问题描述
我在使用某些代码时遇到了一个非常奇怪的问题。我正在尝试调试在Linux集群上编译的C ++ / Fortran代码。运行它时,在屏幕上没有任何输出,并且代码崩溃。我可以从顶部看到我的应用程序启动并分配内存,直到用完(128GB)并被内核OOM杀死为止。我尝试使用调试器,并在main上设置了一个断点,但仍然得到相同的行为。因此,我假设错误发生在进入main之前,因此我认为它与静态/全局数据初始化或类初始化有关。我尝试了几种编译器优化选项,使用-O0时取得了一些成功,但是在其他任何优化级别下,它们都崩溃了。具有不同优化选项的不同行为向我表明,代码中还存在诸如未定义行为之类的问题,但我也不知道该如何解决。
我知道这个问题并不是理想的情况,我没有一个简单的示例。即使该代码在公共存储库中可用,也很难编译,并且您需要运行不公开的输入文件。
到目前为止,这是我设法做到的。我不知道如何解决此错误,因此任何想法或建议都将受到欢迎,我会尽力回答任何问题。
谢谢!
解决方法
第一步是用strace
验证这不是迟来的execve
故障。这种故障表现为在execve
之后的立即信号,而在execve
之后没有针对同一进程的任何系统调用。
发生这种情况是因为execve
不是原子的:如果它已开始用新的过程映像替换当前过程映像,但此后失败,则不会返回错误(因为它可以返回到原始过程映像)消失了),而是用信号终止了该过程。信号随内核版本(SIGKILL
或SIGSEGV
,如果我没记错的话)而变化。如果发生这种情况,则意味着您的程序可能具有一些非常大的全局变量。它们应显示为带有LOAD
的大型readelf -lW
段和带有readelf -SW
的大型数据段。
如果不是晚期execve
失败,则希望程序初始化运行足够长的时间,以便您可以在调试器和^C
下运行它,或将其发送给SIGINT
,并获得回溯这种方式,看看它在做什么。如果这样不起作用,则可以在__libc_start_main
上设置一个断点并逐步执行,直到它通过init
函数指针调用主程序ELF构造函数。对于共享对象中的ELF构造函数,您需要在_dl_init
上设置一个断点(对于将来的glibc版本,可能以glibc 2.33或2.34开头;它们将不再运行__libc_start_main
中的主程序ELF构造函数)