女超人

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

dnf

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。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。记者24日从兰州大学获悉，该校物理科学与技术学院田永辉教授团队在光学数字计算领域取得重要进展。团队提出的每一种假设都面临着有力的反证。

B | 这个 Bug 似乎根本不可能存在。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。该团队研制出一种可重构光学算术逻辑单元芯片，将多种逻辑与算术运算集成于同一硬件平台。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。

C | 相关成果发表于国际权威期刊《自然·通讯》。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。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。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。

D | 随着人工智能与数据密集型应用对高速、低时延计算需求的激增，传统电子集成电路正面临摩尔定律放缓、互连带宽受限和功耗持续上升等挑战。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。集成光子技术凭借大带宽、高速并行处理和低传输时延等优势，为突破电子计算瓶颈提供了重要的技术路径。

E | 基于这一背景，研究团队依托成熟的硅光子集成平台，利用微环调制器体积小、调制速度快、功耗低且易于电控重构的特点，研制出可实现多种逻辑与算术功能动态切换的光学数字计算芯片。

F | 团队通过级联微环构建基本逻辑单元，实现了NOT、AND、OR、XOR和XNOR等多种逻辑运算；同时引入波长维度并行处理不同二进制位，使同一硬件架构能够动态切换为2比特加法器、减法器和数值比较器，无需重新设计芯片结构。

G | 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。芯片基于220纳米硅绝缘体平台制备，每个微环集成载流子耗尽型高速电光调制结构和热调谐单元，可分别完成高速数据加载与工作波长校准。实验结果表明，该系统在20Gbit/s速率下实现了基本逻辑运算及算术功能，计算密度达到528Gbit/s2，能效达12.36fJ/bit。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。

H | 但这些反例全都来自有硬件损坏的故障集群。在此基础上，团队完成了高速数据加密与解密、医学图像水印嵌入和图像差异增强等应用验证，展示了该架构从基础逻辑器件向多功能光学数字计算系统扩展的能力。田永辉表示，该工作为构建高密度、低功耗、可重构的光子算术逻辑处理芯片提供了新的实现路径，也为光学数字计算在高速信息处理和片上智能计算中的应用奠定了器件基础。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。（记者颉满斌通讯员余若怡）。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。

I | 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。

J | 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。

K | 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。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。