it's just a boolean flag directly encoded in
  * the state mask. Clear, set, or carry the current state if
  * no changes are requested.
 */
 if (unlikely(clear & TSK_ONCPU)) {
  state_mask = 0;
  clear &= ~TSK_ONCPU;
 } else if (unlikely(set & TSK_ONCPU)) {
  state_mask = PSI_ONCPU;
  set &= ~TSK_ONCPU;
 } else {
  state_mask = groupc->state_mask & PSI_ONCPU;
 }

 /*
  * The rest of the state mask is calculated based on the task
  * counts. Update those first, then construct the mask.
 */
 for (t = 0, m = clear; m; m &= ~(1 << t), t++) {
  if (!(m & (1 << t)))
   continue;
  if (groupc->tasks[t]) {
   groupc->tasks[t]--;
  } else if (!psi_bug) {
   printk_deferred(KERN_ERR "psi: task underflow! cpu=%d t=%d tasks=[%u %u %u %u] clear=%x set=%x\n",
     cpu, t, groupc->tasks[0],
     groupc->tasks[1], groupc->tasks[2],
     groupc->tasks[3], clear, set);
   psi_bug = 1;
  }
 }

 for (t = 0; set; set &= ~(1 << t), t++)
  if (set & (1 << t))
   groupc->tasks[t]++;

 if (!group->enabled) {
  /*
   * On the first group change after disabling PSI, conclude
   * the current state and flush its time. This is unlikely
   * to matter to the user, but aggregation (get_recent_times)
   * may have already incorporated the live state into times_prev;
   * avoid a delta sample underflow when PSI is later re-enabled.
 */
  if (unlikely(groupc->state_mask & (1 << PSI_NONIDLE)))
   record_times(groupc, now);

  groupc->state_mask = state_mask;

  return;
 }

 state_mask = test_states(groupc->tasks, state_mask);

 /*
  * Since we care about lost potential, a memstall is FULL
  * when there are no other working tasks, but also when
  * the CPU is actively reclaiming and nothing productive
  * could run even if it were runnable. So when the current
  * task in a cgroup is in_memstall, the corresponding groupc
  * on that cpu is in PSI_MEM_FULL state.
 */
 if (unlikely((state_mask & PSI_ONCPU) && cpu_curr(cpu)->in_memstall))
  state_mask |= (1 << PSI_MEM_FULL);

 record_times(groupc, now);

 groupc->state_mask = state_mask;

 if (state_mask & group->rtpoll_states)
  psi_schedule_rtpoll_work(group, 1, false);

 if (wake_clock && !delayed_work_pending(&group->avgs_work))
  schedule_delayed_work(&group->avgs_work, PSI_FREQ);
}

static inline struct psi_group *task_psi_group(struct task_struct *task)
{
#ifdef CONFIG_CGROUPS
 if (static_branch_likely(&psi_cgroups_enabled))
  return cgroup_psi(task_dfl_cgroup(task));
#endif
 return &psi_system;
}

static void psi_flags_change(struct task_struct *task, int clear, int set)
{
 if (((task->psi_flags & set) ||
      (task->psi_flags & clear) != clear) &&
     !psi_bug) {
  printk_deferred(KERN_ERR "psi: inconsistent task state! task=%d:%s cpu=%d psi_flags=%x clear=%x set=%x\n",
    task->pid, task->comm, task_cpu(task),
    task->psi_flags, clear, set);
  psi_bug = 1;
 }

 task->psi_flags &= ~clear;
 task->psi_flags |= set;
}

void psi_task_change(struct task_struct *task, int clear, int set)
{
 int cpu = task_cpu(task);
 u64 now;

 if (!task->pid)
  return;

 psi_flags_change(task, clear, set);

 psi_write_begin(cpu);
 now = cpu_clock(cpu);
 for_each_group(group, task_psi_group(task))
  psi_group_change(group, cpu, clear, set, now, true);
 psi_write_end(cpu);
}

void psi_task_switch(struct task_struct *prev, struct task_struct *next,
       bool sleep)
{
 struct psi_group *common = NULL;
 int cpu = task_cpu(prev);
 u64 now;

