从Ftrace开始内核探索之旅
操作系统内核对应用开发工程师来说就像一个黑盒，似乎很难窥探到其内部的运行机制。其实Linux内核很早就内置了一个强大的tracing工具：Ftrace，它几乎可以跟踪内核的所有函数，不仅可以用于调试和分析，还可以用于观察学习Linux内核的内部运行。虽然Ftrace在2008年就加入了内核，但很多应用开发工程师仍然不知道它的存在。本文就给你介绍一下Ftrace的基本使用。
Ftrace初体验
先用一个例子体验一下Ftrace的使用简单，且功能强大。使用 root 用户进入/sys/kernel/debug/tracing目录，执行 echo 和 cat 命令：
# echo _do_fork > set_graph_function
# echo function_graph > current_tracer
# cat trace | head -20
# tracer: function_graph
#
# CPU DURATION FUNCTION CALLS
# | | | | | | |
3) | _do_fork() {
3) | copy_process() {
3) 0.895 us | _raw_spin_lock_irq();
3) | recalc_sigpending() {
3) 0.740 us | recalc_sigpending_tsk();
3) 2.248 us | }
3) | dup_task_struct() {
3) 0.775 us | tsk_fork_get_node();
3) | kmem_cache_alloc_node() {
3) | _cond_resched() {
3) 0.740 us | rcu_all_qs();
3) 2.117 us | }
3) 0.701 us | should_failslab();
3) 2.023 us | memcg_kmem_get_cache();
3) 0.889 us | memcg_kmem_put_cache();
3) + 12.206 us | }我们使用Ftrace的function_graph功能显示了内核函数 _do_fork() 所有子函数调用。左边的第一列是执行函数的 CPU，第二列 DURATION 显示在相应函数中花费的时间。我们注意到最后一行的耗时之前有个 + 号，提示用户注意延迟高的函数。+ 代表耗时大于 10 μs。如果耗时大于 100 μs，则显示 ! 号。
我们知道，fork 是建立父进程的一个完整副本，然后作为子进程执行。那么_do_fork()的第一件大事就是调用 copy_process() 复制父进程的数据结构，从上面输出的调用链信息也验证了这一点。
使用完后执行下面的命令关闭function_graph：
# echo nop > current_tracer
# echo > set_graph_function使用 Ftrace 的 function_graph 功能，可以查看内核函数的子函数调用链，帮助我们理解复杂的代码流程，而这只是 Ftrace 的功能之一。这么强大的功能，我们不必安装额外的用户空间工具，只要使用 echo 和 cat 命令访问特定的文件就能实现。Ftrace 对用户的使用接口正是tracefs文件系统。
tracefs 文件系统
用户通过tracefs文件系统使用Ftrace，这很符合一切皆文件的Linux哲学。tracefs文件系统一般挂载在/sys/kernel/tracing目录。由于Ftrace最初是debugfs文件系统的一部分，后来才被拆分为自己的tracefs。所以如果系统已经挂载了debugfs，那么仍然会保留原来的目录结构，将tracefs挂载到debugfs的子目录下。我们可以使用 mount 命令查看当前系统debugfs和tracefs挂载点：
# mount -t debugfs,tracefs
debugfs on /sys/kernel/debug type debugfs (rw,nosuid,nodev,noexec,relatime)
tracefs on /sys/kernel/tracing type tracefs (rw,nosuid,nodev,noexec,relatime)
tracefs on /sys/kernel/debug/tracing type tracefs (rw,nosuid,nodev,noexec,relatime)我使用的系统是Ubuntu 20.04.2 LTS，可以看到，为了保持兼容，tracefs同时挂载到了/sys/kernel/tracing和/sys/kernel/debug/tracing。
tracefs下的文件主要分两类：控制文件和输出文件。这些文件的名字都很直观，像前面例子通过 current_tracer 设置当前要使用的 tracer，然后从 trace中读取结果。还有像 available_tracers 包含了当前内核可用的 tracer，可以设置 trace_options 自定义输出。
# ls -F /sys/kernel/tracing/
available_events max_graph_depth stack_max_size
available_filter_functions options/ stack_trace
available_tracers per_cpu/ stack_trace_filter
buffer_percent printk_formats synthetic_events
buffer_size_kb README timestamp_mode
buffer_total_size_kb saved_cmdlines trace
current_tracer saved_cmdlines_size trace_clock
