活动

天翼云最新优惠活动，涵盖免费试用,产品折扣等，助您降本增效！
热门活动
免费活动
  • 活动
  • 产品
  • 解决方案
  • 应用商城
  • 合作伙伴
  • 开发者
  • 智算云
  • 支持与服务
  • 了解天翼云
searchusermenu
  • 发布文章
  • 消息中心
点赞
收藏
评论
分享
原创

arm64 UOS白屏/CPU占用100%问题分析之入门篇

天翼云电脑云计算操作系统
2023-11-29 07:10:52
176
0

问题表现

应用白屏/卡住/应用进程的某条或多条线程cpu占用接近100%，目前arm64 UOS云电脑(host机器为华为鲲鹏920)中，易连/浏览器/资源管理器/向日葵等都有这个问题

问题的直接原因

cpu(疑似)在用户空间重复执行同一条指令，该指令为普通的非特权指令，且指令语义并非重复执行自己

分析过程(以浏览器为例)

1. 从top看浏览器进程(pid为11104)两条线程(tid为11104和11110)cpu接近占满且基本都在用户空间运行

2. 针对这种情况，往往需要通过perf查看热点函数进一步定位，以11104为例，通过perf top -t 11104看到热点函数在v8::internal::Assembler::Assembler，第一感觉看起来是在这个函数死循环了

如果你是第一次分析此问题，此时正确的方式是翻看v8::internal::Assembler::Assembler的代码
Assembler::Assembler(const AssemblerOptions& options,
                     std::unique_ptr<AssemblerBuffer> buffer)
    : AssemblerBase(options, std::move(buffer)),
      unresolved_branches_(),
      constpool_(this) {
  veneer_pool_blocked_nesting_ = 0;
  Reset();

#if defined(V8_OS_WIN)
  if (options.collect_win64_unwind_info) {
    xdata_encoder_ = std::make_unique<win64_unwindinfo::XdataEncoder>(*this);
  }
#endif
}
子函数的代码这里就不贴了，因为分析代码这种方式对于本问题并不适用，每次出现这个问题的时候"死循环"的位置都不一样，并且由于我们也没有浏览器的代码，所以高效且精准的方式应该是结合汇编和代码来一起看(如果可以的话可以确定下chromium的具体tag)，如何得到热点汇编呢？应该通过perf找到热点ip寄存器的值(通常会有很多，可通过它们的值定位到具体函数的具体位置)，然后再反编译对应模块的代码来分析，具体步骤如下：
sudo sysctl -w  kernel.perf_event_max_sample_rate=4000 //调整下采样频率上限
sudo perf record -t 11104 -F 3999 //用3999的频率采样，这也是为了避免跟tick周期重复产生干扰
sudo perf script -F ip,dso,sym //获取ip地址和符号以及模块信息
理论上获取的ip会相对分散但一定会收敛到某个循环内，然而事实大相径庭：
 aaaad1574000 v8::internal::Assembler::Assembler (/usr/share/browser/browser)
 aaaad1574000 v8::internal::Assembler::Assembler (/usr/share/browser/browser)
 aaaad1574000 v8::internal::Assembler::Assembler (/usr/share/browser/browser)
 aaaad1574000 v8::internal::Assembler::Assembler (/usr/share/browser/browser)
 aaaad1574000 v8::internal::Assembler::Assembler (/usr/share/browser/browser)
 aaaad1574000 v8::internal::Assembler::Assembler (/usr/share/browser/browser)
 aaaad1574000 v8::internal::Assembler::Assembler (/usr/share/browser/browser)
 aaaad1574000 v8::internal::Assembler::Assembler (/usr/share/browser/browser)
 aaaad1574000 v8::internal::Assembler::Assembler (/usr/share/browser/browser)
 aaaad1574000 v8::internal::Assembler::Assembler (/usr/share/browser/browser)
 aaaad1574000 v8::internal::Assembler::Assembler (/usr/share/browser/browser)
 aaaad1574000 v8::internal::Assembler::Assembler (/usr/share/browser/browser)
 aaaad1574000 v8::internal::Assembler::Assembler (/usr/share/browser/browser)
 aaaad1574000 v8::internal::Assembler::Assembler (/usr/share/browser/browser)
 aaaad1574000 v8::internal::Assembler::Assembler (/usr/share/browser/browser)
 aaaad1574000 v8::internal::Assembler::Assembler (/usr/share/browser/browser)
用户空间所有的ip都在同一地址0xaaaad1574000，而内核地址则是分散的：
ffff0000080818dc __softirqentry_text_start ([kernel.kallsyms])
ffff000008a2be80 inet_gro_receive ([kernel.kallsyms])
ffff00000860cc30 virtqueue_get_buf_ctx ([kernel.kallsyms])
赶紧看一下0xaaaad1574000处的指令到底是什么指令
ctyun@0000000g-3F3F8cwE6I:~/cong$ cat /proc/11104/maps | grep "/usr/share/browser/browser"
aaaacc30d000-aaaacf431000 r--p 00000000 fd:02 1714852                    /usr/share/browser/browser
aaaacf431000-aaaad73c4000 r-xp 03124000 fd:02 1714852                    /usr/share/browser/browser
aaaad73c4000-aaaad743e000 rw-p 0b0b7000 fd:02 1714852                    /usr/share/browser/browser
aaaad743e000-aaaad7be2000 r--p 0b131000 fd:02 1714852                    /usr/share/browser/browser
/usr/share/browser/browser的基地址为0xaaaacc30d000，得出偏移为0x5267000，反编译/usr/share/browser/browser并定位到0x5267000偏移处：