 psi_write_begin(cpu);
 now = cpu_clock(cpu);

 if (next->pid) {
  psi_flags_change(next, 0, TSK_ONCPU);
  /*
   * Set TSK_ONCPU on @next's cgroups. If @next shares any
   * ancestors with @prev, those will already have @prev's
   * TSK_ONCPU bit set, and we can stop the iteration there.
 */
  for_each_group(group, task_psi_group(next)) {
   struct psi_group_cpu *groupc = per_cpu_ptr(group->pcpu, cpu);

   if (groupc->state_mask & PSI_ONCPU) {
    common = group;
    break;
   }
   psi_group_change(group, cpu, 0, TSK_ONCPU, now, true);
  }
 }

 if (prev->pid) {
  int clear = TSK_ONCPU, set = 0;
  bool wake_clock = true;

  /*
   * When we're going to sleep, psi_dequeue() lets us
   * handle TSK_RUNNING, TSK_MEMSTALL_RUNNING and
   * TSK_IOWAIT here, where we can combine it with
   * TSK_ONCPU and save walking common ancestors twice.
 */
  if (sleep) {
   clear |= TSK_RUNNING;
   if (prev->in_memstall)
    clear |= TSK_MEMSTALL_RUNNING;
   if (prev->in_iowait)
    set |= TSK_IOWAIT;

   /*
    * Periodic aggregation shuts off if there is a period of no
    * task changes, so we wake it back up if necessary. However,
    * don't do this if the task change is the aggregation worker
    * itself going to sleep, or we'll ping-pong forever.
 */
   if (unlikely((prev->flags & PF_WQ_WORKER) &&
         wq_worker_last_func(prev) == psi_avgs_work))
    wake_clock = false;
  }

  psi_flags_change(prev, clear, set);

  for_each_group(group, task_psi_group(prev)) {
   if (group == common)
    break;
   psi_group_change(group, cpu, clear, set, now, wake_clock);
  }

  /*
   * TSK_ONCPU is handled up to the common ancestor. If there are
   * any other differences between the two tasks (e.g. prev goes
   * to sleep, or only one task is memstall), finish propagating
   * those differences all the way up to the root.
 */
  if ((prev->psi_flags ^ next->psi_flags) & ~TSK_ONCPU) {
   clear &= ~TSK_ONCPU;
   for_each_group(group, common)
    psi_group_change(group, cpu, clear, set, now, wake_clock);
  }
 }
 psi_write_end(cpu);
}

#ifdef CONFIG_IRQ_TIME_ACCOUNTING
void psi_account_irqtime(struct rq *rq, struct task_struct *curr, struct task_struct *prev)
{
 int cpu = task_cpu(curr);
 struct psi_group_cpu *groupc;
 s64 delta;
 u64 irq;
 u64 now;

 if (static_branch_likely(&psi_disabled) || !irqtime_enabled())
  return;

 if (!curr->pid)
  return;

 lockdep_assert_rq_held(rq);
 if (prev && task_psi_group(prev) == task_psi_group(curr))
  return;

 irq = irq_time_read(cpu);
 delta = (s64)(irq - rq->psi_irq_time);
 if (delta < 0)
  return;
 rq->psi_irq_time = irq;

 psi_write_begin(cpu);
 now = cpu_clock(cpu);

 for_each_group(group, task_psi_group(curr)) {
  if (!group->enabled)
   continue;

  groupc = per_cpu_ptr(group->pcpu, cpu);

  record_times(groupc, now);
  groupc->times[PSI_IRQ_FULL] += delta;

  if (group->rtpoll_states & (1 << PSI_IRQ_FULL))
   psi_schedule_rtpoll_work(group, 1, false);
 }
 psi_write_end(cpu);
}
#endif /* CONFIG_IRQ_TIME_ACCOUNTING */

/**
 * psi_memstall_enter - mark the beginning of a memory stall section
 * @flags: flags to handle nested sections
 *
 * Marks the calling task as being stalled due to a lack of memory,
 * such as waiting for a refault or performing reclaim.
 */
void psi_memstall_enter(unsigned long *flags)
{
 struct rq_flags rf;
 struct rq *rq;

 if (static_branch_likely(&psi_disabled))
  return;

