关于Linux内核月报
Linux阅码场
Linux阅码场内核月报栏目，是汇总当月Linux内核社区最重要的一线开发动态，方便读者们更容易跟踪Linux内核的最前沿发展动向。
限于篇幅，只会对最新技术做些粗略概括，技术细节敬请期待后续文章，也欢迎广大读者踊跃投稿为阅码场社区添砖加瓦。
本期月报（总第2期）主要贡献人员：
陈玮、张健、廖威雄
(月报的完善和专业,离不开大牛们的持续贡献,欢迎更多大牛加入月报贡献团队)
第一期链接：
Linux阅码场 - Linux内核月报(2020年06月)
1. 虚拟化
1.1 Kishon Vijay Abraham I: Enhance VHOST to enable SoC-to-SoC communication
该PATCH系列对Linux vhost做了增强，从而让它支持 SoC与SoC之间基于MMIO的通信。该系列也对RPMSG进行了增强，让它可以支持两个SoC之间使用PCIe Root Complex<->Endpoint 连接方式和HOST1-NTB-HOST2连接方式的通信。
修改的内容包括：
1) 修改vhost，让它符合Linux标准驱动模型
2) 在vring中添加通过MMIO访问virtqueue支持
3) 在rpmsg中添加居于vhost的客户端驱动
4) 为通过PCIe Root Complex <->Endpoint 方式互相连接的两个SoC提供可以用于rpmsg通信的PCIe Root Complex驱动(使用virtio)和PCIe Endpoint 驱动(使用vhost)
案例1:
5) 为通过HOST1-NTB-HOST2 方式互相连接的两个SoC提供可以用于rpmsg通信的NTB Virtio 驱动和NTB Vhost 驱动
案例2:
6) 添加了一个configfs接口用于配置各个组件
软件层次结构:
一个比较High-Level软件层次结构应该如下图所示。本系列只增加了对RPMSG VHOST的支持，但是其他一些类似的修改还需要在网络和SCSI驱动中完成。当这些修改都完成后，任何的vhost设备(PCI, NTB，Platform，user)都可以使用任何的vhost客户端驱动程序。
原始讨论请看这里[1]
[1] -> https://lore.kernel.org/r/2cf00ec4-1ed6-f66e-6897-006d1a5
1.2 Andra Paraschiv: Add support for Nitro Enclaves
Nitro Enclaves (NE)是Amazon弹性计算云(EC2)的一种新功能。它允许客户在EC2实例[1]内部再分割出一块隔离的计算环境。
例如，一个在虚拟机中运行的用于处理敏感数据的应用程序，可以和运行在同一个虚拟机中的其它应用程序分离开。我们称呼这个运行EC2实例的虚拟机为主虚拟机。分离后，这个应用程序运行在和主虚拟机不同的另外一个单独虚拟机里，也可以叫做enclave。
Enclave与衍生它的虚拟机一起运行。这种设置满足低延迟应用程序的需求。为enclave分配的资源，例如内存和CPU等，都是从主虚拟机中分割出来的。每个enclave在主虚拟机中都会有一个进程和它一一对应。该进程通过NE驱动暴露的ioctl接口和内核NE驱动进行通信。
从这个意义而言，NE有两个组成模块:
1. Enclave的抽象进程 – 这是一个运行在主虚拟机里的用户态程序。它可以使用内核NE驱动提供的ioctl接口来产生一个Enclave虚拟机（也就是模块2）。
Nitro Enclave包含一个模拟的PCI设备，该PCI设备会暴露给主虚拟机。主虚拟机中运行的NE驱动已经包含了该模拟PCI设备的驱动。
NE驱动中的ioctl操作逻辑都会转换为该PCI设备命令操作，例如NE_START_ENCLAVE ioctl操作就会被映射到Enclave start这个PCI命令。然后该PCI设备会把命令转换为hypervisor一侧的实际操作。Nitro hypervisor和主虚拟机运行在同一主机上，它依然是一个KVM的核心技术作为基础。
2. Enclave本身 – 一个与产生他的主虚拟机运行在同一主机上的虚拟机。从主虚拟机里分割出来给Enclave使用的内存和CPU是Enclave专用的。但是将不会有持久性存储器（磁盘，FLASH等）分配给Enclave使用。从主虚拟机中分割出来给Enclave使用的内存区间要求是2MiB / 1GiB对齐的连续物理区间（或者是2MiB/1GiB的倍数，如8MiB）。这些内存可以在用户态通过hugetlbfs[2][3]进行分配。Enclave需要至少64 MiB的内存。而且Enclave所使用的内存和CPU都必须来自同一个NUMA节点。
Enclave运行在它专用的CPU核心上. CPU0和其它的CPU都需要保留在主虚拟机，让主虚拟机可以访问。为了Nitro Enclave，一个CPU资源池将被管理员用户建立。可以前往内核文档的CPU list章节[4]查看该CPU资源池的详细格式。