看到二进制中的指令为：
.text:0000000005267000 F4 4F 02 A9                 STP             X20, X19, [SP,#0x30+var_10]
指令的语义为：将寄存器X20和X19存到sp+0x20处，就是一个普通的保存上下文的操作，怎么会一直在执行这条指令呢，难道内存被篡改了？
写了一个获取进程内存的工具print_memory，用于获取指定进程指定地址指定大小的内存，并按字节输出：
./print_memory 11104 0xaaaad1573ff8 40
pid:11104
addr:0xaaaad1573ff8
len:40
FF 03 01 D1 F5 0B 00 F9 F4 4F 02 A9 FD 7B 03 A9 FD C3 00 91 68 2E 03 D0 08 61 42 F9 F3 03 00 AA 08 01 40 F9 E8 07 00 F9
0xaaaad1573ff8是函数头的地址，可以看到这片内存跟二进制中的一样，未被篡改，而根据指令的语义，执行完这条指令以后一定会继续执行下一条指令，这无法解释。于是提出了如下几点怀疑并分别进行了验证：
1,perf时间太短，刚被调度到准备执行又被perf的中断打断？
延长perf时间，perf结果数百万次，结果依旧
2,perf工具本身的结果就不可靠？
int main(){
while(1){
asm("nop");
}
return 0;
}
用上面的demo跑了一下，然后用同样的办法perf可以得到"相对正确"的结果，ip为：
    ......
           400558
           400558
           400558
           400558
           400558
           400554
           400558
           400558
           400558
           400558
           400558
           400558
           400558
           400558
           400558
    ......
看下汇编：
0000000000400554 <main>:
400554:       d503201f        nop
400558:       17ffffff        b       400554 <main>
40055c:       d503201f        nop
大部分都会是0x400558，只有少数0x400554，猜测应该跟cpu的pipeline有关，又改了下代码：
int main(){
while(1){
asm("nop");
asm("nop");
asm("nop");
asm("nop");
}
return 0;
}
再用同样的方式perf，得到的结果为：
           400558
           400558
           400554
           400554
           400558
           400558
           400558
           400554
           400554
           400558
           400558
           400558
           400558
           400558
           400554
           400558
    ......
    400560
    ......
对应的汇编代码为：
0000000000400554 <main>:
400554:       d503201f        nop
400558:       d503201f        nop
40055c:       d503201f        nop
400560:       d503201f        nop
400564:       17fffffc        b       400554 <main>
大部分是0x400554和0x400558，有少数0x400560，没有0x40055c，大概率是跟cpu pipeline有关，上述实验说明，perf的结果还是相对比较可靠的，如此小的循环也可以perf出相对正确的结果
3,内核的bug导致perf的结果出现假象？
有可能，但没有直接的证据，需要阅读perf的源码看下其原理，理论上其基于pmu中断，以此来采样结果相对还是可靠的，而且perf被大量使用，如果有bug早应该被修复了才对，所以看起来也不太像。如果是内核bug导致，那必然是在出问题的进程的内核路径上产生的问题
4,cpu的bug？
看起来不太像，首先程序如果进入内核态，perf的结果相对正常，只有在用户态会这样，理论上cpu的状态对于内核态和用户态区别应该不大，但也不是完全没有区别，至少有些寄存器会不一样，所以没有办法完全排除cpu的问题——最好是由华为的人来验证，最直接的方式就是拿硬件调试器看看到底cpu上正在执行什么指令
5,host/kvm的问题？
就在本文档的时候，其中一个线程(tid 11104)已经恢复了，所以用另外一个线程(tid 11110)来验证一下，这里首先得确认11110这个线程是不是同样的问题，也是用上述同样的方式，发现是同样的问题，只是ip不一样而已：
aaaad60d3fd4 blink::EventWithCallback::EventWithCallback (/usr/share/browser/browser)

