Quelle  scx_flatcg.bpf.c   Sprache: C

/* SPDX-License-Identifier: GPL-2.0 */
/*
 * A demo sched_ext flattened cgroup hierarchy scheduler. It implements
 * hierarchical weight-based cgroup CPU control by flattening the cgroup
 * hierarchy into a single layer by compounding the active weight share at each
 * level. Consider the following hierarchy with weights in parentheses:
 *
 * R + A (100) + B (100)
 *   |         \ C (100)
 *   \ D (200)
 *
 * Ignoring the root and threaded cgroups, only B, C and D can contain tasks.
 * Let's say all three have runnable tasks. The total share that each of these
 * three cgroups is entitled to can be calculated by compounding its share at
 * each level.
 *
 * For example, B is competing against C and in that competition its share is
 * 100/(100+100) == 1/2. At its parent level, A is competing against D and A's
 * share in that competition is 100/(200+100) == 1/3. B's eventual share in the
 * system can be calculated by multiplying the two shares, 1/2 * 1/3 == 1/6. C's
 * eventual shaer is the same at 1/6. D is only competing at the top level and
 * its share is 200/(100+200) == 2/3.
 *
 * So, instead of hierarchically scheduling level-by-level, we can consider it
 * as B, C and D competing each other with respective share of 1/6, 1/6 and 2/3
 * and keep updating the eventual shares as the cgroups' runnable states change.
 *
 * This flattening of hierarchy can bring a substantial performance gain when
 * the cgroup hierarchy is nested multiple levels. in a simple benchmark using
 * wrk[8] on apache serving a CGI script calculating sha1sum of a small file, it
 * outperforms CFS by ~3% with CPU controller disabled and by ~10% with two
 * apache instances competing with 2:1 weight ratio nested four level deep.
 *
 * However, the gain comes at the cost of not being able to properly handle
 * thundering herd of cgroups. For example, if many cgroups which are nested
 * behind a low priority parent cgroup wake up around the same time, they may be
 * able to consume more CPU cycles than they are entitled to. In many use cases,
 * this isn't a real concern especially given the performance gain. Also, there
 * are ways to mitigate the problem further by e.g. introducing an extra
 * scheduling layer on cgroup delegation boundaries.
 *
 * The scheduler first picks the cgroup to run and then schedule the tasks
 * within by using nested weighted vtime scheduling by default. The
 * cgroup-internal scheduling can be switched to FIFO with the -f option.
 */
#include <scx/common.bpf.h>
#include "scx_flatcg.h"

/*
 * Maximum amount of retries to find a valid cgroup.
 */
enum {
 FALLBACK_DSQ  = 0,
 CGROUP_MAX_RETRIES = 1024,
};

char _license[] SEC("license") = "GPL";

const volatile u32 nr_cpus = 32; /* !0 for veristat, set during init */
const volatile u64 cgrp_slice_ns;
const volatile bool fifo_sched;

u64 cvtime_now;
UEI_DEFINE(uei);

struct {
 __uint(type, BPF_MAP_TYPE_PERCPU_ARRAY);
 __type(key, u32);
 __type(value, u64);
 __uint(max_entries, FCG_NR_STATS);
} stats SEC(".maps");

static void stat_inc(enum fcg_stat_idx idx)
{
 u32 idx_v = idx;

 u64 *cnt_p = bpf_map_lookup_elem(&stats, &idx_v);
 if (cnt_p)
  (*cnt_p)++;
}

struct fcg_cpu_ctx {
 u64   cur_cgid;
 u64   cur_at;
};

struct {
 __uint(type, BPF_MAP_TYPE_PERCPU_ARRAY);
 __type(key, u32);
 __type(value, struct fcg_cpu_ctx);
 __uint(max_entries, 1);
} cpu_ctx SEC(".maps");

struct {
 __uint(type, BPF_MAP_TYPE_CGRP_STORAGE);
 __uint(map_flags, BPF_F_NO_PREALLOC);
 __type(key, int);
 __type(value, struct fcg_cgrp_ctx);
} cgrp_ctx SEC(".maps");

struct cgv_node {
 struct bpf_rb_node rb_node;
 __u64   cvtime;
 __u64   cgid;
};

