谢宝友: 深入理解RCU之五：玩具式实现

本文简介

本文介绍“玩具式”RCU实现。这些实现并不注重性能、实用性，也不能使用于生产环境中，而仅仅是为了清晰的传递RCU的概念。即便如此，要理解这些玩具式的实现，也需要对硬件、RCU概念有深入的理解。

 

作者简介

谢宝友，在编程一线工作已经有20年时间，其中接近10年时间工作于Linux操作系统。

同时，他也是《深入理解并行编程》一书的译者。该书作者Paul E.McKeney是IBM Linux中心领导者，Linux RCU Maintainer。《深入理解RCU》系列文章整理了Paul E.McKeney的相关著作，希望能帮助读者更深刻的理解Linux内核中非常难于理解的模块：RCU。

目前，他在专心编写Hot-Pot操作系统。并准备在2018年年中，开放这个操作系统的源代码，并且编写一本《Hot-Pot操作系统详解--迈向工业级操作系统的实现》来详细阐述这个操作系统。

    联系方式：

    mail:[email protected]

    微信：linux-kernel

本文前序：

谢宝友： 深入理解Linux RCU之一——从硬件说起

谢宝友：深入理解Linux RCU：从硬件说起之内存屏障

谢宝友：深入理解RCU之三：概念

谢宝友：深入理解RCU之四：用法

 

1、基于锁的RCU

也许最简单的RCU实现就是用锁了，如下图所示。在该实现中，rcu_read_lock()获取一把全局自旋锁，rcu_read_unlock()释放锁，而synchronize_rcu()获取自旋锁，随后将其释放。

1  static void  rcu_read_lock(void)

2  {

3     spin_lock(&rcu_gp_lock);

4  }

5

6  static void  rcu_read_unlock(void)

7  {

8     spin_unlock(&rcu_gp_lock);

9  }

10

11  void synchronize_rcu(void)

12  {

13     spin_lock(&rcu_gp_lock);

14     spin_unlock(&rcu_gp_lock);

15  }

基于锁的RCU实现

因为synchronize_rcu()只有在获取锁（然后释放）以后才会返回，所以在所有之前发生的RCU读端临界区完成前，synchronize_rcu()是不会返回的，因此这符合RCU的语义，特别是存在担保方面的语义。

但是，在这样的实现中，一个读端临界区同时只能有一个RCU读者进入，这基本上可以说是和RCU的目的相反。而且，rcu_read_lock()和rcu_read_unlock()中的锁操作开销是极大的，读端的开销从Power5单核CPU上的100纳秒到64核系统上的17微秒不等。更糟的是，使用同一把锁使得rcu_read_lock()，可能会使得系统形成自旋锁死锁。这是因为：RCU的语义允许RCU读端嵌套。所以，在这样的实现中，RCU读端临界区不能嵌套。最后一点，原则上并发的RCU更新操作可以共享一个公共的优雅周期，但是该实现将优雅周期串行化了，因此无法共享优雅周期。

问题：这样的死锁情景会不会出现其他RCU实现中？

问题：为什么不直接用读写锁来实现这个RCU？

很难想象这种实现能用在任何一个产品中，但是这种实现有一点好处：可以用在几乎所有的用户态程序上。不仅如此，类似的使用每CPU锁或者读写锁的实现还曾经用于Linux 2.4内核中。

2、基于每线程锁的RCU

下图显示了一种基于每线程锁的实现。rcu_read_lock()和rcu_read_unlock()分别获取和释放当前线程的锁。synchronize_rcu()函数按照次序逐一获取和释放每个线程的锁。这样，所有在synchronize_rcu()开始时就已经执行的RCU读端临界区，必须在synchronize_rcu()结束前返回。

1  static void  rcu_read_lock(void)

2  {

3    spin_lock(&__get_thread_var(rcu_gp_lock));

4  }

5

6  static void  rcu_read_unlock(void)

7  {

8     spin_unlock(&__get_thread_var(rcu_gp_lock));

9  }

10

11  void synchronize_rcu(void)

12  {

13     int t;

14

15     for_each_running_thread(t)  {

16        spin_lock(&per_thread(rcu_gp_lock, t));

17        spin_unlock(&per_thread(rcu_gp_lock, t));

18     }

19  }

基于锁的每线程RCU实现

该实现的优点在于：允许并发的RCU读者，同时避免了使用单个全局锁可能造成的死锁。不仅如此，读端开销虽然高达大概140纳秒，但是不管CPU数目为多少，始终保持在140纳秒。不过，更新端的开销则在从Power5单核上的600纳秒到64核系统上的超过100微秒不等。

问题：如果在第15至18行看，先获取所有锁，然后再释放所有锁，这样是不是更清晰一点呢？

问题：该实现能够避免死锁吗？如果能，为什么能？如果不能，为什么不能？

本方法在某些情况下是很有效的，尤其是类似的方法曾在Linux 2.4内核中使用。

下面提到的基于计数的RCU实现，克服了基于锁实现的某些缺点。

3、基于计数的简单RCU实现

1  atomic_t rcu_refcnt;

2

3  static void  rcu_read_lock(void)

4  {

5     atomic_inc(&rcu_refcnt);

6     smp_mb();

7  }

8

9  static void  rcu_read_unlock(void)

10  {

11     smp_mb();

12     atomic_dec(&rcu_refcnt);

13  }

14

15  void synchronize_rcu(void)

16  {

17     smp_mb();