dynamic_events saved_tgids trace_marker
dyn_ftrace_total_info set_event trace_marker_raw
enabled_functions set_event_notrace_pid trace_options
error_log set_event_pid trace_pipe
events/ set_ftrace_filter trace_stat/
free_buffer set_ftrace_notrace tracing_cpumask
function_profile_enabled set_ftrace_notrace_pid tracing_max_latency
hwlat_detector/ set_ftrace_pid tracing_on
instances/ set_graph_function tracing_thresh
kprobe_events set_graph_notrace uprobe_events
kprobe_profile snapshot uprobe_profile本文后面的示例假定你已经处在了/sys/kernel/tracing或/sys/kernel/debug/tracing目录下。
函数跟踪
Ftrace 实际上代表的就是function trace（函数跟踪），因此函数追踪是Ftrace最初的一个主要功能。
Ftrace 可以跟踪几乎所有内核函数调用的详细信息，这是怎么做到的呢？简单来说，在编译内核的时候使用了 gcc 的 -pg 选项，编译器会在每个内核函数的入口处调用一个特殊的汇编函数“mcount” 或 “__fentry__”，如果跟踪功能被打开，mcount/fentry 会调用当前设置的 tracer，tracer将不同的数据写入ring buffer。
从上图可以看出，Ftrace 提供的 function hooks 机制在内核函数入口处埋点，根据配置调用特定的 tracer， tracer将数据写入ring buffer。Ftrace实现了一个无锁的ring buffer，所有的跟踪信息都存储在ring buffer中。用户通过 tracefs 文件系统接口访问函数跟踪的输出结果。
你可能已经意识到，如果每个内核函数入口都加入跟踪代码，必然会非常影响内核的性能，幸好Ftrace支持动态跟踪功能。如果启用了CONFIG_DYNAMIC_FTRACE选项，编译内核时所有的mcount/fentry调用点都会被收集记录。在内核的初始化启动过程中，会根据编译期记录的列表，将mcount/fentry调用点替换为NOP指令。NOP就是 no-operation，不做任何事，直接转到下一条指令。因此在没有开启跟踪功能的情况下，Ftrace不会对内核性能产生任何影响。在开启追踪功能时，Ftrace才会将NOP指令替换为mcount/fentry。
启用函数追踪功能，只需要将 current_tracer 文件的内容设置为 “function”：
# echo function > current_tracer
# cat trace | head -20
# tracer: function
#
# entries-in-buffer/entries-written: 204981/2728851 #P:4
#
# _-----=> irqs-off
# / _----=> need-resched
# | / _---=> hardirq/softirq
# || / _--=> preempt-depth
# ||| / delay
# TASK-PID CPU# |||| TIMESTAMP FUNCTION
# | | | |||| | |
sshd-1388 [000] .... 44388.890787: _cond_resched <-__flush_work
curl-7231 [001] .... 44389.399226: PageHuge <-find_get_entry
curl-7231 [001] .... 44389.399227: fsnotify_parent <-vfs_read
curl-7231 [001] .... 44389.399227: _cond_resched <-copy_page_to_iter
curl-7231 [001] .... 44389.399227: rcu_all_qs <-_cond_resched
curl-7231 [001] .... 44389.399228: vmacache_find <-find_vma
curl-7231 [001] .... 44389.399228: atime_needs_update <-touch_atime
curl-7231 [001] .... 44389.399228: current_time <-atime_needs_update
# echo nop > current_tracer 文件头已经很好的解释了每一列的含义。前两项是被追踪的任务名称和 PID，大括号内是执行跟踪的CPU。TIMESTAMP 是启动后的时间，后面是被追踪的函数，它的调用者在 <- 之后。
我们可以设置 set_ftrace_filter 选择想要跟踪的函数：
# echo '*sleep' > set_ftrace_filter
# echo function > current_tracer
# cat trace_pipe
sleep-9445 [001] .... 45978.125872: common_nsleep <-__x64_sys_clock_nanosleep
sleep-9445 [001] .... 45978.125873: hrtimer_nanosleep <-common_nsleep