private(CGV_TREE) struct bpf_spin_lock cgv_tree_lock;
private(CGV_TREE) struct bpf_rb_root cgv_tree __contains(cgv_node, rb_node);

struct cgv_node_stash {
 struct cgv_node __kptr *node;
};

struct {
 __uint(type, BPF_MAP_TYPE_HASH);
 __uint(max_entries, 16384);
 __type(key, __u64);
 __type(value, struct cgv_node_stash);
} cgv_node_stash SEC(".maps");

struct fcg_task_ctx {
 u64  bypassed_at;
};

struct {
 __uint(type, BPF_MAP_TYPE_TASK_STORAGE);
 __uint(map_flags, BPF_F_NO_PREALLOC);
 __type(key, int);
 __type(value, struct fcg_task_ctx);
} task_ctx SEC(".maps");

/* gets inc'd on weight tree changes to expire the cached hweights */
u64 hweight_gen = 1;

static u64 div_round_up(u64 dividend, u64 divisor)
{
 return (dividend + divisor - 1) / divisor;
}

static bool cgv_node_less(struct bpf_rb_node *a, const struct bpf_rb_node *b)
{
 struct cgv_node *cgc_a, *cgc_b;

 cgc_a = container_of(a, struct cgv_node, rb_node);
 cgc_b = container_of(b, struct cgv_node, rb_node);

 return cgc_a->cvtime < cgc_b->cvtime;
}

static struct fcg_cpu_ctx *find_cpu_ctx(void)
{
 struct fcg_cpu_ctx *cpuc;
 u32 idx = 0;

 cpuc = bpf_map_lookup_elem(&cpu_ctx, &idx);
 if (!cpuc) {
  scx_bpf_error("cpu_ctx lookup failed");
  return NULL;
 }
 return cpuc;
}

static struct fcg_cgrp_ctx *find_cgrp_ctx(struct cgroup *cgrp)
{
 struct fcg_cgrp_ctx *cgc;

 cgc = bpf_cgrp_storage_get(&cgrp_ctx, cgrp, 0, 0);
 if (!cgc) {
  scx_bpf_error("cgrp_ctx lookup failed for cgid %llu", cgrp->kn->id);
  return NULL;
 }
 return cgc;
}

static struct fcg_cgrp_ctx *find_ancestor_cgrp_ctx(struct cgroup *cgrp, int level)
{
 struct fcg_cgrp_ctx *cgc;

 cgrp = bpf_cgroup_ancestor(cgrp, level);
 if (!cgrp) {
  scx_bpf_error("ancestor cgroup lookup failed");
  return NULL;
 }

 cgc = find_cgrp_ctx(cgrp);
 if (!cgc)
  scx_bpf_error("ancestor cgrp_ctx lookup failed");
 bpf_cgroup_release(cgrp);
 return cgc;
}

static void cgrp_refresh_hweight(struct cgroup *cgrp, struct fcg_cgrp_ctx *cgc)
{
 int level;

 if (!cgc->nr_active) {
  stat_inc(FCG_STAT_HWT_SKIP);
  return;
 }

 if (cgc->hweight_gen == hweight_gen) {
  stat_inc(FCG_STAT_HWT_CACHE);
  return;
 }

 stat_inc(FCG_STAT_HWT_UPDATES);
 bpf_for(level, 0, cgrp->level + 1) {
  struct fcg_cgrp_ctx *cgc;
  bool is_active;

  cgc = find_ancestor_cgrp_ctx(cgrp, level);
  if (!cgc)
   break;

  if (!level) {
   cgc->hweight = FCG_HWEIGHT_ONE;
   cgc->hweight_gen = hweight_gen;
  } else {
   struct fcg_cgrp_ctx *pcgc;

   pcgc = find_ancestor_cgrp_ctx(cgrp, level - 1);
   if (!pcgc)
    break;

   /*
    * We can be opportunistic here and not grab the
    * cgv_tree_lock and deal with the occasional races.
    * However, hweight updates are already cached and
    * relatively low-frequency. Let's just do the
    * straightforward thing.
 */
   bpf_spin_lock(&cgv_tree_lock);
   is_active = cgc->nr_active;
   if (is_active) {
    cgc->hweight_gen = pcgc->hweight_gen;
    cgc->hweight =
     div_round_up(pcgc->hweight * cgc->weight,
           pcgc->child_weight_sum);
   }
   bpf_spin_unlock(&cgv_tree_lock);

   if (!is_active) {
    stat_inc(FCG_STAT_HWT_RACE);
    break;
   }
  }
 }
}

static void cgrp_cap_budget(struct cgv_node *cgv_node, struct fcg_cgrp_ctx *cgc)
{
 u64 delta, cvtime, max_budget;