18     while (atomic_read(&rcu_refcnt) !=  0)  {

19         poll(NULL,  0, 10);

20     }

21     smp_mb();

22  }

使用单个全局引用计数的RCU实现

这是一种稍微复杂一点的RCU实现。本方法在第1行定义了一个全局引用计数rcu_refcnt。rcu_read_lock()原语自动增加计数，然后执行一个内存屏障，确保在原子自增之后才进入RCU读端临界区。同样，rcu_read_unlock()先执行一个内存屏障，划定RCU读端临界区的结束点，然后再原子自减计数。synchronize_rcu()原语不停自旋，等待引用计数的值变为0，语句前后用内存屏障保护正确的顺序。第19行的poll()只是纯粹的延时，从纯RCU语义的角度上看是可以省略的。等synchronize_rcu()返回后，所有之前发生的RCU读端临界区都已经完成了。

与基于锁的实现相比，我们欣喜地发现：这种实现可以让读者并发进入RCU读端临界区。与基于每线程锁的实现相比，我们又欣喜地发现：本节的实现可以让RCU读端临界区嵌套。另外，rcu_read_lock()原语不会进入死锁循环，因为它既不自旋也不阻塞。

问题：但是如果你在调用synchronize_rcu()时持有一把锁，然后又在RCU读端临界区中获取同一把锁，会发生什么呢？

当然，这个实现还是存在一些严重的缺点。首先，rcu_read_lock()和rcu_read_unlock()中的原子操作开销是非常大的，读端开销从Power5单核CPU上的100纳秒到64核系统上的40微秒不等。这意味着RCU读端临界区必须非常长，才能够满足现实世界中的读端并发请求。但是从另一方面来说，当没有读者时，优雅周期只有差不多40纳秒，这比Linux内核中的产品级实现要快上很多个数量级。

其次，如果存在多个并发的rcu_read_lock()和rcu_read_unlock()操作，因为出现大量高速缓冲未命中，对rcu_refcnt的内存访问竞争将会十分激烈。

以上这两个缺点极大地影响RCU的目标，即提供一种读端低开销的同步原语。

最后，在很长的读端临界区中的大量RCU读者甚至会让synchronize_rcu()无法完成，因为全局计数可能永远不为0。这会导致RCU更新端的饥饿，这一点在产品级应用里肯定是不可接受的。

问题：当synchronize_rcu()等待时间过长了以后，为什么不能简单地让rcu_read_lock()暂停一会儿呢？这种做法不能防止synchronize_rcu()饥饿吗？

通过上述内容，很难想象本节的实现可以在产品级应用中使用，虽然它比基于锁的实现更有这方面的潜力，比如，作为一种高负荷调试环境中的RCU实现。下面我们将介绍一种对写者更有利的引用计数RCU变体。

4、不会让更新者饥饿的引用计数RCU

1  DEFINE_SPINLOCK(rcu_gp_lock);

2  atomic_t rcu_refcnt[2];

3  atomic_t rcu_idx;

4  DEFINE_PER_THREAD(int,  rcu_nesting);

5  DEFINE_PER_THREAD(int,  rcu_read_idx);

RCU全局引用计数对的数据定义

下图展示了一种RCU实现的读端原语，使用一对引用计数（rcu_refcnt[]），通过一个全局索引（rcu_idx）从这对计数中选出一个计数，一个每线程的嵌套计数rcu_nesting，一个每线程的全局索引快照（rcu_read_idx），以及一个全局锁（rcu_gp_lock），上图给出了上述定义。

1  static void  rcu_read_lock(void)

2  {

3     int i;

4     int n;

5

6     n =  __get_thread_var(rcu_nesting);

7     if (n  ==  0)  {

8         i =  atomic_read(&rcu_idx);

9         __get_thread_var(rcu_read_idx)  =  i;

10         atomic_inc(&rcu_refcnt[i]);

11     }

12     __get_thread_var(rcu_nesting)  = n  +  1;

13     smp_mb();

14  }

15

16  static void  rcu_read_unlock(void)

17  {

18     int i;

19     int n;

20

21     smp_mb();

22     n =  __get_thread_var(rcu_nesting);

23     if (n  ==  1)  {

24         i =  __get_thread_var(rcu_read_idx);

25         atomic_dec(&rcu_refcnt[i]);

26     }

27     __get_thread_var(rcu_nesting)  = n  -  1;

28  }

使用全局引用计数对的RCU读端原语

拥有两个元素的rcu_refcnt[]数组让更新者免于饥饿。这里的关键点是synchronize_rcu()只需要等待已存在的读者。如果在给定实例的synchronize_rcu()正在执行时，出现一个新的读者，那么synchronize_rcu()不需要等待那个新的读者。在任意时刻，当给定的读者通过通过rcu_read_lock()进入其RCU读端临界区时，它增加rcu_refcnt[]数组中由rcu_idx变量所代表下标的元素。当同一个读者通过rcu_read_unlock()退出其RCU读端临界区，它减去其增加的元素，忽略对rcu_idx值任何可能的后续更改。

这种安排意味着synchronize_rcu()可以通过修改rcu_idx的值来避免饥饿。假设rcu_idx的旧值为零，因此修改后的新值为1。在修改操作之后到达的新读者将增加rcu_idx[1]，而旧的读者先前递增的rcu_idx [0]将在它们退出RCU读端临界区时递减。这意味着rcu_idx[0]的值将不再增加，而是单调递减。这意味着所有synchronize_rcu()需要做的是等待rcu_refcnt[0]的值达到零。

