Structure interne du noyau Linux 2.4

La source de la dernière version originale (en anglais) de ce guide peut être téléchargée depuis http://www.moses.uklinux.net/patches/lki.sgml. Il est également possible de la lire en ligne à http://www.moses.uklinux.net/patches/lki.html.

Ce guide en version originale est également diffusé par le Projet de documentation Linux (LDP). Il est disponible via ce projet sous différents formats depuis http://www.tldp.org/guides.html.

L'adaptation française de ce guide a été réalisée dans le cadre du projet traduc.org. La dernière version française de ce document est disponible à http://www.traduc.org/docs/guides/lecture/lki/. N'hésitez pas à faire parvenir tout commentaire relatif à cette version à commentaires CHEZ traduc POINT org.

Cette documentation est libre ; vous pouvez la redistribuer ou la modifier dans les conditions de la Licence publique générale GNU (GNU GPL) telle que publiée par la Free Software Foundation; soit selon la version 2 de la licence, ou (à votre choix) une plus récente. (NdT : une version française officieuse de cette licence est disponible à http://www.linux-france.org/article/these/gpl.html).

Remerciements à :

• ,
• ,
• ,
• ,
• ,
• ,
• ,
• pour les diverses corrections et suggestions.
• Le chapitre Linux Page Cache a été écrit par : .
• Le chapitre Mécanismes IPC a été écrit par : et .

L'adaptation française de ce document a été réalisée par . La relecture de ce document a été réalisée par . La publication de ce document a été préparée par .

Ce paragraphe décrit les étapes de la compilation d'un noyau Linux et les messages renvoyés à chaque étape. Le processus de construction du noyau dépend de l'architecture, c'est pourquoi je voudrais souligner que l'on ne considérera ici que la compilation d'un noyau Linux/x86.

Quand l'utilisateur tape « make zImage » ou « make bzimage », l'image amorçable du noyau qui en résulte est stockée respectivement en tant que arch/i386/boot/zImage ou arch/i386/boot/bzImage. Voici comment cette image est construite :

1. Les fichiers sources C et assembleur sont compilés au format objet relogeable (.o) ELF et certains d'entre eux sont regroupés logiquement dans des archives (.a) en utilisant ar(1).
2. En utilisant ld(1), les .o et .a ci-dessus sont liés pour donner vmlinux qui est un fichier exécutable ELF 32-bit LSB 80386 non strippé (les symboles n'ont pas été nettoyés), statiquement lié.
3. System.map est produit par nm vmlinux, les symboles inutiles sont retirés.
4. On entre dans le répertoire arch/i386/boot.
5. Le code assembleur du secteur d'amorçage bootsect.S est prétraité avec ou sans -D__BIG_KERNEL__ pour produire respectivement, selon que la cible est bzImage ou zImage, bbootsect.s ou bootsect.s.
6. bbootsect.s est assemblé et converti en un fichier « binaire brut » (raw binary) appelé bbootsect (ou bootsect.s assemblé et converti en binaire brut donnant bootsect pour zImage).
7. Le code Setup setup.S (setup.S inclut video.S) est prétraité pour donner bsetup.s pour bzImage ou setup.s pour zImage. De la même façon que pour le code de bootsector, la différence réside en -D__BIG_KERNEL__, présent pour bzImage. Le résultat est converti en un « binaire brut » appelé bsetup.
8. On entre dans le répertoire arch/i386/boot/compressed et convertit /usr/src/linux/vmlinux en $tmppiggy (nom de fichier temporaire) au format binaire brut, en retirant les sections ELF .note et .comment.
9. gzip -9 < $tmppiggy > $tmppiggy.gz
10. On lie $tmppiggy.gz au format ELF relogeable (ld -r) piggy.o.
11. On compile les fonctions de compression head.S et misc.c (toujours dans le répertoire arch/i386/boot/compressed) en objets ELF head.o et misc.o.
12. On lie ensemble head.o, misc.o et piggy.o pour obtenir bvmlinux (ou vmlinux pour zImage, attention à ne pas le confondre avec /usr/src/linux/vmlinux!). Notez la différence entre -Ttext 0x1000 utilisé pour vmlinux et -Ttext 0x100000 pour bvmlinux, i.e. pour bzImage compressé le chargeur (loader) est chargé en haut.
13. On convertit bvmlinux en un « binaire brut » bvmlinux.out en enlevant les sections ELF .note et .comment.
14. On revient dans le répertoire arch/i386/boot et, avec le programme tools/build, concatène bbootsect, bsetup et compressed/bvmlinux.out pour obtenir bzImage (supprimez le « b » du début pour zImage). Ce qui a pour effet d'écrire à la fin du secteur d'amorçage des variables importantes comme setup_sects et root_dev.

La taille d'un secteur d'amorçage est toujours de 512 octets. La taille de setup doit faire plus de 4 secteurs, mais pas plus de 12k - la règle est :

0x4000 octets $gt;= 512 + setup_sects * 512 + la place pour la pile pendant l'exécution de bootsector/setup

On verra plus tard d'où vient cette restriction.

La taille maximum du bzImage produit à cette étape est d'à peu près 2,5M pour amorcer avec LILO et de 0xFFFF (0xFFFF0 = 1048560 octets) pour amorcer avec une image binaire, c.a.d depuis une disquette ou un cédérom (émulation El-Torito).

Remarquez qu'alors que tools/build contrôle la taille du secteur d'amorçage, de l'image du noyau et la limite inférieure de la taille de setup, il ne vérifie pas la taille maximum de setup. Dès lors il est facile de construire un noyau défectueux rien qu'en ajoutant quelques grands espaces (« .space ») à la fin de setup.S.

Les détails du processus d'amorçage sont spécifiques à l'architecture, on va donc s'intéresser à l'architecture IBM PC/IA32. A cause de sa conception vieillissante et du besoin de garder une compatibilité ascendante, le microcode (firmware) des PC démarre le système de manière plutôt démodée. Ce processus peut être divisé en six étapes logiques :

1. Le BIOS choisit le périphérique d'amorçage.
2. Le BIOS charge le secteur d'amorçage depuis le périphérique d'amorçage.
3. L'exécution du secteur d'amorçage charge setup, les routines de décompression et l'image compressée du noyau.
4. Le noyau est décompressé en mode protégé.
5. Les initialisations de bas niveau sont réalisées en assembleur.
6. Les initialisations de haut niveau sont réalisées en C.

1. L'alimentation démarre le générateur d'horloge et envoie le signal #POWERGOOD sur le bus.
2. La ligne CPU #RESET est positionnée (Le CPU est maintenant en mode réel).
3. %ds=%es=%fs=%gs=%ss=0, %cs=0xFFFF0000,%eip = 0x0000FFF0 (ROM BIOS POST code).
4. Toutes les vérifications POST sont exécutées avec les interruptions désactivées.
5. IVT (Interrupt Vector Table ou table des vecteurs d'interruption) est initialisée à l'adresse 0.
6. La fonction BIOS de chargement du code d'amorçage est invoquée via int 0x19, avec %dl contenant le périphérique d'amorçage « numéro du disque ». Elle charge la piste 0, secteur 1 à l'adresse physique 0x7C00 (0x07C0:0000).

Le secteur d'amorçage (bootsector) utilisé pour démarrer Linux peut être soit :

• Le secteur d'amorçage Linux (arch/i386/boot/bootsect.S),
• Le secteur d'amorçage de LILO (ou un autre chargeur d'amorçage), ou
• pas de secteur d'amorçage (loadlin, etc.)

On va s'intéresser ici en détail au secteur d'amorçage Linux. Les premières lignes initialisent des macros qui seront utilisées comme valeurs de segment :

29 SETUPSECS = 4          /* défaut pour le nombre de secteurs de lancement */
30 BOOTSEG   = 0x07C0        /* adresse originelle du secteur d'amorçage */
31 INITSEG   = DEF_INITSEG  /* nous déplaçons l'amorçage ici - hors du chemin */
32 SETUPSEG  = DEF_SETUPSEG /* le lancement démarre ici */
33 SYSSEG    = DEF_SYSSEG   /* le système est chargé à 0x10000 (65536) */
34 SYSSIZE   = DEF_SYSSIZE  /* taille du système~: # en clicks de 16-octets */

(Les nombres sur la gauche sont les numéros de lignes du fichier bootsect.S). Les valeurs de DEF_INITSEG, DEF_SETUPSEG, DEF_SYSSEG et DEF_SYSSIZE sont tirées de include/asm/boot.h :

/* Ne changez rien ici, sauf si vous savez vraiment ce que vous faites. */
#define DEF_INITSEG     0x9000
#define DEF_SYSSEG      0x1000
#define DEF_SETUPSEG    0x9020
#define DEF_SYSSIZE     0x7F00

Maintenant, regardons le détail du code de bootsect.S :

54     movw    $BOOTSEG, %ax
55     movw    %ax, %ds
56     movw    $INITSEG, %ax
57     movw    %ax, %es
58     movw    $256, %cx
59     subw    %si, %si
60     subw    %di, %di
61     cld
62     rep
63     movsw
64     ljmp    $INITSEG, $go
     
65  # bde - 0xff00 changé en 0x4000 => permet l'accès débogueur > 0x6400(bde).
66  # Ce ne serait pas un soucis si nous avions testé le haut de la mémoire. La
67  # configuration BIOS peut aussi permettre de placer en mémoire haute les tableaux
68  # des disques wini plutôt que dans le tableau des vecteurs. Il est possible
69  # que l'ancienne pile aie corrompu le tableau des disques.

70 go: movw    $0x4000-12, %di  # 0x4000 est une valeur arbitraire $gt;=
71                              # la longueur du secteur d'amorçage
72                              # + la longueur du setup + laplace pour
73                              # la pile ; 12 est la taille du disk parm.
74     movw    %ax, %ds        # ax et es contiennent déjà INITSEG
75     movw    %ax, %ss
76     movw    %di, %sp        # place la pile à INITSEG:0x4000-12.

Les lignes de 53 à 60 déplacent le code du secteur d'amorçage de l'adresse 0x7c00 à 0x9000. Ce qui est fait en :

1. positionnant %ds:%si sur $BOOTSEG:0 (0x7C0:0 = 0x7C00)
2. positionnant %es:%di sur $INITSEG:0 (0x9000:0 = 0x90000)
3. fixant le nombre de mots de 16 bits dans %cx (256 mots = 512 octets = 1 secteur)
4. réinitialisant le drapeau DF (direction) dans EFLAGS pour autoincrémenter les adresses (cld)
5. avançant et copiant 512 octets (rep movsw)

Si ce code n'utilise pas rep movsd, c'est intentionnel (pensez à .code16).

La ligne 64 saute vers le label go: dans la nouvelle copie du secteur d'amorçage, soit dans le segment 0x9000. Ceci plus les trois instructions suivantes (lignes 64-76) prépare la pile à $INITSEG:0x4000-0xC, i.e. %ss = $INITSEG (0x9000) et %sp = 0x3FF4 (0x4000-0xC). C'est de là que vient la limite sur la taille de setup mentionnée plus haut (voir Construire l'image du noyau Linux).

Les lignes 77-103 corrigent la table des paramètres du disque afin de permettre la lecture multisecteurs :

77    # La table des paramètres de disque par défaut de nombreux BIOS ne
78    # permet pas la lecture multi-secteurs au-delà du numéro de secteur
79    # maximum spécifié dans le tableau des paramètres par défaut de la
80    # disquette, cela peut signifier 7 secteurs dans certains cas.
81    #
82    # Lire les secteurs un à un est lent et donc hors de question,
83    # nous remédions à cela en créant une table en RAM avec de nouveaux
84    # paramètres (pour le 1er disque). Nous mettons le nb max. de secteurs 
85    # à 36 - nous ne rencontrerons pas plus pour un ED 2.88.  
86    #
87    # Une valeur trop haute ne nuit pas, une trop basse, si.
88    #
89    # Les segments sont comme suit~: ds = es = ss = cs - INITSEG,
90    # fs = 0, et gs est inutilisé.
     
91     movw    %cx, %fs        # met fs à 0
92     movw    $0x78, %bx      # fs:bx est l'adresse du tableau des paramètres
93     pushw   %ds
94     ldsw    %fs:(%bx), %si  # ds:si est la source
95     movb    $6, %cl         # copie 12 octets
96     pushw   %di             # di = 0x4000-12.
97     rep                     # pas besoin de cld -$gt; c'est fait
98     movsw                   # à la ligne 66
99     popw    %di
100    popw    %ds
101    movb    $36, 0x4(%di)   # corrige le compte des secteurs
102    movw    %di, %fs:(%bx)
103    movw    %es, %fs:2(%bx)

Le contrôleur de disquette est réinitialisé en utilisant la fonction 0 du service BIOS int 0x13 et les secteurs de setup sont chargés juste après le secteur d'amorçage, i.e. à l'adresse physique 0x90200 ($INITSEG:0x200), en utilisant encore le service BIOS int 0x13, fonction 2 (lire le(s) secteur(s)). Ça se passe aux lignes 107-124 :

107 load_setup:
108    xorb    %ah, %ah        # reset FDC 
109    xorb    %dl, %dl
110    int     $0x13    
111    xorw    %dx, %dx           # lecteur 0, tête 0
112    movb    $0x02, %cl         # secteur 2, piste 0
113    movw    $0x0200, %bx       # adresse = 512, dans INITSEG
114    movb    $0x02, %ah         # service 2, « lire secteur(s) »
115    movb    setup_sects, %al   # (suppose que tout est tête 0, piste 0)
116    int    $0x13              # lire
117    jnc    ok_load_setup      # ok - continuons
    
118    pushw    %ax                # sort un code d'erreur
119    call    print_nl
120    movw    %sp, %bp
121    call    print_hex
122    popw    %ax    
123    jmp    load_setup
      
124  ok_load_setup:

Si le chargement échoue pour quelque raison que ce soit (la disquette est abîmée ou quelqu'un a retiré la disquette pendant le chargement), on affiche un code d'erreur et on réessaie de lire dans une boucle infinie. Le seul moyen d'en sortir est de réamorcer la machine, à moins que l'une des tentatives réussisse, mais cela a peu de chances d'arriver (si quelque chose merde, ça ne peut qu'empirer).

Si le chargement des secteurs du code de lancement setup_sect réussit, on saute au label ok_load_setup~:.

On procède alors au chargement de l'image compressée du noyau à l'adresse physique 0x10000. Ainsi on préserve les zones de données du microcode en mémoire basse (0-64k). Une fois que le noyau est chargé, on saute en $SETUPSEG:0 (arch/i386/boot/setup.S). Lorsqu'on n'a plus besoin des données (i.e. plus d'appel au BIOS), elles sont écrasées en déplaçant le noyau complet (compressé) de 0x10000 vers 0x1000 (ce sont des adresses physiques bien sûr). C'est fait par setup.S qui met les choses en place pour le mode protégé et saute en 0x1000 qui est le début du noyau compressé, i.e. arch/386/boot/compressed/{head.S,misc.c}. Ceci configure la pile puis on appelle decompress_kernel() qui décompresse le noyau a l'adresse 0x10000 et on y saute.

Remarquez que les vieux chargeurs d'amorçage (vieilles versions de LILO) ne pouvaient charger que seulement les 4 premiers secteurs de setup, c'est pourquoi il y a un code dans setup qui charge le reste de lui-même si besoin est. D'autre part, le code de setup devait tenir compte des diverses combinaisons de type/version de chargeur par rapport à zImage/bzImage et est donc très complexe.

Examinons la bidouille (kludge) dans le code du secteur d'amorçage qui nous permet de charger un gros noyau appelé aussi « bzImage ». Les secteurs de setup sont chargés comme d'habitude en 0x90200, mais le noyau est chargé par morceaux de 64k, grâce à une fonction qui appelle le BIOS pour déplacer les données de la mémoire basse vers la mémoire haute. Cette fonction est référencée par bootsect_kludge dans bootsect.S et est définie en tant que bootsect_helper dans setup.S. Le label bootsect_kludge dans setup.S contient la valeur du segment de setup et le décalage du code bootsect_helper par rapport à lui de telle façon que bootsector peut utiliser l'instruction lcall pour y sauter (saut intersegment). La raison pour laquelle ce code est dans setup.S est simplement qu'il n'y a plus de place dans bootsect.S (ce n'est pas tout à fait exact - il reste approximativement 4 octets et au moins 1 octet de libre dans bootsect.S mais c'est évidemment insuffisant). Cette fonction utilise le service BIOS int 0x15 (ax=0x8700) pour déplacer des données vers la mémoire haute et réinitialise toujours %es afin de pointer sur 0x10000. Ainsi on s'assure que le code de bootsect.S ne sort pas de la mémoire basse lors de la copie des données depuis le disque.

Il y a plusieurs avantages à utiliser un chargeur d'amorçage spécialisé (LILO) par rapport au simple secteur d'amorçage de Linux :

1. La possibilité de choisir entre plusieurs noyaux Linux ou même plusieurs systèmes.
2. La possibilité de passer des paramètres en ligne de commande au noyau (il y a un correctif appelé BCP qui donne cette possibilité à bootsector+setup).
3. La possibilité de charger un noyau bzImage plus grand - jusqu'à 2.5 Mo au lieu de 1 Mo.

Les vieilles versions de LILO (v17 et avant) ne peuvent pas charger les noyaux bzImage. Les nouvelles versions (depuis quelques années) utilisent les mêmes techniques que bootsect+setup de déplacement des données de la mémoire basse vers la haute par le biais de services BIOS. Quelques personnes (Peter Anvin notamment) pensent que le support de zImage devrait être supprimé. La raison principale pour le conserver (d'après Alan Cox), c'est qu'il reste des BIOS « foireux » qui rendent impossible d'amorcer bzImage alors qu'ils chargent bien zImage.

La dernière chose que fait LILO est de sauter vers setup.S et les choses se déroulent ensuite comme d'habitude.

Par « initialisation de haut niveau » on entend tout ce qui n'est pas directement lié au bootstrap, même si certaines parties du code exécuté sont écrites en assembleur, à savoir arch/i386/kernel/head.S qui est le début du noyau non compressé. Les étapes suivantes sont exécutées :

1. Initialisation des valeurs de segments (%ds = %es = %fs = %gs = __KERNEL_DS = 0x18).
2. Initialisation de la table des pages.
3. Activation de la pagination en positionnant le bit PG dans %cr0.
4. Initialisation à zéro de la BSS (sur du multiprocesseur, seul le premier processeur fait cela).
5. Copie des premiers 2 ko des paramètres d'amorçage (ligne de commande du noyau).
6. Vérification du type de CPU en utilisant EFLAGS et, si possible, cpuid, capable de détecter un 386 ou plus.
7. Le premier CPU appelle start_kernel(), tous les autres appellent arch/i386/kernel/smpboot.c:initialize_secondary() si ready=1, qui ne fait que recharger esp/eip et ne retourne pas.

La init/main.c:start_kernel() est écrite en C et fait les choses suivantes :

1. Pose un verrou noyau global (c'est nécessaire afin qu'un seul CPU fasse l'initialisation).
2. Effectue les initialisations spécifiques à la plate-forme (analyse de la mémoire, copie une fois encore de la ligne de commande d'amorçage, etc.).
3. Affiche la « bannière » du noyau Linux contenant la version, le compilateur utilisé pour le construire, etc, jusqu'aux messages des tampons noyau. Son contenu est celui de la variable Linux_banner définie dans init/version.c et c'est la même chaîne qui est affichée par cat /proc/version.
4. Initialise les trappes (traps).
5. Initialise les IRQ (Interrupt ReQuest).
6. Initialise les données nécessaires à l'ordonnanceur (scheduler).
7. Initialise les données conservant le temps.
8. Initialise le sous-système d'IRQ logiciel (softirq).
9. Analyse les options de la ligne de commande d'amorçage.
10. Initialise la console.
11. Si le support des modules a été compilé dans le noyau, il initialise les capacités de chargement dynamique des modules.
12. Si la ligne de commande contient « profile= », il initialise les tampons nécessaires.
13. kmem_cache_init(), initialise la plupart du slab allocator (l'allocateur de tranche ?).
14. Active les interruptions.
15. Évalue la vitesse de ce CPU en BogoMips.
16. Appelle mem_init() qui calcule max_mapnr, totalram_pages et high_memory puis affiche la ligne « Memory: … ».
17. kmem_cache_sizes_init(), finit l'initialisation du slab allocator.
18. Initialise les structures de données utilisées par procfs.
19. fork_init(), crée l'uid_cache, initialise max_threads en fonction de la quantité de mémoire disponible et configure RLIMIT_NPROC pour que init_task soit égal à max_threads/2.
20. Crée les divers caches de type slab nécessaires pour le système de fichiers virtuel, la mémoire virtuelle, le cache tampon, etc.
21. Si le support de la communication interprocessus (IPC System V) est compilé dans le noyau, initialise le sous-système IPC. Remarquez que pour shm System V, cela inclut de monter une instance du système de fichiers shmfs en interne (dans le noyau).
22. Si le support des quotas est compilé dans le noyau, crée et initialise un cache slab spécial pour eux.
23. Effectue les « vérifications de bogues (check for bugs) » spécifiques à l'architecture et, à chaque fois que possible, active les corrections pour les bugs processeur, bus, et cætera. La comparaison de plusieurs architectures révèle que « ia64 n'a pas de bugs » et que « ia32 en a quelques-uns », un bon exemple en est le « bug f00f » qui est testé seulement si le noyau est compilé pour un processeur inférieur au 686 et est alors corrigé.
24. Positionne un drapeau pour indiquer qu'un ordonnancement doit être effectué à la prochaine occasion et crée un thread noyau init() qui va « exec » execute_command si on a un paramètre de boot « init= », ou essayer d'exécuter /sbin/init, /etc/init, /bin/init, /bin/sh dans cet ordre ; si tout échoue, le noyau « panic » et émet la suggestion d'utiliser le paramètre « init= ».
25. Rentre dans une boucle inactive (idle), qui est un fil inactif (idle thread) avec un pid=0.