 *flags = current->in_memstall;
 if (*flags)
  return;
 /*
  * in_memstall setting & accounting needs to be atomic wrt
  * changes to the task's scheduling state, otherwise we can
  * race with CPU migration.
 */
 rq = this_rq_lock_irq(&rf);

 current->in_memstall = 1;
 psi_task_change(current, 0, TSK_MEMSTALL | TSK_MEMSTALL_RUNNING);

 rq_unlock_irq(rq, &rf);
}
EXPORT_SYMBOL_GPL(psi_memstall_enter);

/**
 * psi_memstall_leave - mark the end of an memory stall section
 * @flags: flags to handle nested memdelay sections
 *
 * Marks the calling task as no longer stalled due to lack of memory.
 */
void psi_memstall_leave(unsigned long *flags)
{
 struct rq_flags rf;
 struct rq *rq;

 if (static_branch_likely(&psi_disabled))
  return;

 if (*flags)
  return;
 /*
  * in_memstall clearing & accounting needs to be atomic wrt
  * changes to the task's scheduling state, otherwise we could
  * race with CPU migration.
 */
 rq = this_rq_lock_irq(&rf);

 current->in_memstall = 0;
 psi_task_change(current, TSK_MEMSTALL | TSK_MEMSTALL_RUNNING, 0);

 rq_unlock_irq(rq, &rf);
}
EXPORT_SYMBOL_GPL(psi_memstall_leave);

#ifdef CONFIG_CGROUPS
int psi_cgroup_alloc(struct cgroup *cgroup)
{
 if (!static_branch_likely(&psi_cgroups_enabled))
  return 0;

 cgroup->psi = kzalloc(sizeof(struct psi_group), GFP_KERNEL);
 if (!cgroup->psi)
  return -ENOMEM;

 cgroup->psi->pcpu = alloc_percpu(struct psi_group_cpu);
 if (!cgroup->psi->pcpu) {
  kfree(cgroup->psi);
  return -ENOMEM;
 }
 group_init(cgroup->psi);
 cgroup->psi->parent = cgroup_psi(cgroup_parent(cgroup));
 return 0;
}

void psi_cgroup_free(struct cgroup *cgroup)
{
 if (!static_branch_likely(&psi_cgroups_enabled))
  return;

 cancel_delayed_work_sync(&cgroup->psi->avgs_work);
 free_percpu(cgroup->psi->pcpu);
 /* All triggers must be removed by now */
 WARN_ONCE(cgroup->psi->rtpoll_states, "psi: trigger leak\n");
 kfree(cgroup->psi);
}

/**
 * cgroup_move_task - move task to a different cgroup
 * @task: the task
 * @to: the target css_set
 *
 * Move task to a new cgroup and safely migrate its associated stall
 * state between the different groups.
 *
 * This function acquires the task's rq lock to lock out concurrent
 * changes to the task's scheduling state and - in case the task is
 * running - concurrent changes to its stall state.
 */
void cgroup_move_task(struct task_struct *task, struct css_set *to)
{
 unsigned int task_flags;
 struct rq_flags rf;
 struct rq *rq;

 if (!static_branch_likely(&psi_cgroups_enabled)) {
  /*
   * Lame to do this here, but the scheduler cannot be locked
   * from the outside, so we move cgroups from inside sched/.
 */
  rcu_assign_pointer(task->cgroups, to);
  return;
 }

 rq = task_rq_lock(task, &rf);