有了背景，我们来好好看看实际的实现原语。

实现rcu_read_lock()原语自动增加由rcu_idx标出的rcu_refcnt[]成员的值，然后将索引保存在每线程变量rcu_read_idx中。rcu_read_unlock()原语自动减少对应的rcu_read_lock()增加的那个计数的值。不过，因为rcu_idx每个线程只能设置为rcu_idx设置一个值，所以还需要一些手段才能允许嵌套。方法是用每线程的rcu_nesting变量跟踪嵌套。

为了让这种方法能够工作，rcu_read_lock()函数的第6行获取了当前线程的rcu_nesting，如果第7行的检查发现当前处于最外层的rcu_read_lock()，那么第8至10行获取变量rcu_idx的当前值，将其存到当前线程的rcu_read_idx中，然后增加被rcu_idx选中的rcu_refcnt元素的值。第12行不管现在的rcu_nesting值是多少，直接对其加1。第13行执行一个内存屏障，确保RCU读端临界区不会在rcu_read_lock()之前开始。

同样，rcu_read_unlock()函数在第21行也执行一个内存屏障，确保RCU读端临界区不会在rcu_read_unlock()代码之后还未完成。第22行获取当前线程的rcu_nesting，如果第23行的检查发现当前处于最外层的rcu_read_unlock()，那么第24至25行获取当前线程的rcu_read_idx（由最外层的rcu_read_lock()保存）并且原子减少被rcu_read_idx选择的rcu_refcnt元素。无论当前嵌套了多少层，第27行都直接减少本线程的rcu_nesting值。

1  void synchronize_rcu(void)

2  {

3     int i;

4

5     smp_mb();

6     spin_lock(&rcu_gp_lock);

7     i =  atomic_read(&rcu_idx);

8     atomic_set(&rcu_idx,  !i);

9     smp_mb();

10     while (atomic_read(&rcu_refcnt[i]) !=  0)  {

11         poll(NULL,  0, 10);

12     }

13     smp_mb();

14     atomic_set(&rcu_idx,  i);

15     smp_mb();

16     while (atomic_read(&rcu_refcnt[!i]) !=  0)  {

17         poll(NULL,  0, 10);

18     }

19     spin_unlock(&rcu_gp_lock);

20     smp_mb();

21  }

使用全局引用计数对的RCU更新端原语

上图实现了对应的synchronize_rcu()。第6行和第19行获取并释放rcu_gp_lock，因为这样可以防止多于一个的并发synchronize_rcu()实例。第7至8行分别获取rcu_idx的值，并对其取反，这样后续的rcu_read_lock()实例将使用与之前的实例不同的rcu_idx值。然后第10至12行等待之前的由rcu_idx选出的元素变成0，第9行的内存屏障是为了保证对rcu_idx的检查不会被优化到对rcu_idx取反操作之前。第13至18行重复这一过程，第20行的内存屏障是为了保证所有后续的回收操作不会被优化到对rcu_refcnt的检查之前执行。

问题：为什么上图中，在获得自旋锁之前，synchronize_rcu()第5行还有一个内存屏障？

问题：为什么上图的计数要检查两次？难道检查一次还不够吗？

本节的实现避免了简单计数实现可能发生的更新端饥饿问题。

讨论不过这种实现仍然存在一些严重问题。首先，rcu_read_lock()和rcu_read_unlock()中的原子操作开销很大。事实上，它们比上一个实现中的单个计数要复杂很多，读端原语的开销从Power5单核处理器上的150纳秒到64核处理器上的40微秒不等。更新端synchronize_rcu()原语的开销也变大了，从Power5单核CPU中的200纳秒到64核处理器中的40微秒不等。这意味着RCU读端临界区必须非常长，才能够满足现实世界的读端并发请求。

其次，如果存在很多并发的rcu_read_lock()和rcu_read_unlock()操作，那么对rcu_refcnt的内存访问竞争将会十分激烈，这将导致耗费巨大的高速缓存未命中。这一点进一步延长了提供并发读端访问所需要的RCU读端临界区持续时间。这两个缺点在很多情况下都影响了RCU的目标。

第三，需要检查rcu_idx两次这一点为更新操作增加了开销，尤其是线程数目很多时。

最后，尽管原则上并发的RCU更新可以共用一个公共优雅周期，但是本节的实现串行化了优雅周期，使得这种共享无法进行。

问题：既然原子自增和原子自减的开销巨大，为什么不第10行使用非原子自增，在第25行使用非原子自减呢？

尽管有这样那样的缺点，这种RCU的变体还是可以运用在小型的多核系统上，也许可以作为一种节省内存实现，用于维护与更复杂实现之间的API兼容性。但是，这种方法在CPU增多时可扩展性不佳。

另一种基于引用计数机制的RCU变体极大地改善了读端性能和可扩展性。

5、可扩展的基于计数RCU实现

1  DEFINE_SPINLOCK(rcu_gp_lock);

2  DEFINE_PER_THREAD(int  [2], rcu_refcnt);

3  atomic_t rcu_idx;

4  DEFINE_PER_THREAD(int,  rcu_nesting);

5  DEFINE_PER_THREAD(int,  rcu_read_idx);

RCU每线程引用计数对的数据定义

下图是一种RCU实现的读端原语，其中使用了每线程引用计数。本实现与前一个实现十分类似，唯一的区别在于rcu_refcnt成了一个每线程变量。使用这个两元素数组是为了防止读者导致写者饥饿。使用每线程rcu_refcnt[]数组的另一个好处是，rcu_read_lock()和rcu_read_unlock()原语不用再执行原子操作。