La chose importante à noter ici c'est que le thread noyau init() appelle do_basic_setup() qui à son tour appelle do_initcalls() qui parcourt la liste des fonctions enregistrées par le biais de __initcall ou de la macro module_init() et les invoque. Ces fonctions ne dépendent pas les unes des autres ou bien leurs dépendances ont été manuellement fixées par l'ordre de l'édition de liens dans les Makefiles. Ce qui veut dire qu'en fonction de la position des répertoires dans l'arborescence et de la structure des Makefiles, l'ordre dans lequel les fonctions d'initialisation sont appelées peut changer. Quelquefois, c'est important d'en tenir compte car imaginez deux sous-systèmes A et B avec B dépendant d'initialisations faites dans A. Si A est compilé statiquement et que B est un module, alors on est sûr qu'on entrera dans B après que A ait préparé tout l'environnement nécessaire. Si A est un module, alors B en est nécessairement un aussi donc il n'y pas de problème. Mais que se passe-t-il si A et B sont liés statiquement dans le noyau ? L'ordre dans lequel ils sont invoqués dépend du décalage relatif de leurs points d'entrée dans la section ELF .initcall.init de l'image noyau. Rogier Wolff a proposé d'introduire une infrastructure à priorité hiérarchique dans laquelle les modules permettraient à l'éditeur de liens (linker) de savoir dans quel ordre (relatif) ils doivent être liés, mais jusqu'ici il n'y pas de correctif disponible qui implémente cela de manière suffisamment élégante pour être acceptable dans le noyau. Néanmoins assurez-vous de l'ordre de liage. Si dans l'exemple ci-dessus A et B marchent bien une première fois en étant compilés statiquement, ils marcheront toujours, pourvu qu'ils soient listés séquentiellement dans le même Makefile. S'ils ne marchent pas, changez l'ordre dans lequel leurs fichiers objets sont listés.

Une autre chose qui vaut d'être notée c'est la capacité qu'a Linux d'exécuter un « autre programme init » en passant une ligne de commande « init= » à l'amorçage. C'est utile pour réparer un /sbin/init abîmé accidentellement ou déboguer les scripts d'initialisation (rc) et /etc/inittab à la main, en les exécutant un par un.

Sur un système multiprocesseur, le processeur d'amorçage (BP) exécute la séquence normale d'instructions du secteur d'amorçage (bootsector), setup etc. jusqu'à ce qu'on atteigne start_kernel(), et ensuite smp_init() et plus particulièrement src/i386/kernel/smpboot.c:smp_boot_cpus(). Le smp_boot_cpus() effectue une boucle pour chaque apicid (jusqu'à NR_CPUS) et appelle pour chacun do_boot_cpu(). Ce que fait do_boot_cpu(), c'est créer (i.e. fork_by_hand) une tâche inactive (idle) pour le cpu cible et écrire à des emplacements bien définis par les spécifications Intel MP (0x467/0x469) l'EIP du code « trampoline » contenu dans trampoline.S. Ensuite il génère STARTUP IPI sur le cpu cible, ce qui fait que cet AP exécute le code de trampoline.S.

Le CPU d'amorçage crée une copie du code de trampoline pour chaque CPU en mémoire basse. Le code AP écrit un nombre magique dans son propre code qui est vérifié par le processeur d'amorçage pour s'assurer que l'AP est en train d'exécuter le code trampoline. La nécessité de mettre le code trampoline en mémoire basse vient des spécifications Intel MP.

Le code trampoline met simplement le registre %bx à 1, passe en mode protégé et saute vers startup_32 qui est l'entrée principale de arch/i386/kernel/head.S.

Maintenant que l'AP a commencé l'exécution de head.S et découvre que ce n'est pas un processeur d'amorçage, il passe le code qui nettoie la BSS et appelle initialize_secondary() qui ne fait qu'appeler la tâche inactive pour ce CPU - rappelez vous que init_tasks[cpu] avait déjà été initialisé par le processeur d'amorçage en exécutant do_boot_cpu(cpu).

Remarquez que init_task peut être partagé mais que chaque tâche inactive doit avoir sa propre TSS. C'est pourquoi init_tss[NR_CPUS] est un tableau.

Une fois que le système d'exploitation s'est initialisé, la plus grande partie du code et des structures de données ne sont jamais réutilisés. La plupart des systèmes (BSD, FreeBSD etc.) ne peuvent disposer de ces informations, et donc gaspillent la précieuse mémoire physique du noyau. L'excuse qu'ils fournissent (voir le livre McKusick's 4.4BSD) c'est que le code en question est réparti autour de plusieurs sous-systèmes et que ce n'est pas faisable de le libérer : the relevant code is spread around various subsystems and so it is not feasible to free it. Linux, bien sûr, ne peut se retrancher derrière de telles excuses car sous Linux « si quelque chose est en principe possible, alors c'est déjà implémenté ou quelqu'un travaille dessus ».

Donc, comme je l'ai dit plus tôt, le noyau Linux ne peut être compilé que comme un binaire ELF, et maintenant nous en avons la raison (ou une des raisons). La raison rattachée à l'élimination des données et du code d'initialisation est que Linux fournit 2 macros à utiliser :

• __init - pour le code d'initialisation
• __initdata - pour les données

Elles s'évaluent comme des spécificateurs d'attributs gcc (aussi connus comme « gcc magic ») telles que définies dans include/linux/init.h :

#ifndef MODULE
#define __init        __attribute__ ((__section__ (".text.init")))
#define __initdata    __attribute__ ((__section__ (".data.init")))
#else
#define __init
#define __initdata
#endif

Ce qui veut dire que si le code est compilé statiquement dans le noyau (i.e on ne définit pas MODULE), alors celui ci est placé dans une section ELF spéciale .text.init, qui est déclarée dans la carte de correspondance de l'éditeur de lien dans arch/i386/vmlinux.lds. Sinon (i.e. si c'est un module) les macros sont évaluées à rien.

Ce qui ce passe durant l'amorçage, c'est que le thread noyau « init » (fonction init/main.c:init()) appelle une fonction spécifique à l'architecture free_initmem() qui libère toutes les pages entre les adresses __init_begin et __init_end.

Sur un système typique (ma station de travail), le résultat est que 260k de mémoire sont libérés.

Les fonctions enregistrées via module_init() sont placées dans .initcall.init qui est aussi libéré lors d'une compilation statique. La tendance actuelle sous Linux, quand on crée un sous-système (pas forcement un module), est de fournir dès les premières étapes de la conception les points d'entrée init/exit de telle façon que le sous-système puisse dans le futur être modularisé si besoin. Pipefs en est un exemple, regardez fs/pipe.c. Même si un sous système donné ne doit jamais devenir un module, i.e. bdflush (voir fs/buffer.c), c'est toujours mieux et plus propre d'utiliser la macro module_init() à la place de la fonction d'initialisation, pourvu qu'on n'attache pas d'importance au moment exact où la fonction est appelée.

Il y a deux autres macros qui fonctionnent de manière similaire, appelées __exit et __exitdata, mais elles sont plus directement liées au support des modules et par conséquent seront expliquées dans un prochain paragraphe.

Rappelons-nous ce que devient la ligne de commande passée au noyau pendant l'amorçage :

1. LILO (ou BCP) traite la ligne de commande en utilisant les services clavier du BIOS et la stocke dans un endroit bien repéré de la mémoire physique, avec une signature signifiant qu'il y a une ligne de commande valide ici.
2. arch/i386/kernel/head.S en copie les 2 premiers k vers la page zéro.
3. arch/i386/kernel/setup.c:parse_mem_cmdline() (appelée par setup_arch(), elle même appelée par start_kernel()) copie 256 octets depuis la page zéro dans saved_command_line qui est affiché par /proc/cmdline. Cette même routine traite l'option « mem= » si elle est présente et fait les ajustements nécessaires aux paramètres de la VM.
4. Revenons à la ligne de commande traitée par parse_options() (appelé par start_kernel()) qui traite quelques paramètres « internes au noyau » (actuellement « init= » et l'environnement/arguments pour init) et passe chaque mot à checksetup().
5. checksetup() parcourt le code de la section ELF .setup.init et invoque chaque fonction, lui passant le mot précédent si celui-ci convient. Remarquez qu'en utilisant une valeur de retour de 0 depuis la fonction enregistrée via __setup(), il est possible de passer le même « variable=value » à plus d'une fonction avec « value » invalide pour l'une et valide pour l'autre. Jeff Garzik commente : « les hackers qui font cela s'en mordent les doigts :) ». Pourquoi ? Parce que c'est clairement spécifique à l'ordre d'édition des liens, i.e. un noyau lié dans un sens aura la fonction A appelée avant la fonction B, pour un autre ce sera le contraire, le résultat dépendant de l'ordre.

Alors, comment écrit-on le code qui traite la ligne de commande d'amorçage ? On utilise la macro __setup() définie dans include/linux/init.h :

/*
 * Utilisé pour initialiser les paramètres du noyau avec les valeurs
 * de la ligne de commande
 */
struct kernel_param {
const char *str;
int (*setup_func)(char *);
};

extern struct kernel_param __setup_start, __setup_end;
#ifndef MODULE
#define __setup(str, fn) \
static char __setup_str_##fn[] __initdata = str; \
static struct kernel_param __setup_##fn __initsetup = \
          { __setup_str_##fn, fn }

#else
#define __setup(str,func) /* rien */
#endif

Alors, typiquement vous l'utiliserez dans votre code de la façon suivante (pris du code d'un vrai driver, BusLogic HBA drivers/scsi/BusLogic.c :

static int __init
BusLogic_Setup(char *str)
{
int ints[3];
          
(void)get_options(str, ARRAY_SIZE(ints), ints);
     
if (ints[0] != 0) {
    BusLogic_Error("BusLogic: Obsolete Command Line Entry "
   "Format Ignored\n", NULL);
   return 0;
   }
if (str == NULL || *str == '\0')
   return 0;
   return BusLogic_ParseDriverOptions(str);
   }
          
__setup("BusLogic=", BusLogic_Setup);

Remarquez que __setup() ne fait rien pour les modules, donc le code qui veut traiter la ligne de commande d'amorçage et qui peut être soit dans un module, soit lié statiquement doit invoquer sa fonction d'analyse syntaxique manuellement dans la routine d'initialisation du module. Ce qui veut aussi dire qu'il est possible d'écrire du code qui est capable de traiter les paramètres quand il est compilé comme un module et pas quand il est statique ou vice versa.

Sous Linux une structure struct task_struct est allouée dynamiquement à chaque processus. Le nombre maximum de processus qui peuvent être crées sous Linux est limité par la quantité de mémoire physique présente, et est égal à (voir kernel/fork.c:fork_init() :

/*
* La valeur par défaut du nombre maximum de threads est fixée à une
* valeur sûre~: la structure des threads peut occuper au maximum la moitié
* de la mémoire.
*/
max_threads = mempages / (THREAD_SIZE/PAGE_SIZE) / 2;

ce qui, sur une architecture IA32, veut dire num_physpages/4. Par exemple, sur une machine de 512 M, vous pouvez créer 32k de threads. C'est une amélioration considérable par rapport à la limite 4k-epsilon des vieux noyaux (2.2 et avant). De plus, cela peut-être modifié soit pendant l'exécution en utilisant KERN_MAX_THREADS de sysctl(2), soit simplement en utilisant l'interface procfs pour paramétrer le noyau :

# cat /proc/sys/kernel/threads-max 
32764
# echo 100000 $gt; /proc/sys/kernel/threads-max 
# cat /proc/sys/kernel/threads-max 
100000
# gdb -q vmlinux /proc/kcore
Core was generated by `BOOT_IMAGE=240ac18 ro root=306 video=matrox:vesa:0x118'.
#0  0x0 in ?? ()
(gdb) p max_threads
$1 = 100000

L'ensemble des processus sur un système Linux est représenté par un ensemble de structures struct task_struct qui sont liées de deux façons :

1. par une table de hachage, hachée sur le pid, et
2. par une liste circulaire doublement chaînée utilisant les pointeurs p-$gt;next_task et p-$gt;prev_task.

La table de hachage est appelée pidhash[] et est définie dans include/linux/sched.h :

/* Hachage sur le PID. (est-ce que ceci ne devrait pas être dynamique~?) */
#define PIDHASH_SZ (4096 $gt;$gt; 2)
extern struct task_struct *pidhash[PIDHASH_SZ];
     
#define pid_hashfn(x)   ((((x) $gt;$gt; 8) ^ (x)) & (PIDHASH_SZ - 1))

Les tâches sont hachées en fonction de leur pid et la fonction précédente est censée distribuer les éléments uniformément dans leur domaine (de 0 à PID_MAX-1). La table de hachage est utilisée pour retrouver rapidement une tâche par son pid en utilisant find_task_pid() in-line depuis include/linux/sched.h :

static inline struct task_struct *find_task_by_pid(int pid)
{
struct task_struct *p, **htable = &pidhash[pid_hashfn(pid)];
  
for(p = *htable; p && p-$gt;pid != pid; p = p-$gt;pidhash_next);
 
return p;
}

Les tâches de chaque liste de hachage (i.e hachées à la même valeur) sont liées par p-$gt;pidhash_next/pidhash_pprev qui sont utilisés par hash_pid() et unhash_pid() pour insérer et retirer un processus donné dans la table de hachage. Ceci est fait sous la protection d'un verrou tournant en lecture/écriture (read/write spinlock) appelé tasklist_lock posé pour ÉCRIRE (WRITE).

La double liste chaînée circulaire qui utilise p-$gt;next_task/prev_task est tenue à jour de façon à ce que l'on puisse parcourir toutes les tâches du système facilement. C'est fait par la macro for_each_task() de include/linux/sched.h :

#define for_each_task(p) \
for (p = &init_task ; (p = p-$gt;next_task) != &init_task ; )

Les utilisateurs de for_each_task() doivent poser un verrou tasklist_lock pour LIRE. Remarquez que for_each_task() utilise init_task pour marquer le début et la fin de la liste - c'est plus sûr car la tâche inactive (idle - pid 0) ne finit jamais.

Les fonctions qui modifient la table de hachage des processus ou des liens de la table des processus, notamment fork(), exit() et ptrace(), doivent poser tasklist_lock pour ÉCRIRE. Ce qui est plus intéressant, c'est que pour écrire il faut aussi désactiver les interruptions sur le CPU local. La raison de cela est loin d'être triviale : la fonction send_sigio() parcourt la liste des tâches et donc pose un tasklist_lock pour LIRE, et elle est appelée depuis kill_fasync() dans un contexte d'interruption. C'est pourquoi ceux qui écrivent doivent désactiver les interruptions alors que ceux qui lisent n'ont pas besoin de le faire.

Maintenant que nous comprenons comment les structures task_struct sont liées ensemble, examinons les membres de task_struct. Ils correspondent plus ou moins aux membres des structures UNIX « struct proc » et « struct user » combinées ensemble.

Les autres versions d'UNIX séparaient l'information sur l'état des tâches en une partie qui devait être gardée en mémoire tout le temps (appelée « proc struct » qui inclut l'état du processus, les informations d'ordonnancement etc.) et une autre partie qui n'est nécessaire que lorsque le processus tourne (appelée « u area » qui inclut la table des descripteurs de fichiers, les informations de quota disque etc.). La seule raison d'être d'une conception aussi laide est que la mémoire était alors une denrée rare. Les systèmes d'exploitation modernes (bon, seulement Linux pour le moment mais d'autres, comme FreeBSD semblent évoluer dans la même direction) n'ont pas besoin d'une telle séparation, ils maintiennent l'état des processus dans une structure de données du noyau qui réside en mémoire en permanence.

La structure task_struct est déclarée dans include/linux/sched.h et a actuellement une taille de 1680 octets.

Le champ state (état) est déclaré comme :

volatile long state;    /* -1 unrunnable, 0 runnable, $gt;0 stopped */

#define TASK_RUNNING            0
#define TASK_INTERRUPTIBLE      1

#define TASK_UNINTERRUPTIBLE    2
#define TASK_ZOMBIE             4
#define TASK_STOPPED            8
#define TASK_EXCLUSIVE          32

Pourquoi est ce que TASK_EXCLUSIVE est définie comme 32 et non 16 ? parce que 16 était utilisé par TASK_SWAPPING et que j'ai oublié de décaler TASK_EXCLUSIVE quand j'ai retiré toutes les références à TASK_SWAPPING (quelquefois dans 2.3.x).

La déclaration volatile dans p-$gt;state signifie qu'il peut être modifié de manière asynchrone (depuis un gestionnaire d'interruption) :

1. TASK_RUNNING : signifie que la tâche « est censée être » dans la file d'exécution (runqueue). La raison pour laquelle elle peut ne pas être dans cette file, c'est que le marquage d'une tâche comme TASK_RUNNING et son placement dans la file n'est pas atomique. Il vous faut maintenir le verrou tournant en lecture-écriture runqueue_lock pour lire afin de rechercher dans la file d'exécution. Si vous faite cela vous verrez alors que toutes les tâches dans la file sont dans l'état TASK_RUNNING. Néanmoins, la réciproque n'est pas vraie pour les raisons expliquées précédemment. De la même façon, les pilotes peuvent se marquer eux mêmes (ou plutôt le contexte de processus dans lequel ils s'exécutent) comme TASK_INTERRUPTIBLE (ou TASK_UNINTERRUPTIBLE) et appeler schedule(), qui va alors les retirer de la file d'exécution (sauf s'il y a un signal en attente à leur destination, auquel cas, ils restent dans la file).
2. TASK_INTERRUPTIBLE : signifie que la tâche est endormie mais qu'elle peut être réveillée par un signal ou par l'expiration d'une alarme.
3. TASK_UNINTERRUPTIBLE : idem que TASK_INTERRUPTIBLE, sauf qu'elle ne peut pas être réveillée.
4. TASK_ZOMBIE : la tâche s'est terminée mais son état n'a pas été collecté par son parent (naturel ou par adoption - pas d'appel wait() du parent).
5. TASK_STOPPED : La tâche a été arrêtée, soit par un signal de contrôle des travaux (jobs) soit par ptrace(2).
6. TASK_EXCLUSIVE : Ce n'est pas un état à part entière mais il peut être combiné par un OU (OR) soit à TASK_INTERRUPTIBLE soit à TASK_UNINTERRUPTIBLE. Cela signifie que si cette tâche est endormie dans la file d'attente avec beaucoup d'autres, elle sera la seule à être réveillée, sans réveiller les autres tâches en attente, et provoquer un problème de « thundering herd ».

Les drapeaux (flags) de tâches contiennent des informations sur les états des processus, états qui ne sont pas mutuellement exclusifs :

unsigned long flags;  /* drapeaux pour chaque processus, cf. plus bas */
/*
 * Drapeaux par processus
 */
#define PF_ALIGNWARN  0x00000001    /* Averti des pb d'alignement. Pas encore */
                                    /* implanté, pour 486 seulement */
#define PF_STARTING   0x00000002    /* en création */
#define PF_EXITING    0x00000004    /* en train de s'arrêter */
#define PF_FORKNOEXEC 0x00000040    /* s'est scindé, mais n'a pas encore */
                                    /* fait de « exec  » */
#define PF_SUPERPRIV  0x00000100    /* a utilisé les privilèges de */
                                    /* super-utilisateur */
#define PF_DUMPCORE   0x00000200    /* a laissé un « core dump » */
#define PF_SIGNALED   0x00000400    /* tué par un signal */
#define PF_MEMALLOC   0x00000800    /* en train d'allouer de la mémoire */
#define PF_VFORK      0x00001000    /* réveille le parent dans mm_release */
#define PF_USEDFPU    0x00100000    /* à util. le FPU au cours de ce */
                                    /* quantième (SMP) */

Les champs p-$gt;has_cpu, p-$gt;processor, p-$gt;counter, p-$gt;priority, p-$gt;policy et p-$gt;rt_priority concernent l'ordonnanceur et seront examinés plus tard.

Les champs p-$gt;mm et p-$gt;active_mm pointent respectivement sur l'espace d'adressage des processus décrit par la structure mm_struct et vers l'espace d'adressage actif si le processus n'en n'a pas un réel (i.e. pour les threads noyau). Cela aide à minimiser les débordements de TLB lors d'un basculement d'espace d'adressage quand une tâche est sortie de l'ordonnancement. Donc, si on ajoute une tâche dans l'ordonnanceur (qui n'a pas de p-$gt;mm) alors son next-$gt;active_mm sera positionné sur le prev-$gt;active_mm de la tâche qui est sortie, qui sera le même que prev-$gt;mm si prev-$gt;mm != NULL. L'espace d'adressage peut être partagé entre les threads si le drapeau (flag) CLONE_VM est passé à l'appel système clone(2) ou par le biais de l'appel système vfork(2).

Les champs p-$gt;exec_domain et p-$gt;personality sont liés à la personnalité de la tâche, i.e. la façon dont certain appels système se comportent pour émuler la « personnalité » de certaines versions éloignées d'UNIX.

Le champ p-$gt;fs contient les informations sur le système de fichiers, ce qui veut dire sous Linux 3 types d'informations :

1. le dentry de la racine et le point de montage,
2. un dentry de la racine et un point de montage alternatif,
3. le dentry du répertoire de travail courant et le point de montage.

Cette structure inclut aussi un compteur de références car elle peut être partagée entre des tâches clonées quand le drapeau CLONE_FS est passé à l'appel système clone(2).

Le champ p-$gt;files contient la table des descripteurs de fichiers. Elle aussi peut être partagée entre des tâches clonées, pourvu que le drapeau CLONE_FILES soit spécifié avec l'appel système clone(2).

le champ p-$gt;sig contient les gestionnaires (handlers) de signaux et peuvent être partagés entre des tâches par le biais de CLONE_SIGHAND.