sleep-9445 [001] .... 45978.125873: do_nanosleep <-hrtimer_nanosleep
cron-568 [002] .... 45978.504262: __x64_sys_clock_nanosleep <-do_syscall_64
cron-568 [002] .... 45978.504264: common_nsleep <-__x64_sys_clock_nanosleep
cron-568 [002] .... 45978.504264: hrtimer_nanosleep <-common_nsleep
cron-568 [002] .... 45978.504264: do_nanosleep <-hrtimer_nanosleep
sleep-9448 [001] .... 45978.885085: __x64_sys_clock_nanosleep <-do_syscall_64
sleep-9448 [001] .... 45978.885087: common_nsleep <-__x64_sys_clock_nanosleep
sleep-9448 [001] .... 45978.885087: hrtimer_nanosleep <-common_nsleep
# echo nop > current_tracer
# echo > set_ftrace_filtertrace_pipe 包含了与 trace 相同的输出，从这个文件的读取会返回一个无尽的事件流，它也会消耗事件，所以在读取一次后，它们就不再在跟踪缓冲区中了。
也许你只想跟踪一个特定的进程，可以通过设置 set_ftrace_pid 内容为PID指定想追踪的特定进程。让 tracer 只追踪PID列在这个文件中的线程：
# echo [PID] > set_ftrace_pid
# echo function > current_tracer如果设置了 function-fork 选项，那么当一个 PID 被列在 set_ftrace_pid 这个文件中时，其子任务的 PID 将被自动添加到这个文件中，并且子任务也将被 tracer 追踪。
# echo function-fork > trace_options取消function-fork 选项：
# echo nofunction-fork > trace_options
# cat trace_options
...
noevent-fork
nopause-on-trace
function-trace
nofunction-fork
nodisplay-graph
nostacktrace
...取消 set_ftrace_pid 的设置：
# echo > set_ftrace_pidFtrace function_graph
文章开始例子已经展示过，function_graph 可以打印出函数的调用图，揭示代码的流程。function_graph 不仅跟踪函数的输入，而且跟踪函数的返回，这使得 tracer 能够知道被调用的函数的深度。function_graph 可以让人更容易跟踪内核的执行流程。
我们再看一个例子：
# echo try_to_wake_up > set_graph_function
# echo function_graph > current_tracer
# cat trace | head -20
# tracer: function_graph
#
# CPU DURATION FUNCTION CALLS
# | | | | | | |
0) | try_to_wake_up() {
0) 1.083 us | ttwu_queue_wakelist();
0) 0.622 us | update_rq_clock();
0) | ttwu_do_activate() {
0) | enqueue_task_fair() {
0) | enqueue_entity() {
0) 0.616 us | update_curr();
0) 0.602 us | update_cfs_group();
0) 0.662 us | account_entity_enqueue();
0) 0.652 us | place_entity();
0) 0.697 us | __enqueue_entity();
0) + 12.890 us | }
0) 0.672 us | hrtick_update();
0) + 17.781 us | }
0) | ttwu_do_wakeup() {
0) | check_preempt_curr() {
# echo nop > current_tracer
# echo > set_graph_function前面提到过，函数耗时大于 10 μs，前面会有 + 号提醒用户注意，其他的符号还有：
- $ ：延迟大于1秒
- @ ：延迟大于 100 ms
- * ：延迟大于 10 ms
- # ：延迟大于 1 ms
- ! ：延迟大于 100 μs
- + ：延迟大于 10 μs
函数Profiler
函数Profiler提供了内核函数调用的统计数据，可以观察哪些内核函数正在被使用，并能发现哪些函数的执行耗时最长。
# echo nop > current_tracer
# echo 1 > function_profile_enabled
# echo 0 > function_profile_enabled
# echo > set_ftrace_filter这里有一个要注意的地方，确保使用的是 0 >，而不是 0>。这两者的含义不一样，0>是对文件描述符 0 的重定向。同样要避免使用 1>，因为这是对文件描述符 1 的重定向。
现在可以从 trace_stat 目录中读取 profile 的统计数据。在这个目录中，profile 数据按照 CPU 保存在名为 function[n] 文件中。我使用的4核CPU，看一下profile 结果：