1  static void  rcu_read_lock(void)

2  {

3     int i;

4     int n;

5

6     n =  __get_thread_var(rcu_nesting);

7     if (n  ==  0)  {

8         i =  atomic_read(&rcu_idx);

9         __get_thread_var(rcu_read_idx)  =  i;

10         __get_thread_var(rcu_refcnt)[i]++;

11     }

12     __get_thread_var(rcu_nesting)  = n  +  1;

13     smp_mb();

14  }

15

16  static void  rcu_read_unlock(void)

17  {

18     int i;

19     int n;

20

21     smp_mb();

22     n =  __get_thread_var(rcu_nesting);

23     if (n  ==  1)  {

24         i  = __get_thread_var(rcu_read_idx);

25         __get_thread_var(rcu_refcnt)[i]--;

26     }

27     __get_thread_var(rcu_nesting)  = n  -  1;

28  }

使用每线程引用计数对的RCU读端原语

问题：别忽悠了！我在rcu_read_lock()里看见atomic_read()原语了！为什么你想假装rcu_read_lock()里没有原子操作？

1  static void flip_counter_and_wait(int  i)

2  {

3     int t;

4

5     atomic_set(&rcu_idx,  !i);

6     smp_mb();

7     for_each_thread(t)  {

8         while (per_thread(rcu_refcnt, t)[i]  !=  0)  {

9               poll(NULL,  0, 10);

10         }

11     }

12     smp_mb();

13  }

14

15  void synchronize_rcu(void)

16  {

17     int i;

18

19     smp_mb();

20     spin_lock(&rcu_gp_lock);

21     i =  atomic_read(&rcu_idx);

22     flip_counter_and_wait(i);

23     flip_counter_and_wait(!i);

24     spin_unlock(&rcu_gp_lock);

25     smp_mb();

26  }

使用每线程引用计数对的RCU更新端原语

下图是synchronize_rcu()的实现，还有一个辅助函数flip_counter_ and_wait()。synchronize_rcu()函数和前一个实现基本一样，除了原来的重复检查计数过程被替换成了第22至23行的辅助函数。

新的flip_counter_and_wait()函数在第5行更新rcu_idx变量，第6行执行内存屏障，然后第7至11行循环检查每个线程对应的rcu_refcnt元素，等待该值变为0。一旦所有元素都变为0，第12行执行另一个内存屏障，然后返回。

本RCU实现对软件环境有所要求，（1）能够声明每线程变量，（2）每个线程都可以访问其他线程的每线程变量，（3）能够遍历所有线程。绝大多数软件环境都满足上述要求，但是通常对线程数的上限有所限制。更复杂的实现可以避开这种限制，比如，使用可扩展的哈希表。这种实现能够动态地跟踪线程，比如，在线程第一次调用rcu_read_lock()时将线程加入哈希表。

问题：好极了，如果我有N个线程，那么我要等待2N*10毫秒（每个flip_counter_and_wait()调用消耗的时间，假设我们每个线程只等待一次）。我们难道不能让优雅周期再快一点完成吗？

不过本实现还有一些缺点。首先，需要检查rcu_idx两次，这为更新端带来一些开销，特别是线程数很多时。

其次，synchronize_rcu()必须检查的变量数随着线程增多而线性增长，这给线程数很多的应用程序带来一定的开销。

第三，和之前一样，虽然原则上并发的RCU更新可以共用一个公共优雅周期，但是本节的实现串行化了优雅周期，使得这种共享无法进行。

最后，本节曾经提到的软件环境需求，在某些环境下每线程变量和遍历线程可能存在问题。

读端原语的扩展性非常好，不管是在单核系统还是64核系统都只需要115纳秒左右。Synchronize_rcu()原语的扩展性不佳，开销在单核Power5系统上的1微秒到64核系统上的200微秒不等。总体来说，本节的方法可以算是一种初级的产品级用户态RCU实现了。

下面介绍一种能够让并发的RCU更新更有效的算法。

6、可扩展的基于计数RCU实现，可以共享优雅周期

1  DEFINE_SPINLOCK(rcu_gp_lock);

2  DEFINE_PER_THREAD(int  [2], rcu_refcnt);

3  long rcu_idx;

4  DEFINE_PER_THREAD(int,  rcu_nesting);

5  DEFINE_PER_THREAD(int,  rcu_read_idx);

使用每线程引用计数对和共享更新数据的数据定义

下图是一种使用每线程引用计数RCU实现的读端原语，但是该实现允许更新端共享优雅周期。本节的实现和前面的实现唯一的区别是，rcu_idx现在是一个long型整数，可以自由增长，所以第8行用了一个掩码屏蔽了最低位。我们还将atomic_read()和atomic_set()改成了ACCESS_ONCE()。上图中的数据定义和前例也很相似，只是rcu_idx现在是long类型而非之前的atomic_t类型。

1  static void  rcu_read_lock(void)

2  {

3     int i;

4     int n;

5

6     n =  __get_thread_var(rcu_nesting);

7     if (n  ==  0)  {

8         i =  ACCESS_ONCE(rcu_idx)  & 0x1;

9         __get_thread_var(rcu_read_idx)  =  i;

10         __get_thread_var(rcu_refcnt)[i]++;

11     }

12     __get_thread_var(rcu_nesting)  = n  +  1;