 /*
  * We may race with schedule() dropping the rq lock between
  * deactivating prev and switching to next. Because the psi
  * updates from the deactivation are deferred to the switch
  * callback to save cgroup tree updates, the task's scheduling
  * state here is not coherent with its psi state:
  *
  * schedule()                   cgroup_move_task()
  *   rq_lock()
  *   deactivate_task()
  *     p->on_rq = 0
  *     psi_dequeue() // defers TSK_RUNNING & TSK_IOWAIT updates
  *   pick_next_task()
  *     rq_unlock()
  *                                rq_lock()
  *                                psi_task_change() // old cgroup
  *                                task->cgroups = to
  *                                psi_task_change() // new cgroup
  *                                rq_unlock()
  *     rq_lock()
  *   psi_sched_switch() // does deferred updates in new cgroup
  *
  * Don't rely on the scheduling state. Use psi_flags instead.
 */
 task_flags = task->psi_flags;

 if (task_flags)
  psi_task_change(task, task_flags, 0);

 /* See comment above */
 rcu_assign_pointer(task->cgroups, to);

 if (task_flags)
  psi_task_change(task, 0, task_flags);

 task_rq_unlock(rq, task, &rf);
}

void psi_cgroup_restart(struct psi_group *group)
{
 int cpu;

 /*
  * After we disable psi_group->enabled, we don't actually
  * stop percpu tasks accounting in each psi_group_cpu,
  * instead only stop test_states() loop, record_times()
  * and averaging worker, see psi_group_change() for details.
  *
  * When disable cgroup PSI, this function has nothing to sync
  * since cgroup pressure files are hidden and percpu psi_group_cpu
  * would see !psi_group->enabled and only do task accounting.
  *
  * When re-enable cgroup PSI, this function use psi_group_change()
  * to get correct state mask from test_states() loop on tasks[],
  * and restart groupc->state_start from now, use .clear = .set = 0
  * here since no task status really changed.
 */
 if (!group->enabled)
  return;

 for_each_possible_cpu(cpu) {
  u64 now;

  guard(rq_lock_irq)(cpu_rq(cpu));

  psi_write_begin(cpu);
  now = cpu_clock(cpu);
  psi_group_change(group, cpu, 0, 0, now, true);
  psi_write_end(cpu);
 }
}
#endif /* CONFIG_CGROUPS */

int psi_show(struct seq_file *m, struct psi_group *group, enum psi_res res)
{
 bool only_full = false;
 int full;
 u64 now;

 if (static_branch_likely(&psi_disabled))
  return -EOPNOTSUPP;

#ifdef CONFIG_IRQ_TIME_ACCOUNTING
 if (!irqtime_enabled() && res == PSI_IRQ)
  return -EOPNOTSUPP;
#endif

 /* Update averages before reporting them */
 mutex_lock(&group->avgs_lock);
 now = sched_clock();
 collect_percpu_times(group, PSI_AVGS, NULL);
 if (now >= group->avg_next_update)
  group->avg_next_update = update_averages(group, now);
 mutex_unlock(&group->avgs_lock);

#ifdef CONFIG_IRQ_TIME_ACCOUNTING
 only_full = res == PSI_IRQ;
#endif

 for (full = 0; full < 2 - only_full; full++) {
  unsigned long avg[3] = { 0, };
  u64 total = 0;
  int w;

  /* CPU FULL is undefined at the system level */
  if (!(group == &psi_system && res == PSI_CPU && full)) {
   for (w = 0; w < 3; w++)
    avg[w] = group->avg[res * 2 + full][w];
   total = div_u64(group->total[PSI_AVGS][res * 2 + full],
     NSEC_PER_USEC);
  }

  seq_printf(m, "%s avg10=%lu.%02lu avg60=%lu.%02lu avg300=%lu.%02lu total=%llu\n",
      full || only_full ? "full" : "some",
      LOAD_INT(avg[0]), LOAD_FRAC(avg[0]),
      LOAD_INT(avg[1]), LOAD_FRAC(avg[1]),
      LOAD_INT(avg[2]), LOAD_FRAC(avg[2]),
      total);
 }

 return 0;
}

struct psi_trigger *psi_trigger_create(struct psi_group *group, char *buf,
           enum psi_res res, struct file *file,
           struct kernfs_open_file *of)
{
 struct psi_trigger *t;
 enum psi_states state;
 u32 threshold_us;
 bool privileged;
 u32 window_us;

 if (static_branch_likely(&psi_disabled))
  return ERR_PTR(-EOPNOTSUPP);