Les livres consacrés aux systèmes d'exploitation définissent les « processus » de différentes façons, depuis « l'instance d'un programme en exécution » jusqu'à « ce qui est produit par les appels système clone(2) ou fork(2) ». Sous Linux il y a trois types de processus :

• le(s) thread(s) idle (inutile/inactif),
• les threads noyau,
• les tâches utilisateur.

Le thread inactif est créé à la compilation pour le premier CPU ; il est ensuite crée « manuellement » pour chaque CPU par le biais de la fonction spécifique à l'architecture fork_by_hand() dans arch/i386/kernel/smpboot.c, qui utilise l'appel système fork(2) appelé à la main (sur certaines architectures). Les tâches inactives partagent une structure init_task mais possèdent une structure TSS privée, dans le tableau init_tss de chaque CPU. Les tâches inactives ont toutes un pid = 0 et aucune autre tâche ne peut partager le même pid, i.e. utiliser le drapeau CLONE_PID de clone(2).

Les threads noyau sont créés en utilisant la fonction kernel_thread() qui invoque l'appel système clone(2) en mode noyau. Les threads noyau n'ont pas en général d'espace d'adressage utilisateur, i.e. p-$gt;mm = NULL, car il font un exit_mm() explicite, i.e. via la fonction daemonize(). Les threads noyau peuvent toujours accéder directement à l'espace d'adressage du noyau. Il leur est attribué des numéros de pid dans la tranche basse. L'exécution dans l'anneau (ring) 0 du processeur (sur x86, c'est le cas) implique que le thread noyau profite de tous les privilèges d'entrée/sortie et ne peut être préempté par l'ordonnanceur.

Les tâches utilisateurs sont créés avec les appels système clone(2) ou fork(2), qui utilisent la fonction kernel/fork.c:do_fork().

Voyons ce qui se passe quand un processus utilisateur fait un appel système fork(2). Bien que fork(2) soit dépendant de l'architecture à cause des différentes façons de transmettre la pile et les registres utilisateur, la fonction utilisée réellement do_fork() pour ce travail est portable et est placée dans kernel/fork.c.

Les actions suivantes sont réalisées :

1. La variable locale retval est mise à -ENOMEM, car c'est la valeur à laquelle errno doit être positionnée si fork(2) échoue lors de l'allocation d'une nouvelle structure de tâche.
2. Si CLONE_PID est positionné dans clone_flags, alors on retourne une erreur (-EPERM), à moins que l'appelant soit le thread inactif (pendant l'amorçage seulement). Donc, un thread utilisateur normal ne peut pas passer CLONE_PID à clone(2) en espérant que ça marche. Pour fork(2), ce n'est pas pertinent, car clone_flags est positionné à SIFCHLD, ça n'est pertinent que lorsque do_fork() est appelé par sys_clone() qui passe alors clone_flags avec la valeur demandée depuis l'espace utilisateur.
3. current-$gt;vfork_sem est initialisé (il sera nettoyé plus tard dans l'enfant). C'est utilisé par sys_vfork() (l'appel système vfork(2) correspond à clone_flags = CLONE_VFORK|CLONE_VM|SIGCHLD) pour que le parent dorme jusqu'à ce que l'enfant fasse mm_release(), par exemple en résultat de l'exec()ution d'un autre programme ou en terminant par exit(2).
4. Une nouvelle structure de tâche est allouée en utilisant la macro spécifique à l'architecture alloc_task_struct(). Sur un x86 c'est juste un gfp à la priorité GFP_KERNEL. C'est la première raison pour laquelle l'appel système fork(2) doit dormir. Si cette allocation échoue, on retourne -ENOMEM.
5. Toutes les valeurs de la structure de tâche du processus courant sont copiées dans la nouvelle structure, en utilisant l'assignation de structure *p = *current. Peut-être que cela devrait être remplacé par un appel à memcopy ? Plus tard, les champs qui ne doivent pas être hérités par le fils seront positionnés aux valeurs correctes.
6. Un GROS verrou de noyau est posé car autrement le reste du code ne serait pas ré-entrant.
7. Si le parent a des ressources utilisateur (un concept d'UID, Linux est suffisamment flexible pour en faire une question plutôt qu'un fait), alors on vérifie si l'utilisateur dépasse la limite douce RLIMIT_NPROC - si c'est le cas, on échoue avec -EAGAIN, sinon, on incrémente le nombre de processus pour l'uid donné p-$gt;user-$gt;count.
8. Si le nombre de tâches du système dépasse la valeur paramétrable fixée par max_threads, on échoue avec -EAGAIN.
9. Si le binaire exécuté appartient à un domaine d'exécution modularisé, on incrémente le compteur de références du module.
10. L'enfant est marqué « non terminé » (p-$gt;did_exec = 0)
11. L'enfant est marqué comme ne pouvant pas être copié en zone d'échange (p-$gt;swappable = 0)
12. L'enfant est placé dans l'état de sommeil sans interruption (uninterruptible sleep), i.e. p-$gt;state = TASK_UNINTERRUPTIBLE (À FAIRE : Pourquoi c'est comme ça ? Je pense que ce n'est pas nécessaire - débarrassez vous en, Linus confirme que c'est inutile)
13. Les p-$gt;flags de l'enfant sont positionnés en fonction de la valeur de clone_flags; pour fork(2), ce sera p-$gt;flags = PF_FORKNOEXEC.
14. Le pid de l'enfant p-$gt;pid est fixé en utilisant un algorithme rapide dans kernel/fork.c:get_pid() (À FAIRE : le verrou tournant lastpid_lock peut être redondant tant que get_pid() est toujours appelé sous le gros verrou du noyau depuis do_fork(), donc je retire les arguments drapeau de get_pid(), le patch à été envoyé à Alan le 20/06/2000).
15. La suite du code dans do_fork() initialise le reste de la structure de tâche de l'enfant. Tout à la fin, cette structure est hachée dans la table de hachage pidhash et l'enfant est réveillé (À FAIRE : wake_up_process(p) positionne p-$gt;state = TASK_RUNNING et ajoute le processus dans la file d'exécution (runq), néanmoins on n'a probablement pas besoin de fixer p-$gt;state à TASK_RUNNING auparavant dans do_fork()). La partie intéressante consiste à mettre p-$gt;exit_signal à clone_flags & CSIGNAL, ce qui pour fork(2) signifie seulement SIGCHLD et fixer p-$gt;pdeath_signal à 0. Le pdeath_signal est utilisé quand un processus « oublie » son parent originel (en mourant) et peut être fixé/obtenu par le biais des commandes PR_GET/SET_PDEATHSIG de l'appel système prctl(2) (Vous pouvez dire que la façon dont la valeur de pdeath_signal est retournée via un argument pointant dans l'espace utilisateur dans prctl(2) est un peu idiote - mea culpa, une fois que Andries Brouwer a eu mis à jour la page man ça a été trop tard pour corriger;)

Donc les tâches sont créées. Il y a plusieurs façons pour une tâche de se terminer :

1. En faisant un appel système exit(2) ;
2. En recevant un signal qui la fait mourir par défaut ;
3. En étant forcée de mourir dans certaines conditions ;
4. En appelant bdflush(2) avec func == 1 (c'est spécifique à Linux, pour la compatibilité avec les vieilles distributions qui ont toujours la ligne « update » dans /etc/inittab - de nos jours le travail de mise à jour est fait par le thread noyau kupdate)

Les fonctions implémentant les appels systèmes sous Linux sont préfixées par sys_, mais elles ne font en général que vérifier les arguments ou passer des informations de la façon spécifique à l'architecture et le travail effectif est réalisé par les fonctions do_. Il en est ainsi avec sys_exit() qui appelle do_exit() pour faire le travail. Malgré cela, d'autres parties du noyau invoquent parfois sys_exit() alors quelles devraient plutôt appeler do_exit().

La fonction do_exit() se trouve dans kernel/exit.c. Les points remarquables de do_exit() sont qu'elle :

• utilise le verrou global du noyau (elle verrouille mais ne déverrouille pas),
• appelle schedule() à la fin, qui ne retourne jamais,
• positionne l'état de la tâche à TASK_ZOMBIE,
• informe tous les enfants en envoyant current-$gt;pdeath_signal, s'il n'est pas nul,
• informe le parent en envoyant current-$gt;exit_signal, qui en général est égal à SIGCHLD,
• libère les ressources allouées par le fork, ferme les fichiers ouverts, etc,
• sur les architectures qui utilisent « lazy FPU switching » (ia64, mips, mips64) (À FAIRE : retirer l'argument « flags » pour les sparc, sparc64), fait tout ce qu'il faut selon le matériel pour que le propriétaire du FPU (si celui-ci appartient à la tâche courante) devienne « none » (personne).

Le travail de l'ordonnanceur est de répartir l'accès au CPU entre les différents processus. L'ordonnanceur (ou scheduler) est implémenté dans le « fichier main du noyau » kernel/sched.c. Le fichier d'en-tête correspondant include/linux/sched.h est inclus (explicitement ou non) dans à peu près tous les fichiers sources du noyau.

Les champs de la structure de tâche intéressants pour l'ordonnanceur incluent :

• p-$gt;need_resched : ce champ est positionné si schedule() doit être appelé « à la prochaine occasion ».
• p-$gt;counter : nombre de tops d'horloge restant dans cette tranche d'ordonnancement, décrémenté par un chronomètre. Quand ce champ devient inférieur ou égal à zéro, il est remis à zéro et p-$gt;need_resched est positionné. Cette variable est parfois appelée « dynamic priority » d'un processus car cette priorité change par elle-même.
• p-$gt;priority : priorité statique du processus, elle ne peut être changée que par des appels systèmes répertoriés comme nice(2), sched_setparam(2) POSIX.1b ou setpriority(2) 4.4BSD/SVR4.
• p-$gt;rt_priority : priorité temps réel
• p-$gt;policy : politique d'ordonnancement, spécifie à quelle classe d'ordonnancement la tâche appartient. Les tâches peuvent modifier leur classe d'ordonnancement en utilisant l'appel système sched_setscheduler(2). Les valeurs reconnues sont SCHED_OTHER (processus UNIX traditionnel), SCHED_FIFO (processus FIFO temps réel POSIX.1b) et SCHED_RR (processus temps réel POSIX utilisant l'algorithme round-robin). On peut aussi faire SCHED_YIELD OU l'une de ces valeurs pour indiquer que c'est le processus qui décide de libérer le CPU, par exemple en invoquant l'appel système sched_yield(2). Un processus FIFO (premier arrivé, premier servi) temps réel tournera jusqu'à ce que : a) il soit bloqué par une entrée/sortie, b) il libère explicitement le CPU ou c) il soit préempté par un autre processus temps réel avec une valeur de priorité p-$gt;rt_priority plus importante. Pour SCHED_RR c'est la même chose que pour SCHED_FIFO, sauf que lorsque la tranche de temps expire il retourne à la fin de la file d'exécution (runqueue).

L'algorithme de d'ordonnancement est simple, malgré l'apparente complexité de la fonction schedule(). Cette fonction est complexe car elle implémente les trois algorithmes d'ordonnancement en un seul et aussi à cause de certaines spécificités subtiles de l'architecture multiprocesseur (SMP).

Les gotos apparemment « inutiles » de schedule() sont ici dans le but de générer le code le mieux optimisé (pour i386). Remarquez que le code de l'ordonnanceur (comme la plus grande partie du noyau) a été complètement réécrit pour le 2.4, donc la discussion qui suit ne s'applique pas à la série des 2.2 ou moins.

Regardons cette fonction en détail :

1. Si current-$gt;active_mm == NULL alors quelque chose est faux. Le processus courant, même un thread noyau (current-$gt;mm == NULL) doit avoir un p-$gt;active_mm valide en permanence.
2. S'il y a quelque chose à traiter dans la file de tâches tq_scheduler, le faire maintenant. La file de tâches fournit au noyau un mécanisme pour ordonnancer l'exécution ultérieure de fonctions. On détaillera cela par la suite.
3. Initialiser les variables locales prev et this_cpu respectivement pour la tâche et le CPU courants.
4. Vérifier si schedule() a été appelé par le gestionnaire d'interruption (suite à un bug) et panique si c'est le cas.
5. Libérer le verrou global du noyau.
6. S'il y a un travail à réaliser par IRQ logiciel (softirq), le faire maintenant.
7. Initialiser le pointeur local struct schedule_data *sched_data pour le faire pointer sur la zone des données d'ordonnancement par CPU (cacheline-aligné pour éviter le cacheline ping-pong) qui contient la valeur TSC de last_schedule et le pointeur vers la dernière structure de tâche ordonnancée (À FAIRE : sched_data n'est utilisé que pour le multiprocesseur (SMP) alors pourquoi init_idle() l'initialise-t-il aussi sur de l'uniprocesseur ?).
8. Un verrou tournant runqueue_lock est posé. Remarquez que nous utilisons spin_lock_irq() car dans schedule() on est sûr que les interruptions sont activées. Par conséquent, quand on déverrouille runqueue_lock, il n'y a qu'à les réactiver au lieu de sauver/restaurer eflags (variante spin_lock_irqsave/restore).
9. La machine d'état de la tâche : si la tâche est dans un état TASK_RUNNING, on n'y touche pas ; si elle est dans un état TASK_INTERRUPTIBLE et qu'un signal est suspendu elle est placée dans l'état TASK_RUNNING. Dans tous les autres cas elle est effacée de la file d'exécution.
10. next (suivant - le meilleur candidat à l'ordonnancement) prend pour valeur la tâche idle de notre CPU. Néanmoins, la qualité de ce candidat est mise à une valeur très basse (-1000), dans l'espoir de trouver un meilleur candidat.
11. Si la tâche prev (courante) est dans un état TASK_RUNNING, alors la qualité courante est fixée à sa qualité et cette tâche est marquée comme meilleur candidat à ordonnancer que la tâche idle.
12. Maintenant la queue d'exécution est examinée et les qualités de chaque processus susceptible d'être ordonnancé sur ce CPU sont comparées à la valeur courante ; le processus qui a la qualité la plus haute gagne. Maintenant le concept de « susceptible d'être ordonnancé sur ce CPU » doit être éclairci : sur de l'UP, chaque processus de la queue d'exécution est éligible pour être ordonnancé; sur du multiprocesseur, seuls les processus qui ne sont pas en cours d'exécution sur un autre CPU sont éligibles pour être ordonnancés sur ce CPU. La qualité est calculée au moyen d'une fonction appelée goodness(), qui fixe très haut la qualité des processus temps réel (1000 + p-$gt;rt_priority), une valeur supérieure à 1000 garantit qu'aucun processus SCHED_OTHER ne peut gagner ; donc ils ne sont en compétition qu'avec d'autres processus temps réel ayant une plus grande priorité p-$gt;rt_priority. La fonction goodness retourne 0 si la tranche de temps (process time slice) du processus (p-$gt;counter) est terminée. Pour des processus non temps réel, la valeur initiale de la qualité est fixée à p-$gt;counter - de cette façon, le processus a moins de chances d'avoir le CPU s'il l'a déjà eu récemment, i.e. les processus interactifs sont plus favorisés que les mangeurs de CPU. La constante spécifique à l'architecture PROC_CHANGE_PENALTY essaie d'implémenter « l'affinité CPU » (i.e. donner l'avantage à un processus du même CPU). Cela donne aussi un léger avantage aux processus ayant mm pointant sur le active_mm courant ou aux processus sans espace d'adressage (utilisateur), i.e. les threads noyau.
13. si la valeur courante de la qualité est 0 alors la liste complète des processus (pas seulement ceux de la queue d'exécution!) est examinée et leurs priorités dynamiques sont recalculées par un algorithme simple : recalculate: { struct task_struct *p; spin_unlock_irq(&#38;runqueue_lock); read_lock(&#38;tasklist_lock); for_each_task(p) p-$gt;counter = (p-$gt;counter $gt;$gt; 1) + p-$gt;priority; read_unlock(&#38;tasklist_lock); spin_lock_irq(&#38;runqueue_lock); } Remarquez que l'on enlève le verrou runqueue_lock avant de recalculer. La raison en est que nous devons traiter l'ensemble des processus, ce qui peut prendre un long moment, durant lequel schedule() peut être appelée sur un autre CPU et choisir un processus avec une qualité satisfaisante pour ce CPU, pendant que nous sur ce CPU on est forcé de recalculer. Ok, de l'aveu général c'est un inconvénient parce que pendant qu'on (sur ce CPU) choisit un processus avec la meilleure qualité, schedule() s'exécutant sur un autre CPU peut recalculer les priorités dynamiques.
14. A partir de ce moment on est certain que next pointe sur la tâche à ordonnancer, donc on initialise next-$gt;has_cpu à 1 et next-$gt;processor à this_cpu. Le runqueue_lock peut être levé.
15. Si on rebascule sur la même tâche (next == prev) alors on peut simplement réacquérir le verrou global du noyau et retourner, sans avoir à traiter tout ce qui concerne le matériel (registres, pile etc.) ni ce qui est lié à la VM (changer le répertoire de page, recalculer active_mm etc.).
16. La macro switch_to() est spécifique à l'architecture. Sur un i386, cela concerne a) la gestion du FPU, b) la gestion de la LDT, c) le rechargement des registres de segment, d) la gestion de la TSS et e) le rechargement des registres de déboguage.

Avant d'examiner l'implémentation des files d'attentes, nous devons nous familiariser avec l'implémentation standard des doubles listes chaînées de Linux. Les files d'attentes (comme beaucoup d'autres choses dans Linux) en font une utilisation importante et elles sont appelées dans le jargon « implémentation list.h » car le fichier le plus significatif est include/linux/list.h.

La structure de données fondamentale ici est struct list_head :

struct list_head {
    struct list_head *next, *prev;
    };

#define LIST_HEAD_INIT(name) { &(name), &(name) }

#define LIST_HEAD(name) \
        struct list_head name = LIST_HEAD_INIT(name)

#define INIT_LIST_HEAD(ptr) do { \
        (ptr)-$gt;next = (ptr); (ptr)-$gt;prev = (ptr); \
} while (0)

#define list_entry(ptr, type, member) \
        ((type *)((char *)(ptr)-(unsigned long)(&((type *)0)-$gt;member)))

#define list_for_each(pos, head) \
        for (pos = (head)-$gt;next; pos != (head); pos = pos-$gt;next)

Les trois premières macros sont utilisées pour initialiser une liste vide en faisant pointer next et prev sur elle même. Les restrictions syntaxiques du C rendent évidentes les conditions de leur utilisation - par exemple, LIST_HEAD_INIT() peut être utilisée pour l'initialisation des éléments de la structure lors de sa déclaration, la seconde peut être utilisée pour l'initialisation d'une variable statique et la troisième peut être utilisée dans une fonction.

La macro list_entry() donne accès aux éléments individuels de la liste, par exemple (dans fs/file_table.c:fs_may_remount_ro()) :

struct super_block {
   ...
   struct list_head s_files;
   ...
} *sb = &some_super_block;

struct file {
   ...
   struct list_head f_list;
   ...
} *file;

struct list_head *p;

for (p = sb-$gt;s_files.next; p != &sb-$gt;s_files; p = p-$gt;next) {
     struct file *file = list_entry(p, struct file, f_list);
     do something to 'file'
}

Un bon exemple de l'utilisation de la macro list_for_each() se trouve dans l'ordonnanceur quand on parcourt la queue d'exécution en cherchant le processus de meilleure qualité :

static LIST_HEAD(runqueue_head);
struct list_head *tmp;
struct task_struct *p;

list_for_each(tmp, &runqueue_head) {
    p = list_entry(tmp, struct task_struct, run_list);
    if (can_schedule(p)) {
        int weight = goodness(p, this_cpu, prev-$gt;active_mm);
        if (weight $gt; c)
            c = weight, next = p;
    }
}

Ici, p-$gt;run_list est déclaré comme struct list_head run_list dans la structure task_struct et sert d'ancrage à la liste. Le retrait ou l'ajout d'un élément à la liste (au début ou à la fin de la liste) est fait par les macros list_del() list_add() list_add_tail(). Les exemples ci-dessous ajoutent et retirent des tâches à la file d'exécution :

static inline void del_from_runqueue(struct task_struct * p)
{
        nr_running--;
        list_del(&p-$gt;run_list);
        p-$gt;run_list.next = NULL;
}

static inline void add_to_runqueue(struct task_struct * p)
{
        list_add(&p-$gt;run_list, &runqueue_head);
        nr_running++;
}

static inline void move_last_runqueue(struct task_struct * p)
{
        list_del(&p-$gt;run_list);
        list_add_tail(&p-$gt;run_list, &runqueue_head);
}

static inline void move_first_runqueue(struct task_struct * p)
{
        list_del(&p-$gt;run_list);
        list_add(&p-$gt;run_list, &runqueue_head);
}

Quand un processus demande au noyau de faire quelque chose qui n'est pas possible pour l'instant mais qui le sera plus tard, le processus est endormi et il est réveillé à un moment où la requête a plus de chances d'être satisfaite. L'un des mécanismes utilisés pour réaliser cela est appelé « file d'attente (wait queue) ».

L'implémentation Linux autorise le réveil sémantique en utilisant le drapeau TASK_EXCLUSIVE. Avec les files d'attentes, vous pouvez utiliser soit des files bien connues et leurs fonctions sleep_on / sleep_on_timeout / interruptible_sleep_on / interruptible_sleep_on_timeout, ou définir votre propre file d'attente et utiliser add/remove_wait_queue pour ajouter et supprimer des tâches vous même et wake_up/wake_up_interruptible pour les réveiller lorsque c'est nécessaire.

Un exemple du premier usage des files d'attentes est l'interaction entre l'allocateur de pages (dans mm/page_alloc.c:__alloc_pages()) et le démon noyau kswapd (dans mm/vmscan.c:kswap()), par le biais de la file d'attente kswapd_wait, déclarée dans mm/vmscan.c; le démon kswapd dort dans cette file, et il est réveillé à chaque fois que l'allocateur de pages a besoin de libérer des pages.