13     smp_mb();

14  }

15

16  static void  rcu_read_unlock(void)

17  {

18     int i;

19     int n;

20

21     smp_mb();

22     n =  __get_thread_var(rcu_nesting);

23     if (n  ==  1)  {

24      i  = __get_thread_var(rcu_read_idx);

25         __get_thread_var(rcu_refcnt)[i]--;

26     }

27     __get_thread_var(rcu_nesting)  = n  -  1;

28  }

使用每线程引用计数对和共享更新数据的RCU读端原语

1  static void flip_counter_and_wait(int  ctr)

2  {

3     int i;

4     int t;

5

6     ACCESS_ONCE(rcu_idx)  = ctr  +  1;

7     i =  ctr  & 0x1;

8     smp_mb();

9     for_each_thread(t)  {

10         while (per_thread(rcu_refcnt, t)[i]  !=  0) 

{

11              poll(NULL,  0, 10);

12         }

13     }

14     smp_mb();

15  }

16

17  void synchronize_rcu(void)

18  {

19     int ctr;

20     int oldctr;

21

22     smp_mb();

23     oldctr =  ACCESS_ONCE(rcu_idx);

24     smp_mb();

25     spin_lock(&rcu_gp_lock);

26     ctr =  ACCESS_ONCE(rcu_idx);

27     if (ctr  -  oldctr >=  3)  {

28         spin_unlock(&rcu_gp_lock);

29         smp_mb();

30         return;

31     }

32     flip_counter_and_wait(ctr);

33     if (ctr  -  oldctr <  2)

34         flip_counter_and_wait(ctr  +  1);

35     spin_unlock(&rcu_gp_lock);

36     smp_mb();

37  }

使用每线程引用计数对的RCU共享更新端原语

上图是synchronize_rcu()及其辅助函数flip_counter_and_wait()的实现。flip_counter_and_wait()的变化在于：

1．第6行使用ACCESS_ONCE()代替了atomic_set()，用自增替代取反。

2．新增了第7行，将计数的最低位掩去。

synchronize_rcu()的区别要多一些：

1．新增了一个局部变量oldctr，存储第23行的获取每线程锁之前的rcu_idx值。

2．第26行用ACCESS_ONCE()代替atomic_read()。

3．第27至30行检查在锁已获取时，其他线程此时是否在循环检查3个以上的计数，如果是，释放锁，执行一个内存屏障然后返回。在本例中，有两个线程在等待计数变为0，所以其他的线程已经做了所有必做的工作。

4．在第33至34行，在锁已被获取时，如果当前检查计数是否为0的线程不足2个，那么flip_counter_and_wait()会被调用两次。另一方面，如果有两个线程，另一个线程已经完成了对计数的检查，那么只需再有一个就可以。

在本方法中，如果有任意多个线程并发调用synchronize_rcu()，一个线程对应一个CPU，那么最多只有3个线程在等待计数变为0。

尽管有这些改进，本节的RCU实现仍然存在一些缺点。首先，和上一节一样，需要检查rcu_idx两次为更新端带来开销，尤其是线程很多时。

其次，本实现需要每CPU变量和遍历所有线程的能力，这在某些软件环境可能是有问题的。

最后，在32位机器上，由于rcu_idx溢出而导致需要做一些额外的检查。

本实现的读端原语扩展性极佳，不管CPU数为多少，开销大概为115纳秒。synchronize_rcu()原语的开销仍然昂贵，从1微秒到15微秒不等。然而这比前面的200微秒的开销已经好多了。所以，尽管存在这些缺点，本节的RCU实现已经可以在真实世界中的产品中使用了。

问题：所有这些玩具式的RCU实现都要么在rcu_read_lock()和rcu_read_ unlock()中使用了原子操作，要么让synchronize_rcu()的开销与线程数线性增长。那么究竟在哪种环境下，RCU的实现既可以让上述三个原语的实现简单，又能拥有O(1)的开销和延迟呢？

重新审视代码，我们看到了对一个全局变量的访问和对不超过4个每线程变量的访问。考虑到在POSIX线程中访问每线程变量的开销相对较高，我们可以将三个每线程变量放进单个结构体中，让rcu_read_lock()和rcu_read_unlock()用单个每线程变量存储类来访问各自的每线程变量。

但是，下面将会介绍一种更好的办法，可以减少访问每线程变量的次数到一次。

7、基于自由增长计数的RCU

1  DEFINE_SPINLOCK(rcu_gp_lock);

2  long rcu_gp_ctr  =  0;

3  DEFINE_PER_THREAD(long,  rcu_reader_gp);

4  DEFINE_PER_THREAD(long,  rcu_reader_gp_snap);

使用自由增长计数的数据定义

下图是一种基于单个全局free-running计数的RCU实现，该计数只对偶数值进行计数，相关的数据定义见上图。rcu_read_lock()的实现极其简单。第3行向全局free-running变量rcu_gp_ctr加1，将相加后的奇数值存储在每线程变量rcu_reader_gp中。第4行执行一个内存屏障，防止后续的RCU读端临界区内容“泄漏”。

1  static void  rcu_read_lock(void)

2  {

3     __get_thread_var(rcu_reader_gp)  = rcu_gp_ctr  +  1;

4     smp_mb();

5  }

6

7  static void  rcu_read_unlock(void)

8  {

9     smp_mb();

10     __get_thread_var(rcu_reader_gp)  = rcu_gp_ctr;