# ls trace_stat/
function0 function1 function2 function3
# head trace_stat/function*
==> trace_stat/function0 <==
Function Hit Time Avg s^2
-------- --- ---- --- ---
tcp_sendmsg 202 3791.163 us 18.768 us 659.733 us
tcp_sendmsg_locked 202 3521.863 us 17.434 us 638.307 us
tcp_recvmsg 125 2238.773 us 17.910 us 1062.699 us
tcp_push 202 2168.569 us 10.735 us 467.879 us
tcp_write_xmit 47 2107.768 us 44.846 us 414.934 us
tcp_v4_do_rcv 49 871.318 us 17.782 us 126.562 us
tcp_send_ack 50 849.091 us 16.981 us 164.986 us
tcp_rcv_established 49 827.212 us 16.881 us 117.427 us
==> trace_stat/function1 <==
Function Hit Time Avg s^2
-------- --- ---- --- ---
tcp_recvmsg 312 3110.497 us 9.969 us 281.015 us
tcp_sendmsg 86 1412.005 us 16.418 us 370.310 us
tcp_sendmsg_locked 86 1313.847 us 15.277 us 362.495 us
tcp_send_ack 47 863.222 us 18.366 us 121.567 us
tcp_v4_do_rcv 60 825.359 us 13.755 us 102.550 us
tcp_write_xmit 28 807.609 us 28.843 us 336.106 us
tcp_push 86 805.776 us 9.369 us 299.815 us
tcp_rcv_established 60 777.510 us 12.958 us 99.129 us
==> trace_stat/function2 <==
Function Hit Time Avg s^2
-------- --- ---- --- ---
tcp_v4_rcv 1618 27858.95 us 17.218 us 253.487 us
tcp_v4_do_rcv 1216 22528.58 us 18.526 us 226.243 us
tcp_rcv_established 1184 20535.08 us 17.343 us 210.765 us
tcp_send_ack 487 7558.698 us 15.520 us 111.035 us
tcp_write_xmit 328 6281.810 us 19.151 us 656.192 us
tcp_tasklet_func 162 4258.312 us 26.285 us 797.278 us
tcp_ack 575 4148.714 us 7.215 us 27.061 us
tcp_tsq_handler 162 4123.507 us 25.453 us 791.961 us
==> trace_stat/function3 <==
Function Hit Time Avg s^2
-------- --- ---- --- ---
tcp_recvmsg 567 5773.997 us 10.183 us 397.950 us
tcp_send_ack 127 1881.700 us 14.816 us 133.317 us
tcp_v4_do_rcv 133 1783.527 us 13.409 us 86.122 us
tcp_rcv_established 133 1690.142 us 12.707 us 83.527 us
tcp_sendmsg 54 1652.290 us 30.597 us 698.120 us
tcp_sendmsg_locked 54 1574.276 us 29.153 us 666.451 us
tcp_write_xmit 40 1184.827 us 29.620 us 354.719 us
tcp_push 54 1129.465 us 20.916 us 486.157 us 第一行是每一列的名称，分别是函数名称（Function），调用次数（Hit），函数的总时间（Time）、平均函数时间（Avg）和标准差（s^2）。输出结果显示，tcp_sendmsg() 在3个 CPU 上都是最频繁的，tcp_v4_rcv() 在 CPU2 上被调用了1618次，平均延迟为 17.218 us。
最后要注意一点，在使用 Ftrace Profiler 时，尽量通过 set_ftrace_filter 限制 profile 的范围，避免对所有的内核函数都进行 profile。
追踪点 Tracepoints
Tracepoints是内核的静态埋点。内核维护者在他认为重要的位置放置静态 tracepoints 记录上下文信息，方便后续排查问题。例如系统调用的开始和结束，中断被触发，网络数据包发送等等。
在Linux的早期，内核维护者就一直想在内核中加入静态 tracepoints，尝试过各种策略。Ftrace 创造了Event Tracing 基础设施，让开发者使用 TRACE_EVENT() 宏添加内核 tracepoints，不用创建自定义内核模块，使用 Event Tracing 基础设施来注册埋点函数。
