作者：通文戏 来源：原创 发布日期：08-25
一 | 作者 | Steef-Jan Wiggers 译者 | 平川 OpenAI 的工程师们花了数周时间，试图解释 Rockset 中那些神秘的崩溃问题。
北京时间4月21日，北京新星曾凡博伤停一场后复出，此役有NBA球探来到现场观战考察他。
二 | Rockset 是一款 C++ 数据基础设施服务，为 ChatGPT 的搜索和数据插件提供支持。函数似乎会返回错误的内存地址，栈指针在执行过程中似乎会偏移 8 个字节。团队提出的每一种假设都面临着有力的反证。只是曾凡博毕竟是带伤复出，许利民指导对于他的使用极为慎重，曾凡博上半场7分多钟零出手0分，但下半场曾凡博有限时间接连命中3记三分，外加大帽萨林杰与突破暴扣，全场5中4得到12分2篮板1抢断1盖帽，攻防兼备帮助北京取胜晋级四强。
22岁的曾凡博本赛季是CBA第3个赛季，他常规赛场均贡献14.7分4.7篮板1.9助攻0.8抢断1.5封盖，其中得分、篮板、助攻与抢断均是创造生涯单赛季新高纪录，封盖则是追平生涯单赛季最高纪录。这个 Bug 似乎根本不可能存在。曾凡博成功获得本赛季的CBA最具进步球员奖，以及入选本土球员最佳阵容一阵。 他们原本以为是一个 Bug ，结果却发现是两个互不相关的 Bug ，它们只是很巧合地在同一时间被发现了。
三 |
至于进入季后赛阶段，曾凡博在第二场比赛14中11狂轰30分，率领北京险胜北控。这一突破性发现并非来自对单个崩溃事件的深入排查，而是源于转向了他们所说的“流行病学调试”：构建一条管道，自动分析过去一年中生产环境的每一个核心转储文件，然后寻找整体规律，而不是对单个案例进行推断。 该团队让 ChatGPT 编写了一个脚本，用于下载每个核心文件的开头部分，提取寄存器数据，过滤已知的误报，并将每次崩溃标记为“返回空指针”、“栈对齐错误”或其他类型。他们将该脚本并行应用于过去一年中的所有 Rockset 核心转储文件。
四 | 只是在第三场比赛，曾凡博因为肩部、腰部与腿部的伤势影响，导致他因伤缺席比赛。
如今第四场曾凡博迎来复出，NBA球探也是来到现场观战，且还有中国男篮的助教洛伦特和卡涅特一起到场考察观战。
五 |
不过曾凡博毕竟是带伤复出，许利民指导对于曾凡博的使用极为谨慎。在首节比赛，曾凡博仅替补登场1分49秒，在场上各项数据均是零毫无存在感。他们很快就发现了相关性。
六 | 及至第二节比赛，曾凡博继续替补登场4分40秒，但依然是没有投篮出手，且仅有一次失误，在场上依然是没有存在感。原本从症状上看属于同类的问题，实际上对应两组特征完全不同的崩溃事件。
直到第三节最后阶段，曾凡博再度登场终于打破得分荒，曾凡博先是接到陈盈骏传球，外线命中一记三分。曾凡博随后抢断廖三宁反击，遭孟子凯拉拽违体犯规，送孟子凯累计技术犯规与违体犯规被驱逐，曾凡博两罚一中。 这些因栈对齐错误导致的崩溃均源自同一个 Azure 区域，有明确的起始日期，而且从未出现在长期运行的节点上。曾凡博随后还大帽萨林杰，在有限的时间内攻防兼备。
及至末节比赛开局，曾凡博继续三分命中，帮助北京逐步扩大20分领先优势，但之后不慎误伤打中朱松玮面部导致流血。在北控持续反扑追到差11分后，曾凡博命中个人本场第3记三分，并在之后继续完成突破暴扣，进一步帮助北京巩固优势奠定胜局。
曾凡博在上半场毫无存在感，但他在下半场攻防两端均是表现出色，成为北京晋级的功臣之一，而他的表现能否打动NBA球探还是未知数。团队追踪发现，这些崩溃源自一台物理主机，其 CPU 正在悄无声息地产生错误的结果。它既没有过热，也没有抛出机器检查异常，而只是数学运算默默出了错。
