<html>
<head>
<meta http-equiv="Content-Type" content="text/html; charset=utf-8">
</head>
<body text="#000000" bgcolor="#FFFFFF">
<p><br>
Actually, after looking again at drm_sched_job_timedout  from which the amdgpu_device_gpu_recover will be called I see that we already disconnect all the pending scheduler fences from the HW fence, including<br>
the guilty job. I also see that in drm_sched_job_timedout job_list_lock is released before calling sched->ops->timedout_job and then required after, so new jobs can slip into ring_mirror_list in between.
<br>
</p>
<p>And also i will end up going over the ring_mirror_list twice, once from amdgpu_device_post_asic_reset and later from drm_sched_job_timedout - this might cause double fence processing.<br>
</p>
<p>Isn't it more correct only do the disconnect from HW fence after the schedules have been stopped and connect back before we restart the schedulers (as you pointed out here before)
<br>
</p>
<p>What I mean is - should we get rid of dma_fence_add/remove_callback logic in drm_sched_job_timedout and do it for each driver in between
<br>
</p>
<p>scheduler deactivation  and activation back ?</p>
<p>Andrey<br>
</p>
<br>
<div class="moz-cite-prefix">On 11/22/2018 02:56 PM, Grodzovsky, Andrey wrote:<br>
</div>
<blockquote type="cite" cite="mid:329e176f-ab36-fc79-8646-484975ebb8c3@amd.com">
<blockquote type="cite" style="color: #000000;">
<blockquote type="cite" style="color: #000000;">
<blockquote type="cite" style="color: #000000;">
<pre wrap="">Additional to that I would try improve the pre, middle, post handling
towards checking if we made some progress in between.

In other words we stop all schedulers in the pre handling and
disconnect the scheduler fences from the hardware fence like I did in
patch "drm/sched: fix timeout handling v2".

Then before we do the actual reset in the middle handling we check if
the offending job has completed or at least made some progress in the
meantime.
</pre>
</blockquote>
<pre wrap="">I understand how to check if the job completed - if it's fence already
signaled, but how do I test if the job made 'at least some progress' ?
</pre>
</blockquote>
<pre wrap="">Good question. Maybe we can somehow query from the hardware the number 
of primitives or pixels processed so far and then compare after a moment?
</pre>
</blockquote>
<pre wrap="">I will check on this later. In the mean while I will update the code 
with the proposed per hive locking and I will add the check if the 
guilty job completed before ASIC reset skipping the reset if it's did.

Andrey

</pre>
</blockquote>
<br>
</body>
</html>