现在内核中的Tracepoints都使用了 TRACE_EVENT() 宏来定义，tracepoints 记录的上下文信息作为 Trace events 进入 Event Tracing 基础设施，这样我们就可以复用 Ftrace 的 tracefs ，通过文件接口来配置 tracepoint events，并使用 trace 或 trace_pipe 文件查看事件输出。
所有的 tracepoint events 的控制文件都在 events 目录下，按照类别以子目录形式组织：
# ls -F events/
alarmtimer/ ftrace/ iwlwifi/ oom/ smbus/
block/ gpio/ iwlwifi_data/ page_isolation/ sock/
bpf_test_run/ gvt/ iwlwifi_io/ pagemap/ spi/
bridge/ hda/ iwlwifi_msg/ page_pool/ swiotlb/
btrfs/ hda_controller/ iwlwifi_ucode/ percpu/ sync_trace/
cfg80211/ hda_intel/ jbd2/ power/ syscalls/
cgroup/ header_event kmem/ printk/ task/
clk/ header_page kvm/ pwm/ tcp/
...我们以 events/sched/sched_process_fork 事件为例，该事件是在 include/trace/events/sched.h 中由 TRACE_EVENT 宏所定义：
/*
* Tracepoint for do_fork:
*/
TRACE_EVENT(sched_process_fork,
TP_PROTO(struct task_struct *parent, struct task_struct *child),
TP_ARGS(parent, child),
...
);TRACE_EVENT 宏会根据事件名称 sched_process_fork 生成 tracepoint 方法 trace_sched_process_fork()。你会在 kernel/fork.c 的 _do_fork() 中看到调用这个 tracepoint 方法。_do_fork() 是进程 fork 的主流程，在这里放置 tracepoint 是一个合适的位置，trace_sched_process_fork(current, p) 记录当前进程和 fork 出的子进程信息：
/*
* Ok, this is the main fork-routine.
*
* It copies the process, and if successful kick-starts
* it and waits for it to finish using the VM if required.
*
* args->exit_signal is expected to be checked for sanity by the caller.
*/
long _do_fork(struct kernel_clone_args *args)
{
...
p = copy_process(NULL, trace, NUMA_NO_NODE, args);
add_latent_entropy();
/*
* Do this prior waking up the new thread - the thread pointer
* might get invalid after that point, if the thread exits quickly.
*/
trace_sched_process_fork(current, p);
pid = get_task_pid(p, PIDTYPE_PID);
...
}在 events/sched/sched_process_fork 目录下，有这个事件的控制文件：
# ls events/sched/sched_process_fork
enable filter format hist id inject trigger我们演示如何通过 enable 文件开启和关闭这个 tracepoint 事件：
# echo 1 > events/sched/sched_process_fork/enable
# cat trace_pipe
bash-14414 [000] .... 109721.823843: sched_process_fork: comm=bash pid=14414 child_comm=bash child_pid=24001
bash-14468 [002] .... 109730.405810: sched_process_fork: comm=bash pid=14468 child_comm=bash child_pid=24002
bash-14468 [002] .... 109737.925336: sched_process_fork: comm=bash pid=14468 child_comm=bash child_pid=24003
test.sh-24003 [000] .... 109737.968891: sched_process_fork: comm=test.sh pid=24003 child_comm=test.sh child_pid=24004
curl-24004 [002] .... 109737.975038: sched_process_fork: comm=curl pid=24004 child_comm=curl child_pid=24005
...