Un exemple d'utilisation d'une file d'attente autonome est l'interaction entre un processus utilisateur demandant des données via l'appel système read(2) et le noyau tournant dans un contexte d'interruption pour fournir les données. Le gestionnaire d'interruption peut ressembler à (drivers/char/rtc_interrupt() simplifié) :

static DECLARE_WAIT_QUEUE_HEAD(rtc_wait);

void rtc_interrupt(int irq, void *dev_id, struct pt_regs *regs)
{
    spin_lock(&rtc_lock);    
    rtc_irq_data = CMOS_READ(RTC_INTR_FLAGS);
    spin_unlock(&rtc_lock);    
    wake_up_interruptible(&rtc_wait);
}

Alors, le gestionnaire d'interruption obtient les données en lisant un port d'entrée/sortie spécifique au périphérique (la macroCMOS_READ() réalise quelques instructions outb/inb) puis réveille tous ceux qui dorment dans la file d'attente rtc_wait.

Maintenant, l'appel système read(2) peut être implémenté comme :

ssize_t rtc_read(struct file file, char *buf, size_t count, loff_t *ppos)
{
    DECLARE_WAITQUEUE(wait, current);
    unsigned long data;
    ssize_t retval;

    add_wait_queue(&rtc_wait, &wait);
    current-$gt;state = TASK_INTERRUPTIBLE;
    do {
        spin_lock_irq(&rtc_lock);
        data = rtc_irq_data;
        rtc_irq_data = 0;
        spin_unlock_irq(&rtc_lock);

        if (data != 0)
            break;

        if (file-$gt;f_flags & O_NONBLOCK) {
            retval = -EAGAIN;
            goto out;

        }
        if (signal_pending(current)) {
            retval = -ERESTARTSYS;
            goto out;
        }
        schedule();
    } while(1);
    retval = put_user(data, (unsigned long *)buf);    
    if (!retval)
        retval = sizeof(unsigned long);

out:
    current-$gt;state = TASK_RUNNING;
    remove_wait_queue(&rtc_wait, &wait);
    return retval;
}

Ce qui se passe dans rtc_read() est :

1. On déclare un élément de file d'attente pointant sur le contexte du processus courant.
2. On ajoute cet élément à la file d'attente rtc_wait.
3. On marque le contexte courant comme TASK_INTERRUPTIBLE ce qui signifie qu'il ne sera pas réordonnancé à la fin de son prochain temps de sommeil.
4. On vérifie s'il y a des données disponibles ; s'il y en a, on s'interrompt, on copie les données dans le tampon utilisateur, on se marque TASK_RUNNING, on se retire nous même de la file d'attente et on retourne.
5. S'il n'y a pas encore de données, on regarde si l'utilisateur a spécifié une entrée/sortie non bloquante et si oui on échoue avec EAGAIN (qui est la même chose que EWOULDBLOCK)
6. Nous regardons également s'il y a un signal suspendu et si tel est le cas on demande aux « couches supérieures » de relancer l'appel système si nécessaire. Par « si nécessaire » je pense aux détails de la disposition du signal tels que spécifiés lors de l'appel système sigaction(2).
7. Alors on « bascule hors de la tâche (switch out) », i.e. on s'endort, jusqu'à ce qu'on soit réveillé par la routine d'interruption. Si on ne s'est pas marqué nous même comme TASK_INTERRUPTIBLE, alors l'ordonnanceur peut nous ordonnancer avant que les données soient disponibles, ce qui cause des traitements inutiles.

Il vaut la peine de remarquer que l'utilisation des files d'attente rend plus facile d'implémenter l'appel système poll(2) :

static unsigned int rtc_poll(struct file *file, poll_table *wait)
{
        unsigned long l;

        poll_wait(file, &rtc_wait, wait);

        spin_lock_irq(&rtc_lock);
        l = rtc_irq_data;
        spin_unlock_irq(&rtc_lock);


        if (l != 0)
                return POLLIN | POLLRDNORM;
        return 0;
}

Tout le travail est fait par la fonction indépendante du matériel poll_wait() qui fait les manipulations nécessaires sur la file d'attente; il suffit de la faire pointer sur la file d'attente qui est réveillée par notre gestionnaire d'interruption spécifique au périphérique.

Maintenant portons notre attention sur les chronomètres du noyau. Ils sont utilisés pour reporter l'exécution d'une fonction particulière (appelée « timer handler ») à un instant donné dans le futur. La principale structure de données est struct timer_list déclarée dans include/linux/timer.h :

struct timer_list {
        struct list_head list;
        unsigned long expires;
        unsigned long data;
        void (*function)(unsigned long);
        volatile int running;
};

Le champ list sert à s'ancrer à la liste, en étant protégé par le verrou tournant timerlist_lock. Le champ expires est la valeur de jiffies qui provoque l'invocation de function avec le paramètre data. Le champ running est utilisé sur les multiprocesseurs pour tester si le « timer handler » est exécuté par un autre CPU.

Les fonctions add_timer() et del_timer() ajoutent et enlèvent un chronomètre donné à la liste. Quand un chronomètre expire, il est retiré automatiquement. Avant d'être utilisé, un chronomètre DOIT être initialisé par le biais de la fonction init_timer(). Et avant qu'il soit ajouté, les champs function et expires doivent être positionnés.

Il est parfois raisonnable de séparer l'ensemble de ce qui doit être fait par le gestionnaire d'interruption en travail immédiat (i.e. acquitter l'interruption, mettre à jour les statistiques, et cætera) et en travail qui peut être remis à plus tard, pendant que les interruptions seront actives (i.e. faire des prétraitements sur les données, réveiller les processus pour ces données, et cætera).

Les Bottom halves sont un vieux mécanisme pour différer l'exécution de tâches du noyau et elles existent depuis Linux 1.x. Dans Linux 2.0, un nouveau mécanisme a été ajouté, appelé « task queues », qui sera le sujet du prochain paragraphe.

Les Bottom halves sont sérialisées par le verrou tournant global_bh_lock, ce qui veut dire qu'il ne peut y avoir qu'un seul bottom half en exécution sur n'importe quel CPU à un instant donné. Cependant quand on essaie d'exécuter le gestionnaire, si global_bh_lock n'est pas disponible, le bottom half est marqué (i.e. ordonnancé) pour l'exécution - donc le traitement peut continuer, au contraire d'une boucle tournant sur global_bh_lock.

Il ne peut y avoir au total que 32 bottom halves enregistrés. Les fonctions nécessaires à la manipulation des bottom halves sont comme suit (toutes exportées dans les modules) :

• void init_bh(int nr, void (*routine)(void)) : installe le gestionnaire de bottom half pointé par l'argument routine à l'emplacement nr. Les emplacements sont énumérés dans include/linux/interrupt.h sous la forme XXXX_BH, i.e. TIMER_BH ou TQUEUE_BH. Typiquement, une fonction d'initialisation d'un sous-système (init_module() pour les modules) installe les bottom half requis en utilisant cette fonction.
• void remove_bh(int nr) : fait le contraire de init_bh(), i.e. elle désinstalle le bottom half installé à l'emplacement nr. Il n'y pas de vérification d'erreur effectuée ici, alors, par exemple remove_bh(32) va faire paniquer (panic/Oops) le système. Typiquement, une routine de nettoyage d'un sous-système (cleanup_module() pour modules) utilise cette fonction pour libérer son emplacement qui pourra être réutilisé plus tard par un autre sous-système. (À FAIRE : ne serait il pas bien d'avoir un /proc/bottom_halves listant tous les bottom halves enregistrés sur le système ? Ce qui signifie que global_bh_lock doit être mis en lecture/écriture, évidemment)
• void mark_bh(int nr) : marque le bottom half à l'emplacement nr pour exécution. Typiquement, une routine d'interruption marquera son bottom half (d'où le nom!) pour exécution à un « moment plus sûr ».

Les Bottom halves sont des minitâches (tasklets) verrouillées globalement, donc la question « quand les routines bottom half sont-elles exécutées ? », se ramène à « quand les minitâches sont-elles exécutées ? ». Et la réponse est, à deux endroits : a) à chaque schedule() et b) à chaque chemin de retour d'interruption/appel système dans entry.S (À FAIRE : par conséquent, le cas schedule() est vraiment embêtant - c'est comme ajouter une autre interruption très très lente, pourquoi ne pas se débarrasser du label handle_softirq de schedule() ?).

Les files de tâches peuvent être vues comme l'extension dynamique des vieux bottom halves. En fait, dans le code source elles sont parfois référencées comme « nouveaux » bottom halves. Plus précisément, les vieux bottom halves dont on a discuté dans les sections précédentes ont les limitations suivantes :

1. Il y en a seulement un certain nombre (32).
2. Chaque bottom half peut être associé à un seul gestionnaire.
3. Les bottom halves sont dévorées par le verrou tournant mis pour qu'elles ne puissent pas bloquer.

Par contre, avec les files de tâches, un nombre arbitraire de fonctions peuvent être chaînées et exécutées les unes après les autres ultérieurement. On crée une nouvelle file de tâches en utilisant la macro DECLARE_TASK_QUEUE() et on y ajoute une tâche au moyen de la fonction queue_task(). La file de tâches peut alors être traitée en utilisant run_task_queue(). Au lieu de créer votre propre file de tâches (que vous devrez gérer manuellement), vous pouvez utiliser les files de tâches prédéfinies de Linux qui sont traitées à des moments bien précis :

1. tq_timer : la file de tâche des chronomètres, s'exécute à chaque interruption de chronomètre et quand on libère un périphérique tty (fermeture ou libération d'un périphérique terminal à demi ouvert). Tant que le gestionnaire de chronomètre s'exécute dans un contexte d'interruption, la tâche tq_timer s'exécute aussi dans un contexte d'interruption et donc ne peut pas bloquer.
2. tq_scheduler : la file de tâche de l'ordonnanceur, exécutée par l'ordonnanceur (et aussi quand on ferme un périphérique tty, comme tq_timer). Comme l'ordonnanceur a été exécuté dans le contexte du processus étant réordonnancé, les tâches de tq_scheduler peuvent faire ce quelles veulent, i.e. bloquer, utiliser les données du contexte processus (mais pourquoi voudraient-elles le faire), et cætera.
3. tq_immediate : c'est un vrai bottom half IMMEDIATE_BH, donc les pilotes peuvent queue_task(task, &tq_immediate) (mettre une tâche dans la file) puis mark_bh(IMMEDIATE_BH) (la marquer) pour être exécutée dans un contexte d'interruption.
4. tq_disk : utilisé par les accès bas niveau aux périphériques bloc (et RAID) pour lancer les requêtes effectives. Cette file de tâches est exportée vers les modules mais ne doit être utilisée que dans les buts précis pour lesquels elle a été conçue.

A moins que le pilote utilise sa propre liste de tâches, il n'a pas besoin d'appeler run_tasks_queues() pour traiter la file, sauf dans les circonstances expliquées ci-dessous.

La raison pour laquelle les files de tâches tq_timer/tq_scheduler ne sont pas traitées seulement aux endroits habituels mais aussi ailleurs (la fermeture d'un périphérique tty en est un exemple) devient claire si on se rappelle que le pilote peut ordonnancer les tâches dans la file, et que ces tâches n'ont un sens que pendant qu'une instance particulière du périphérique reste valide - généralement jusqu'à ce que l'application le ferme. Donc, le pilote peut avoir besoin d'appeler run_task_queue() pour évacuer les tâches (et n'importe quoi d'autre) qu'il a mises dans la file, parce que les autoriser à s'exécuter plus tard n'aurait aucun sens - i.e. les structures de données utiles auraient été libérées/réutilisées par une instance différente. C'est la raison pour laquelle on voit run_task_queue() s'appliquer à tq_timer et tq_scheduler à d'autres endroits qu'une interruption de chronomètre et que schedule() respectivement.

Pas encore, dans une révision future.

Pas encore, dans une révision future.

Il y a deux mécanismes sous Linux pour les implémenter :

• Les portes d'appel (call gates) lcall7/lcall27;
• l'interruption logicielle int 0x80.

Les programmes Linux natifs utilisent int 0x80 alors que les binaires d'autres UNIX (Solaris, UnixWare 7, et cætera) utilisent le mécanisme lcall7. Le nom historique « lcall7 » est inexact car il couvre aussi lcall27 (i.e. Solaris/x86), tandis que la fonction de prise en charge est appelée lcall7_func.

Quand le système démarre, la fonction arch/i386/kernel/traps.c:trap_init() est appelée pour configurer l'IDT de façon à ce que le vecteur 0x80 (de type 15, dpl 3) pointe à l'adresse d'entrée de system_call dans arch/i386/kernel/entry.S.

Quand une application dans l'espace utilisateur fait un appel système, les arguments sont passés via le registre et l'application exécute l'instruction « int 0x80 ». Ce qui provoque une trappe (trap) dans le mode noyau et le processeur saute au point d'entrée system_call dans entry.S. Voici ce qu'il fait :

1. il sauvegarde les registres ;
2. il positionne %ds et %es à KERNEL_DS, pour que toutes les références aux données (et autres segments) soient faites dans l'espace d'adressage du noyau ;
3. si la valeur de %eax est supérieure à NR_syscalls (actuellement 256), il échoue avec l'erreur ENOSYS ;
4. si la tâche est tracée (tsk-$gt;ptrace & PF_TRACESYS), il fait un traitement spécial, ceci pour supporter des programmes comme strace (analogue à truss(1) dans SVR4) ou les débogueurs ;
5. il appelle sys_call_table+4*(syscall_number de %eax). Cette table est initialisée dans le même fichier (arch/i386/kernel/entry.S) pour pointer individuellement sur les gestionnaire d'appels systèmes, lesquels sous Linux sont (généralement) préfixés par sys_, i.e. sys_open, sys_exit, et cætera. Ces gestionnaires d'appels systèmes C vont trouver leurs arguments dans la pile où SAVE_ALL les a stockés.
6. il entre dans le « chemin de retour de l'appel système ». C'est un label séparé car il n'est pas utilisé seulement par int 0x80 mais aussi par lcall7, lcall27. Il est chargé des minitâches (incluant les bottom halves), de vérifier si un schedule() est nécessaire (tsk-$gt;need_resched != 0), de vérifier s'il y a des signaux suspendus et dans ce cas de les traiter.

Linux supporte jusqu'à 6 arguments pour les appels système. Ils sont passés dans %ebx, %ecx, %edx, %esi, %edi (et %ebp utilisé temporairement, voir _syscall6() dans asm-i386/unistd.h). Le numéro de l'appel système est passé via %eax.

Il y a deux types d'opérations atomiques : bitmaps et atomic_t. Les bitmaps sont très pratiques pour maintenir le concept d'unités « allouées » ou « libres » pour de grands ensembles de données où chaque unité est identifiée par un nombre, par exemple les inodes libres ou les blocs libres. Ils sont aussi largement utilisés pour des verrouillages simples, par exemple pour fournir un accès exclusif à un périphérique ouvert. Un exemple de ceci peut être trouvé dans arch/i386/kernel/microcode.c :

/*
 *  Nb de bits dans microcode_status. (31 bits de plus pour le futur)
 */
#define MICROCODE_IS_OPEN  0  /* positionné lorsque le périphérique */
                              /* est utilisé */

static unsigned long microcode_status;

Il n'est pas nécessaire d'initialiser micro-code_status à 0 car la BSS est systématiquement remise à zéro sous Linux.

/*
 * Nous n'autorisons ici qu'un seul utilisateur à la fois pour ouvrir/fermer.
 */
static int microcode_open(struct inode *inode, struct file *file)
{
        if (!capable(CAP_SYS_RAWIO))
                return -EPERM;

        /* one at a time, please */
        if (test_and_set_bit(MICROCODE_IS_OPEN, &microcode_status))
                return -EBUSY;

        MOD_INC_USE_COUNT;
        return 0;
}

Les opérations sur les bitmaps sont :

• void set_bit(int nr, volatile void *addr) : fixe le bit nr dans le bitmap pointé par addr.
• void clear_bit(int nr, volatile void *addr) : met à 0 le bit nr dans le bitmap pointé par addr.
• void change_bit(int nr, volatile void *addr) : change le bit nr (s'il est positionné (1), on le met à 0, s'il ne l'est pas, on le positionne) dans le bitmap pointé par addr.
• int test_and_set_bit(int nr, volatile void *addr) : positionne le bit nr atomiquement et retourne l'ancienne valeur.
• int test_and_clear_bit(int nr, volatile void *addr) : met à 0 le bit nr atomiquement et retourne l'ancienne valeur.
• int test_and_change_bit(int nr, volatile void *addr) : change le bit nr atomiquement et retourne l'ancienne valeur.

Ces opérations utilisent la macro LOCK_PREFIX, qui s'évalue au préfixe de l'instruction de verrouillage du bus (lock) sur les noyaux multiprocesseur et à rien sur de l'uniprocesseur. Ce qui garantit l'atomicité de l'accès dans les environnements multiprocesseurs.

Parfois les manipulations de bits ne sont pas pratiques, on aimerait mieux utiliser des opérations arithmétiques - addition, soustraction, incrémentation, décrémentation. Un cas typique en est les compteurs de références (i.e. pour les inodes). Cette facilité est fournie par le type de donnée atomic_t et les opérations suivantes :

• atomic_read(&v) : lit la valeur de la variable atomic_t v,
• atomic_set(&v, i) : fixe la valeur de la variable atomic_t v à l'entier i,
• void atomic_add(int i, volatile atomic_t *v) : ajoute l'entier i à la valeur de la variable atomique pointée par v,
• void atomic_sub(int i, volatile atomic_t *v) : soustrait l'entier i de la valeur de la variable atomique pointée par v,
• int atomic_sub_and_test(int i, volatile atomic_t *v) : soustrait l'entier i de la valeur de la variable atomique pointée par v ; retourne 1 si la nouvelle valeur est 0, retourne 0 autrement.
• void atomic_inc(volatile atomic_t *v) : incrémente la valeur de 1.
• void atomic_dec(volatile atomic_t *v) : décrémente la valeur de 1.
• int atomic_dec_and_test(volatile atomic_t *v) : décrémente la valeur ; retourne 1 si la nouvelle valeur est 0, retourne 0 sinon.
• int atomic_inc_and_test(volatile atomic_t *v) : incrémente la valeur ; retourne 1 si la nouvelle valeur est 0, retourne 0 sinon.
• int atomic_add_negative(int i, volatile atomic_t *v) : ajoute la valeur de i à v et retourne 1 si le résultat est négatif. Retourne 0 si le résultat est supérieur ou égal à 0. Cette opération est utilisée pour implémenter les sémaphores.

Depuis les premiers jours du support Linux (début des années 90s), les développeurs ont été confrontés au classique problème de l'accès à des données partagées entre différents types de contextes (processus utilisateur vs interruption) et les différentes instances d'un même contexte sur plusieurs CPU.

Le support multiprocesseur et à rien sur de l'UP. Ce qui garantit l'atomicité a été ajouté à Linux 1.3.42 le 15 Novembre 1995 (le patch original avait été fait en octobre de la même année).

Si une région de code critique peut être exécutée soit dans un contexte de processus soit dans un contexte d'interruption, alors la façon de le protéger sur de l'UP est d'utiliser les instructions cli/sti :

unsigned long flags;

save_flags(flags);
cli();
/* critical code */
restore_flags(flags);

Tandis que cela marche très bien sur de l'UP, ce n'est bien évidement d'aucune utilité sur du multiprocesseur et à rien sur de l'UP. Ce qui garantit l'atomicité car la même séquence de code peut être exécutée simultanément sur un autre processeur, et pendant que cli() fournit une protection contre des accès concurrents avec un contexte d'interruption sur chaque CPU individuellement, elle ne fournit pas de protection du tout contre la concurrence entre contextes sur des CPU différents. C'est là que les verrous tournants sont utiles.

Ils y a trois types de verrous tournants (spinlocks) : basique (vanilla), lecture-écriture (read-write) et gros-lecteur (big-reader). Les verrous tournants en lecture-écriture doivent être utilisés quand il y a une tendance naturelle à avoir « beaucoup de lecteurs et peu d'écrivains ». Un exemple de ceci est l'accès à la liste des systèmes de fichiers enregistrés (voir fs/super.c). Cette liste est gardée par file_systems_lock, un verrou tournant en lecture-écriture parce qu'on a besoin d'un accès exclusif quand on enregistre/dés-enregistre un système de fichiers, mais n'importe quel processus peut lire le fichier /proc/filesystems ou utiliser l'appel système sysfs(2) pour forcer un examen systématique en lecture seule de la liste des systèmes de fichiers. C'est là que l'utilisation des verrous tournant en lecture-écriture prend tout son sens. Avec un verrou tournant en lecture-écriture, on peut avoir plusieurs lecteurs en même temps mais un seul écrivain et il ne peut pas y avoir de lecteurs quand il y a un écrivain. En passant, se serait bien si les nouveaux lecteurs n'obtenaient pas de verrous pendant qu'un écrivain essaie d'en poser un, i.e. si Linux pouvait gérer correctement le problème de la frustration éventuelle d'un écrivain par plusieurs lecteurs. Il faudrait pour cela que les lecteurs soient bloqués pendant qu'un écrivain essaie de poser un verrou. Ce n'est pas le cas actuellement et il n'est pas évident que ça le devienne - l'argument opposé est - les lecteurs posent généralement un verrou pour un temps très court alors devraient-ils réellement être privés lorsque l'écrivain pose un verrou pour une période potentiellement longue ?