Enclave和主虚拟机之间的通信是通过一个本地通信通道，该通道采用virtio-vsock[5]实现。主虚拟机使用virtio-pci vsock设备，而enclave虚拟机将使用virtio-mmio vsock设备。这些vsock设备通过eventfd进行信号传递。Enclave虚拟机可以使用local APIC和IOAPIC，并从中获取virtio-vsock设备的中断信号。Virtio-mmio设备将被放置于典型的4GiB地址以下。
在Enclave虚拟机中运行的应用程序需要和OS（内核，ramdisk，init程序）一起被打包成Enclave镜像。Enclave虚拟机拥有它自己的内核，并且遵守Linux标准启动协议。内核bzImage镜像，内核启动命令行和ramdisk都是Enclave镜像格式（Enclave Image Format）的一部分。在EIF的头部还会添加一些元数据包括magic number，EIF版本信息，镜像大小和CRC校验码。
整个Enclave镜像（EIF），包括内核和ramdisk，会做hash计算。这些hash值可以用来保证Enclave镜像的完整性。可以用来检查我们加载到Enclave虚拟机里运行的镜像是不是我们想要运行的那个Enclave镜像，它有没有损坏或者被篡改等。
Nitro Hypervisor会生成一个签名的认证文件，该文件会包含这些加密信息的检验数据，这些信息在后面的使用中可以用来作为Enclave的身份证明。和Nitro Enclave集成在一起的KMS（AWS Key Management Service）服务就是一个示例，它会检查这些认证文件。
Enclave的镜像（EIF）会被加载到Enclave虚拟机内存的第一个8MiB偏移的位置。Enclave虚拟机的init进程会通过vsock CID和主虚拟机连接，并通过一个预先设定好的端口(9000)发送心跳数据（0xb7）。这个机制用于主虚拟机检测Enclave是不是已经启动成功了。
当Enclave虚拟机崩溃或者优雅退出，主虚拟机中的NE驱动会收到一个中断事件。主虚拟机中运行的Enclave抽象进程一直在轮询事件的通知，当该进程收到内核NE驱动转发的事件通知后，
该Enclave抽象进程也会退出。
1.3 Boqun Feng: Hyper-V: Support PAGE_SIZE larger than 4K
该PATCH系列为在虚拟机中运行的，使用页面大小大于4K的客户系统提供必要的修改。
Hyper-V一直采用4K作为它的页面大小，并且期望在和虚拟机中客户系统的通信中采用同样的页面大小。也就是说，在所有的hypervisor-guest通信协议中使用的“PFN”s，代表的是以HV_HYP_PAGE_SIZE为大小的页面的数量，而不是以PAGE_SIZE为大小的页面的数量。为了支持虚拟机客户系统使用更大的页面，我们需要在hypervisor-guest通信中正确地在这两个不同的页面大小间进行转换。这基本就是这个PATCH系列所做的工作。
在这个转换中，有一个挑战就是如何处理ringbuffer。一个ringbuffer有两个部分：头部和数据段，这两个部分在虚拟机客户系统中都是使用PAGE_SIZE进行对齐的。因为我们会使用“双重映射”的技巧在虚拟机客户系统的虚拟地址空间将数据段映射两次。这会为快速封装和方便数据就地访问提供便利。然而，Hyper-V hypervisor总是将ringbuffer头部视为4K大小的页面。为了克服这个分歧，我们扩大了hv_ring_buffer结构体，让它总是按PAGE_SIZE对齐。并引入gpadl类型概念，可以让
vmbus_establish_gpadl()针对ringbuffer的情况做特殊处理。但是请注意, gpadl类型只是对虚拟机客户系统而言，在Hyper-V hypervisor并没有这样的概念。
该系列由以下11个patch组成：
Patch 1~4: 介绍gpadl类型，这样在PAGE_SIZE != HV_HYP_PAGE_SIZE的情况下，我们就可以处理ringbuffer。同时修复了一些本该使用HV_HYP_PAGE_SIZE但却错误使用了PAGE_SIZE的地方。
Patch 5~6: 添加了一些辅助函数帮助计算hvpfn(以HV_HYP_PAGE_SIZE为单位的页面数量)和其它相关数据。因此我们可以在驱动代码中使用它们。
Patch 7~11: 修改驱动程序并使用相关辅助函数，使得对应的网络，输入，存储和工具类驱动程序可以在PAGE_SIZE != HV_HYP_PAGE_SIZE情况下工作。
结合Michael关于ARM64 Hyper-V guest support的补丁集[1], 已经使用PAGE_SIZE=64k和PAGE_SIZE=16k配置的虚拟机客户系统进行了一些测试。
[1]: https://lore.kernel.org/lkml/1584200119-18594-1-git-send-...
