epoll是linux上的IO多路复用的一种实现，内核在实现时使用的数据结构相比select要复杂，但原理上并不复杂，我们力求在本文的描述里抽出主干，理清思路。
1
前言
epoll利用了Linux中的重要数据结构 wait queue, 有了select的基础，其实epoll就没那么复杂了。
通过阅读本文 ，你除了可以了解到epoll的原理外，还可以搞清epoll存不存在惊群问题，LT和 ET模式在实现上有什么 区别，epoll和select相比有什么不同， epoll是如何处理多核并发的等等问题 。当然内容难免有疏漏之处，请大家多多指证。
2
主要数据结构
eventpoll
epoll操作最重要的数据结构，封装了所有epoll操作涉及到的数据结构：
struct eventpoll { // 用于锁定这个eventpoll数据结构， // 在用户空间多线程操作这个epoll结构，比如调用epoll_ctl作add, mod, del时，用户空间不需要加锁保护 // 内核用这个mutex帮你搞定 struct mutex mtx;
// 等待队列，epoll_wait时如果当前没有拿到有效的事件，将当前task加入这个等待队列后作进程切换，等待被唤醒 wait_queue_head_t wq;
/* Wait queue used by file->poll() */ // eventpoll对象在使用时都会对应一个struct file对象，赋值到其private_data， // 其本身也可以被 poll， 那也就需要一个wait queue wait_queue_head_t poll_wait;
// 所有有事件触发的被监控的fd都会加入到这个列表 struct list_head rdllist;
/* Lock which protects rdllist and ovflist */ rwlock_t lock;
// 所有被监控的fd使用红黑树来存储 struct rb_root_cached rbr;
// 当将ready的fd复制到用户进程中，会使用上面的 lock锁锁定rdllist, // 此时如果有新的ready状态fd, 则临时加入到 ovflist表示的单链表中 struct epitem *ovflist;
// 会autosleep准备的唤醒源 struct wakeup_source *ws;
/* The user that created the eventpoll descriptor */ struct user_struct *user;
// linux下一切皆文件，epoll实例被创建时，同时会创建一个file, file的private_data // 指向当前这个eventpoll结构 struct file *file;
/* used to optimize loop detection check */ int visited; struct list_head visited_list_link;
#ifdef CONFIG_NET_RX_BUSY_POLL /* used to track busy poll napi_id */ unsigned int napi_id;#endif};
我们将 上面结构体中的 poll_wait单提出来说一下，正如注释中所说的，有了这个成员变量，那这个eventpoll对应的struct file也可以被poll，那我们也就可以将这个 epoll fd 加入到另一个epoll fd中，也就是实现了epoll的嵌套。
另外，在下面的讲解中我们暂时不涉及epoll嵌套的问题。
epitem
由上面的介绍我们知道每一个被 epoll监控的句柄都会保存在eventpoll内部的红黑树上（eventpoll->rbr），ready状态的句柄也会保存在eventpoll内部的一个链表上（eventpoll->rdllist）, 实现时会将每个句柄封装在一个结构中，即epitem:
struct epitem { // 用于构建红黑树 union { /* RB tree node links this structure to the eventpoll RB tree */ struct rb_node rbn; /* Used to free the struct epitem */ struct rcu_head rcu; };
// 用于将当前epitem链接到eventpoll->rdllist中 struct list_head rdllink;
//用于将当前epitem链接到"struct eventpoll"->ovflist这个单链表中 struct epitem *next;
/* The file descriptor information this item refers to */ struct epoll_filefd ffd;
/* Number of active wait queue attached to poll operations */ int nwait;
/* List containing poll wait queues */ struct list_head pwqlist;
// 对应的eventpoll对象 struct eventpoll *ep;
/* List header used to link this item to the "struct file" items list */ struct list_head fllink;
/* wakeup_source used when EPOLLWAKEUP is set */ struct wakeup_source __rcu *ws;
// 需要关注的读，写事件等 struct epoll_event event;};
epoll_event
调用epoll_ctl时传入的最后一个参数，主要是用来告诉内核需要其监控哪些事件，我们先来看其定义。
在kernel源码中的定义
struct epoll_event { __poll_t events; __u64 data;} EPOLL_PACKED;
在glic中的定义
typedef union epoll_data{ void *ptr; int fd; uint32_t u32; uint64_t u64;} epoll_data_t;
struct epoll_event{ uint32_t events; /* Epoll events */ epoll_data_t data; /* User data variable */} __EPOLL_PACKED;
乍一看，为什么这两种定义不一样，这怎么调用啊？
我们先来看下glic中的定义，它将epoll_event.data定义为epoll_data_t类型，而epoll_data_t被定义为union类型，其能表示的最大值类型为uinit64_t，这与kernel源码中的定义__u64 data是一致的，其实这个data成员变量部分kernel在实现时根本不会用到，它作为user data在epoll_wait返回时通过epoll_event原样返回到用户空间，声明成 union对使用者来说自由发挥的空间就大多了，如果使用fd，你可以把当前要监控的socket fd赋值给它，如果使用void* ptr，那你可以将任意类型指针给它......