Les verrous tournant « gros-lecteur » sont une forme de verrou tournant en lecture-écriture très optimisé pour des accès en lecture très légers, avec une pénalisation des écritures. Il y a un nombre limité de verrous gros-lecteur - actuellement il en existe seulement deux, dont un n'est utilisé que sur le sparc64 (global irq) et l'autre n'est utilisé que pour le réseau. Dans tous les autres cas où les modèles d'accès ne collent pas à l'un de ces deux scénarios, on doit utiliser des verrous tournant basiques. Vous ne pouvez pas bloquer pendant que n'importe quelle sorte de verrou tournant est maintenu.

Les verrous tournants sont fournis en trois saveurs : simple (plain), _irq() et _bh().

1. spin_lock()/spin_unlock() simple : si vous savez que les interruptions sont toujours inactivées ou si vous n'êtes pas en concurrence avec des contextes d'interruption (i.e. depuis un gestionnaire d'interruption), alors vous pouvez les utiliser. Ils ne touchent pas à l'état d'interruption du CPU courant.
2. spin_lock_irq()/spin_unlock_irq() : si vous savez que les interruptions sont toujours activées, alors vous pouvez utiliser cette version, qui simplement désactive (au verrouillage) et réactive (au déverrouillage) les interruptions sur le CPU courant. Par exemple, rtc_read() utilise spin_lock_irq(&rtc_lock) (les interruptions sont toujours activées dans read()) alors que rtc_interrupt() utilise spin_lock(&rtc_lock) (les interruptions sont toujours désactivées dans le gestionnaire d'interruption). Remarquez que rtc_read() utilise spin_lock_irq() et pas le plus générique spin_lock_irqsave() parce que les interruptions sont toujours activées lorsqu'on entre dans n'importe quel appel système, .
3. spin_lock_irqsave()/spin_unlock_irqrestore() : la forme la plus robuste, à utiliser quand l'état d'interruption n'est pas connu, mais seulement si les interruptions ont de l'importance, i.e. il n'y a pas de raison de l'utiliser si nos gestionnaires d'interruption n'exécutent pas de code critique.

La raison pour laquelle vous ne pouvez pas utiliser de spin_lock() simples si vous êtes en concurrence avec des gestionnaires d'interruption, c'est que si vous en posez un et qu'une interruption survienne sur le même processeur, il attendra indéfiniment la levée du verrou : le propriétaire du verrou ayant été interrompu, ne continuera pas tant que le gestionnaire d'interruption n'aura pas retourné.

L'utilisation la plus courante des verrous tournant est pour accéder à des structures de données partagées entre les contextes des processus utilisateur et des gestionnaires d'interruption :

spinlock_t my_lock = SPIN_LOCK_UNLOCKED;

my_ioctl()
{
    spin_lock_irq(&my_lock);
    /* section critique */
    spin_unlock_irq(&my_lock);
}

my_irq_handler()
{
    spin_lock(&lock);
    /* section critique */
    spin_unlock(&lock);
}

Il y a deux choses à remarquer dans cet exemple :

1. Le contexte de processus, représenté ici par une méthode typique de pilote - ioctl() (les arguments et les valeurs de retour ont été omis pour simplifier), doit utiliser spin_lock_irq() parce qu'il sait que les interruptions sont toujours activées pendant l'exécution de la méthode ioctl() du périphérique.
2. Le contexte d'interruption, représenté ici par my_irq_handler() (on omet encore les arguments par souci de clarté) peut utiliser la forme simple spin_lock() parce que les interruptions sont désactivées à l'intérieur du gestionnaire d'interruption.

Parfois, pendant l'accès à une structure de données partagées, il faut effectuer des opérations qui peuvent bloquer, par exemple la copie de données dans l'espace utilisateur. La primitive de verrouillage disponible pour de tels scénarios sous Linux est appelée sémaphore. Il y a deux types de sémaphores : basique et lecture/écriture. En fonction de la valeur initiale du sémaphore, on peut obtenir soit une exclusion mutuelle (valeur initiale de 1) soit un type d'accès plus sophistiqué.

Les sémaphores en lecture-écriture diffèrent des sémaphores basiques de la même façon que les verrous tournant en lecture-écriture diffèrent des verrous tournant basiques : on peut avoir plusieurs lecteurs au même instant mais seulement un écrivain et il ne peut y avoir de lecteurs pendant qu'il y a des écrivains - i.e. l'écrivain bloque tous les lecteurs et les nouveaux lecteurs sont bloqués tant qu'un écrivain attend.

De plus, les sémaphores basiques peuvent être interrompus - juste en utilisant les opérations down/up_interruptible() au lieu des simples down()/up() et en vérifiant la valeur retourné par down_interruptible() : ce ne sera pas zéro si l'opération est interrompue.

Utiliser les sémaphores pour l'exclusion mutuelle est la solution idéale dans le cas où une section de code critique peut appeler par référence des fonctions inconnues enregistrées par d'autres sous-systèmes/modules, i.e. l'appelant ne peut pas savoir à priori si la fonction bloque ou non.

Un exemple simple de l'utilisation d'un sémaphore dans kernel/sys.c, est l'implémentation des appels systèmes gethostname(2)/sethostname(2).

asmlinkage long sys_sethostname(char *name, int len)
{
        int errno;

        if (!capable(CAP_SYS_ADMIN))
                return -EPERM;
        if (len $lt; 0 || len $gt; __NEW_UTS_LEN)
                return -EINVAL;
        down_write(&uts_sem);
        errno = -EFAULT;
        if (!copy_from_user(system_utsname.nodename, name, len)) {
                system_utsname.nodename[len] = 0;
                errno = 0;
        }
        up_write(&uts_sem);
        return errno;
}

asmlinkage long sys_gethostname(char *name, int len)
{
        int i, errno;

        if (len $lt; 0)
                return -EINVAL;
        down_read(&uts_sem);
        i = 1 + strlen(system_utsname.nodename);
        if (i $gt; len)
                i = len;
        errno = 0;
        if (copy_to_user(name, system_utsname.nodename, i))
                errno = -EFAULT;
        up_read(&uts_sem);
        return errno;
}

Les points à remarquer dans cet exemple sont :

1. Les fonctions peuvent bloquer pendant la copie de donnée depuis/vers l'espace utilisateur dans copy_from_user()/copy_to_user(). Donc elles ne peuvent utiliser aucune forme de verrou tournant ici.
2. Le type de sémaphore choisi est lecture-écriture plutôt que basique parce qu'il peut y avoir beaucoup de requêtes gethostname(2) concurrentes qui n'ont pas besoin d'être mutuellement exclusives.

Bien que l'implémentation des sémaphores et des sémaphores lecture-écriture de Linux soit très sophistiquée, on peut imaginer des scénarios qui ne sont pas encore implémentés, par exemple il n'y a pas de concept de sémaphores lecture-écriture interruptibles. C'est évidemment parce qu'il n'y a pas de situation du monde réel qui nécessite ces implémentations de primitives exotiques.

Linux est un système d'exploitation monolithique et malgré toute la publicité moderne à propos des « avantages » offerts par les systèmes d'exploitation basés sur des micro-noyaux, la vérité reste (dixit Linus Torvalds lui même) :

Par conséquent, Linux est et restera toujours basé sur une conception monolithique, ce qui signifie que tous les sous-systèmes s'exécutent dans le même mode privilégié et partagent le même espace d'adressage ; la communication entre eux s'accomplit par le biais d'appels aux fonctions C habituelles.

Cependant, bien que répartir les fonctionnalités du noyau dans des « processus » séparés comme cela se fait dans les micro-noyaux soit absolument une mauvaise idée, découper en modules noyau chargeables dynamiquement à la demande peut être souhaitable dans certaines circonstances (i.e. sur les machines avec peu de mémoire ou pour les noyaux d'installation qui autrement contiendraient des pilotes de périphériques ISA autotestés qui sont mutuellement exclusifs). La décision d'inclure le support pour les modules chargeables est prise à la compilation et est déterminée par l'option CONFIG_MODULES. Le support pour le chargement automatique des modules via le mécanisme request_module() est une option de compilation séparée (CONFIG_KMOD).

Les fonctionnalités suivantes peuvent être implémentées en modules chargeables sous Linux :

1. Pilotes de périphériques caractère et bloc, incluant des pilotes de périphérique divers.
2. Les disciplines des lignes de terminal.
3. Les fichiers virtuels (réguliers) dans /proc et dans devfs (i.e. /dev/cpu/microcode vs /dev/misc/microcode).
4. Les formats des fichiers binaires (i.e. ELF, aout, et cætera).
5. Les domaines d'exécution (i.e. Linux, UnixWare7, Solaris, et cætera).
6. Les systèmes de fichiers.
7. Les communications inter processus System V.

Il n'y a que peu de choses qui ne peuvent pas être implémentées comme des modules sous Linux (probablement parce que les rendre modulaires n'aurait aucun sens) :

1. les algorithmes d'ordonnancement,
2. les politiques de la VM (mémoire virtuelle),
3. le cache tampon (Buffer cache), le cache de page (page cache) et les autres caches.

Linux fournit plusieurs appels systèmes pour aider au chargement des modules :

1. caddr_t create_module(const char *name, size_t size) : alloue size octets en utilisant vmalloc() et place une structure de module au début de ceux ci. Ce nouveau module est ensuite lié à la liste commençant par module_list. Seul un processus avec CAP_SYS_MODULE peut invoquer cet appel système, les autres se verront retourner EPERM.
2. long init_module(const char *name, struct module *image) : charge et reloge l'image du module, ce qui provoque l'appel de la fonction d'initialisation du module. Seul un processus avec CAP_SYS_MODULE peut invoquer cet appel système, les autres se verront retourner EPERM.
3. long delete_module(const char *name) : essaie de décharger le module. Si name == NULL, essaie de décharger tous les modules inutilisés.
4. long query_module(const char *name, int which, void *buf, size_t bufsize, size_t *ret) : renvoie les informations concernant un module (ou concernant tous les modules).

L'interface de commande disponible pour les utilisateurs consiste en :

• insmod : insère un module seul.
• modprobe : insère un module en incluant tous les modules dont il dépend.
• rmmod : retire un module.
• modinfo : affiche des informations concernant le module, i.e. auteur, description, paramètres du module, et cætera.

On peut charger manuellement un module en utilisant insmod ou modprobe, mais le module peut aussi être chargé automatiquement par le noyau quand une fonction particulière est requise. L'interface du noyau prévue pour cela est une fonction appelée request_module(name) qui est exportée vers les modules, ainsi les modules peuvent eux-mêmes charger d'autres modules. request_module(name) crée en interne un thread noyau qui « execs »-ute dans l'espace utilisateur la commande modprobe -s -k nom_du_module, en utilisant l'interface noyau standard exec_usermodehelper() (qui est aussi exportée vers les modules). La fonction renvoie 0 en cas de succès, mais il n'est généralement pas utile de tester le code de retour de request_module(). Il vaut mieux utiliser ce modèle :

if (check_some_feature() == NULL)
    request_module(module);
if (check_some_feature() == NULL)
    return -ENODEV;

Par exemple, fs/block_dev.c:get_blkfops() suit ce modèle pour charger le module block-major-N quand un essai est fait pour ouvrir le périphérique bloc de majeur N. évidemment, il n'y a pas de module appelé block-major-N (Les développeurs Linux choisissent des noms sensés pour leurs modules), ce nom est associé au bon module en utilisant le fichier /etc/modules.conf. Cependant, pour les plus connus des nombres majeur (et pour d'autre modules) les commandes modprobe/insmod savent quels modules réels charger sans avoir besoin d'un alias explicite dans /etc/modules.conf.

Un bon exemple de chargement d'un module est dans l'appel système mount(2). L'appel système mount(2) prend un type de système de fichier comme argument sous la forme d'une chaîne de caractères que fs/super.c:do_mount() passe ensuite à fs/super.c:get_fs_type() :

static struct file_system_type *get_fs_type(const char *name)
{
        struct file_system_type *fs;

        read_lock(&file_systems_lock);
        fs = *(find_filesystem(name));
        if (fs && !try_inc_mod_count(fs-$gt;owner))
                fs = NULL;
        read_unlock(&file_systems_lock);
        if (!fs && (request_module(name) == 0)) {
                read_lock(&file_systems_lock);
                fs = *(find_filesystem(name));
                if (fs && !try_inc_mod_count(fs-$gt;owner))
                        fs = NULL;
                read_unlock(&file_systems_lock);
        }
        return fs;
}

Une ou deux choses à remarquer dans cette fonction :

1. D'abord on essaie de trouver le système de fichier dont le nom est donné parmi ceux déjà enregistrés. C'est fait sous la protection de file_systems_lock posé pour lire (nous ne sommes pas en train de modifier la liste de systèmes de fichier enregistrés).
2. Si un tel système de fichier est trouvé, alors on essaie d'obtenir une nouvelle référence sur lui en incrémentant le compteur maintenu par le module. Ce qui retourne toujours 1 pour les modules liés statiquement ou pour les modules qui ne sont pas enlevés du noyau. Si try_inc_mod_count() retourne 0, alors on considère que c'est une erreur - i.e. si le module est là mais en train d'être retiré, c'est pareil que s'il n'était pas là du tout.
3. Nous enlevons le file_systems_lock parce que l'opération suivante (request_module()) sera une opération bloquante, donc on ne peut pas maintenir un verrou tournant dessus. Maintenant, dans ce cas particulier, il aurait fallu enlever le file_systems_lock de toutes façons, même en étant sûr que request_module() ne soit pas bloquant et que le chargement du module s'exécute atomiquement dans le même contexte. C'est parce que la fonction d'initialisation du module va tenter d'appeler register_filesystem(), qui va poser le même verrou tournant en lecture-écriture file_systems_lock pour écrire.
4. Si l'essai de chargement est réussi, alors on pose le verrou tournant file_systems_lock et on essaie de localiser le système de fichiers nouvellement enregistré dans la liste. Remarquez que c'est un peu faux parce qu'il est en principe possible pour un bug dans la commande modprobe de causer un coredump après avoir réussi à charger le module demandé, dans ce cas request_module() va échouer même si le nouveau système de fichiers est enregistré, et get_fs_type() ne le trouvera pas.
5. Si le système de fichier est trouvé et que nous sommes capables d'obtenir une référence sur lui, on la retourne. Autrement on renvoie NULL.

Quand un module est chargé dans le noyau, il peut référencer tous les symboles exportés comme publics par le noyau en utilisant la macro EXPORT_SYMBOL() ou par les autres modules actuellement chargés. Si le module utilise des symboles d'un autre module, il est marqué comme dépendant de ce module durant le recalcul des dépendances, effectué à l'amorçage par la commande depmod -a (par exemple après l'installation d'un nouveau noyau).

Habituellement, l'ensemble des modules doivent correspondre à la version des interfaces noyau qu'ils utilisent, ce qui sous Linux signifie simplement « la version du noyau » car il n'y a pas en général de mécanisme de gestion de version de l'interface noyau. Cependant il existe une fonctionnalité limitée appelée « module versioning » ou CONFIG_MODVERSIONS qui permet d'éviter de recompiler les modules quand on change de noyau. Ce qui ce passe ici c'est que la table des symboles noyau est traitée différemment pour les accès internes et pour l'accès depuis les modules. Les éléments de la partie publique (i.e. exportée) de la table des symboles sont construits en faisant des sommes de contrôle 32bit des déclarations C. Donc, pour résoudre un symbole utilisé par un module pendant le chargement, le chargeur doit faire correspondre la représentation complète du symbole y compris la somme de contrôle ; il refusera de charger le module si les symboles différent. Ce qui se produit seulement quand à la fois le noyau et le module sont compilés avec le « module versioning » activé. Si l'un d'entre eux utilise le nom originel du symbole, le chargeur essaie simplement de faire correspondre la version déclarée par le module et celle exportée par le noyau et refuse de charger le module si elles différent.

Dans le but de supporter de multiples types de systèmes de fichiers, Linux contient un niveau d'interface noyau spécial appelé VFS (Virtual Filesystem Switch ou commutateur de systèmes de fichiers virtuels), similaire à l'interface vnode/vfs trouvé dans les dérivés de SVR4 (il provient à l'origine des implémentations BSD et Sun).

Le cache inode Linux est implémenté par un seul fichier, fs/inode.c, qui consiste en 977 lignes de code. Il est intéressant de noter qu'il n'y a pas eu tant de changements ces 5-7 dernières années : on peut encore reconnaître un peu de code en comparant la dernière version avec, disons, la 1.3.42.

Voici la structure du cache inode de Linux :

1. Une table de hachage globale, inode_hashtable, où chaque inode est haché sur la valeur du pointeur du super-bloc et le numéro de l'inode codé sur 32 bits. Les inodes sans super-bloc (inode-$gt;i_sb == NULL) sont ajoutés à une liste doublement chaînée ancrée sur anon_hash_chain. Comme exemple d'inodes anonymes, on a les sockets créées par net/socket.c:sock_alloc(), en appelant fs/inode.c:get_empty_inode().
2. Une liste globale du type utilisé (inode_in_use), qui contient les inodes valides avec i_count$gt;0 et i_nlink$gt;0. Les inodes nouvellement alloués par get_empty_inode() et get_new_inode() sont ajoutés à la liste inode_in_use.
3. Une liste globale du type inutilisé (inode_unused), qui contient les inodes valides avec i_count = 0.
4. Une liste par super-bloc du type modifié (dirty) (sb-$gt;s_dirty) qui contient les inodes valides avec i_count$gt;0, i_nlink$gt;0 et i_state & I_DIRTY. Quand l'inode est marqué modifié, il est ajouté à la liste sb-$gt;s_dirty s'il est aussi haché. Maintenir une liste d'inodes modifiés par super-bloc permet de synchroniser les inodes rapidement.
5. Un cache inode propre - un cache SLAB appelé inode_cachep. Quand les objets inode sont alloués et libérés, ils sont pris et remis dans le cache SLAB.

Les listes de types sont ancrées sur inode-$gt;i_list, la table de hachage sur inode-$gt;i_hash. Chaque inode peut être dans une table de hachage et dans une seule liste de type (utilisé, inutilisé, modifié).

Toutes ces listes sont protégées par un unique verrou tournant : inode_lock.

Le sous-système de cache inode est initialisé quand la fonction inode_init() est appelée depuis init/main.c:start_kernel(). La fonction est marquée __init, ce qui veut dire que son code est supprimé plus tard. On lui passe un seul argument - le nombre de pages physiques du système. C'est ainsi que le cache inode peut se configurer lui même en fonction de la quantité de mémoire disponible, i.e. créer une plus grande table de hachage s'il y a assez de mémoire.

Il n'y a qu'une seule information statistique à propos du cache inode, le nombre d'inodes inutilisés, stocké dans inodes_stat.nr_unused et accessible aux programmes utilisateurs par les fichiers /proc/sys/fs/inode-nr et /proc/sys/fs/inode-state.

On peut examiner une de ces liste avec gdb s'exécutant sur un noyau en activité :

(gdb) printf "%d\n", (unsigned long)(&((struct inode *)0)-$gt;i_list)
8
(gdb) p inode_unused
$34 = 0xdfa992a8
(gdb) p (struct list_head)inode_unused
$35 = {next = 0xdfa992a8, prev = 0xdfcdd5a8}
(gdb) p ((struct list_head)inode_unused).prev
$36 = (struct list_head *) 0xdfcdd5a8
(gdb) p (((struct list_head)inode_unused).prev)-$gt;prev
$37 = (struct list_head *) 0xdfb5a2e8
(gdb) set $i = (struct inode *)0xdfb5a2e0
(gdb) p $i-$gt;i_ino
$38 = 0x3bec7
(gdb) p $i-$gt;i_count
$39 = {counter = 0x0}

Remarquez que la valeur 8 a été déduite de l'adresse 0xdfb5a2e8 pour obtenir l'adresse de struct inode (0xdfb5a2e0) d'après la définition de la macro list_entry() dans include/linux/list.h.

Pour comprendre comment le cache inode fonctionne, nous allons suivre la vie de l'inode d'un fichier régulier sur un système de fichier ext2 quand il est ouvert et fermé :

fd = open("file", O_RDONLY);
close(fd);

L'appel système open(2) est implémenté dans la fonction fs/open.c:sys_open et le travail effectif est réalisé par la fonction fs/open.c:filp_open(), qui est divisée en deux parties :

1. open_namei() : remplit la structure nameidata contenant les structures dentry et vfsmount.
2. dentry_open() : étant donnés dentry and vfsmount, cette fonction alloue une nouvelle struct file et les lie ensemble ; elle invoque aussi la méthode f_op-$gt;open() spécifique au système de fichiers, qui a été positionnée dans inode-$gt;i_fop lors de la lecture de l'inode dans open_namei() (qui fournit l'inode via dentry-$gt;d_inode).