 /*
  * A node which is on the rbtree can't be pointed to from elsewhere yet
  * and thus can't be updated and repositioned. Instead, we collect the
  * vtime deltas separately and apply it asynchronously here.
 */
 delta = __sync_fetch_and_sub(&cgc->cvtime_delta, cgc->cvtime_delta);
 cvtime = cgv_node->cvtime + delta;

 /*
  * Allow a cgroup to carry the maximum budget proportional to its
  * hweight such that a full-hweight cgroup can immediately take up half
  * of the CPUs at the most while staying at the front of the rbtree.
 */
 max_budget = (cgrp_slice_ns * nr_cpus * cgc->hweight) /
  (2 * FCG_HWEIGHT_ONE);
 if (time_before(cvtime, cvtime_now - max_budget))
  cvtime = cvtime_now - max_budget;

 cgv_node->cvtime = cvtime;
}

static void cgrp_enqueued(struct cgroup *cgrp, struct fcg_cgrp_ctx *cgc)
{
 struct cgv_node_stash *stash;
 struct cgv_node *cgv_node;
 u64 cgid = cgrp->kn->id;

 /* paired with cmpxchg in try_pick_next_cgroup() */
 if (__sync_val_compare_and_swap(&cgc->queued, 0, 1)) {
  stat_inc(FCG_STAT_ENQ_SKIP);
  return;
 }

 stash = bpf_map_lookup_elem(&cgv_node_stash, &cgid);
 if (!stash) {
  scx_bpf_error("cgv_node lookup failed for cgid %llu", cgid);
  return;
 }

 /* NULL if the node is already on the rbtree */
 cgv_node = bpf_kptr_xchg(&stash->node, NULL);
 if (!cgv_node) {
  stat_inc(FCG_STAT_ENQ_RACE);
  return;
 }

 bpf_spin_lock(&cgv_tree_lock);
 cgrp_cap_budget(cgv_node, cgc);
 bpf_rbtree_add(&cgv_tree, &cgv_node->rb_node, cgv_node_less);
 bpf_spin_unlock(&cgv_tree_lock);
}

static void set_bypassed_at(struct task_struct *p, struct fcg_task_ctx *taskc)
{
 /*
  * Tell fcg_stopping() that this bypassed the regular scheduling path
  * and should be force charged to the cgroup. 0 is used to indicate that
  * the task isn't bypassing, so if the current runtime is 0, go back by
  * one nanosecond.
 */
 taskc->bypassed_at = p->se.sum_exec_runtime ?: (u64)-1;
}

s32 BPF_STRUCT_OPS(fcg_select_cpu, struct task_struct *p, s32 prev_cpu, u64 wake_flags)
{
 struct fcg_task_ctx *taskc;
 bool is_idle = false;
 s32 cpu;

 cpu = scx_bpf_select_cpu_dfl(p, prev_cpu, wake_flags, &is_idle);

 taskc = bpf_task_storage_get(&task_ctx, p, 0, 0);
 if (!taskc) {
  scx_bpf_error("task_ctx lookup failed");
  return cpu;
 }

 /*
  * If select_cpu_dfl() is recommending local enqueue, the target CPU is
  * idle. Follow it and charge the cgroup later in fcg_stopping() after
  * the fact.
 */
 if (is_idle) {
  set_bypassed_at(p, taskc);
  stat_inc(FCG_STAT_LOCAL);
  scx_bpf_dsq_insert(p, SCX_DSQ_LOCAL, SCX_SLICE_DFL, 0);
 }

 return cpu;
}

void BPF_STRUCT_OPS(fcg_enqueue, struct task_struct *p, u64 enq_flags)
{
 struct fcg_task_ctx *taskc;
 struct cgroup *cgrp;
 struct fcg_cgrp_ctx *cgc;

 taskc = bpf_task_storage_get(&task_ctx, p, 0, 0);
 if (!taskc) {
  scx_bpf_error("task_ctx lookup failed");
  return;
 }