3
主要函数
epoll_create
创建一个epoll的实例，Linux里一切皆文件，这里也不例外，返回一个表示当前epoll实例的文件描述符，后续的epoll相关操作，都需要传入这个文件描述符。
其实现位于 fs/eventpoll.c里 SYSCALL_DEFINE1(epoll_create, int, size)， 具体实现 static int do_epoll_create(int flags):
static int do_epoll_create(int flags){ int error, fd; struct eventpoll *ep = NULL; struct file *file;
/* Check the EPOLL_* constant for consistency. */ BUILD_BUG_ON(EPOLL_CLOEXEC != O_CLOEXEC);
// 目前flags只支持 EPOLL_CLOEXEC 这一种，如果传入了其他的，返回错误 if (flags & ~EPOLL_CLOEXEC) return -EINVAL; /* * Create the internal data structure ("struct eventpoll"). */ error = ep_alloc(&ep); if (error < 0) return error; /* * Creates all the items needed to setup an eventpoll file. That is, * a file structure and a free file descriptor. */ fd = get_unused_fd_flags(O_RDWR | (flags & O_CLOEXEC)); if (fd < 0) { error = fd; goto out_free_ep; } file = anon_inode_getfile("[eventpoll]", &eventpoll_fops, ep, O_RDWR | (flags & O_CLOEXEC)); if (IS_ERR(file)) { error = PTR_ERR(file); goto out_free_fd; } ep->file = file; fd_install(fd, file); return fd;
out_free_fd: put_unused_fd(fd);out_free_ep: ep_free(ep); return error;}
主要分以下几步：
-
校验传入参数flags, 目前仅支持 EPOLL_CLOEXEC 一种，如果是其他的，立即返回失败；
-
调用ep_alloc, 创建 eventpoll结构体；
-
在当前task的打开文件的描述符表中获取一个fd；
-
使用 anon_inode_getfile创建一个 匿名inode的struct file, 其中会使用 file->private_data = priv将第二步创建的eventpoll对象赋值给struct file的private_data 成员变量。
关于匿名inode作者也没有找到太多的资料，可以简单理解为其没有对应的dentry, 在目录下ls看不到这类文件 ，其被close后会自动删除，比如 使用O_TMPFILE选项来打开的就是这类文件； -
将第三步中的fd和第四步中的struct file结合起来，放入当前task的打开文件描述符表中；
epoll_ctl
从一个fd添加到一个eventpoll中，或从中删除，或如果此fd已经在eventpoll中，可以更改其监控事件。
我们在下面的源码中添加了必要的注释：
SYSCALL_DEFINE4(epoll_ctl, int, epfd, int, op, int, fd, struct epoll_event __user *, event){ int error; int full_check = 0; struct fd f, tf; struct eventpoll *ep; struct epitem *epi; struct epoll_event epds; struct eventpoll *tep = NULL;
error = -EFAULT; // ep_op_has_event() 其实就是判断当前的op不是 EPOLL_CTL_DEL操作, // 如果 是EPOLL_CTL_ADD 或 EPOLL_CTL_MOD， // 将event由用户态复制到内核态 // if (ep_op_has_event(op) && copy_from_user(&epds, event, sizeof(struct epoll_event))) goto error_return;
error = -EBADF; f = fdget(epfd); if (!f.file) goto error_return;
/* Get the "struct file *" for the target file */ tf = fdget(fd); if (!tf.file) goto error_fput;
// 被添加的fd必须支持poll方法 error = -EPERM; if (!file_can_poll(tf.file)) goto error_tgt_fput;
/* Linux提供了autosleep的电源管理功能 如果当前系统支持 autosleep功能，支持休眠， 那么我们 允许用户传入EPOLLWAKEUP标志; 如果当前系统不支持这样的电源管理功能，但用户还是传入了EPOLLWAKEUP标志， 那么我们将此标志从flags中去掉 */ if (ep_op_has_event(op)) ep_take_care_of_epollwakeup(&epds);
error = -EINVAL; // epoll不能自己监控自己 if (f.file == tf.file || !is_file_epoll(f.file)) goto error_tgt_fput;