七 | 将该主机从服务中移除后，因栈对齐错误导致的崩溃便完全消失了。
（文/醉卧浮生）。 在剔除硬件崩溃问题后，剩余的由“返回空指针”导致的崩溃问题便变得可控了。此前，团队曾排除了 C++ 异常展开的原因，因为他们认为自己找到了反例：在未使用异常的代码路径中发生了崩溃。但这些反例全都来自有硬件损坏的故障集群。一旦剔除了这些干扰因素，剩余的所有崩溃便都是发生在异常展开过程中了。 问题发生的根本原因是 GNU libunwind 的 _Ux86_64_setcontext 函数中有一个已经存在 18 年的竞争条件。在 C++ 异常展开过程中，libunwind 会在栈上合成一个 ucontext_t 结构体，填充所需的寄存器状态，然后调用 _Ux86_64_setcontext 将控制权转移给清理处理程序。问题在于：_Ux86_64_setcontext 在从旧结构体中读取指令指针的操作尚未完成之前，就将栈指针（%rsp）更新为指向新的栈帧。一旦 %rsp 发生变化，该结构体便不再属于活动栈的一部分，也不再受内核红区的保护。如果信号恰好在 %rsp 更新与 %rip 读取之间的这一时间窗口内到达，内核就会在该结构体之上构建其信号帧，指令指针遭到破坏，函数便会跳转到 NULL 或垃圾地址。 竞争窗口的宽度正好为一条指令。以现代处理器的时钟频率计算，这大约相当于 100 皮秒。在大多数程序中，这种情况根本不会被触发。
八 | OpenAI 的 Rockset 使用了 timer_create 函数，每隔几毫秒的 CPU 时间就发送一次 SIGUSR2 信号，为的是实现轻量级的按查询记账，这样产生的信号发送事件远多于传统的应用程序。正是这种高频的信号发送，将只在理论上可能发生的竞争状况转化成了实际生产环境中的崩溃。
九 | 该团队将一个修复方案和一个自包含的重现示例提交到了 GNU libunwind，并通过验证证实，其他展开器（如 libgcc）不存在这个问题。该修复方案通过重新排序指令，确保在更新 %rsp 之前先读取 %rip，从而彻底消除了这个时间窗口。 该团队对这一教训的总结值得全文引用： 最重要的步骤并非巧妙地解读汇编代码，也不是对细节的深入了解，而是构建一个高质量的数据集。
十 | 如果没有这个数据集，我们就会把两种截然不同的现象混为一谈，并试图通过推理来理清这种混乱。一旦获得了准确且完整的全量数据，问题的结构便显而易见了。 如果你的团队正在排查难以解释的生产环境崩溃问题，请检查你们是否将多个 Bug 混为一谈。
十一 | 那些看似与所有假设都不相符的症状，实际上可能并不矛盾；它们可能与两个不同的假设相符，而你却无意中将它们混淆了。洞察问题结构的最快途径，并非对单个案例进行更深入的分析，而是获取涵盖所有故障案例的完整、带标签的数据。
十二 | 这篇完整的工程技术博文包含了详细的栈内存示意图、存在漏洞的汇编指令，以及揭示出两种不同类型故障的崩溃率可视化图表。 https://www.infoq.com/news/2026/07/openai-libunwind-core-dumps/ 声明：本文由 InfoQ 翻译，未经许可禁止转载。
Current article:http://www.senchuoshaozaodidia.shop/list_6tcx21/scckfx.doc
Published on:11:28:24