# echo 0 > events/sched/sched_process_fork/enable前五列分别是进程名称，PID，CPU ID，irqs-off 等标志位，timestamp 和 tracepoint 事件名称。其余部分是 tracepoint 格式字符串，包含当前这个 tracepoint 记录的重要信息。格式字符串可以在 events/sched/sched_process_fork/format 文件中查看：
# cat events/sched/sched_process_fork/format
name: sched_process_fork
ID: 315
format:
field:unsigned short common_type; offset:0; size:2; signed:0;
field:unsigned char common_flags; offset:2; size:1; signed:0;
field:unsigned char common_preempt_count; offset:3; size:1; signed:0;
field:int common_pid; offset:4; size:4; signed:1;
field:char parent_comm[16]; offset:8; size:16; signed:1;
field:pid_t parent_pid; offset:24; size:4; signed:1;
field:char child_comm[16]; offset:28; size:16; signed:1;
field:pid_t child_pid; offset:44; size:4; signed:1;
print fmt: "comm=%s pid=%d child_comm=%s child_pid=%d", REC->parent_comm, REC->parent_pid, REC->child_comm, REC->child_pid通过这个 format 文件，我们可以了解这个 tracepoint 事件每个字段的含义。
我们再演示一个使用 trigger 控制文件的例子：
# echo 'hist:key=parent_pid' > events/sched/sched_process_fork/trigger
# [do some working]
# cat events/sched/sched_process_fork/hist
# event histogram
#
# trigger info: hist:keys=parent_pid:vals=hitcount:sort=hitcount:size=2048 [active]
#
{ parent_pid: 572 } hitcount: 1
{ parent_pid: 24494 } hitcount: 1
{ parent_pid: 24497 } hitcount: 1
{ parent_pid: 14414 } hitcount: 1
{ parent_pid: 24505 } hitcount: 1
{ parent_pid: 14053 } hitcount: 1
{ parent_pid: 24527 } hitcount: 1
{ parent_pid: 24501 } hitcount: 1
{ parent_pid: 24510 } hitcount: 2
{ parent_pid: 24508 } hitcount: 3
{ parent_pid: 24493 } hitcount: 24
Totals:
Hits: 37
Entries: 11
Dropped: 0
# remove triger
# echo '!hist:key=parent_pid' > events/sched/sched_process_fork/trigger这个例子使用了 hist triggers，通过 sched_process_fork 事件来统计 _do_fork 的次数，并按照进程ID生成直方图。输出显示了 PID 24493 在追踪期间 fork 了24个子进程，最后几行显示了统计数据。
关于 Hist Triggers 的详细介绍可以参考文档 Event Histograms。
我的系统内核版本是 5.8.0-59-generic，当前可用的 tracepoints events 有2547个：
# cat available_events
btrfs:btrfs_transaction_commit
btrfs:btrfs_inode_new
btrfs:btrfs_inode_request
btrfs:btrfs_inode_evict
btrfs:btrfs_get_extent
btrfs:btrfs_handle_em_exist
btrfs:btrfs_get_extent_show_fi_regular
btrfs:btrfs_truncate_show_fi_regular
btrfs:btrfs_get_extent_show_fi_inline
...
# cat available_events | wc -l
2547Event Tracing 基础设施应该是 Ftrace 的另一大贡献，它提供的 TRACE_EVENT 宏统一了内核 tracepoint 的实现方式，为 tracepoint events 提供了基础支持。perf 的 tracepoint events 也是基于 Ftrace 实现的。
利用 Tracepoints 理解内核代码
由于 tracepoints 是内核维护者在流程重要位置设置的埋点，因此我们可以从 tracepoints 入手来学习内核代码。所有的 tracepoints 都定义在 include/trace/events/ 目录下的头文件中，例如进程调度相关的 tracepoints 定义在 include/trace/events/sched.h中，我们以 sched_switch 为例：
/*
* Tracepoint for task switches, performed by the scheduler:
*/
TRACE_EVENT(sched_switch,
TP_PROTO(bool preempt,
struct task_struct *prev,
struct task_struct *next),
TP_ARGS(preempt, prev, next),TRACE_EVENT 宏会根据事件名称 sched_switch 生成 tracepoint 方法 trace_sched_switch()，在源码中查找该方法，发现在 kernel/sched/core.c 的 __schedule()中调用了trace_sched_switch() ：
/*
* __schedule() is the main scheduler function.
*...
*/
static void __sched notrace __schedule(bool preempt)
{
...
if (likely(prev != next)) {
rq->nr_switches++;
...
trace_sched_switch(preempt, prev, next);
...
else {
...
}
balance_callback(rq);
}这样我们就找到了 scheduler 的主流程，可以从这里开始阅读进程调度的源码。
写在最后
Ftrace 就包含在内核源码中 kernel/trace，理解了 Ftrace 内核不再是黑箱，你会有豁然开朗的感觉，内核源码忽然有条理了起来。让我们从 Ftrace 开始内核探索之旅吧。