/* EPOLLEXCLUSIVE是为了解决某个socket有事件发生时的惊群问题 所谓惊群，简单讲就是把一个socket fd加入到多个epoll中时，如果此socket有事件发生， 会同时唤醒多个在此socket上等待的task 目 前仅允许在EPOLL_CTL_ADD操作时传入EPOLLEXCLUSIVE标志，且传入此标志时不允许 epoll嵌套监听 */ if (ep_op_has_event(op) && (epds.events & EPOLLEXCLUSIVE)) { if (op == EPOLL_CTL_MOD) goto error_tgt_fput; if (op == EPOLL_CTL_ADD && (is_file_epoll(tf.file) || (epds.events & ~EPOLLEXCLUSIVE_OK_BITS))) goto error_tgt_fput; }
/* * At this point it is safe to assume that the "private_data" contains * our own data structure. */ ep = f.file->private_data; /* 这里处理将一个epoll fd添加到当前epoll的嵌套情况， 特别是要检测是否有环形epoll监听情况，类似于A监听B, B又监听A 我们先略过 */
// 查看对应的epitme是否已经在红黑树上存在，即是否已经添加过 epi = ep_find(ep, tf.file, fd);
error = -EINVAL; switch (op) { case EPOLL_CTL_ADD: if (!epi) { epds.events |= EPOLLERR | EPOLLHUP; // 将当前fd加入红黑树，我们在下面重点讲 error = ep_insert(ep, &epds, tf.file, fd, full_check); } else error = -EEXIST; if (full_check) clear_tfile_check_list(); break; case EPOLL_CTL_DEL: if (epi) error = ep_remove(ep, epi); else error = -ENOENT; break; case EPOLL_CTL_MOD: if (epi) { if (!(epi->event.events & EPOLLEXCLUSIVE)) { epds.events |= EPOLLERR | EPOLLHUP; error = ep_modify(ep, epi, &epds); } } else error = -ENOENT; break; } ...... return error;}
这个函数主要作以下几件事：
-
先将epoll_event(上面已有介绍，保存着需要监控的事件)从用户空间复制到内核空间。
我们看来针对某个socket, 这种用户空间到内核空间的复制只需一次，不像select，每次调用都要复制； -
先由传入的epoll fd和被监听的socket fd获取到其对应的文件句柄 struct file，针对文件句柄和传入的flags作边界条件检测；
-
针对epoll嵌套用法，作单独检测，检测是否有环形epoll监听情况，类似于A监听B, B又监听A， 这部分我们先略过；
-
针对EPOLL_CTL_ADD EPOLL_CTL_DEL EPOLL_CTL_MOD分别作处理。
ep_insert
这个函数是真正将待监听的fd加入到epoll中去。下面我们将这个函数的实现拆解，分段来看一下其是如何实现的。
作max_user_watches检验
user_watches = atomic_long_read(&ep->user->epoll_watches); if (unlikely(user_watches >= max_user_watches)) return -ENOSPC;
内核对系统中所有（是所有，所有使用了epoll的进程）使用epoll监听fd所消耗的内存作了限制， 且这个限制是针对当前linux user id的。32位系统为了监控注册的每个文件描述符大概占90字节，64位系统上占160字节。
可以通过 /proc/sys/fs/epoll/max_user_watches来查看和设置 。
默认情况下每个用户下epoll为注册文件描述符可用的内存是内核可使用内存的1/25。
初始化epitem
这个epitem前面说过，它会被挂在epoll的红黑树上。
if (!(epi = kmem_cache_alloc(epi_cache, GFP_KERNEL))) return -ENOMEM;
/* Item initialization follow here ... */ INIT_LIST_HEAD(&epi->rdllink); INIT_LIST_HEAD(&epi->fllink); INIT_LIST_HEAD(&epi->pwqlist); epi->ep = ep; ep_set_ffd(&epi->ffd, tfile, fd); epi->event = *event; epi->nwait = 0; epi->next = EP_UNACTIVE_PTR; if (epi->event.events & EPOLLWAKEUP) { error = ep_create_wakeup_source(epi); if (error) goto error_create_wakeup_source; } else { RCU_INIT_POINTER(epi->ws, NULL); }
a. 这个epitem里会保存监控的fd及其事件，所属的eventpoll等；
b. 如果events里设置了EPOLLWAKEUP, 还需要为autosleep创建一个唤醒源 ep_create_wakeup_source。
获取被监听fd上的相关事件
获取当前被监听的fd上是否有感兴趣的事件发生，同时生成新的eppoll_entry对象并添加到被监听的socket fd的等待队列中。