 /*
  * Checking the privilege here on file->f_cred implies that a privileged user
  * could open the file and delegate the write to an unprivileged one.
 */
 privileged = cap_raised(file->f_cred->cap_effective, CAP_SYS_RESOURCE);

 if (sscanf(buf, "some %u %u", &threshold_us, &window_us) == 2)
  state = PSI_IO_SOME + res * 2;
 else if (sscanf(buf, "full %u %u", &threshold_us, &window_us) == 2)
  state = PSI_IO_FULL + res * 2;
 else
  return ERR_PTR(-EINVAL);

#ifdef CONFIG_IRQ_TIME_ACCOUNTING
 if (res == PSI_IRQ && --state != PSI_IRQ_FULL)
  return ERR_PTR(-EINVAL);
#endif

 if (state >= PSI_NONIDLE)
  return ERR_PTR(-EINVAL);

 if (window_us == 0 || window_us > WINDOW_MAX_US)
  return ERR_PTR(-EINVAL);

 /*
  * Unprivileged users can only use 2s windows so that averages aggregation
  * work is used, and no RT threads need to be spawned.
 */
 if (!privileged && window_us % 2000000)
  return ERR_PTR(-EINVAL);

 /* Check threshold */
 if (threshold_us == 0 || threshold_us > window_us)
  return ERR_PTR(-EINVAL);

 t = kmalloc(sizeof(*t), GFP_KERNEL);
 if (!t)
  return ERR_PTR(-ENOMEM);

 t->group = group;
 t->state = state;
 t->threshold = threshold_us * NSEC_PER_USEC;
 t->win.size = window_us * NSEC_PER_USEC;
 window_reset(&t->win, sched_clock(),
   group->total[PSI_POLL][t->state], 0);

 t->event = 0;
 t->last_event_time = 0;
 t->of = of;
 if (!of)
  init_waitqueue_head(&t->event_wait);
 t->pending_event = false;
 t->aggregator = privileged ? PSI_POLL : PSI_AVGS;

 if (privileged) {
  mutex_lock(&group->rtpoll_trigger_lock);

  if (!rcu_access_pointer(group->rtpoll_task)) {
   struct task_struct *task;

   task = kthread_create(psi_rtpoll_worker, group, "psimon");
   if (IS_ERR(task)) {
    kfree(t);
    mutex_unlock(&group->rtpoll_trigger_lock);
    return ERR_CAST(task);
   }
   atomic_set(&group->rtpoll_wakeup, 0);
   wake_up_process(task);
   rcu_assign_pointer(group->rtpoll_task, task);
  }

  list_add(&t->node, &group->rtpoll_triggers);
  group->rtpoll_min_period = min(group->rtpoll_min_period,
   div_u64(t->win.size, UPDATES_PER_WINDOW));
  group->rtpoll_nr_triggers[t->state]++;
  group->rtpoll_states |= (1 << t->state);

  mutex_unlock(&group->rtpoll_trigger_lock);
 } else {
  mutex_lock(&group->avgs_lock);

  list_add(&t->node, &group->avg_triggers);
  group->avg_nr_triggers[t->state]++;

  mutex_unlock(&group->avgs_lock);
 }
 return t;
}

void psi_trigger_destroy(struct psi_trigger *t)
{
 struct psi_group *group;
 struct task_struct *task_to_destroy = NULL;

 /*
  * We do not check psi_disabled since it might have been disabled after
  * the trigger got created.
 */
 if (!t)
  return;

 group = t->group;
 /*
  * Wakeup waiters to stop polling and clear the queue to prevent it from
  * being accessed later. Can happen if cgroup is deleted from under a
  * polling process.
 */
 if (t->of)
  kernfs_notify(t->of->kn);
 else
  wake_up_interruptible(&t->event_wait);

 if (t->aggregator == PSI_AVGS) {
  mutex_lock(&group->avgs_lock);
  if (!list_empty(&t->node)) {
   list_del(&t->node);
   group->avg_nr_triggers[t->state]--;
  }
  mutex_unlock(&group->avgs_lock);
 } else {
  mutex_lock(&group->rtpoll_trigger_lock);
  if (!list_empty(&t->node)) {
   struct psi_trigger *tmp;
   u64 period = ULLONG_MAX;

