A | 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。 10月16日，由中国木材保护工业协会、辽宁省工商业联合会主办的第三届中国运动地板大会暨抚顺市木地板产业链高质量发展推进会在抚顺友谊宾馆隆重举行。大会主题是强链补链、共建共享，旨在加快运动地板产业链配套完善，推进资源整合，推动运动地板产业高质量发展。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。
B | 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。中国木材保护工业协会会长刘能文、抚顺市委书记高键出席会议。 抚顺是中国木制品加工业的重要基地，拥有深厚的产业基础和较为成熟的产业园区，具有较强的产业创新和技术人才优势。
C | 抚顺运动木地板产业特别是板材加工业，起步于二十世纪90年代，经历三十多年的发展，已经成为抚顺市工业的特色产业、优势产业。目前，抚顺市拥有约180家运动木地板生产企业，占国内该行业从业企业数量的60%；规模以上运动地板等木材加工企业20家，年产销达600万平方米，市场占有率60%以上。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。2023年，抚顺荣获“中国运动地板产业基地”称号，成为国内唯一获此殊荣的城市。
D | 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。 会议期间，抚顺县和新宾满族自治县分别进行园区推介，充分依托产业优势、资源禀赋，推动招商引资。主旨演讲环节，各地运动地板领域的专家学者围绕运动地板新材料、新技术、品牌方向、国际供应等方面作精彩报告和交流研讨。颁奖仪式环节，举办了运动地板等级评价企业以及运动地板优秀示范项目工程授证仪式，东体运动、恒丰益、森玛体育、兴利体育、瑞沣运动、新林、沈氏体育等7家我市优秀企业选送的9项运动地板工程项目获奖，其中银奖2项，优秀奖7项。 此次会议的成功举办，彰显了抚顺“中国运动地板产业基地”品牌优势，为推动抚顺运动木地板产业进一步发挥优势，集聚了更多的智慧，结出了累累硕果。 运动木地板产业链加工企业代表们纷纷表示，今后要在强化科技创新、稳固产业发展基础，推动形成产业集群、做大做强区域品牌，加强企业间合作、构建利益共同体等方面蓄势发力，全面提升企业的生产能力、品牌优势和质量水平。
E | 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。 会议还举行签约仪式，中国木材保护工业协会与中国建博会（广州）签订战略合作协议，抚顺市运动木地板协会与俄罗斯西比利斯木业公司签订木材贸易战略合作协议，抚顺县人民政府与四川惠众木制品有限公司签订整装家具项目意向合作协议，抚顺锦标木业有限公司与广东荣豪装备科技有限公司签订设备采购协议。
F | 工业和信息化部原材料司副司长吕桂新、国家体育总局主任卢晓梅、辽宁省工商业联合会党组成员周福辉、副市长王金华出席。副市长王进致欢迎辞。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。他们很快就发现了相关性。 责任编辑：刘春阳。
G | 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。 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。
H | 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。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。
I | 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。
J | 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。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。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。
K | 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。
L | 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://pcyiy.gamajionghuanmuniuzhuanguchu.cyou/news/20260826_314829.html
Published on:19:25:52