La fonction open_namei() interagit avec le cache dentry via path_walk(), qui à son tour appelle real_lookup(), qui invoque la méthode inode_operations-$gt;lookup() spécifique au système de fichiers. Le rôle de cette méthode est de trouver l'entrée dans le répertoire parent qui correspond au nom et ensuite faire iget(sb, ino) pour avoir l'inode correspondant - ce qui nous amène dans le cache inode. Quand l'inode est lu, dentry est instancié grâce à d_add(dentry, inode). Pendant que nous y sommes, remarquez que pour les systèmes de fichiers de style UNIX qui ont adopté le concept du numéro d'inode sur disque, il revient à la méthode de recherche de gérer l'ordre des octets (endianness) spécifique au format du CPU, i.e. si le numéro de l'inode d'entrée du répertoire en binaire (fs-specific) est au format 32 bits petit boutien (little-endian) on peut faire :

unsigned long ino = le32_to_cpu(de-$gt;inode);
inode = iget(sb, ino);
d_add(dentry, inode);

Ainsi, quand on ouvre un fichier, on utilise iget(sb, ino) qui en réalité est iget4(sb, ino, NULL, NULL), et on :

1. Essaie de trouver un inode correspondant au super-bloc et un numéro d'inode dans la table de hachage sous la protection de inode_lock. Si l'inode est trouvé, son compteur de références (i_count) est incrémenté; s'il était à 0 avant l'incrémentation et que l'inode n'est pas utilisé, il est retiré de tous les types de liste (inode-$gt;i_list) dont il fait actuellement partie (il doit être dans la liste inode_unused, bien sûr) et inséré dans la liste de type inode_in_use; finalement, inodes_stat.nr_unused est décrémenté.
2. Si l'inode est actuellement verrouillé, on attend qu'il soit déverrouillé pour que iget4() soit sûr de renvoyer un inode non verrouillé.
3. Si l'inode n'a pas été trouvé dans la table de hachage, c'est que nous rencontrons cet inode pour la première fois, donc on appelle get_new_inode(), en lui passant le pointeur sur l'endroit de la table de hachage où l'inode doit être inséré.
4. get_new_inode() alloue un nouvel inode depuis le cache SLAB inode_cachep mais cette opération peut bloquer (allocation GFP_KERNEL), alors elle doit enlever le verrou tournant inode_lock qui protège la table de hachage. Dès qu'elle a enlevé le verrou, elle peut réessayer de chercher l'inode dans la table de hachage ; s'il est trouvé cette fois ci, elle le renvoie (après incrémentation de la référence par __iget) et détruit celui qui a été alloué entre temps. Si elle ne le trouve toujours pas dans la table de hachage, on utilisera le nouvel inode que l'on vient juste d'allouer ; celui-ci est initialisé aux valeurs voulues et la méthode sb-$gt;s_op-$gt;read_inode() spécifique au système de fichiers est invoquée pour renseigner le reste de l'inode. Ce qui nous ramène du cache inode au code du système de fichier - rappelez vous que nous venions du cache inode lorsque la méthode lookup() spécifique au système de fichiers a invoqué iget(). Pendant que la méthode s_op-$gt;read_inode() lit l'inode sur le disque, l'inode est verrouillé (i_state = I_LOCK); il est déverrouillé après le retour de la méthode read_inode() et tous les processus qui l'attendaient sont alors réveillés.

Maintenant, regardons ce qui ce passe quand on ferme le descripteur de ce fichier. L'appel système close(2) est implémenté dans la fonction fs/open.c:sys_close(), qui appelle do_close(fd, 1) qui annule (remplace par NULL) le descripteur du fichier dans la table des descripteur des fichiers processus et invoque la fonction filp_close() qui effectue la plus grande partie du travail. Les choses intéressantes se passent dans fput(), qui vérifie si ce descripteur était la dernière référence au fichier, et si c'est le cas appelle fs/file_table.c:_fput() qui appelle __fput(), là ou les interactions avec dcache ont lieu (donc avec le cache inode aussi - rappelez vous que dcache est le maître du cache inode!). fs/dcache.c:dput() fait un dentry_iput() qui nous ramène au cache inode via iput(inode), alors essayons de comprendre fs/inode.c:iput(inode) :

1. Si le paramètre passé est NULL, nous ne faisons rien du tout et nous retournons.
2. S'il y a une méthode sb-$gt;s_op-$gt;put_inode() spécifique au système de fichiers, elle est invoquée immédiatement sans verrou tournant (ainsi elle peut bloquer).
3. Le verrou tournant inode_lock est posé et i_count est décrémenté. Si ce n'était PAS la dernière référence à cet inode, alors on vérifie simplement qu'il n'y a pas trop de références à lui auquel cas i_count pourrait boucler autour des 32 bits qui lui sont alloués, et si oui on affiche un avertissement et retourne. Remarquez que l'on appelle printk() pendant que le verrou tournant inode_lock est posé - c'est bien car printk() ne peut jamais bloquer, de plus elle peut être appelée dans absolument tous les contextes (même dans les gestionnaires d'interruption!).
4. Si c'était la dernière référence active, alors il y a encore un peu de travail à faire.

Le travail effectué par iput() sur la dernière référence de l'inode est relativement complexe, alors on lui consacrera une liste propre :

1. Si i_nlink == 0 (i.e. le fichier a été délié (unlink) pendant qu'il était ouvert) alors l'inode est retiré de la table de hachage et de la liste de son type ; s'il reste des pages de données dans le cache de page pour cet inode, elles sont enlevées au moyen de truncate_all_inode_pages(&inode-$gt;i_data). Puis la méthode spécifique au système de fichiers s_op-$gt;delete_inode() est invoquée, qui, comme son nom l'indique, détruit la copie de l'inode sur le disque. S'il n'y a pas de méthode s_op-$gt;delete_inode() enregistrée dans le système de fichiers (i.e. mémoire (ramfs)) on appelle clear_inode(inode), qui invoque s_op-$gt;clear_inode() si elle est enregistrée et si l'inode correspond à un périphérique bloc, le compteur de références de ce périphérique est enlevé par bdput(inode-$gt;i_bdev).
2. Si i_nlink != 0, alors on cherche s'il y a d'autres inodes dans la même valeur de hachage et s'il n'y en a pas, c'est que l'inode n'est pas utilisé, on l'efface de la liste de son type et on l'ajoute à la liste inode_unused, en incrémentant inodes_stat.nr_unused. Si on trouve des inodes pour la même valeur de hachage, on les efface de la liste de leur type et on les ajoute à la liste inode_unused. Si c'était un inode anonyme (NetApp .snapshot), on l'efface de la liste de son type et on le nettoie/détruit complètement.

Le noyau Linux fournit un mécanisme permettant de créer de nouveaux systèmes de fichiers avec un minimum d'effort, ceci pour des raisons historiques :

1. Dans un monde où les gens utilisent des systèmes d'exploitation non-Linux pour protéger leur investissement dans des logiciels traditionnels, Linux devait permettre l'interopérabilité en supportant une multitude de systèmes de fichiers différents - la plupart n'ayant pas d'intérêt par eux même mais seulement pour la compatibilité avec des systèmes d'exploitation non-Linux.
2. Pour écrire des systèmes de fichiers, les gens devaient disposer d'une interface très simple pour qu'ils puissent faire de la rétroingénierie sur les systèmes de fichiers propriétaires en créant des versions en lecture seule de ceux-ci. En conséquence, le VFS Linux (système de fichiers virtuel) rend vraiment facile l'implémentation de systèmes de fichiers en lecture seule ; 95% du travail réside alors dans l'ajout du support complet en écriture. Pour prendre un exemple concret, j'ai écrit un système de fichiers BFS en lecture seule pour Linux en à peu près 10 heures, mais il m'a fallu plusieurs semaines pour le terminer et avoir un support complet en écriture (et même aujourd'hui certains puristes se plaignent qu'il n'est pas complet car « il ne supporte pas la compactification »).
3. L'interface VFS est exportée, donc tous les systèmes de fichiers Linux peuvent être implémentés en tant que modules.

Considérons les étapes nécessaires à l'implémentation d'un système de fichiers sous Linux.

Le code nécessaire peut soit être un module chargeable dynamiquement, soit être statiquement lié au noyau, ce qui est fait de façon très transparente sous Linux. Il suffit de créer et initialiser une structure struct file_system_type et de l'enregistrer auprès du VFS en utilisant la fonction register_filesystem() comme dans l'exemple de fs/bfs/inode.c :

#include $lt;linux/module.h$gt;
#include $lt;linux/init.h$gt;


static struct super_block *bfs_read_super(struct super_block *, void *, int);

static DECLARE_FSTYPE_DEV(bfs_fs_type, "bfs", bfs_read_super);

static int __init init_bfs_fs(void)
{
        return register_filesystem(&bfs_fs_type);
}

static void __exit exit_bfs_fs(void)
{
        unregister_filesystem(&bfs_fs_type);
}

module_init(init_bfs_fs)
module_exit(exit_bfs_fs)

Les macros module_init()/module_exit() assurent que, lorsque BFS est compilé comme un module, les fonctions init_bfs_fs() et exit_bfs_fs() deviennent respectivement init_module() et cleanup_module() ; si BFS est lié statiquement dans le noyau, le code exit_bfs_fs() disparaît puisqu'il est inutile.

struct file_system_type est déclaré dans include/linux/fs.h :

struct file_system_type {
        const char *name;
        int fs_flags;
        struct super_block *(*read_super) (struct super_block *, void *, int);
        struct module *owner;
        struct vfsmount *kern_mnt; /* Pour monter le noyau, si c'est un FS_SINGLE fs */
        struct file_system_type * next;
};

Les champs eux-mêmes sont décrits ci-dessous :

• name : nom lisible par un être humain, apparaît dans le fichier /proc/filesystems et est utilisé comme clef pour trouver un système de fichiers par son nom ; ce même nom est utilisé pour le type de système de fichiers dans mount(2), et il doit être unique : il ne peut y avoir (évidemment) qu'un seul système de fichiers pour un nom donné. Pour les modules, name pointe sur l'espace d'adressage du module et n'est pas copié : cela veut dire que cat /proc/filesystems peut planter (oops) si le module a été déchargé mais que le système de fichier est toujours enregistré.
• fs_flags : l'un ou plusieurs (combinés par un OU) des drapeaux : FS_REQUIRES_DEV pour les systèmes de fichiers qui ne peuvent être montés que sur un périphérique bloc, FS_SINGLE pour les systèmes de fichiers qui ne peuvent avoir qu'un super-bloc, FS_NOMOUNT pour les systèmes de fichiers qui ne peuvent pas être montés depuis l'espace utilisateur par l'appel système mount(2) : ils peuvent néanmoins être montés en interne en utilisant l'interface kern_mount(), i.e. pipefs (système de fichiers tube).
• read_super : un pointeur sur la fonction qui lit le super-bloc durant l'opération de montage. Cette fonction est requise : si elle n'est pas fournie, l'opération de montage (soit dans l'espace utilisateur soit à l'intérieur du noyau) finira toujours par un échec sauf dans le cas FS_SINGLE où il « Oupsera » dans get_sb_single(), en essayant de déréférencer un pointeur NULL dans fs_type-$gt;kern_mnt-$gt;mnt_sb avec (fs_type-$gt;kern_mnt = NULL).
• owner (propriétaire) : pointeur sur le module qui implémente le système de fichiers. Si le système de fichiers est lié statiquement dans le noyau, il vaut NULL. Vous n'avez pas besoin de le fixer manuellement car la macro THIS_MODULE le fait bien, automatiquement.
• kern_mnt : pour les systèmes de fichiers FS_SINGLE. Positionné par kern_mount() (À FAIRE : kern_mount() devrait refuser de monter des systèmes de fichiers si FS_SINGLE n'est pas positionné).
• next : liage dans une liste chaînée simple ancrée sur file_systems (cf fs/super.c). Cette liste est protégée par le verrou tournant en lecture-écriture file_systems_lock et les fonctions register/unregister_filesystem() la modifient en liant et déliant les entrées de la liste.

Le travail de la fonction read_super() est de remplir les champs du super-bloc, allouer l'inode racine (root) et initialiser toutes les informations privées du système de fichiers associées à cette instance montée de système de fichiers. Donc, typiquement le read_super() :

1. Lira le super-bloc sur le périphérique spécifié via l'argument sb-$gt;s_dev, en utilisant la fonction de cache tampon bread(). S'il prévoit de lire immédiatement d'autres blocs de métadonnées consécutifs, alors cela vaut la peine d'utiliser breada() pour ordonnancer la lecture asynchrone de quelques blocs de plus.
2. Vérifiera que le super-bloc contient un nombre magique valide et que l'ensemble « ait l'air » sain.
3. Initialisera sb-$gt;s_op de façon à ce qu'il pointe sur la structure struct super_block_operations. Cette structure contient les fonctions spécifiques au système de fichiers implémentant des opérations comme « read inode », « delete inode », et cætera.
4. Allouera l'inode racine et le dentry racine en utilisant d_alloc_root().
5. Si le système de fichier est monté en lecture seule alors mettra sb-$gt;s_dirt à 1 et marquera le tampon contenant le super-bloc modifié (À FAIRE : pourquoi est ce que l'on fait ça ? Je l'ai fait dans BFS pour faire comme MINIX_)

Sous Linux il y a plusieurs niveaux d'indirection entre le descripteur de fichier utilisateur et la structure inode du noyau. Quand un processus fait un appel système open(2), le noyau retourne un petit entier non négatif qui peut être utilisé pour les opérations d'entrée/sortie suivantes sur ce fichier. Cet entier est un index dans un tableau de pointeurs sur struct file. Chaque structure de fichier pointe sur un dentry via file-$gt;f_dentry. Et chaque dentry pointe sur un inode via dentry-$gt;d_inode.

Chaque tâche contient un champ tsk-$gt;files qui est un pointeur sur struct files_struct défini dans include/linux/sched.h :

/*
 * Ouvrir la structure du tableau des fichiers
 */
struct files_struct {
        atomic_t count;
        rwlock_t file_lock;
        int max_fds;
        int max_fdset;
        int next_fd;
        struct file ** fd;      /* tableau fd courant */
        fd_set *close_on_exec;
        fd_set *open_fds;
        fd_set close_on_exec_init;
        fd_set open_fds_init;
        struct file * fd_array[NR_OPEN_DEFAULT];
};

file-$gt;count est un compteur de références, incrémenté par get_file() (appelé habituellement par fget()) et décrémenté par fput() et par put_filp(). La différence entre fput() et put_filp(), c'est que fput() fait un travail supplémentaire, nécessaire habituellement pour les fichiers réguliers, comme libérer les verrous flocks ou le dentry, etc, tandis que put_filp() ne fait que manipuler les structures de la table de fichier, i.e. décrémente le compteur, retire le fichier de anon_list et l'ajoute à free_list, sous le contrôle du verrou tournant files_lock.

tsk-$gt;files peut être partagé entre parent et enfant si le thread enfant a été créé en utilisant l'appel système clone() avec CLONE_FILES mis dans l'argument drapeaux. On peut voir cela dans kernel/fork.c:copy_files() (appelé par do_fork()) qui ne fait qu'incrémenter file-$gt;count si CLONE_FILES est mis au lieu de copier la table des descripteurs de fichiers selon l'habitude consacrée par la tradition du classique fork(2) UNIX.

Quand un fichier est ouvert, la structure de fichier allouée pour lui est installée à la position current-$gt;files-$gt;fd[fd] et un bit fd est mis dans le bitmap current-$gt;files-$gt;open_fds. Tout ceci est réalisé sous le contrôle du verrou tournant en lecture-écriture current-$gt;files-$gt;file_lock. Quand le descripteur est fermé, le bit fd est nettoyé dans current-$gt;files-$gt;open_fds et current-$gt;files-$gt;next_fd est rendu égal à fd, indication qui aidera à trouver le premier descripteur libre la prochaine fois que ce processus voudra ouvrir un fichier.

La structure de fichier est déclarée dans include/linux/fs.h :

struct fown_struct {
        int pid;                /* le pid ou -pgrp auquel SIGIO doit être envoyé */
        uid_t uid, euid;        /* uid/euid du processus définissant le propriétaire */
        int signum;             /* le signal posix.1b rt à envoyer sur l'IO */
};

struct file {
        struct list_head        f_list;
        struct dentry           *f_dentry;
        struct vfsmount         *f_vfsmnt;
        struct file_operations  *f_op;
        atomic_t                f_count;
        unsigned int            f_flags;
        mode_t                  f_mode;
        loff_t                  f_pos;
        unsigned long           f_reada, f_ramax, f_raend, f_ralen, f_rawin;
        struct fown_struct      f_owner;
        unsigned int            f_uid, f_gid;
        int                     f_error;

        unsigned long           f_version;
  
        /* nécessaire pour les pilotes de tty, et peut-être pour d'autres */
        void                    *private_data; 
};

Regardons les divers champs de struct file :

1. f_list : ce champ lie la structure de fichiers à une (et une seule) de ces listes : a) sb-$gt;s_files, liste de tous les fichiers ouverts sur le système de fichiers, si l'inode correspondant n'est pas anonyme, alors dentry_open() (appelé par filp_open()) lie le fichier à la liste ; b) fs/file_table.c:free_list, contenant les structures de fichiers inutilisées ; c) fs/file_table.c:anon_list, quand une nouvelle structure de fichier est créée par get_empty_filp(), elle est placée dans cette liste. Toutes ces listes sont protégées par le verrou tournant files_lock.
2. f_dentry : le dentry correspondant à ce fichier. Le dentry est créé au moment de la vérification nameidata par open_namei() (ou plutôt path_walk() qu'elle appelle) mais l'actuel champs file-$gt;f_dentry est fixé par dentry_open() à la valeur du dentry trouvé.
3. f_vfsmnt : le pointeur sur la structure vfsmount du système de fichiers contenant le fichier. C'est fixé par dentry_open() mais provient d'une partie du résultat de la recherche de nameidata par open_namei() (ou plutôt path_init() qu'elle appelle).
4. f_op : le pointeur sur file_operations qui contient diverses méthodes qui peuvent être invoquées sur le fichier. C'est copié depuis inode-$gt;i_fop qui a été placé ici par la méthode spécifique au système de fichiers s_op-$gt;read_inode() durant la recherche de nameidata. On regardera les méthodes file_operations en détail plus loin dans ce chapitre.
5. f_count : compteur de références manipulé par get_file/put_filp/fput.
6. f_flags : Les drapeaux O_XXX de l'appel système open(2) copiés ici (avec de légères modifications par filp_open()) par dentry_open() après nettoyage de O_CREAT, O_EXCL, O_NOCTTY, O_TRUNC - il n'y a pas de raison de les stocker en permanence puisqu'ils ne peuvent pas être modifiés par des appels F_SETFL (ou demandés par F_GETFL) de fcntl(2).
7. f_mode : une combinaison des drapeaux de l'espace utilisateur et du mode, calculée par dentry_open(). Le but de cette manipulation est de stocker les accès en lecture et en écriture dans des bits séparés qu'on puisse tester facilement comme dans (f_mode & FMODE_WRITE) et (f_mode & FMODE_READ).
8. f_pos : la position courante dans le fichier pour la prochaine lecture ou écriture dans le fichier. Sous i386 c'est de type long long, i.e. une variable 64bit.
9. f_reada, f_ramax, f_raend, f_ralen, f_rawin : pour supporter la lecture anticipée (readahead) - trop complexe pour être discuté par des mortels ;)
10. f_owner : propriétaire des entrées/sorties sur le fichier qui recevra les notifications d'entrées/sorties asynchrones via le mécanisme SIGIO (voir fs/fcntl.c:kill_fasync()).
11. f_uid, f_gid - reçoit l'id (identificateur) de l'utilisateur et du groupe du processus qui a ouvert le fichier au moment où la structure de fichier a été créée dans get_empty_filp(). Si le fichier est une socket, c'est utilisé par netfilter ipv4.
12. f_error : utilisé par le client NFS pour retourner les erreurs d'écritures. C'est fixé dans fs/nfs/file.c et vérifié dans mm/filemap.c:generic_file_write().
13. f_version - mécanisme de gestion de version pour l'invalidation des caches, incrémentée (en utilisant la variable globale event) à chaque changement de f_pos.
14. private_data : données privées du fichier qui peuvent être utilisées par le système de fichiers (i.e. coda y stocke les données d'identification) ou par les pilotes de périphériques. Les pilotes de périphériques (en présence de devfs) peuvent utiliser ce champ pour différencier plusieurs instances au lieu d'utiliser le classique nombre mineur encodé dans file-$gt;f_dentry-$gt;d_inode-$gt;i_rdev.

Maintenant regardons la structure file_operations qui contient les méthodes pouvant être invoquées sur les fichiers. Rappelons nous que c'est une copie de inode-$gt;i_fop évalué par la méthode s_op-$gt;read_inode(). Elle est déclarée dans include/linux/fs.h :

struct file_operations {
  struct module *owner;
  loff_t (*llseek) (struct file *, loff_t, int);
  ssize_t (*read) (struct file *, char *, size_t, loff_t *);
  ssize_t (*write) (struct file *, const char *, size_t, loff_t *);
  int (*readdir) (struct file *, void *, filldir_t);
  unsigned int (*poll) (struct file *, struct poll_table_struct *);
  int (*ioctl) (struct inode *, struct file *, unsigned int, unsigned long);
  int (*mmap) (struct file *, struct vm_area_struct *);
  int (*open) (struct inode *, struct file *);
  int (*flush) (struct file *);
  int (*release) (struct inode *, struct file *);
  int (*fsync) (struct file *, struct dentry *, int datasync);
  int (*fasync) (int, struct file *, int);
  int (*lock) (struct file *, int, struct file_lock *);
  ssize_t (*readv) (struct file *, const struct iovec *,
                    unsigned long, loff_t *);
  ssize_t (*writev) (struct file *, const struct iovec *,
                     unsigned long, loff_t *);
};

1. owner : un pointeur sur le module qui possède le sous-système en question. Seuls les pilotes ont besoin de le fixer à THIS_MODULE, heureusement les systèmes de fichiers peuvent l'ignorer car leurs compteurs de modules sont contrôlés au moment de mount/umount alors que les pilotes ont besoin de les contrôler au moment des open/release.
2. llseek : implémente l'appel système lseek(2). Il est habituellement omis et fs/read_write.c:default_llseek() est utilisé, qui fait ce qu'il faut (À FAIRE : forcer tous ceux qui le positionnent à NULL actuellement à utiliser default_llseek - de cette façon nous économisons un if() dans llseek())
3. read : implémente l'appel système read(2). Les systèmes de fichiers peuvent utiliser mm/filemap.c:generic_file_read() pour les fichiers réguliers et fs/read_write.c:generic_read_dir() (qui renvoie simplement -EISDIR) pour les répertoires.
4. write : implémente l'appel système write(2). Les systèmes de fichiers peuvent utiliser mm/filemap.c:generic_file_write() pour les fichiers réguliers et l'ignorer pour les répertoires.
5. readdir : utilisé par le système de fichiers. Ignoré pour les fichiers réguliers, il implémente les appels système readdir(2) et getdents(2) pour les répertoires.
6. poll : implémente les appels système poll(2) et select(2).
7. ioctl : implémente les contrôles d'entrée/sortie des pilotes ou des systèmes de fichiers spécifiques. Remarquez que les ioctls comme FIBMAP, FIGETBSZ, FIONREAD sur les fichiers génériques sont implémentés aux niveaux supérieurs donc ils ne lisent jamais la méthode f_op-$gt;ioctl().
8. mmap : implémente l'appel système mmap(2). Les systèmes de fichiers peuvent utiliser generic_file_mmap ici pour les fichiers réguliers et l'ignorer pour les répertoires.
9. open : appelé au moment de open(2) par dentry_open(). Les systèmes de fichiers l'utilisent rarement, par exemple coda essaie de cacher localement le fichier au moment de l'ouverture.
10. flush : appelé à chaque close(2) de ce fichier, pas nécessairement le dernier (voir la méthode release() plus bas). Le seul système de fichier qui l'utilise est le client NFS, pour vider toutes les pages modifiées. Remarquez qu'il peut retourner une erreur qui sera repassée dans l'espace utilisateur qui a fait l'appel système close(2).
11. release : appelé au dernier close(2) sur ce fichier, i.e. quand file-$gt;f_count atteint 0. Quoiqu'il soit défini comme retournant un entier, la valeur de retour est ignorée par le VFS (voir fs/file_table.c:__fput()).
12. fsync : correspond directement aux appels systèmes fsync(2)/fdatasync(2), le dernier argument spécifiant si c'est fsync ou fdatasync. Aucun travail pratiquement n'est fait par le VFS à ce niveau, sauf faire correspondre le descripteur fichier à une structure de fichier (file = fget(fd)) et monter/descendre le sémaphore inode-$gt;i_sem. Le système de fichiers ext2 ignore actuellement le dernier argument et fait exactement la même chose pour fsync(2) que pour fdatasync(2).
13. fasync : cette méthode est appelée quand file-$gt;f_flags & FASYNC change.
14. lock : la portion spécifique au système de fichier du mécanisme POSIX fcntl(2) de verrouillage de région de fichier. Le seul bug ici est qu'il est appelé après la partie dépendant du système de fichiers (posix_lock_file()), et que s'il réussit alors que le verrou POSIX standard a échoué, il ne sera jamais déverrouillé au niveau dépendant du système de fichiers.
15. readv : implémente l'appel système readv(2).
16. writev : implémente l'appel système writev(2).