 /*
  * Use the direct dispatching and force charging to deal with tasks with
  * custom affinities so that we don't have to worry about per-cgroup
  * dq's containing tasks that can't be executed from some CPUs.
 */
 if (p->nr_cpus_allowed != nr_cpus) {
  set_bypassed_at(p, taskc);

  /*
   * The global dq is deprioritized as we don't want to let tasks
   * to boost themselves by constraining its cpumask. The
   * deprioritization is rather severe, so let's not apply that to
   * per-cpu kernel threads. This is ham-fisted. We probably wanna
   * implement per-cgroup fallback dq's instead so that we have
   * more control over when tasks with custom cpumask get issued.
 */
  if (p->nr_cpus_allowed == 1 && (p->flags & PF_KTHREAD)) {
   stat_inc(FCG_STAT_LOCAL);
   scx_bpf_dsq_insert(p, SCX_DSQ_LOCAL, SCX_SLICE_DFL,
        enq_flags);
  } else {
   stat_inc(FCG_STAT_GLOBAL);
   scx_bpf_dsq_insert(p, FALLBACK_DSQ, SCX_SLICE_DFL,
        enq_flags);
  }
  return;
 }

 cgrp = __COMPAT_scx_bpf_task_cgroup(p);
 cgc = find_cgrp_ctx(cgrp);
 if (!cgc)
  goto out_release;

 if (fifo_sched) {
  scx_bpf_dsq_insert(p, cgrp->kn->id, SCX_SLICE_DFL, enq_flags);
 } else {
  u64 tvtime = p->scx.dsq_vtime;

  /*
   * Limit the amount of budget that an idling task can accumulate
   * to one slice.
 */
  if (time_before(tvtime, cgc->tvtime_now - SCX_SLICE_DFL))
   tvtime = cgc->tvtime_now - SCX_SLICE_DFL;

  scx_bpf_dsq_insert_vtime(p, cgrp->kn->id, SCX_SLICE_DFL,
      tvtime, enq_flags);
 }

 cgrp_enqueued(cgrp, cgc);
out_release:
 bpf_cgroup_release(cgrp);
}

/*
 * Walk the cgroup tree to update the active weight sums as tasks wake up and
 * sleep. The weight sums are used as the base when calculating the proportion a
 * given cgroup or task is entitled to at each level.
 */
static void update_active_weight_sums(struct cgroup *cgrp, bool runnable)
{
 struct fcg_cgrp_ctx *cgc;
 bool updated = false;
 int idx;

 cgc = find_cgrp_ctx(cgrp);
 if (!cgc)
  return;

 /*
  * In most cases, a hot cgroup would have multiple threads going to
  * sleep and waking up while the whole cgroup stays active. In leaf
  * cgroups, ->nr_runnable which is updated with __sync operations gates
  * ->nr_active updates, so that we don't have to grab the cgv_tree_lock
  * repeatedly for a busy cgroup which is staying active.
 */
 if (runnable) {
  if (__sync_fetch_and_add(&cgc->nr_runnable, 1))
   return;
  stat_inc(FCG_STAT_ACT);
 } else {
  if (__sync_sub_and_fetch(&cgc->nr_runnable, 1))
   return;
  stat_inc(FCG_STAT_DEACT);
 }

 /*
  * If @cgrp is becoming runnable, its hweight should be refreshed after
  * it's added to the weight tree so that enqueue has the up-to-date
  * value. If @cgrp is becoming quiescent, the hweight should be
  * refreshed before it's removed from the weight tree so that the usage
  * charging which happens afterwards has access to the latest value.
 */
 if (!runnable)
  cgrp_refresh_hweight(cgrp, cgc);

 /* propagate upwards */
 bpf_for(idx, 0, cgrp->level) {
  int level = cgrp->level - idx;
  struct fcg_cgrp_ctx *cgc, *pcgc = NULL;
  bool propagate = false;

  cgc = find_ancestor_cgrp_ctx(cgrp, level);
  if (!cgc)
   break;
  if (level) {
   pcgc = find_ancestor_cgrp_ctx(cgrp, level - 1);
   if (!pcgc)
    break;
  }