1.4 Liu Yi L: vfio: expose virtual Shared Virtual Addressing to VMs
共享虚拟地址(Shared Virtual Addressing SVA), 在Intel平台上又可以称作共享虚拟内存（Shared Virtual Memory SVM）。它允许在DMA设备和应用程序之间共享地址空间。SVA可以降低编程的复杂度同时增强程序的安全性。
该VFIO补丁系列打算将SVA暴露给虚拟机使用。比如让虚拟机里的应用程序和直通设备共享地址空间。在这个补丁系列中，我们称之为vSVA。完整的vSVA支持需要同时对QEMU/VFIO/IOMMU进行修改。这些修改都分别在独立的补丁系列里完成，我们可以在后面列出的“相关系列”里找到。
以下是一个比较高层次的SVA虚拟化架构图。vSVA的关键设计是利用HOST IOMMU中的两级地址转换功能（该功能也被称作IOMMU嵌套地址转换）
这个补丁集按照vSVA对PCI直通设备的基础支持，大略可以被分为4个部分：
1. vfio 支持虚拟机的PASID的分配和释放
2. vfio 支持虚拟机页表的绑定请求
3. vfio 支持虚拟机IOMMU cache invalidation
4. vfio 在IOMMU-backed的mdev设备的上使用vSVA
完整的vSVA上游内核补丁集可以被拆分为3个阶段：
1. 通用API和PCI设备直通
2. IOMMU-backed受控直通设备
3. Page Request Services (PRS) 支持
该补丁集以Jacob的补丁集（链接如下）为基础，主要负责阶段1和阶段2。
[PATCH V10 00/11] Nested Shared Virtual Address (SVA) VT-d support:
https://lkml.org/lkml/2020/3/20/1172
目前完整的vSVA补丁集可以在以下分支中获取。
https://github.com/luxis1999/linux-vsva.git: vsva-linux-5.6-rc6
对应的QEMU补丁系列可以在以下链接找到。
[PATCH v1 00/22] intel_iommu: expose Shared Virtual Addressing to VMs
完整的QEMU分支可以参考以下链接
https://github.com/luxis1999/qemu.git: sva_vtd_v10_v1
1.5 Yang Weijiang: Introduce support for guest CET feature
英特尔的控制流强制技术 (Control-flow Enforcement Technology, CET) 会提供一个机制来阻挠使用面向返回编程 (Return-orientated programming, ROP) 和面向跳转编程 (Jump-orientated programming, JOP) 的漏洞的攻击。CET技术又两个子类特性：影子栈（Shadow Stack，SHSTK）和间接跳转跟踪（Indirect Branch Tracking，IBT）。影子栈基于Shadow Stack Register的返回地址验证可以防止ROP编程攻击，而IBT支持粗颗粒度前向跳转地址验证，可以防止JOP编程攻击。
KVM已经更新了部分代码来添加虚拟机中CET支持。这些代码包括：CPUID/XSAVES配置, MSR直通, 用户态MSR访问接口，vmentry/vmexit配置, 嵌套虚拟化等。这些补丁都依赖于之前为内核添加的CET xsavs支持和CET定义补丁集，比如MSR和相关特性标志定义等。
这些CET内核补丁可以在以下地址找到:
https://lkml.kernel.org/r/20200429220732.31602-1-yu-cheng...