   list_del(&t->node);
   group->rtpoll_nr_triggers[t->state]--;
   if (!group->rtpoll_nr_triggers[t->state])
    group->rtpoll_states &= ~(1 << t->state);
   /*
    * Reset min update period for the remaining triggers
    * iff the destroying trigger had the min window size.
 */
   if (group->rtpoll_min_period == div_u64(t->win.size, UPDATES_PER_WINDOW)) {
    list_for_each_entry(tmp, &group->rtpoll_triggers, node)
     period = min(period, div_u64(tmp->win.size,
       UPDATES_PER_WINDOW));
    group->rtpoll_min_period = period;
   }
   /* Destroy rtpoll_task when the last trigger is destroyed */
   if (group->rtpoll_states == 0) {
    group->rtpoll_until = 0;
    task_to_destroy = rcu_dereference_protected(
      group->rtpoll_task,
      lockdep_is_held(&group->rtpoll_trigger_lock));
    rcu_assign_pointer(group->rtpoll_task, NULL);
    timer_delete(&group->rtpoll_timer);
   }
  }
  mutex_unlock(&group->rtpoll_trigger_lock);
 }

 /*
  * Wait for psi_schedule_rtpoll_work RCU to complete its read-side
  * critical section before destroying the trigger and optionally the
  * rtpoll_task.
 */
 synchronize_rcu();
 /*
  * Stop kthread 'psimon' after releasing rtpoll_trigger_lock to prevent
  * a deadlock while waiting for psi_rtpoll_work to acquire
  * rtpoll_trigger_lock
 */
 if (task_to_destroy) {
  /*
   * After the RCU grace period has expired, the worker
   * can no longer be found through group->rtpoll_task.
 */
  kthread_stop(task_to_destroy);
  atomic_set(&group->rtpoll_scheduled, 0);
 }
 kfree(t);
}

__poll_t psi_trigger_poll(void **trigger_ptr,
    struct file *file, poll_table *wait)
{
 __poll_t ret = DEFAULT_POLLMASK;
 struct psi_trigger *t;

 if (static_branch_likely(&psi_disabled))
  return DEFAULT_POLLMASK | EPOLLERR | EPOLLPRI;

 t = smp_load_acquire(trigger_ptr);
 if (!t)
  return DEFAULT_POLLMASK | EPOLLERR | EPOLLPRI;

 if (t->of)
  kernfs_generic_poll(t->of, wait);
 else
  poll_wait(file, &t->event_wait, wait);

 if (cmpxchg(&t->event, 1, 0) == 1)
  ret |= EPOLLPRI;

 return ret;
}

#ifdef CONFIG_PROC_FS
static int psi_io_show(struct seq_file *m, void *v)
{
 return psi_show(m, &psi_system, PSI_IO);
}

static int psi_memory_show(struct seq_file *m, void *v)
{
 return psi_show(m, &psi_system, PSI_MEM);
}

static int psi_cpu_show(struct seq_file *m, void *v)
{
 return psi_show(m, &psi_system, PSI_CPU);
}

static int psi_io_open(struct inode *inode, struct file *file)
{
 return single_open(file, psi_io_show, NULL);
}

static int psi_memory_open(struct inode *inode, struct file *file)
{
 return single_open(file, psi_memory_show, NULL);
}

static int psi_cpu_open(struct inode *inode, struct file *file)
{
 return single_open(file, psi_cpu_show, NULL);
}

static ssize_t psi_write(struct file *file, const char __user *user_buf,
    size_t nbytes, enum psi_res res)
{
 char buf[32];
 size_t buf_size;
 struct seq_file *seq;
 struct psi_trigger *new;

 if (static_branch_likely(&psi_disabled))
  return -EOPNOTSUPP;

 if (!nbytes)
  return -EINVAL;

 buf_size = min(nbytes, sizeof(buf));
 if (copy_from_user(buf, user_buf, buf_size))
  return -EFAULT;

 buf[buf_size - 1] = '\0';

 seq = file->private_data;