  /*
   * We need the propagation protected by a lock to synchronize
   * against weight changes. There's no reason to drop the lock at
   * each level but bpf_spin_lock() doesn't want any function
   * calls while locked.
 */
  bpf_spin_lock(&cgv_tree_lock);

  if (runnable) {
   if (!cgc->nr_active++) {
    updated = true;
    if (pcgc) {
     propagate = true;
     pcgc->child_weight_sum += cgc->weight;
    }
   }
  } else {
   if (!--cgc->nr_active) {
    updated = true;
    if (pcgc) {
     propagate = true;
     pcgc->child_weight_sum -= cgc->weight;
    }
   }
  }

  bpf_spin_unlock(&cgv_tree_lock);

  if (!propagate)
   break;
 }

 if (updated)
  __sync_fetch_and_add(&hweight_gen, 1);

 if (runnable)
  cgrp_refresh_hweight(cgrp, cgc);
}

void BPF_STRUCT_OPS(fcg_runnable, struct task_struct *p, u64 enq_flags)
{
 struct cgroup *cgrp;

 cgrp = __COMPAT_scx_bpf_task_cgroup(p);
 update_active_weight_sums(cgrp, true);
 bpf_cgroup_release(cgrp);
}

void BPF_STRUCT_OPS(fcg_running, struct task_struct *p)
{
 struct cgroup *cgrp;
 struct fcg_cgrp_ctx *cgc;

 if (fifo_sched)
  return;

 cgrp = __COMPAT_scx_bpf_task_cgroup(p);
 cgc = find_cgrp_ctx(cgrp);
 if (cgc) {
  /*
   * @cgc->tvtime_now always progresses forward as tasks start
   * executing. The test and update can be performed concurrently
   * from multiple CPUs and thus racy. Any error should be
   * contained and temporary. Let's just live with it.
 */
  if (time_before(cgc->tvtime_now, p->scx.dsq_vtime))
   cgc->tvtime_now = p->scx.dsq_vtime;
 }
 bpf_cgroup_release(cgrp);
}

void BPF_STRUCT_OPS(fcg_stopping, struct task_struct *p, bool runnable)
{
 struct fcg_task_ctx *taskc;
 struct cgroup *cgrp;
 struct fcg_cgrp_ctx *cgc;

 /*
  * Scale the execution time by the inverse of the weight and charge.
  *
  * Note that the default yield implementation yields by setting
  * @p->scx.slice to zero and the following would treat the yielding task
  * as if it has consumed all its slice. If this penalizes yielding tasks
  * too much, determine the execution time by taking explicit timestamps
  * instead of depending on @p->scx.slice.
 */
 if (!fifo_sched)
  p->scx.dsq_vtime +=
   (SCX_SLICE_DFL - p->scx.slice) * 100 / p->scx.weight;

 taskc = bpf_task_storage_get(&task_ctx, p, 0, 0);
 if (!taskc) {
  scx_bpf_error("task_ctx lookup failed");
  return;
 }

 if (!taskc->bypassed_at)
  return;

 cgrp = __COMPAT_scx_bpf_task_cgroup(p);
 cgc = find_cgrp_ctx(cgrp);
 if (cgc) {
  __sync_fetch_and_add(&cgc->cvtime_delta,
         p->se.sum_exec_runtime - taskc->bypassed_at);
  taskc->bypassed_at = 0;
 }
 bpf_cgroup_release(cgrp);
}

void BPF_STRUCT_OPS(fcg_quiescent, struct task_struct *p, u64 deq_flags)
{
 struct cgroup *cgrp;

 cgrp = __COMPAT_scx_bpf_task_cgroup(p);
 update_active_weight_sums(cgrp, false);
 bpf_cgroup_release(cgrp);
}

void BPF_STRUCT_OPS(fcg_cgroup_set_weight, struct cgroup *cgrp, u32 weight)
{
 struct fcg_cgrp_ctx *cgc, *pcgc = NULL;

 cgc = find_cgrp_ctx(cgrp);
 if (!cgc)
  return;

 if (cgrp->level) {
  pcgc = find_ancestor_cgrp_ctx(cgrp, cgrp->level - 1);
  if (!pcgc)
   return;
 }

 bpf_spin_lock(&cgv_tree_lock);
 if (pcgc && cgc->nr_active)
  pcgc->child_weight_sum += (s64)weight - cgc->weight;
 cgc->weight = weight;
 bpf_spin_unlock(&cgv_tree_lock);
}

static bool try_pick_next_cgroup(u64 *cgidp)
{
 struct bpf_rb_node *rb_node;
 struct cgv_node_stash *stash;
 struct cgv_node *cgv_node;
 struct fcg_cgrp_ctx *cgc;
 struct cgroup *cgrp;
 u64 cgid;