2. 文件系统和Block Layer
2.1 Support Age-Threshold based Garbage Collection for f2fs
这系列补丁为 F2FS 文件系统设计了一个新的垃圾回收算法 ATGC （Age Threshold based Garbage Collection）。这是基于年龄阈值的回收算法，主要解决了当前以下几个痛点：
1. 当前的回收算法只在意 segment 是否有最少的有效块，而不管它是不是比较新的数据或者属于 hot segment。迁移这些较新的数据没意义，因为这些数据大概率很快又会被更新。
2. 现在的回收算法不管数据的更新频率，可能会再次把冷热数据混在一起
3. 现在的GC分配器主要使用 LFS 类型的 segment，这加快空闲 segment 的使用
新的垃圾回收算法使用 SSR 分配器，优先回收最旧的数据。其大致逻辑如下：
1. 0表示最新，100表示最旧。通过设置的“年龄”阈值，算则大于阈值的“高龄”的且含有最少有效块的segment，作为待迁移segment。
2. 选择与待迁移segment “年龄” 相近的且拥有最多有效块的segment，作为迁移目标
3. 通过 SSR 分配器来实现把 待迁移segment 迁移到目标segment。
上述做法优先只在比较旧的segment之间进行合并，避免了新旧（冷热）数据的混合，还不额外消耗空闲segment。
在补丁作者的测试中，GC的次数从162次下降到了75次，移动的块从41454个下降到了12813个，GC的效率得到明显的提升。
2.2 fs: add mount_setattr()
此补丁为内核新设计的挂载相关的系列API，添加了新的系统调用mount_setattr()。新的系统调用用于设置挂载扩展参数，例如private/shared/slave/unbindable。
在这里不得不提下内核新设计的挂载API。与旧的挂载 mount() 系统调用相比，新的 API 把一次挂载的操作细分成多个API。在提交的补丁中有讲到细分mount()的原因 （https://patchwork.kernel.org/cover/10610615/），这里只列举其中几条：
- 传统的
mount()实际上是把多个接口糅合成一个接口，导致挂载接口非常臃肿，也导致挂载失败时不容易判别是哪里出错。 - 挂载配置的字符串只能在1个page之内，当属性字符串非常长时会无法使用
- 不适用于类似 overlayfs 这样多个源的挂载情况
- 一个非法参数可能会导致挂载失败，但由于更早之前的设置已经生效了却无法回滚，导致超级块处于一个不一致的状态。
新设计的挂载API需要这么使用：
fd = fsopen("nfs"); fsconfig(fd, FSCONFIG_SET_STRING, "option", "val", 0); fsconfig(fd, FSCONFIG_CMD_CREATE, NULL, NULL, 0); mfd = fsmount(fd, MS_NODEV); move_mount(mfd, "", AT_FDCWD, "/mnt", MOVE_MOUNT_F_EMPTY_PATH);
以下是相关的资料：
《新一代mount系统调用》：https://zhuanlan.zhihu.com/p/93592262 《A new API for mounting filesystems》：，
https://lwn.net/Articles/753473/
新挂载API的提交补丁：
https://patchwork.kernel.org/cover/10610615/
2.3 debugfs: Add access restriction option
debugfs 为用户空间提供了非常多且非常实用的 debug 功能，但同时 debugfs 也包含一些敏感信息，因此需要谨慎对待。
这个补丁为 debugfs 提供了一个额外的保护措施，通过模块参数debugfs来限制 debugfs 的功能。例如：
- debugfs=on：所有功能正常使用
- debugfs=no-mount：不允许挂载，但debugfs的API可以正常使用
- debugfs=off：不允许挂载，且模块注册文件或者目录都会直接返回-EPERM错误。
同时也提供了 Kconfig 上的配置，只用模块参数和 Kconfig 上的配置同时使能时，debugfs才能正常工作。
总的来说，此补丁为用户提供了一个动态开关 debugfs 的功能。
2.4 ext4: add fast commits feature
此系列补丁为 JBD2 日志系统提供了一个快速提交的功能，且在ext4上做了适配。
日志的快速提交是一个怎么样的逻辑？举个例子来说，如果 ext4 为某个文件新添加了一个 extent ，此时连带的 inode table、 block bitmap、group descriptor 和 superblock 系列元数据都需要更新，这就产生了大量的脏元数据。这些脏元数据都写入 到日志中。实际上连带的元数据改动都可以由新添加extent的记录推导出来。如果日志只记录原始数据和相关关系，在日志应用 时再根据信息推导和还原，就能大量减少日志的体量。
目前补丁作者已经在ext4上做了适配，在作者的测试中，性能提升34.4%至192.2%，效果还是挺明显的。
2.5 Mount notifications
此系列补丁为挂载拓扑事件做了个主动上报的机制，例如挂载、卸载、挂载重新配置等事件触发时向用户空间上报事件。
为什么需要内核主动上报呢？用户应用通过遍历 /proc/mount 知道我们的 namespace 出现了挂载状态的改动，还需要有 不少解析对比工作才能知道发生了什么变化，这效率太低下了。此外，访问 /proc/mount 会持有 namespace_sem 锁，而且 生成 /proc/mount 的文本信息也会非常复杂。如果内核对挂载事件主动做上报，上述提到的问题就能得到很好的解决。
用户空间可以通过新的 fsinfo() 系统调用来获取挂载事件。
2.6 VFS: Filesystem information
此系列补丁添加了个新的系统调用 fsinfo()，除了可以获取挂载的拓扑结构变化，还可以获取文件系统超级块属性。例如：
- 通用的文件系统超级块属性
- 文件系统的id信息（UUID，卷标签，设备号等）
- 文件系统功能的限制情况
- 支持的statx字段和属性和IOC标志信息
- 支持的功能
- 空间使用情况（类似与statfs）
- 文件系统的特殊属性
- Superblock-level timestamps
- Cell name, workgroup or other netfs grouping concept.