epq.epi = epi; init_poll_funcptr(&epq.pt, ep_ptable_queue_proc); revents = ep_item_poll(epi, &epq.pt, 1);
下面是 ep_item_poll的实现：
static __poll_t ep_item_poll(const struct epitem *epi, poll_table *pt, int depth){ struct eventpoll *ep; bool locked;
pt->_key = epi->event.events; if (!is_file_epoll(epi->ffd.file)) return vfs_poll(epi->ffd.file, pt) & epi->event.events;}
如果你读过上面的select分析部分，就会看到一个熟悉的身影 vfs_poll, 它会调用 ep_ptable_queue_proc将当前被监听的socket fd加入到等待队列中：
static void ep_ptable_queue_proc(struct file *file, wait_queue_head_t *whead, poll_table *pt){ struct epitem *epi = ep_item_from_epqueue(pt); struct eppoll_entry *pwq;
if (epi->nwait >= 0 && (pwq = kmem_cache_alloc(pwq_cache, GFP_KERNEL))) { init_waitqueue_func_entry(&pwq->wait, ep_poll_callback); pwq->whead = whead; pwq->base = epi; if (epi->event.events & EPOLLEXCLUSIVE) add_wait_queue_exclusive(whead, &pwq->wait); else add_wait_queue(whead, &pwq->wait); list_add_tail(&pwq->llink, &epi->pwqlist); epi->nwait++; } else { /* We have to signal that an error occurred */ epi->nwait = -1; }}
这里有两点比较重要：
a. init_waitqueue_func_entry(&pwq->wait, ep_poll_callback);如果这个被监听的socket上有事件发生，这个回调 ep_poll_callback将被调用, 我们后面会讲这个回调里作了哪些事情, 这个回调很重要;
b. 如果设置了 EPOLLEXCLUSIVE， 将使用add_wait_queue_exclusive添加到等待队列。意思是说，如果一个socket fd被添加到了多个epoll中进行监控，设置了这个参数后，这个fd上有事件发生时，只会唤醒被添加到的第一个epoll里，避免惊群。
添加到 epoll的红黑树上
ep_rbtree_insert(ep, epi);
唤醒
如果上面调用 ep_item_poll时，立即返回了准备好的事件，我们这里要作唤醒的操作
if (revents && !ep_is_linked(epi)) { list_add_tail(&epi->rdllink, &ep->rdllist); ep_pm_stay_awake(epi);
/* Notify waiting tasks that events are available */ if (waitqueue_active(&ep->wq)) wake_up(&ep->wq); if (waitqueue_active(&ep->poll_wait)) pwake++; }
..... if (pwake) ep_poll_safewake(&ep->poll_wait);
a. 将当前 epi加入到eventpoll的rdllist中；
b. 如果当前eventpoll处于wait状态，就唤醒它;
c. 如果当前的eventpoll被嵌套地加入到了另外的poll中，且处于wait状态，就唤醒它。
ep_poll_callback
被监听的socket fd上有事件发生时，这个回调被触发， 然后唤醒epoll_wait被调用时加入到eventpoll等待队列中的task，下面会放张图来解释其功能。
ep_events_available
我们首先来看一下函数ep_events_available,它的功能是检测当前epoll上是否已经收集了有效的事件：
static inline int ep_events_available(struct eventpoll *ep){ return !list_empty_careful(&ep->rdllist) || READ_ONCE(ep->ovflist) != EP_UNACTIVE_PTR;}
按这个逻辑只有rdllist不为空或者ovflist != EP_UNACTIVE_PTR，那么就有有效的事件，前一个条件好理解，ovflist这个我们先在这里埋个坑，后面我们来填它～
ep_poll
这个函数是epoll_wait在内核里的具体实现。我们把它的实现分解来看。
准备好超时时间
if (timeout > 0) { struct timespec64 end_time = ep_set_mstimeout(timeout);
slack = select_estimate_accuracy(&end_time); to = &expires; *to = timespec64_to_ktime(end_time); } else if (timeout == 0) { timed_out = 1;
write_lock_irq(&ep->lock); eavail = ep_events_available(ep); write_unlock_irq(&ep->lock);
goto send_events; }
a. 如果用户设置了超时时间， 作相应的初始化;
