kill me heal me

OpenAI 将崩溃调试视为流行病学研究，修复了存在 18 年之久的 GNU libunwind 漏洞_我的网站

胡雪岩

一 | 国务院决定对《全国年节及纪念日放假办法》作如下修改：一、将第二条第二项修改为“（二）春节，放假4天（农历除夕、正月初一至初三）”，第四项修改为“（四）劳动节，放假2天（5月1日、2日）”。

二 | 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。二、增加一条，作为第七条：“全体公民放假的假日，可合理安排统一放假调休，结合落实带薪年休假等制度，实际形成较长假期。

三 | 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。除个别特殊情形外，法定节假日假期前后连续工作一般不超过6天。团队提出的每一种假设都面临着有力的反证。这个 Bug 似乎根本不可能存在。”此外，对条文顺序和个别文字作相应调整和修改。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。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。本决定自2025年1月1日起施行。

四 | 《全国年节及纪念日放假办法》根据本决定作相应修改，重新公布。（总台央视记者刘颖杨曜语）相关报道全国年节及纪念日放假办法（1949年12月23日政务院发布根据1999年9月18日《国务院关于修改〈全国年节及纪念日放假办法〉的决定》第一次修订根据2007年12月14日《国务院关于修改〈全国年节及纪念日放假办法〉的决定》第二次修订根据2013年12月11日《国务院关于修改〈全国年节及纪念日放假办法〉的决定》第三次修订根据2024年11月10日《国务院关于修改〈全国年节及纪念日放假办法〉的决定》第四次修订）第一条为统一全国年节及纪念日的假期，制定本办法。第二条全体公民放假的节日：（一）元旦，放假1天（1月1日）；（二）春节，放假4天（农历除夕、正月初一至初三）；（三）清明节，放假1天（农历清明当日）；（四）劳动节，放假2天（5月1日、2日）；（五）端午节，放假1天（农历端午当日）；（六）中秋节，放假1天（农历中秋当日）；（七）国庆节，放假3天（10月1日至3日）。第三条部分公民放假的节日及纪念日：（一）妇女节（3月8日），妇女放假半天；（二）青年节（5月4日），14周岁以上的青年放假半天；（三）儿童节（6月1日），不满14周岁的少年儿童放假1天；（四）中国人民解放军建军纪念日（8月1日），现役军人放假半天。第四条少数民族习惯的节日，由各少数民族聚居地区的地方人民政府，按照各该民族习惯，规定放假日期。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。第五条二七纪念日、五卅纪念日、七七抗战纪念日、九三抗战胜利纪念日、九一八纪念日、教师节、护士节、记者节、植树节等其他节日、纪念日，均不放假。他们很快就发现了相关性。第六条全体公民放假的假日，如果适逢周六、周日，应当在工作日补假。部分公民放假的假日，如果适逢周六、周日，则不补假。

五 | 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。

六 | 第七条全体公民放假的假日，可合理安排统一放假调休，结合落实带薪年休假等制度，实际形成较长假期。

八 | 未经许可，请勿转载使用。责任编辑：王丹妮。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。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。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。

九 | 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。

十 | 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。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。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。

十一 | 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。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。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://wsd22.tibiantasangnenti.buzz/3j9oy/5cb46lf.html

Published on:05:50:45