 /* pop the front cgroup and wind cvtime_now accordingly */
 bpf_spin_lock(&cgv_tree_lock);

 rb_node = bpf_rbtree_first(&cgv_tree);
 if (!rb_node) {
  bpf_spin_unlock(&cgv_tree_lock);
  stat_inc(FCG_STAT_PNC_NO_CGRP);
  *cgidp = 0;
  return true;
 }

 rb_node = bpf_rbtree_remove(&cgv_tree, rb_node);
 bpf_spin_unlock(&cgv_tree_lock);

 if (!rb_node) {
  /*
   * This should never happen. bpf_rbtree_first() was called
   * above while the tree lock was held, so the node should
   * always be present.
 */
  scx_bpf_error("node could not be removed");
  return true;
 }

 cgv_node = container_of(rb_node, struct cgv_node, rb_node);
 cgid = cgv_node->cgid;

 if (time_before(cvtime_now, cgv_node->cvtime))
  cvtime_now = cgv_node->cvtime;

 /*
  * If lookup fails, the cgroup's gone. Free and move on. See
  * fcg_cgroup_exit().
 */
 cgrp = bpf_cgroup_from_id(cgid);
 if (!cgrp) {
  stat_inc(FCG_STAT_PNC_GONE);
  goto out_free;
 }

 cgc = bpf_cgrp_storage_get(&cgrp_ctx, cgrp, 0, 0);
 if (!cgc) {
  bpf_cgroup_release(cgrp);
  stat_inc(FCG_STAT_PNC_GONE);
  goto out_free;
 }

 if (!scx_bpf_dsq_move_to_local(cgid)) {
  bpf_cgroup_release(cgrp);
  stat_inc(FCG_STAT_PNC_EMPTY);
  goto out_stash;
 }

 /*
  * Successfully consumed from the cgroup. This will be our current
  * cgroup for the new slice. Refresh its hweight.
 */
 cgrp_refresh_hweight(cgrp, cgc);

 bpf_cgroup_release(cgrp);

 /*
  * As the cgroup may have more tasks, add it back to the rbtree. Note
  * that here we charge the full slice upfront and then exact later
  * according to the actual consumption. This prevents lowpri thundering
  * herd from saturating the machine.
 */
 bpf_spin_lock(&cgv_tree_lock);
 cgv_node->cvtime += cgrp_slice_ns * FCG_HWEIGHT_ONE / (cgc->hweight ?: 1);
 cgrp_cap_budget(cgv_node, cgc);
 bpf_rbtree_add(&cgv_tree, &cgv_node->rb_node, cgv_node_less);
 bpf_spin_unlock(&cgv_tree_lock);

 *cgidp = cgid;
 stat_inc(FCG_STAT_PNC_NEXT);
 return true;

out_stash:
 stash = bpf_map_lookup_elem(&cgv_node_stash, &cgid);
 if (!stash) {
  stat_inc(FCG_STAT_PNC_GONE);
  goto out_free;
 }

 /*
  * Paired with cmpxchg in cgrp_enqueued(). If they see the following
  * transition, they'll enqueue the cgroup. If they are earlier, we'll
  * see their task in the dq below and requeue the cgroup.
 */
 __sync_val_compare_and_swap(&cgc->queued, 1, 0);

 if (scx_bpf_dsq_nr_queued(cgid)) {
  bpf_spin_lock(&cgv_tree_lock);
  bpf_rbtree_add(&cgv_tree, &cgv_node->rb_node, cgv_node_less);
  bpf_spin_unlock(&cgv_tree_lock);
  stat_inc(FCG_STAT_PNC_RACE);
 } else {
  cgv_node = bpf_kptr_xchg(&stash->node, cgv_node);
  if (cgv_node) {
   scx_bpf_error("unexpected !NULL cgv_node stash");
   goto out_free;
  }
 }