11  }

12

13  void synchronize_rcu(void)

14  {

15     int t;

16

17     smp_mb();

18     spin_lock(&rcu_gp_lock);

19     rcu_gp_ctr +=  2;

20     smp_mb();

21     for_each_thread(t)  {

22         while ((per_thread(rcu_reader_gp, t)  &  0x1) &&

23 ((per_thread(rcu_reader_gp,  t)  -

24      rcu_gp_ctr)  < 0))  {

25              poll(NULL,  0, 10);

26         }

27     }

28     spin_unlock(&rcu_gp_lock);

29     smp_mb();

30  }

使用自由增长计数的RCU实现

rcu_read_unlock()实现也很类似。第9行执行一个内存屏障，防止前一个RCU读端临界区“泄漏”。第10行将全局变量rcu_gp_ctr的值复制给每线程变量rcu_reader_gp，将此每线程变量的值变为偶数值，这样当前并发的synchronize_rcu()实例就知道忽略该每线程变量了。

问题：如果任何偶数值都可以让synchronize_rcu()忽略对应的任务，那么第10行为什么不直接给rcu_reader_gp赋值为0？

synchronize_rcu()会等待所有线程的rcu_reader_gp变量变为偶数值。但是，因为synchronize_rcu()只需要等待“在调用synchronize_rcu()之前就已存在的”RCU读端临界区，所以完全可以有更好的方法。第17行执行一个内存屏障，防止之前操纵的受RCU保护的数据结构被乱序（由编译器或者是CPU）放到第17行之后执行。为了防止多个synchronize_rcu()实例并发执行，第18行获取rcu_gp_lock锁（第28释放锁）。然后第19行给全局变量rcu_gp_ctr加2。回忆一下，rcu_reader_gp的值为偶数的线程不在RCU读端临界区里，所以第21至27行扫描rcu_reader_gp的值，直到所有值要么是偶数（第22行），要么比全局变量rcu_gp_ctr的值大（第23至24行）。第25行阻塞一小段时间，等待一个之前已经存在的RCU读端临界区退出，如果对优雅周期的延迟很敏感的话，也可以用自旋锁来代替。最后，第29行的内存屏障保证所有后续的销毁工作不会被乱序到循环之前进行。

问题：为什么需要第17和第29行的内存屏障？难道第18行和第28行的锁原语自带的内存屏障还不够吗？

本节方法的读端性能非常好，不管CPU数目多少，带来的开销大概是63纳秒。更新端的开销稍大，从Power5单核的500纳秒到64核的超过100微秒不等。

这个实现除了刚才提到的更新端的开销较大以外，还有一些严重缺点。首先，该实现不允许RCU读端临界区嵌套。其次如果读者在第3行获取rcu_gp_ctr之后，存储到rcu_reader_gp之前被抢占，并且如果rcu_gp_ctr计数的值增长到最大值的一半以上，但没有达到最大值时，那么synchronize_rcu()将会忽略后续的RCU读端临界区。第三也是最后一点，本实现需要软件环境支持每线程变量和对所有线程遍历。

问题：第3行的读者被抢占问题是一个真实问题吗？换句话说，这种导致问题的事件序列可能发生吗？如果不能，为什么不能？如果能，事件序列是什么样的，我们该怎样处理这个问题？

8、基于自由增长计数的可嵌套RCU

1 DEFINE_SPINLOCK(rcu_gp_lock);

2  #define  RCU_GP_CTR_SHIFT  7

3  #define  RCU_GP_CTR_BOTTOM_BIT  (1 <<

              RCU_GP_CTR_SHIFT)

4  #define  RCU_GP_CTR_NEST_MASK 

              (RCU_GP_CTR_BOTTOM_BIT  -  1)

5  long  rcu_gp_ctr =  0;

6 DEFINE_PER_THREAD(long, rcu_reader_gp);

基于自由增长计数的可嵌套RCU的数据定义

下图是一种基于单个全局free-running计数的RCU实现，但是允许RCU读端临界区的嵌套。这种嵌套能力是通过让全局变量rcu_gp_ctr的低位记录嵌套次数实现的，定义在上图中。该方法保留低位来记录嵌套深度。为了做到这一点，定义了两个宏，RCU_GP_CTR_NEST_MASK和RCU_GP_CTR_BOTTOM_BIT。两个宏之间的关系是：RCU_GP_CTR_NEST_MASK=RCU_GP_ CTR_BOTTOM_BIT - 1。RCU_GP_CTR_BOTTOM_BIT宏是用于记录嵌套那一位之前的一位，RCU_GP_CTR_NEST_MASK宏则包含rcu_gp_ctr中所有用于记录嵌套的位。显然，这两个宏必须保留足够多的位来记录允许的最大RCU读端临界区嵌套深度，在本实现中保留了7位，这样，允许最大RCU读端临界区嵌套深度为127，这足够绝大多数应用使用。

1  static void  rcu_read_lock(void)

2  {

3     long  tmp;

4     long  *rrgp;

5

6     rrgp  = &__get_thread_var(rcu_reader_gp);

7     tmp  = *rrgp;

8     if  ((tmp &  RCU_GP_CTR_NEST_MASK)  ==  0)

9        tmp  =  rcu_gp_ctr;

10     tmp++;

11    *rrgp  =  tmp;

12    smp_mb();

13  }

14

15  static  void rcu_read_unlock(void)

16  {

17    long  tmp;

18

19    smp_mb();

20    __get_thread_var(rcu_reader_gp)--;