Sous Linux, les informations à propos des systèmes de fichiers montés sont gardées dans deux structures séparées - super_block et vfsmount. La raison en est que Linux autorise le montage du même système de fichiers (périphérique bloc) sur plusieurs points de montage, ce qui signifie que le même super_block peut correspondre à des structures vfsmount multiples.

Regardons d'abord struct super_block, déclarée dans include/linux/fs.h :

struct super_block {
    struct list_head        s_list;      /* À laisser au début */
    kdev_t                  s_dev;
    unsigned long           s_blocksize;
    unsigned char           s_blocksize_bits;
    unsigned char           s_lock;
    unsigned char           s_dirt;
    struct file_system_type *s_type;
    struct super_operations *s_op;
    struct dquot_operations *dq_op;
    unsigned long           s_flags;
    unsigned long           s_magic;
    struct dentry           *s_root;
    wait_queue_head_t       s_wait;
    struct list_head        s_dirty;     /* inodes modifiés */
    struct list_head        s_files;

    struct block_device     *s_bdev;
    struct list_head        s_mounts;    /* vfsmount(s) de celui-ci */
    struct quota_mount_options s_dquot;  /* options spécifiques aux quotas */

    union {
            struct minix_sb_info    minix_sb;
            struct ext2_sb_info     ext2_sb;
            ... all filesystems that need sb-private info ...
            void                    *generic_sbp;
    } u;
   /*
    * Le champ suivant n'est *que* pour VFS. Aucun système de fichiers 
    * n'a affaire à lui, même pour jeter un oeil. Vous aurez été 
    * prévenus.
    */
    struct semaphore s_vfs_rename_sem;    /* Usine à gaz */

   /* Le champ suivant est utilisé par knfsd pour convertir un handle de  
    * fichier (basé sur le numéro d'inode) en un dentry. Lorsqu'il dessine  
    * un chemin dans l'arbre du dcache à partir du bas, il peut y avoir 
    * provisoirement un sous-chemin de dentrys qui n'est pas connecté à 
    * l'arbre principal. Ce sémaphore assure qu'il n'y ait jamais qu'un seul
    * chemin libéré ainsi par système de fichiers. Noter qu'avoir des 
    * fichiers (ou n'importe quoi d'autre, en dehors d'un répertoire) 
    * non connectés est autorisé, mais pas d'avoir des répertoires non 
    * connectés_
    */
    struct semaphore s_nfsd_free_path_sem;
};

Les différents champs de la structure super_block sont :

1. s_list : une liste doublement chaînée de tous les super-blocs actifs ; remarquez que je ne dis pas « de tous les systèmes de fichiers montés » car sous Linux on peut avoir plusieurs instances d'un système de fichiers montées correspondant à un seul super-bloc.
2. s_dev : pour les systèmes de fichiers qui requièrent qu'un bloc soit monté, i.e. pour les systèmes de fichiers FS_REQUIRES_DEV, c'est le i_dev du périphérique bloc. Pour les autres (appelés systèmes de fichiers anonymes) c'est un entier MKDEV(UNNAMED_MAJOR, i) où i est le premier bit non positionné dans le tableau unnamed_dev_in_use, de 1 à 255 inclus. Voir fs/super.c:get_unnamed_dev()/put_unnamed_dev(). Il a été suggéré plusieurs fois que les systèmes de fichiers anonymes n'utilisent pas le champ s_dev.
3. s_blocksize, s_blocksize_bits : taille de bloc (blocksize) et log2(blocksize).
4. s_lock : indique si le super-bloc est actuellement verrouillé par lock_super()/unlock_super().
5. s_dirt : mis quand le super-bloc est modifié, et enlevé à chaque fois qu'il est copié sur le disque.
6. s_type : pointeur sur struct file_system_type du système de fichiers correspondant. La méthode read_super() du système de fichiers n'a pas besoin de le positionner puisque le VFS fs/super.c:read_super() le fait pour vous si read_super() spécifique au système de fichiers réussit et le réinitialise à NULL si elle échoue.
7. s_op : pointeur sur la structure super_operations qui contient les méthodes spécifiques au fs pour lire/écrire les inodes, et cætera. Il revient à la méthode read_super() du système de fichiers d'initialiser correctement s_op.
8. dq_op : les opérations de quota disque.
9. s_flags : les drapeaux du super-bloc.
10. s_magic : le nombre magique du système de fichiers. Utilisé par les systèmes de fichiers minix pour en différencier les multiples versions.
11. s_root : dentry de la racine du système de fichier. Il revient à read_super() de lire l'inode racine sur le disque et de le passer à d_alloc_root() pour allouer le dentry et l'instancier. Certains systèmes de fichiers écrivent « root » (racine) autrement que « / » et utilisent alors la fonction plus générique d_alloc() pour attacher le dentry à un nom, par exemple pipefs se monte lui-même sur « pipe: » comme sa propre racine au lieu de « / ».
12. s_wait : file d'attente des processus attendant que le super-bloc soit déverrouillé.
13. s_dirty : une liste de tous les inodes modifiés (dirty). Rappelez vous que si un inode est modifié (inode-$gt;i_state & I_DIRTY), il est dans la liste des inodes modifiés spécifique au super-bloc lié via inode-$gt;i_list.
14. s_files : une liste de tous les fichiers ouverts sur ce super-bloc. Utile pour décider si un système de fichiers peut être remonté en lecture seule, voir fs/file_table.c:fs_may_remount_ro() qui explore la liste sb-$gt;s_files et refuse le remontage s'il y a des fichiers ouverts en écriture (file-$gt;f_mode & FMODE_WRITE) ou des fichiers avec un effacement (unlink) suspendu (inode-$gt;i_nlink == 0).
15. s_bdev : pour FS_REQUIRES_DEV, il pointe sur une structure de périphérique bloc décrivant le périphérique sur lequel le système de fichiers est monté.
16. s_mounts : une liste de toutes les structures vfsmount, une pour chaque instance montée de ce super-bloc.
17. s_dquot : encore pour les quotas disque.

Les opérations du super-bloc sont décrites dans la structure super_operations déclarée dans include/linux/fs.h :

struct super_operations {
        void (*read_inode) (struct inode *);
        void (*write_inode) (struct inode *, int);

        void (*put_inode) (struct inode *);
        void (*delete_inode) (struct inode *);
        void (*put_super) (struct super_block *);
        void (*write_super) (struct super_block *);
        int (*statfs) (struct super_block *, struct statfs *);
        int (*remount_fs) (struct super_block *, int *, char *);
        void (*clear_inode) (struct inode *);
        void (*umount_begin) (struct super_block *);
};

1. read_inode : lit l'inode sur le système de fichiers. Est appelée seulement depuis fs/inode.c:get_new_inode() depuis iget4() (et donc iget()). Si un système de fichiers veut utiliser iget(), alors read_inode() doit être implémentée - autrement get_new_inode() va paniquer. Pendant que l'inode est lu, il est verrouillé (inode-$gt;i_state = I_LOCK). Quand la fonction retourne, tous les processus en attente de inode-$gt;i_wait sont réveillés. Le rôle de la méthode read_inode() du système de fichier est de localiser le bloc du disque qui contient l'inode à lire, elle utilise la fonction du cache tampon bread() pour le lire et initialiser les différents champs de la structure de l'inode, par exemple les inode-$gt;i_op et inode-$gt;i_fop pour qu'au niveau du VFS on sache quelles opérations peuvent être effectuées sur l'inode ou le fichier correspondant. Les systèmes de fichiers qui n'implémentent pas read_inode() sont ramfs et pipefs. Par exemple, ramfs a sa propre fonction ramfs_get_inode() de génération d'inodes et toutes les opérations sur les inodes l'appellent quand il faut.
2. write_inode : écrit l'inode sur le disque. Similaire à read_inode() dans ce qu'elle a besoin de localiser le bloc disque pertinent et d'interagir avec le cache tampon en appelant mark_buffer_dirty(bh). Cette méthode est appelée sur les inodes modifiés (ceux marqués modifiés avec mark_inode_dirty()) quand les inodes ont besoin d'être synchronisés individuellement ou lors de la synchronisation du système de fichiers complet.
3. put_inode : appelée à chaque fois que le compteur de références est décrémenté.
4. delete_inode : appelé dès qu'à la fois inode-$gt;i_count et inode-$gt;i_nlink atteignent 0. Le système de fichiers efface la copie sur le disque de l'inode et appelle clear_inode() sur l'inode du VFS pour « l'exécuter sans autre forme de procès ».
5. put_super : appelé dans les dernières étapes de l'appel système umount(2) pour notifier au système de fichiers que toutes les variables privées qu'il détient concernant cette instance doivent être libérées. Typiquement il voudra brelse() le verrou contenant le super-bloc et kfree() tous les bitmaps alloués pour les blocs libres, inodes, et cætera.
6. write_super : appelé quand il faut écrire le super-bloc sur le disque. Il devra trouver le bloc contenant le super-bloc (habituellement conservé dans la zone sb-private) et mark_buffer_dirty(bh) . Il doit aussi nettoyer le drapeau sb-$gt;s_dirt.
7. statfs : implémente les appels systèmes fstatfs(2)/statfs(2). Remarquez que le pointeur sur struct statfs passé en argument est un pointeur noyau, pas un pointeur utilisateur donc nous n'avons besoin de faire aucune entrée/sortie depuis/vers l'espace utilisateur. Si statfs(2) n'est pas implémentée alors elle échouera avec ENOSYS.
8. remount_fs : appelé à chaque fois qu'il faut remonter le système de fichiers.
9. clear_inode : appelée depuis clear_inode() au niveau VFS. Les systèmes de fichiers qui attachent des données privées à la structure d'inode (via le champ generic_ip) doivent les libérer ici.
10. umount_begin : appelé durant un démontage forcé pour que le système de fichiers soit prévenu d'avance et fasse de son mieux pour éviter de rester occupé. Utilisé uniquement par NFS actuellement. Ceci n'a rien à voir avec l'idée d'un support générique du démontage forcé au niveau VFS.

Alors regardons ce qu'il se passe quand nous montons un système de fichiers présent sur un disque (FS_REQUIRES_DEV). L'implémentation de l'appel système mount(2) est dans fs/super.c:sys_mount() qui n'est qu'un emballage qui copie les options, le type de système de fichiers et le nom du périphérique pour la fonction do_mount() qui fait réellement le travail :

1. Le pilote du système de fichiers est chargé si besoin est et le compteur de références du module est incrémenté. Remarquez que pendant l'opération de montage, le compteur de références du module du système de fichiers est incrémenté deux fois - une fois par do_mount() lors de l'appel à get_fs_type() et une fois par get_sb_dev() lors de l'appel à get_filesystem() si read_super() a réussi. Le premier incrément est là pour éviter que le module soit déchargé pendant que nous sommes dans la méthode read_super() et le second pour indiquer que le module est utilisé par l'instance montée considérée. Évidemment, do_mount() décrémente le compteur avant de retourner, donc finalement le compteur n'augmente que de 1 après chaque montage.
2. Puisque dans notre cas fs_type-$gt;fs_flags & FS_REQUIRES_DEV est vrai, le super-bloc est initialisé par un appel à get_sb_bdev() qui obtient la référence des périphériques de bloc et interagit avec la méthode read_super() du système de fichiers pour remplir le super-bloc. Si tout se passe bien, la structure super_block est initialisée et nous avons une référence de plus au module du système de fichiers et une référence au périphérique de bloc sous-jacent.
3. Une nouvelle structure vfsmount est allouée et liée à la liste sb-$gt;s_mounts et à la liste globale vfsmntlist. Le champ mnt_instances de vfsmount permet de trouver toutes les instances montées sur notre super-bloc. Le champ mnt_list permet de trouver toutes les instances pour tous les super-blocs du système. Le champ mnt_sb pointe sur le super-bloc et mnt_root obtient une nouvelle référence sur le dentry sb-$gt;s_root.

Comme exemple simple de système de fichiers qui ne requiert pas un périphérique bloc pour être monté, considérons pipefs dans fs/pipe.c. Le préambule de ce fichier va droit au but et ne nécessite guère d'explications :

static DECLARE_FSTYPE(pipe_fs_type, "pipefs", pipefs_read_super,
        FS_NOMOUNT|FS_SINGLE);

static int __init init_pipe_fs(void)
{
        int err = register_filesystem(&pipe_fs_type);
        if (!err) {
                pipe_mnt = kern_mount(&pipe_fs_type);
                err = PTR_ERR(pipe_mnt);
                if (!IS_ERR(pipe_mnt))
                        err = 0;
        }
        return err;
}

static void __exit exit_pipe_fs(void)
{
        unregister_filesystem(&pipe_fs_type);
        kern_umount(pipe_mnt);
}

module_init(init_pipe_fs)
module_exit(exit_pipe_fs)

Le système de fichiers est du type FS_NOMOUNT|FS_SINGLE, ce qui signifie qu'il ne peut pas être monté depuis l'espace utilisateur et qu'il ne peut avoir qu'un super-bloc dans tout le système. Dire que le fichier est de type FS_SINGLE signifie aussi qu'il doit être monté via kern_mount() une fois qu'il a réussi à s'enregistrer via register_filesystem(), et c'est exactement ce qui se passe dans init_pipe_fs(). Le seul bug de cette fonction est que si kern_mount() échoue (i.e. parce que kmalloc() échoue dans l'allocation add_vfsmnt()), alors le système de fichiers reste enregistré tandis que l'initialisation du module a échoué. Ce qui fera « planter » cat /proc/filesystems. (je viens juste d'envoyer un patch à Linus mentionnant cela, bien que ce ne soit pas un vrai bug aujourd'hui car pipefs ne peut pas être compilé comme un module, la fonction devrait être réécrite en gardant à l'esprit que dans le futur il pourrait devenir un module).

Le résultat de register_filesystem() est que pipe_fs_type est lié à la liste file_systems si bien qu'on peut lire /proc/filesystems et y trouver l'entrée « pipefs » avec un drapeau « nodev » indiquant que FS_REQUIRES_DEV n'est pas mis. Il faudrait vraiment améliorer le fichier /proc/filesystems pour qu'il supporte tous les nouveaux drapeaux FS_ (et j'ai écrit un patch pour le faire) mais on ne peut pas le faire parce que cela planterait toutes les applications utilisateur qui l'utilisent. Bien que les interfaces du noyau Linux changent toutes les cinq minutes (toujours en mieux), quand on en vient à la compatibilité dans l'espace utilisateur, Linux est un système d'exploitation très conservateur qui permet à beaucoup d'applications d'être utilisées longtemps sans recompilation.

Le résultat de kern_mount() est que :

1. Un nouveau numéro de périphérique non nommé (anonyme) est alloué en positionnant un bit dans le bitmap unnamed_dev_in_use; s'il n'y a plus de bit disponible, alors kern_mount() échoue avec EMFILE.
2. Une nouvelle structure de super-bloc est allouée par le biais de get_empty_super(). La fonction get_empty_super() parcourt la liste des super-blocs ancrée sur super_block et cherche une entrée vide, i.e. s-$gt;s_dev == 0. Si on ne trouve pas de super-bloc vide, on en alloue un nouveau en utilisant kmalloc() à la priorité GFP_USER. Le nombre maximum de super-blocs dans tout le système est vérifié dans get_empty_super(), donc s'il commence à y avoir des échecs, on peut ajuster le réglage /proc/sys/fs/super-max.
3. Une méthode spécifique au système de fichiers pipe_fs_type-$gt;read_super(), i.e. pipefs_read_super(), est invoquée qui alloue l'inode racine et le dentry racine sb-$gt;s_root, et affecte la valeur &pipefs_ops à sb-$gt;s_op.
4. Alors kern_mount() appelle add_vfsmnt(NULL, sb-$gt;s_root, "none"), qui alloue une nouvelle structure vfsmount et la lie à vfsmntlist et sb-$gt;s_mounts.
5. Cette nouvelle structure vfsmount est affectée à pipe_fs_type-$gt;kern_mnt qui est retourné. La raison pour laquelle la valeur retournée par kern_mount() est une structure vfsmount est que même les systèmes de fichiers FS_SINGLE peuvent être montés plusieurs fois et qu'alors leurs mnt-$gt;mnt_sb pointeraient sur la même variable qu'il serait idiot de retourner à chaque appel à kern_mount().

Maintenant que le système de fichiers est enregistré et monté dans le noyau, nous pouvons l'utiliser. Le point d'entrée du système de fichiers pipefs est l'appel système pipe(2), implémenté dans la fonction sys_pipe() dépendante de l'architecture mais le travail effectif est fait par une fonction portable fs/pipe.c:do_pipe(). Regardons do_pipe(). Les interactions avec pipefs se produisent quand do_pipe() appelle get_pipe_inode() pour allouer un nouvel inode pipefs. Pour cet inode, inode-$gt;i_sb prend la valeur du super-bloc de pipefs pipe_mnt-$gt;mnt_sb, les opérations fichier i_fop sont mises à rdwr_pipe_fops et le nombre de lecteurs et d'écrivains (contenu dans inode-$gt;i_pipe) est fixé à 1. La raison pour maintenir un champ inode i_pipe séparé au lieu de le laisser dans l'union fs-private est que les tubes (pipes) et les FIFO partagent le même code et les FIFO peuvent exister sur d'autre systèmes de fichier qui utilisent d'autres chemins d'accès dans la même union, ce qui est du très mauvais C et ne fonctionne que par pur hasard. Alors, oui, les noyaux 2.2.x fonctionnent par chance et s'arrêteront dès que vous réarrangerez tant soit peu les champs dans l'inode.

Chaque appel système pipe(2) incrémente un compteur de références de l'instance pipe_mnt.

Sous Linux, les pipes ne sont pas symétrique (pipes bidirectionnels ou STREAM), i.e. les deux côtés du fichier ont des opérations file-$gt;f_op différentes - read_pipe_fops et write_pipe_fops respectivement. Écrire sur le côté lecture retourne EBADF de même que lire sur le côté écriture.

Comme exemple simple d'un système de fichiers Linux sur disque, considérons BFS. Le préambule du module BFS est dans fs/bfs/inode.c :

static DECLARE_FSTYPE_DEV(bfs_fs_type, "bfs", bfs_read_super);

static int __init init_bfs_fs(void)
{
        return register_filesystem(&bfs_fs_type);
}

static void __exit exit_bfs_fs(void)
{
        unregister_filesystem(&bfs_fs_type);
}

module_init(init_bfs_fs)
module_exit(exit_bfs_fs)

Une macro spéciale pour déclarer le fstype DECLARE_FSTYPE_DEV() est utilisée pour mettre le fs_type-$gt;flags à FS_REQUIRES_DEV ce qui signifie que BFS requiert un vrai périphérique bloc pour être monté.

La fonction d'initialisation du module enregistre le système de fichiers auprès du VFS et la fonction de nettoyage (présente seulement quand BFS est configuré en tant que module) le dés-enregistre.