 /* Take seq->lock to protect seq->private from concurrent writes */
 mutex_lock(&seq->lock);

 /* Allow only one trigger per file descriptor */
 if (seq->private) {
  mutex_unlock(&seq->lock);
  return -EBUSY;
 }

 new = psi_trigger_create(&psi_system, buf, res, file, NULL);
 if (IS_ERR(new)) {
  mutex_unlock(&seq->lock);
  return PTR_ERR(new);
 }

 smp_store_release(&seq->private, new);
 mutex_unlock(&seq->lock);

 return nbytes;
}

static ssize_t psi_io_write(struct file *file, const char __user *user_buf,
       size_t nbytes, loff_t *ppos)
{
 return psi_write(file, user_buf, nbytes, PSI_IO);
}

static ssize_t psi_memory_write(struct file *file, const char __user *user_buf,
    size_t nbytes, loff_t *ppos)
{
 return psi_write(file, user_buf, nbytes, PSI_MEM);
}

static ssize_t psi_cpu_write(struct file *file, const char __user *user_buf,
        size_t nbytes, loff_t *ppos)
{
 return psi_write(file, user_buf, nbytes, PSI_CPU);
}

static __poll_t psi_fop_poll(struct file *file, poll_table *wait)
{
 struct seq_file *seq = file->private_data;

 return psi_trigger_poll(&seq->private, file, wait);
}

static int psi_fop_release(struct inode *inode, struct file *file)
{
 struct seq_file *seq = file->private_data;

 psi_trigger_destroy(seq->private);
 return single_release(inode, file);
}

static const struct proc_ops psi_io_proc_ops = {
 .proc_open = psi_io_open,
 .proc_read = seq_read,
 .proc_lseek = seq_lseek,
 .proc_write = psi_io_write,
 .proc_poll = psi_fop_poll,
 .proc_release = psi_fop_release,
};

static const struct proc_ops psi_memory_proc_ops = {
 .proc_open = psi_memory_open,
 .proc_read = seq_read,
 .proc_lseek = seq_lseek,
 .proc_write = psi_memory_write,
 .proc_poll = psi_fop_poll,
 .proc_release = psi_fop_release,
};

static const struct proc_ops psi_cpu_proc_ops = {
 .proc_open = psi_cpu_open,
 .proc_read = seq_read,
 .proc_lseek = seq_lseek,
 .proc_write = psi_cpu_write,
 .proc_poll = psi_fop_poll,
 .proc_release = psi_fop_release,
};

#ifdef CONFIG_IRQ_TIME_ACCOUNTING
static int psi_irq_show(struct seq_file *m, void *v)
{
 return psi_show(m, &psi_system, PSI_IRQ);
}

static int psi_irq_open(struct inode *inode, struct file *file)
{
 return single_open(file, psi_irq_show, NULL);
}

static ssize_t psi_irq_write(struct file *file, const char __user *user_buf,
        size_t nbytes, loff_t *ppos)
{
 return psi_write(file, user_buf, nbytes, PSI_IRQ);
}

static const struct proc_ops psi_irq_proc_ops = {
 .proc_open = psi_irq_open,
 .proc_read = seq_read,
 .proc_lseek = seq_lseek,
 .proc_write = psi_irq_write,
 .proc_poll = psi_fop_poll,
 .proc_release = psi_fop_release,
};
#endif /* CONFIG_IRQ_TIME_ACCOUNTING */

static int __init psi_proc_init(void)
{
 if (psi_enable) {
  proc_mkdir("pressure", NULL);
  proc_create("pressure/io", 0666, NULL, &psi_io_proc_ops);
  proc_create("pressure/memory", 0666, NULL, &psi_memory_proc_ops);
  proc_create("pressure/cpu", 0666, NULL, &psi_cpu_proc_ops);
#ifdef CONFIG_IRQ_TIME_ACCOUNTING
  proc_create("pressure/irq", 0666, NULL, &psi_irq_proc_ops);
#endif
 }
 return 0;
}
module_init(psi_proc_init);

#endif /* CONFIG_PROC_FS */