21  }

22

23  void  synchronize_rcu(void)

24  {

25     int  t;

26

27    smp_mb();

28    spin_lock(&rcu_gp_lock);

29     rcu_gp_ctr  += RCU_GP_CTR_BOTTOM_BIT;

30    smp_mb();

31    for_each_thread(t)  {

32        while  (rcu_gp_ongoing(t)  &&

33               ((per_thread(rcu_reader_gp,  t)  -

34       rcu_gp_ctr) <  0))  {

35               poll(NULL, 0,  10);

36         }

37     }

38     spin_unlock(&rcu_gp_lock);

39    smp_mb();

40  }

使用自由增长计数的可嵌套RCU实现

rcu_read_lock()的实现仍然十分简单。第6行将指向本线程rcu_reader_gp实例的指针放入局部变量rrgp中，将代价昂贵的访问phtread每线程变量API的数目降到最低。第7行记录rcu_reader_gp的值放入另一个局部变量tmp中，第8行检查低位字节是否为0，表明当前的rcu_read_lock()是最外层的。如果是，第9行将全局变量rcu_gp_ctr的值存入tmp，因为第7行之前存入的值可能已经过期了。如果不是，第10行增加嵌套深度，如果你能记得，它存放在计数的最低7位。第11行将更新后的计数值重新放入当前线程的rcu_reader_gp实例中，然后，也是最后，第12行执行一个内存屏障，防止RCU读端临界区泄漏到rcu_read_lock()之前的代码里。

换句话说，除非当前调用的rcu_read_lock()的代码位于RCU读端临界区中，否则本节实现的rcu_read_lock()原语会获取全局变量rcu_gp_ctr的一个副本，而在嵌套环境中，rcu_read_lock()则去获取rcu_reader_gp在当前线程中的实例。在两种情况下，rcu_read_lock()都会增加获取到的值，表明嵌套深度又增加了一层，然后将结果储存到当前线程的rcu_reader_gp实例中。

有趣的是，rcu_read_unlock()的实现和前面的实现一模一样。第19行执行一个内存屏障，防止RCU读端临界区泄漏到rcu_read_unlock()之后的代码中去，然后第20行减少当前线程的rcu_reader_gp实例，这将减少rcu_reader_gp最低几位包含的嵌套深度。rcu_read_unlock()原语的调试版本将会在减少嵌套深度之前检查rcu_reader_gp的最低几位是否为0。

synchronize_rcu()的实现与前面十分类似。不过存在两点不同。第一，第29行将RCU_GP_CTR_BOTTOM_BIT增加到全局变量rcu_gp_ctr，而不是直接加常数2。第二，第32行的比较被剥离成一个函数，检查RCU_GP_CTR_BOTTOM_BIT指示的位，而非无条件地检查最低位。

本节方法的读端性能与前面的实现几乎一样，不管CPU数目多少，开销大概为65纳秒。更新端的开销仍然较大，从Power5单核的600纳秒到64核的超过100微秒。

问题：为什么不像上一节那样，直接用一个单独的每线程变量来表示嵌套深度，反而用复杂的位运算来表示？

除了解决了RCU读端临界区嵌套问题以外，本节的实现有着和前面实现一样的缺点。另外，在32位系统上，本方法会减少全局变量rcu_gp_ctr变量溢出所需的时间。随后将介绍一种能大大延长溢出所需时间，同时又极大地降低了读端开销的方法。

问题：怎样才能将全局变量rcu_gp_ctr溢出的时间延长一倍？

问题：溢出是致命的吗？为什么？为什么不是？如果是致命的，有什么办法可以解决它？

9、基于静止状态的RCU

1 DEFINE_SPINLOCK(rcu_gp_lock);

2  long  rcu_gp_ctr =  0;

3 DEFINE_PER_THREAD(long, rcu_reader_qs_gp);

基于quiescent-state的RCU的数据定义

下图是一种基于静止状态的用户态级RCU实现的读端原语。数据定义在上图。从图中第1至7行可以看出，rcu_read_lock()和rcu_read_unlock()原语不做任何事情，就和Linux内核一样，这种空函数会成为内联函数，然后被编译器优化掉。之所以是空函数，是因为基于静止状态的RCU实现用之前提到的静止状态来大致的作为RCU读端临界区的长度，这种状态包括第9至15行的rcu_quiescent_state()调用。进入扩展的静止状态（比如当发生阻塞时）的线程可以分别用thread_offline()和thread_online() API，来标记扩展的静止状态的开始和结尾。这样，thread_online()就成了对rcu_read_lock()的模仿，thread_offline()就成了对rcu_read_unlock()的模仿。此外，rcu_quiescent_state()可以被认为是一个rcu_thread_online()紧跟一个rcu_thread_offline()。从RCU读端临界区中调用rcu_quiescent_state()、rcu_thread_offline()或rcu_thread_online()是非法的。

1  static void  rcu_read_lock(void)

2  {

3  }

4

5  static  void rcu_read_unlock(void)

6  {

7  }

8

9 rcu_quiescent_state(void)

10  {

11    smp_mb();

12    __get_thread_var(rcu_reader_qs_gp) =

13        ACCESS_ONCE(rcu_gp_ctr)  +  1;

14    smp_mb();

15  }

16

17  static  void rcu_thread_offline(void)

18  {

19     smp_mb();

20    __get_thread_var(rcu_reader_qs_gp) =

21        ACCESS_ONCE(rcu_gp_ctr);

22    smp_mb();