 return false;

out_free:
 bpf_obj_drop(cgv_node);
 return false;
}

void BPF_STRUCT_OPS(fcg_dispatch, s32 cpu, struct task_struct *prev)
{
 struct fcg_cpu_ctx *cpuc;
 struct fcg_cgrp_ctx *cgc;
 struct cgroup *cgrp;
 u64 now = scx_bpf_now();
 bool picked_next = false;

 cpuc = find_cpu_ctx();
 if (!cpuc)
  return;

 if (!cpuc->cur_cgid)
  goto pick_next_cgroup;

 if (time_before(now, cpuc->cur_at + cgrp_slice_ns)) {
  if (scx_bpf_dsq_move_to_local(cpuc->cur_cgid)) {
   stat_inc(FCG_STAT_CNS_KEEP);
   return;
  }
  stat_inc(FCG_STAT_CNS_EMPTY);
 } else {
  stat_inc(FCG_STAT_CNS_EXPIRE);
 }

 /*
  * The current cgroup is expiring. It was already charged a full slice.
  * Calculate the actual usage and accumulate the delta.
 */
 cgrp = bpf_cgroup_from_id(cpuc->cur_cgid);
 if (!cgrp) {
  stat_inc(FCG_STAT_CNS_GONE);
  goto pick_next_cgroup;
 }

 cgc = bpf_cgrp_storage_get(&cgrp_ctx, cgrp, 0, 0);
 if (cgc) {
  /*
   * We want to update the vtime delta and then look for the next
   * cgroup to execute but the latter needs to be done in a loop
   * and we can't keep the lock held. Oh well...
 */
  bpf_spin_lock(&cgv_tree_lock);
  __sync_fetch_and_add(&cgc->cvtime_delta,
         (cpuc->cur_at + cgrp_slice_ns - now) *
         FCG_HWEIGHT_ONE / (cgc->hweight ?: 1));
  bpf_spin_unlock(&cgv_tree_lock);
 } else {
  stat_inc(FCG_STAT_CNS_GONE);
 }

 bpf_cgroup_release(cgrp);

pick_next_cgroup:
 cpuc->cur_at = now;

 if (scx_bpf_dsq_move_to_local(FALLBACK_DSQ)) {
  cpuc->cur_cgid = 0;
  return;
 }

 bpf_repeat(CGROUP_MAX_RETRIES) {
  if (try_pick_next_cgroup(&cpuc->cur_cgid)) {
   picked_next = true;
   break;
  }
 }

 /*
  * This only happens if try_pick_next_cgroup() races against enqueue
  * path for more than CGROUP_MAX_RETRIES times, which is extremely
  * unlikely and likely indicates an underlying bug. There shouldn't be
  * any stall risk as the race is against enqueue.
 */
 if (!picked_next)
  stat_inc(FCG_STAT_PNC_FAIL);
}

s32 BPF_STRUCT_OPS(fcg_init_task, struct task_struct *p,
     struct scx_init_task_args *args)
{
 struct fcg_task_ctx *taskc;
 struct fcg_cgrp_ctx *cgc;

 /*
  * @p is new. Let's ensure that its task_ctx is available. We can sleep
  * in this function and the following will automatically use GFP_KERNEL.
 */
 taskc = bpf_task_storage_get(&task_ctx, p, 0,
         BPF_LOCAL_STORAGE_GET_F_CREATE);
 if (!taskc)
  return -ENOMEM;

 taskc->bypassed_at = 0;

 if (!(cgc = find_cgrp_ctx(args->cgroup)))
  return -ENOENT;

 p->scx.dsq_vtime = cgc->tvtime_now;

 return 0;
}

int BPF_STRUCT_OPS_SLEEPABLE(fcg_cgroup_init, struct cgroup *cgrp,
        struct scx_cgroup_init_args *args)
{
 struct fcg_cgrp_ctx *cgc;
 struct cgv_node *cgv_node;
 struct cgv_node_stash empty_stash = {}, *stash;
 u64 cgid = cgrp->kn->id;
 int ret;