- Server names and addresses.
- VFS的信息
- 挂载拓扑信息
- 挂载属性
- 挂载点路径
详细的功能可以看提交日志：https://lwn.net/Articles/826980/
3. 体系架构
本月，内核社区补丁很丰富，有不少大特性在讨论。例如安全方面有Intel的SGX和AMD的SEV。热门架构RISC-V也有很多大特性在review，例如uefi，KVM，kprobe/uprobe等。上月月报提到的ARM64特性MTE(Memory Tagging Extension)，Catalin在等待最后五个补丁的ack。这次继续分享三个补丁集：
3.1 arm64: tlb: add support for TLBI RANGE instructions
TBLI RANGE是armv8.4扩展，该指令支持按范围invalidate TLB。从测试结果看，当page数量是256时，与不支持TLBI RANGE相比，性能有10倍提升。补丁由来自华为虚拟化团队的Zhenyu Ye提交。补丁地址：https://lwn.net/Articles/825747/
3.2 Use per-CPU temporary mappings for patching
内核中有些情况下需要动态修改代码（patching），例如kprobe，ftrace等。同时当内核打开了CONFIG_STRICT_KERNEL_RWX，内核的text和rodata会被设置为只读，非text段设置为不可执行。所以在打开CONFIG_STRICT_KERNEL_RWX后，为了patching，需要临时覆盖RWX对text段的保护。之前ppc的实现中，这个临时映射可以被其它CPU看到，这可能有安全风险。在这个补丁中，Christopher基于x86的“temporary mm“工作，该工作保证映射只有当前CPU可以访问。从而避免了上述安全风险。补丁地址：https://lwn.net/Articles/825757/
5.3 KVM RISC-V Support
RISC-V对于KVM的支持目前是v13（KVM RISC-V Support）[1]，这个工作最早从RISC-V hypervisor extension 0.3开始[2]，目前已经支持最小的上下文切换，中断（PLIC，IPI等）/timer/SBI 0.1等模块/机制的初步emulation等。如果希望用QEMU玩耍，可以参考这个链接[3]。
至于具体实现，不同架构对KVM的支持不太一样。x86中KVM与host kernel一起运行在root ring0。没有VHE支持的ARM/ARM64架构，KVM被分为两部分（low visor和high visor）：非特权的KVM与内核运行在PL1（ARM架构）/EL1（ARM64架构），需要更高权限时，trap到PL2（ARM架构）/EL2（ARM64架构）。这个方式增加了KVM的开销。所以ARM64架构在v8.1引入了VHE，使KVM和host kernel一起运行在VHE mode，避免了上述trap。
RISC-V的实现和VHE有些类似。Ta的hypervisor extension把原有运行Kernel的System Mode（即S mode）拆分为VS和HS mode，参考下图（来源见[4]）。
如果想撸代码，可以从RISC-V hypervisor extension[2]开始，并结合代码[5]。例如补丁的第一点“Minimal possible KVM world-switch which touches only GPRs and few CSRs.”，可以从Commit 542705c835bf ”RISC-V: KVM: Implement VCPU world-switch“，看到其实现，Host和Guest之间的world switch在__kvm_riscv_switch_to实现。该函数先保存了通用寄存器（GPR），再保存Host hypervisor相关的寄存器（Hypervisor CSR，CSR：Control and Status Register），设置Host异常返回地址，恢复Guest的CSR和GPR后，resume to guest。从Guest返回的过程相反。返回过程可以参考下图截图的__kvm_switch_return。
参考资料：
[1] https://lwn.net/Articles/825864/
[2] GitHub - riscv/riscv-isa-manual: RISC-V Instruction Set Manual，需要从这里下载latest privilege spec，里面有v0.6.1的hypervisor extension。
[3] https://github.com/kvm-riscv/howto/wiki/KVM-RISCV64-on-QEMU [4] RISC-V虚拟化技术和进展：https://static.sched.com/hostedfiles/kvmforum2019/d9/TheHypearoundtheRISCVHypervisorv11.pdf
[5] RISC-V KVM代码: https://github.com/kvm-riscv/linux.git branch riscvkvm_master