23  }

24

25  static  void rcu_thread_online(void)

26  {

27    rcu_quiescent_state();

28  }

基于静止状态的RCU读端原语

在rcu_quiescent_state()中，第11行执行一个内存屏障，防止在静止状态之前的代码乱序到静止状态之后执行。第12至13行获取全局变量rcu_gp_ctr的副本，使用ACCESS_ONCE()来保证编译器不会启用任何优化措施让rcu_gp_ctr被读取超过一次。然后对取来的值加1，储存到每线程变量rcu_reader_qs_gp中，这样任何并发的synchronize_rcu()实例都只会看见奇数值，因此就知道新的RCU读端临界区开始了。正在等待老的读端临界区的synchronize_rcu()实例因此也知道忽略新产生的读端临界区。最后，第14行执行一个内存屏障，这会阻止后续代码（包括可能的RCU读端临界区）对第12至13行的重新排序。

问题：第14行多余的内存屏障会不会显著增加rcu_quiescent_state()的开销？

有些应用程序可能只是偶尔需要用RCU，但是一旦它们开始用，那一定是到处都在用。这种应用程序可以在开始用RCU时调用rcu_thread_online()，在不再使用RCU时调用rcu_thread_offline()。在调用rcu_thread_offline()和下一个调用rcu_thread_ online()之间的时间成为扩展的静止状态，在这段时间RCU不会显式地注册静止状态。

rcu_thread_offline()函数直接将每线程变量rcu_reader_qs_gp赋值为rcu_gp_ctr的当前值，该值是一个偶数。这样所有并发的synchronize_rcu()实例就知道忽略这个线程。

问题：为什么需要第19行和第22行的内存屏障？

rcu_thread_online()函数直接调用rcu_quiescent_state()，这也表示延长静止状态的结束。

1  void synchronize_rcu(void)

2  {

3     int  t;

4

5     smp_mb();

6    spin_lock(&rcu_gp_lock);

7    rcu_gp_ctr  +=  2;

8     smp_mb();

9    for_each_thread(t)  {

10        while  (rcu_gp_ongoing(t)  &&

11 ((per_thread(rcu_reader_qs_gp,  t)  -

12 rcu_gp_ctr) <  0))  {

13 poll(NULL, 0,  10);

14         }

15     }

16    spin_unlock(&rcu_gp_lock);

17    smp_mb();

18  }

基于静止状态的RCU更新端原语

下图是synchronize_rcu()的实现，和前一个实现很相像。

本节实现的读端原语快得惊人，调用rcu_read_lock()和rcu_read_unlock()的开销一共大概50皮秒（10的负12次方秒）。synchronize_rcu()的开销从Power5单核上的600纳秒到64核上的超过100微秒不等。

问题：可以确定的是，ca-2008Power系统的时钟频率相当高，可是即使是5GHz的时钟频率，也不足以让读端原语在50皮秒执行完毕。这里究竟发生了什么？

不过，本节的实现要求每个线程要么周期性地调用rcu_quiescent_state()，要么为扩展的静止状态调用rcu_thread_offline()。周期性调用这些函数的要求在某些情况下会让实现变得困难，比如某种类型的库函数。

另外，本节的实现不允许并发的synchronize_rcu()调用来共享同一个优雅周期。不过，完全可以基于这个RCU版本写一个产品级的RCU实现。

10、关于玩具式RCU实现的总结

如果你看到这里，恭喜！你现在不仅对RCU本身有了更清晰的了解，而且对其所需要的软件和应用环境也更熟悉了。想要更进一步了解RCU的读者，请自行阅读在各种产品中大量采用的RCU实现。

之前的章节列出了各种RCU原语的理想特性。下面我们将整理一个列表，供有意实现自己的RCU实现的读者做参考。

1．必须有读端原语（比如rcu_read_lock()和rcu_read_unlock()）和优雅周期原语（比如synchronize_rcu()和call_rcu()），任何在优雅周期开始前就存在的RCU读端临界区必须在优雅周期结束前执行完毕。

2．RCU读端原语应该有最小的开销。特别是应该避免如高速缓存未命中、原子操作、内存屏障和条件分支之类的操作。

3．RCU读端原语应该有O(1)的时间复杂度，可以用于实时用途。（这意味着读者可以与更新者并发运行。）

4．RCU读端原语应该在所有上下文中都可以使用（在Linux内核中，只有空的死循环时不能使用RCU读端原语）。一个重要的特例是RCU读端原语必须可以在RCU读端临界区中使用，换句话说，必须允许RCU读端临界区嵌套。

5．RCU读端原语不应该有条件判断，不会返回失败。这个特性十分重要，因为错误检查会增加复杂度，让测试和验证变得更复杂。

6．除了静止状态以外的任何操作都能在RCU读端原语里执行。比如像I/O这样的操作也该允许。

7．应该允许在RCU读端临界区中执行的同时更新一个受RCU保护的数据结构。

8．RCU读端和更新端的原语应该在内存分配器的设计和实现上独立。

9．RCU优雅周期不应该被在RCU读端临界区之外阻塞的线程而阻塞。

 

所有这些目标，都被Linux内核RCU实现所满足。后续将分析Linux内核中RCU实现代码。

近期精彩文章

宋宝华： 关于DMA ZONE和dma alloc coherent若干误解的彻底澄清

宋宝华：关于Ftrace的一个完整案例

宋宝华：swappiness=0究竟意味着什么？