 /*
  * Technically incorrect as cgroup ID is full 64bit while dsq ID is
  * 63bit. Should not be a problem in practice and easy to spot in the
  * unlikely case that it breaks.
 */
 ret = scx_bpf_create_dsq(cgid, -1);
 if (ret)
  return ret;

 cgc = bpf_cgrp_storage_get(&cgrp_ctx, cgrp, 0,
       BPF_LOCAL_STORAGE_GET_F_CREATE);
 if (!cgc) {
  ret = -ENOMEM;
  goto err_destroy_dsq;
 }

 cgc->weight = args->weight;
 cgc->hweight = FCG_HWEIGHT_ONE;

 ret = bpf_map_update_elem(&cgv_node_stash, &cgid, &empty_stash,
      BPF_NOEXIST);
 if (ret) {
  if (ret != -ENOMEM)
   scx_bpf_error("unexpected stash creation error (%d)",
          ret);
  goto err_destroy_dsq;
 }

 stash = bpf_map_lookup_elem(&cgv_node_stash, &cgid);
 if (!stash) {
  scx_bpf_error("unexpected cgv_node stash lookup failure");
  ret = -ENOENT;
  goto err_destroy_dsq;
 }

 cgv_node = bpf_obj_new(struct cgv_node);
 if (!cgv_node) {
  ret = -ENOMEM;
  goto err_del_cgv_node;
 }

 cgv_node->cgid = cgid;
 cgv_node->cvtime = cvtime_now;

 cgv_node = bpf_kptr_xchg(&stash->node, cgv_node);
 if (cgv_node) {
  scx_bpf_error("unexpected !NULL cgv_node stash");
  ret = -EBUSY;
  goto err_drop;
 }

 return 0;

err_drop:
 bpf_obj_drop(cgv_node);
err_del_cgv_node:
 bpf_map_delete_elem(&cgv_node_stash, &cgid);
err_destroy_dsq:
 scx_bpf_destroy_dsq(cgid);
 return ret;
}

void BPF_STRUCT_OPS(fcg_cgroup_exit, struct cgroup *cgrp)
{
 u64 cgid = cgrp->kn->id;

 /*
  * For now, there's no way find and remove the cgv_node if it's on the
  * cgv_tree. Let's drain them in the dispatch path as they get popped
  * off the front of the tree.
 */
 bpf_map_delete_elem(&cgv_node_stash, &cgid);
 scx_bpf_destroy_dsq(cgid);
}

void BPF_STRUCT_OPS(fcg_cgroup_move, struct task_struct *p,
      struct cgroup *from, struct cgroup *to)
{
 struct fcg_cgrp_ctx *from_cgc, *to_cgc;
 s64 delta;

 /* find_cgrp_ctx() triggers scx_ops_error() on lookup failures */
 if (!(from_cgc = find_cgrp_ctx(from)) || !(to_cgc = find_cgrp_ctx(to)))
  return;

 delta = time_delta(p->scx.dsq_vtime, from_cgc->tvtime_now);
 p->scx.dsq_vtime = to_cgc->tvtime_now + delta;
}

s32 BPF_STRUCT_OPS_SLEEPABLE(fcg_init)
{
 return scx_bpf_create_dsq(FALLBACK_DSQ, -1);
}

void BPF_STRUCT_OPS(fcg_exit, struct scx_exit_info *ei)
{
 UEI_RECORD(uei, ei);
}

SCX_OPS_DEFINE(flatcg_ops,
        .select_cpu  = (void *)fcg_select_cpu,
        .enqueue   = (void *)fcg_enqueue,
        .dispatch  = (void *)fcg_dispatch,
        .runnable  = (void *)fcg_runnable,
        .running   = (void *)fcg_running,
        .stopping  = (void *)fcg_stopping,
        .quiescent  = (void *)fcg_quiescent,
        .init_task  = (void *)fcg_init_task,
        .cgroup_set_weight = (void *)fcg_cgroup_set_weight,
        .cgroup_init  = (void *)fcg_cgroup_init,
        .cgroup_exit  = (void *)fcg_cgroup_exit,
        .cgroup_move  = (void *)fcg_cgroup_move,
        .init   = (void *)fcg_init,
        .exit   = (void *)fcg_exit,
        .flags   = SCX_OPS_ENQ_EXITING,
        .name   = "flatcg");