qq邮箱

名记：科尔希望库明加提升组织能力 做到快速阅读比赛&减少停球_我的网站

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。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。

二 |     

直播吧4月21日讯 从常规赛收官战以来，勇士球员库明加被DNP。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。

三 | 名记Marc Stein和Jake Fischer撰文谈到了库明加目前在勇士的角色。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。

四 |          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。

五 |

他们写道：“在吉米-巴特勒如今与库里、德雷蒙德-格林联手带领球队成为7号种子的情况下，该系列赛中所有关于‘年轻活力对决经验实力’讨论的重要补充信息是：全联盟对于库明加作为勇士队一员的未来都充满好奇。”

“有一种预期认为，如果在这轮系列赛中不能为库明加找到合适角色，金州勇士队将无法应对休斯顿火箭队的活力。         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。他们很快就发现了相关性。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。本赛季对阵火箭的四场比赛中，他的正负值为+16，面对火箭球员的身高臂长，他场均得到21.3分，三分球命中率达到42.1%。”

“然而，自这位锋卫摇摆人脚踝受伤复出后，一段时间以来科尔一直在暗示库明加的角色会有所减少，在最近不止一次的媒体采访中，科尔谈到了库明加与巴特勒同时在场时配合存在困难。         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。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。”

“‘我得解读出我们所需要的东西，’ 科尔说，‘我得看出谁搭配在一起打得好。坦白讲：吉米和库明加的组合效果不太好，这就是棘手之处。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。

六 | 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。

七 | 我每晚让吉米打40分钟，因为吉米是联盟中最出色的球员之一。         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。我们能来到这里并处于七号种子的位置是有原因的。

八 | 原因就是吉米。所以作为教练，我的工作是让球队沿着我认为最有机会获胜的道路前行。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。目前这就是我一直采用现有阵容的原因。

九 | 但这些反例全都来自有硬件损坏的故障集群。

十 | 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。’”

“当巴特勒、库明加和德雷蒙德-格林同时在场时，金州勇士队的投篮表现不佳，这是一个明显的问题。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。联盟消息人士称，科尔和勇士队的其他相关人士一直期望库明加能在组织进攻方面有更多成长……从他阅读比赛的速度，到减少在勇士队快速运转的进攻体系中停球的频率。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。”。

十一 | 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。

十二 |          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。

十三 |          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。

十四 | 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。

十五 |

Current article:http://gkb0z.xiaqingzhuangdaminnan.cyou/5bi6p/nv0y1.html

Published on:16:19:44