b. 如果timeout == 0, 表时此次调用立即返回， 此时首先获取当前是否已有有效的事件ready, 然后goto 到send_events, 这部分是将有效的events复制到用户空间，我们后面会详述。
将当前task加入到此eventpoll的等待队列中
if (!waiter) { waiter = true; init_waitqueue_entry(&wait, current);
spin_lock_irq(&ep->wq.lock); __add_wait_queue_exclusive(&ep->wq, &wait); spin_unlock_irq(&ep->wq.lock); }
我们前面在select部分已经介绍过wait queue, 这里就是将当前task加入到eventpoll的等待队列，接下来当前task将会被调度走，然后等待从eventpoll的等待队列中被唤醒。这里用了__add_wait_queue_exclusive， 是说针对同一个eventpoll, 可能在不同的进程(线程)调用epoll_wait, 此时eventpoll的等待队列里将会有多个task, 为避免惊群，我们每次只唤醒一个task。
无限循环体
for (;;) { set_current_state(TASK_INTERRUPTIBLE);
if (fatal_signal_pending(current)) { res = -EINTR; break; }
eavail = ep_events_available(ep); if (eavail) break; if (signal_pending(current)) { res = -EINTR; break; }
if (!schedule_hrtimeout_range(to, slack, HRTIMER_MODE_ABS)) { timed_out = 1; break; } }
这个无限循环体退出的条件：
a. 有signal发生，被中断会退出;
b. 有ready的事件，会退出;
c. 用户设置的超时时间到达，会退出;
否则当前 task将被 schedule_hrtimeout_range调度走。
有ready的事件复制到用户空间
if (!res && eavail && !(res = ep_send_events(ep, events, maxevents)) && !timed_out) goto fetch_events;
ep_poll和ep_poll_callback的处理
几点说明如下：
1. 实际中可能同时有多个socket有事件到来，此时ep_poll_callback会并发被调用，因此将epi添到eventpoll->rdllik时，均采用原子操作;
2. ep_scan_ready_list中一旦开始向用户空间复制events, eventpoll->rdllink就不能再有新的添加，此时如果ep_poll_callback被调用，当前的epi会被添加到eventpoll->ovflist中， ovflist是个单链表，这个添加操作很有意思，每次新的epi都被原子添加到链接头：
static inline bool chain_epi_lockless(struct epitem *epi){ struct eventpoll *ep = epi->ep;
/* Check that the same epi has not been just chained from another CPU */ if (cmpxchg(&epi->next, EP_UNACTIVE_PTR, NULL) != EP_UNACTIVE_PTR) return false;
/* Atomically exchange tail */ epi->next = xchg(&ep->ovflist, epi);
return true;}
3. ep_send_events_proc才是真正实现将events复制到用户空间。
虽然当socket fd有事件到来时，会通过ep_poll_callback来唤醒epoll_wait所在的task, 后者遍历rdllist即可，但在遍历时，还是通过ep_item_poll（内部会调用vs_poll, 最终调用到tcp_poll）来获取关注的事件是否发生，所有poll机制很重要；
4. 对于水平触发方式，在首次调用ep_item_poll后，会再次将这个epi加入到eventpoll->rdllist这个就绪列表中，这会导致两种情况出现：
a. 如果针对同一个eventpoll同时调用了多个 epoll_wait, 此时另一个调用epoll_wait的task将被唤醒，这不能被称之为epoll_wait的惊群，反而是并发处理的体现；
b. 如果只有一个epoll_wait, 那下次这个epoll_wait再次被调用时，不会进入到上面的无限循化逻辑，也不会被调度走，而是直接又一次进入到ep_send_events中，直到在这个socket fd上poll不到关注的事情，它就不会再被加入到rdllist中。你可以将这个水平触发方式理解成是完全轮询的一种实现；
聪明的你读到这里一定会发现对于水平触发，即使是socket fd上已经没有关注的事件发生了，它还是要多用一次poll来确认，这是一处性能损失的点，但监听的socket少的话这也不是什么大问题。
4
总结
这里讲上点上面没有提及的内容
-
epoll模型中ep_poll执行时如果当前没有有效的events，当前task会被调度走，后续有socket fd有事件发生，ep_poll_callback被调用，将当前的socket fd 添加到rdllist中，再唤醒前面的task, 然后ep_poll再一次被调度执行，锁定住rdllist后开始向用户空间复制，由次可以看出来每次epoll_wait返回的events就是从第一次ep_poll_callback调用执行唤醒到ep_poll所有task被真正唤醒开始执行这段时间内，所收集中的socket fd。如果同时有大量的socket fd是活跃状态，那么这里可能需要多次调用epoll_wait，效率上是个问题。