Une fois le système de fichiers enregistré, on peut procéder au montage, ce qui invoquera la méthode fs_type-$gt;read_super() implémentée dans fs/bfs/inode.c:bfs_read_super(). Elle fait ce qui suit :

1. set_blocksize(s-$gt;s_dev, BFS_BSIZE) : comme nous sommes sur le point d'interagir avec le périphérique bloc via le cache tampon, on doit initialiser quelques trucs, à savoir fixer la taille de bloc et aussi informer le VFS via les champs s-$gt;s_blocksize et s-$gt;s_blocksize_bits.
2. bh = bread(dev, 0, BFS_BSIZE) : on lit le bloc 0 du périphérique passé via s-$gt;s_dev. Ce bloc est le super-bloc du système de fichiers.
3. Le super-bloc est validé par son nombre BFS_MAGIC, et, s'il est valide, est stocké dans le champ sb-private s-$gt;su_sbh (qui est en réalité s-$gt;u.bfs_sb.si_sbh).
4. Alors on alloue le bitmap d'inodes en utilisant kmalloc(GFP_KERNEL) et on remet tous les bits à 0 sauf les deux premiers que l'on met à 1 pour indiquer qu'il ne faut jamais allouer les inodes 0 et 1. Le 2 est l'inode racine et le bit correspondant sera mis à 1 quelques lignes plus tard de toutes façons - le système de fichiers doit avoir un inode racine valide au moment du montage !
5. Puis on initialise s-$gt;s_op, donc on pourra maintenant invoquer le cache inode via iget(), ce qui revient à invoquer s_op-$gt;read_inode(). On trouve le bloc contenant l'inode spécifié (par inode-$gt;i_ino et inode-$gt;i_dev) et on le lit. Si on n'arrive pas à avoir l'inode racine, on libère le bitmap d'inodes ainsi que le tampon du super-bloc dans le tampon de cache et on renvoie NULL. Si l'inode racine était OK en lecture, on alloue un dentry de nom "/" (puisqu'il devient racine) et on l'instancie avec cet inode.
6. Maintenant on parcourt tous les inodes du système de fichiers et on les lit dans le but de positionner les bits correspondants dans notre bitmap d'inodes interne et aussi de calculer d'autres paramètres internes comme le décalage du dernier inode et les blocs de début/fin du dernier fichier. Chaque inode qu'on lit est renvoyé dans le cache inode via iput() - on ne conserve pas de référence sur lui plus longtemps que nécessaire.
7. Si le système de fichiers n'a pas été monté en lecture seule (read_only), on marque le tampon du super-bloc modifié (dirty) et on met le drapeau s-$gt;s_dirt (À FAIRE : Pourquoi faire ça ? A l'origine, je l'ai fait parce que minix_read_super() le fait mais ni minix ni BFS ne semblent modifier le super-bloc dans read_super()).
8. Tout est bon, donc on retourne le super-bloc initialisé à l'appelant au niveau du VFS, i.e. fs/super.c:read_super().

Quand la fonction read_super() est retournée avec succès, le VFS obtient une référence sur le module du système de fichiers via l'appel à get_filesystem(fs_type) dans fs/super.c:get_sb_bdev() et une référence au périphérique bloc.

Maintenant, examinons ce qu'il se passe quand on fait une entrée/sortie sur le système de fichiers. Nous avons déjà examiné comment les inodes sont lus quand iget() est appelé et comment ils sont relâchés sur un iput(). La lecture des inodes configure, parmi d'autres choses, inode-$gt;i_op et inode-$gt;i_fop ; l'ouverture d'un fichier propage inode-$gt;i_fop vers file-$gt;f_op.

Parcourons le code de l'appel système link(2). L'implémentation de l'appel système est dans fs/namei.c:sys_link() :

1. Les noms de l'espace utilisateurs sont copiés dans l'espace noyau par le biais de la fonction getname() qui effectue les vérifications d'erreurs.
2. Ces noms sont convertis au format nameidata en utilisant l'interaction path_init()/path_walk() avec le dcache. Le résultat est stocké dans les structures old_nd et nd.
3. Si old_nd.mnt != nd.mnt alors le lien interpériphériques (cross-device link) EXDEV est retourné - on ne peut pas lier entre systèmes de fichiers, ce qui sous Linux se traduit par - on ne peut pas lier entre les instances montées d'un système de fichiers (ou, en particulier entre systèmes de fichiers).
4. Un nouveau dentry correspondant à nd est créé par lookup_create() .
5. Une fonction générique vfs_link() est appelée qui vérifie si on peut créer une nouvelle entrée dans le répertoire puis invoque la méthode dir-$gt;i_op-$gt;link() qui nous ramène à la fonction fs/bfs/dir.c:bfs_link() spécifique au système de fichiers.
6. Dans bfs_link(), on teste si c'est un répertoire qu'on essaye de lier et si oui, on refuse avec l'erreur EPERM. C'est le même comportement que le standard (ext2).
7. On essaie d'ajouter la nouvelle entrée de répertoire au répertoire spécifié en appelant la fonction bfs_add_entry() qui parcourt toutes les entrées en cherchant une place inutilisée (de-$gt;ino == 0) et, quand elle en trouve une, écrit la paire nom/inode dans le bloc correspondant et le marque modifié (avec une priorité non-super-bloc).
8. Si on a réussi à ajouter l'entrée de répertoire, il n'y plus de risque que l'opération échoue donc on incrémente inode-$gt;i_nlink, met à jour inode-$gt;i_ctime et marque l'inode modifiée tout en créant la nouvelle instance de dentry avec l'inode.

D'autres opérations sur les inodes comme unlink()/rename(), etc, fonctionnent de la même façon, cela ne vaut pas la peine de les expliquer toutes en détails.

Linux supporte le chargement des binaires des applications utilisateur depuis les disques. Plus intéressant, les binaires peuvent être stockés sous différents formats et la réponse du système d'exploitation aux programmes via les appels systèmes peut dévier de la norme (la norme étant le comportement de Linux) si nécessaire, afin d'émuler le comportement d'appels systèmes d'autre versions (Solaris, UnixWare, etc). C'est à cela que servent les domaines d'exécution et les formats binaires.

Chaque tâche Linux a une personnalité stockée dans sa task_struct (p-$gt;personality). Les personnalités existantes à l'heure actuelle (soit dans le noyau officiel ou par l'ajout d'un patch) incluent le support pour FreeBSD, Solaris, UnixWare, OpenServer et beaucoup d'autres systèmes d'exploitation populaires. La valeur de current-$gt;personality se décompose en deux partie :

1. les trois octets hauts - émulation de bug : STICKY_TIMEOUTS, WHOLE_SECONDS, et cætera.
2. l'octet du bas - personnalité propre, un nombre unique.

En changeant la personnalité, on peut changer la façon dont le système d'exploitation traite certains appels système, par exemple l'ajout de STICKY_TIMEOUT à current-$gt;personality fait que l'appel système select(2) préserve la valeur du dernier argument (timeout) au lieu de stocker le temps d'activité. Quelques programmes bogués comptent sur des systèmes d'exploitation bogués (pas Linux) et donc Linux fournit un moyen d'émuler les bugs dans les cas où le code source n'est pas disponible et donc que les bugs ne peuvent pas être corrigés.

Le domaine d'exécution est un ensemble de personnalités contiguës implémentées par un seul module. Habituellement, il y a un seul domaine d'exécution qui implémente une seule personnalité, mais quelquefois il est possible d'implémenter des personnalités « proches » dans un seul module sans trop de conditions à remplir.

Les domaines d'exécution sont implémentés dans kernel/exec_domain.c et ont été complètement récrits pour les noyaux 2.4, par rapport aux 2.2.x. La liste des domaines d'exécution couramment supportés par le noyau, avec l'ensemble des personnalités qu'ils supportent, est disponible dans le fichier /proc/execdomains. Les domaines d'exécution, à l'exception de PER_LINUX, peuvent être implémentés comme des modules chargeables dynamiquement.

L'interface utilisateur consiste en l'appel système personality(2), qui fixe la personnalité actuelle du processus ou renvoie la valeur de current-$gt;personality quand l'argument personnalité a la valeur impossible 0xffffffff. Évidemment, le comportement de cet appel système lui-même ne dépend pas de la personnalité.

L'interface noyau pour l'enregistrement des domaines d'exécution est constituée de deux fonctions :

• int register_exec_domain(struct exec_domain *) : enregistre le domaine d'exécution en le liant à la liste chaînée simple exec_domains sous la protection en écriture du verrou tournant exec_domains_lock. Renvoie 0 pour un succès, différent de zéro pour un échec.
• int unregister_exec_domain(struct exec_domain *) : dés-enregistre le domaine d'exécution en le déliant de la liste exec_domains, en utilisant encore le verrou tournant exec_domains_lock en mode écriture. Renvoie 0 en cas de succès.

La raison pour laquelle exec_domains_lock est en lecture-écriture est que seules les requêtes d'enregistrement et de dés-enregistrement modifient la liste, tandis que faire cat /proc/filesystems appelle fs/exec_domain.c:get_exec_domain_list(), qui n'a besoin que d'un accès en lecture à la liste. L'enregistrement d'un nouveau domaine d'exécution définit un « lcall7 handler » et une table de conversion des numéros de signaux. Actuellement, le patch ABI étend ce concept de domaine d'exécution pour inclure des informations supplémentaires (comme les options de socket, les types de socket, les familles d'adresses, les tables d'errno (symboles d'erreurs)).

Les formats binaires sont implémentés de manière similaire, i.e. une liste chaînée simple de formats est définie dans fs/exec.c et est protégée par un verrou binfmt_lock en lecture-écriture. Comme pour exec_domains_lock, le binfmt_lock en lecture est posé dans la plupart des cas sauf pour les enregistrements/dés-enregistrements de format binaire. L'enregistrement d'un nouveau format étend l'appel système execve(2) par de nouvelles fonctions load_binary()/load_shlib() ainsi que core_dump(). La méthode load_shlib() n'est utilisée que par le vieil appel système uselib(2) pendant que la méthode load_binary() est appelée par search_binary_handler() depuis do_execve() qui implémente l'appel système execve(2).

La personnalité du processus est déterminée au chargement du format binaire par la méthode load_binary() correspondante en utilisant quelques heuristiques. Par exemple, pour reconnaître les binaires UnixWare7, on marque d'abord le binaire en utilisant l'utilitaire elfmark(1), qui fixe e_flags de l'entête ELF à la valeur magique 0x314B4455 qui a été détectée au moment du chargement ELF et la personnalité courante current-$gt;personality est mise à PER_UW7. Si cette heuristique échoue, alors on en utilise une plus générique, telle que considérer que si l'emplacement de l'interpréteur ELF est /usr/lib/ld.so.1 ou /usr/lib/libc.so.1, ceci indique que le binaire est un SVR4 et mettre alors la personnalité à PER_SVR4. On peut écrire un petit programme utilitaire qui utilise les capacités du ptrace(2) de Linux pour exécuter le code pas à pas et ainsi forcer un programme à s'exécuter dans n'importe quelle personnalité.

Une fois que la personnalité est connue (et par conséquent current-$gt;exec_domain), les appels système sont pris en charge comme suit. Admettons que le processus fasse un appel système par le biais de l'instruction de porte lcall7. Cela transfert le contrôle à ENTRY(lcall7) de arch/i386/kernel/entry.S comme cela a été préparé dans arch/i386/kernel/traps.c:trap_init(). Après avoir converti la disposition de la pile de façon appropriée, entry.S:lcall7 obtient un pointeur sur exec_domain depuis current puis le décalage (offset) du gestionnaire lcall7 dans exec_domain (qui est fixé en dur à 4 dans le code assembleur, si bien que vous ne pouvez pas décaler le champ handler dans la déclaration C de la structure struct exec_domain) et va là bas. Donc, en C, ça ressemble à ceci :

static void UW7_lcall7(int segment, struct pt_regs * regs)
{
       abi_dispatch(regs, &uw7_funcs[regs-$gt;eax & 0xff], 1);
}

où abi_dispatch() est une enveloppe autour de la table des pointeurs de fonction qui implémente les appels système uw7_funcs de la personnalité actuelle.

Les fonctions décrites dans cette partie implémentent les mécanismes de sémaphore au niveau utilisateur. Remarquez que cette implémentation repose sur l'utilisation des sémaphores et des verrous tournants du noyau. Pour éviter toute confusion, le terme « sémaphore noyau » sera utilisé en référence aux sémaphores du noyau. Toutes les autres utilisations du mot « sémaphore » feront référence aux sémaphores du niveau utilisateur.

VI-A-1. Interfaces d'appels système des sémaphores▲

VI-A-2. Structures spécifiques au support des sémaphores▲

/* Une structure de données sem_array pour chaque ensemble de sémaphores 
   du système. */ 
struct sem_array {
    struct kern_ipc_perm sem_perm; /* permissions - voir ipc.h */
    time_t sem_otime; /* instant du dernier semop */
    time_t sem_ctime; /* instant du dernier changement */
    struct sem *sem_base; /* pointe sur le premier sémaphore du tableau */
    struct sem_queue *sem_pending; /* opérations suspendues à exécuter */
    struct sem_queue **sem_pending_last; /* dernière operation suspendue */
    struct sem_undo *undo; /* les undos demandés pour ce tableau * /
    unsigned long sem_nsems; /* aucun sémaphore dans le tableau */
};

/* Une structure de sémaphore pour chaque sémaphore du système. */
struct sem {
    int     semval;     /* valeur courante */
    int     sempid;     /* pid de la dernière opération */
};

struct  seminfo {
    int semmap;
    int semmni;
    int semmns;
    int semmnu;
    int semmsl;
    int semopm;
    int semume;
    int semusz;
    int semvmx;
    int semaem;
};

struct semid64_ds {
    struct ipc64_perm sem_perm;  /* permissions - voir ipc.h */
    __kernel_time_t sem_otime;   /* instant du dernier semop */
    unsigned long   __unused1;
    __kernel_time_t sem_ctime;   /* instant de la dernière modification */
    unsigned long   __unused2;
    unsigned long   sem_nsems;   /* aucun sémaphore dans le tableau */
    unsigned long   __unused3;
    unsigned long   __unused4;
};

/* Une . */
struct sem_queue {
  struct sem_queue *  next;    /* entrée suivante dans la file */
  struct sem_queue ** prev;    /* entrée précédente dans la file, */
                               /* *(q-$gt;prev) == q */
  struct task_struct* sleeper; /* ce processus */
  struct sem_undo *   undo;    /* structure d'undo  */
  int                 pid;     /* identificateur du processus demandeur */
  int                 status;  /* statut d'exécution de l'opération */
  struct sem_array *  sma;     /* tableau de sémaphores pour les operations */
  int                 id;      /* identificateur interne du sémaphore */
  struct sembuf *     sops;    /* tableau des opérations suspendues */
  int                 nsops;   /* nombre d'opérations */
  int                 alter;   /* l'opération va modifier le sémaphore */
};

/* les appels systèmes semop prennent un tableau de ceux-ci. */
struct sembuf {
    unsigned short  sem_num;        /* index du sémaphore dans le tableau */
    short           sem_op;         /* operation sur le sémaphore */
    short           sem_flg;        /* options */
};

/* Chaque tâche a sa liste d'opérations à annuler. Les annulations sont 
 * faites automatiquement quand le processus se termine.
 */
struct sem_undo {
  struct sem_undo *  proc_next;  /* entrée suivante pour ce processus */
  struct sem_undo *  id_next;    /* entrée suivante pour cet ensemble */
                                 /* de sémaphores */
  int                semid;      /* identificateur de l'ensemble de sémaphores */
  short *            semadj;     /* tableau d'adaptations, une par sémaphore */
};

VI-A-3. Les fonctions du support des sémaphores▲

VI-B-1. L'interface d'appel système des messages▲

VI-B-2. Structures spécifiques aux messages▲

/* une structure msq_queue pour chaque file présente dans le système */
struct msg_queue {
        struct kern_ipc_perm q_perm;
        time_t q_stime;                 /* instant du dernier msgsnd */
        time_t q_rtime;                 /* instant du dernier msgrcv */
        time_t q_ctime;                 /* instant du dernier changement */
        unsigned long q_cbytes;         /* nb actuel d'octets dans la file */
        unsigned long q_qnum;           /* nb de messages dans la file */
        unsigned long q_qbytes;         /* nb maxi d'octets dans la file */
        pid_t q_lspid;                  /* pid du dernier msgsnd */
        pid_t q_lrpid;                  /* pid de la dernière réception */

        struct list_head q_messages;
        struct list_head q_receivers;
        struct list_head q_senders;
};

/* une structure msg_msg pour chaque message */
struct msg_msg {
        struct list_head m_list;
        long  m_type;
        int m_ts;           /* taille du texte du message */
        struct msg_msgseg* next;
        /* le message proprement dit suit immédiatement */
};

/* un segment de message pour chaque message */
struct msg_msgseg {
        struct msg_msgseg* next;
        /* la partie suivante du message suit immédiatement */
};

/* un msg_sender pour chaque émetteur endormi */
struct msg_sender {
        struct list_head list;
        struct task_struct* tsk;
};

/* une structure msg_receiver pour chaque émetteur endormi */
struct msg_receiver {
        struct list_head r_list;
        struct task_struct* r_tsk;

        int r_mode;
        long r_msgtype;
        long r_maxsize;

        struct msg_msg* volatile r_msg;
};

struct msqid64_ds {
        struct ipc64_perm msg_perm;
        __kernel_time_t msg_stime;      /* instant du dernier msgsnd */
        unsigned long   __unused1;
        __kernel_time_t msg_rtime;      /* instant du dernier msgrcv */
        unsigned long   __unused2;
        __kernel_time_t msg_ctime;      /* instant du dernier changement */
        unsigned long   __unused3;
        unsigned long  msg_cbytes;      /* nb actuel d'octets dans la file */
        unsigned long  msg_qnum;        /* nb de messages dans la file */
        unsigned long  msg_qbytes;      /* nb max d'octets dans la file */
        __kernel_pid_t msg_lspid;       /* pid du dernier msgsnd */
        __kernel_pid_t msg_lrpid;       /* pid de la dernière réception */
        unsigned long  __unused4;
        unsigned long  __unused5;
};

struct msqid_ds {
        struct ipc_perm msg_perm;
        struct msg *msg_first;          /* premier message de la file, inutilisé  */
        struct msg *msg_last;           /* dernier message de la file, inutilisé */
        __kernel_time_t msg_stime;      /* instant du dernier msgsnd  */
        __kernel_time_t msg_rtime;      /* instant du dernier msgrcv */
        __kernel_time_t msg_ctime;      /* instant du dernier changement */
        unsigned long  msg_lcbytes;     /* recycler les champs pour 32 bits */
        unsigned long  msg_lqbytes;     /* idem */
        unsigned short msg_cbytes;      /* nb actuel d'octets dans la file */
        unsigned short msg_qnum;        /* nb de messages dans la file */
        unsigned short msg_qbytes;      /* nb max d'octets dans la file */
        __kernel_ipc_pid_t msg_lspid;   /* pid du dernier msgsnd */
        __kernel_ipc_pid_t msg_lrpid;   /* pid de la dernière réception */
};

struct msq_setbuf {
        unsigned long   qbytes;
        uid_t           uid;
        gid_t           gid;
        mode_t          mode;
};

VI-B-3. Fonctions de support des messages▲

VI-C-1. Interfaces d'appels système de la mémoire partagée▲

VI-C-2. Les structures de support de la mémoire partagée▲

struct shminfo64 {
        unsigned long   shmmax;
        unsigned long   shmmin;
        unsigned long   shmmni;
        unsigned long   shmseg;
        unsigned long   shmall;
        unsigned long   __unused1;
        unsigned long   __unused2;
        unsigned long   __unused3;
        unsigned long   __unused4;
};

struct shm_info {
        int used_ids;
        unsigned long shm_tot;  /* shm total alloué */
        unsigned long shm_rss;  /* shm total résident */
        unsigned long shm_swp;  /* shm total copié en mémoire virtuelle (swap)*/
        unsigned long swap_attempts;
        unsigned long swap_successes;
};

struct shmid_kernel /* données privées du noyau */
{
        struct kern_ipc_perm    shm_perm;
        struct file *           shm_file;
        int                     id;
        unsigned long           shm_nattch;
        unsigned long           shm_segsz;
        time_t                  shm_atim;
        time_t                  shm_dtim;
        time_t                  shm_ctim;
        pid_t                   shm_cprid;
        pid_t                   shm_lprid;
};

struct shmid64_ds {
    struct ipc64_perm   shm_perm;       /* permissions pour les opérations */
    size_t              shm_segsz;      /* taille du segment (en octets) */
    __kernel_time_t     shm_atime;      /* instant du dernier attachement */
    unsigned long       __unused1;
    __kernel_time_t     shm_dtime;      /* instant du dernier détachement */
    unsigned long       __unused2;
    __kernel_time_t     shm_ctime;      /* instant du dernier chgt */
    unsigned long       __unused3;
    __kernel_pid_t      shm_cpid;       /* pid du créateur */
    __kernel_pid_t      shm_lpid;       /* pid de la dernière opération */
    unsigned long       shm_nattch;     /* nb d'attachements actuel */
    unsigned long       __unused4;
    unsigned long       __unused5;
};

struct shmem_inode_info {
    spinlock_t       lock;
    unsigned long    max_index;
    swp_entry_t      i_direct[SHMEM_NR_DIRECT]; /* pour les premiers blocs */
    swp_entry_t      **i_indirect;  /* double indirection pour les blocs */
    unsigned long    swapped;
    int              locked;        /* dans la mémoire */
    struct list_head list;
};

VI-C-3. Les fonctions du support de la mémoire partagée ▲

VI-D-1. Les primitives génériques des IPC Linux utilisées avec les sémaphores, les messages et la mémoire partagée▲

VI-D-2. Les structures des IPC génériques utilisées avec les sémaphores, les messages, et la mémoire partagée▲

/* utilisé par les structures de données internes au noyau */
struct kern_ipc_perm {
    key_t key;
    uid_t uid;
    gid_t gid;
    uid_t cuid;
    gid_t cgid;
    mode_t mode;
    unsigned long seq;
};

struct ipc_ids {
    int size;
    int in_use;
    int max_id;
    unsigned short seq;
    unsigned short seq_max;
    struct semaphore sem;
    spinlock_t ary;
    struct ipc_id* entries;
};

struct ipc_id {
    struct kern_ipc_perm* p;
};