.text:0000000009DC6FD4 FF 83 01 D1                 SUB             SP, SP, #0x60
连上host机器，找到对应的kvm进程，从host上看cpu占用和guest的情况基本一致：
host：

guest：

尝试从host上perf：
sudo perf kvm --host --guest record -t 3286693

发现跟guest上的结果一致，问题点均为0xaaaad60d3fd4，host和guest的的perf结果一致又增加了一个可疑点，如果是内核bug，那是host内核bug还是guest内核bug？这又得看看perf kvm的实现原理了，阶段性总结一下目前的怀疑点：
1,内核的bug(host或guest)
2,硬件问题
为了说服自己这不是一个应用程序的问题，于是用gdb看了下上下文：

跟二进制里面的依旧是一致的

就是从0xaaaad60ce400这里跳转到0xaaaad60d3fd4，然后执行第一条指令就卡住了，这又和反编译的结果一致：
所以从应用程序的角度看，就是自己应用的指令执行卡住了而且貌似一致在执行那条指令，诡异的是gdb单步执行又可以继续执行，看起来是gdb停止task的动作对**有影响导致现场恢复，这个**是cpu还是内核还是应用呢？。。。
索性直接continue，发现在另外一个地方又卡住了，然后再continue又恢复正常了。。。
综上
目前怀疑的点有两个：
1,内核bug——看perf代码，我方可进行
  ——review内核的改动和patch，需要uos方来进行，我方可参与
2,硬件问题——硬件调试器调试确认，需要华为协助，我方可参与

版权声明：本文内容系天翼云实名用户自发贡献，版权归原作者所有，天翼云开发者社区不拥有其著作权，亦不承担相应法律责任，未经许可，不得转载。

如有疑问或争议，请联系ctyunbbs@chinatelecom.cn删除。

0条评论
0 / 1000
刘****聪
3文章数
0粉丝数
刘****聪
3 文章 | 0 粉丝
Ta的热门文章查看更多
arm64 UOS白屏/CPU占用100%问题分析之入门篇镜像对比关于OLLVM
刘****聪
3文章数
0粉丝数
刘****聪
3 文章 | 0 粉丝
原创

arm64 UOS白屏/CPU占用100%问题分析之入门篇

天翼云电脑云计算操作系统
2023-11-29 07:10:52
176
0

问题表现

应用白屏/卡住/应用进程的某条或多条线程cpu占用接近100%，目前arm64 UOS云电脑(host机器为华为鲲鹏920)中，易连/浏览器/资源管理器/向日葵等都有这个问题

问题的直接原因

cpu(疑似)在用户空间重复执行同一条指令，该指令为普通的非特权指令，且指令语义并非重复执行自己

分析过程(以浏览器为例)

1. 从top看浏览器进程(pid为11104)两条线程(tid为11104和11110)cpu接近占满且基本都在用户空间运行

2. 针对这种情况，往往需要通过perf查看热点函数进一步定位，以11104为例，通过perf top -t 11104看到热点函数在v8::internal::Assembler::Assembler，第一感觉看起来是在这个函数死循环了

如果你是第一次分析此问题，此时正确的方式是翻看v8::internal::Assembler::Assembler的代码
Assembler::Assembler(const AssemblerOptions& options,
                     std::unique_ptr<AssemblerBuffer> buffer)
    : AssemblerBase(options, std::move(buffer)),
      unresolved_branches_(),
      constpool_(this) {
  veneer_pool_blocked_nesting_ = 0;
  Reset();

#if defined(V8_OS_WIN)
  if (options.collect_win64_unwind_info) {
    xdata_encoder_ = std::make_unique<win64_unwindinfo::XdataEncoder>(*this);
  }
#endif
}
子函数的代码这里就不贴了，因为分析代码这种方式对于本问题并不适用，每次出现这个问题的时候"死循环"的位置都不一样，并且由于我们也没有浏览器的代码，所以高效且精准的方式应该是结合汇编和代码来一起看(如果可以的话可以确定下chromium的具体tag)，如何得到热点汇编呢？应该通过perf找到热点ip寄存器的值(通常会有很多，可通过它们的值定位到具体函数的具体位置)，然后再反编译对应模块的代码来分析，具体步骤如下：
sudo sysctl -w  kernel.perf_event_max_sample_rate=4000 //调整下采样频率上限
sudo perf record -t 11104 -F 3999 //用3999的频率采样，这也是为了避免跟tick周期重复产生干扰
sudo perf script -F ip,dso,sym //获取ip地址和符号以及模块信息
理论上获取的ip会相对分散但一定会收敛到某个循环内，然而事实大相径庭：
 aaaad1574000 v8::internal::Assembler::Assembler (/usr/share/browser/browser)
 aaaad1574000 v8::internal::Assembler::Assembler (/usr/share/browser/browser)
 aaaad1574000 v8::internal::Assembler::Assembler (/usr/share/browser/browser)
 aaaad1574000 v8::internal::Assembler::Assembler (/usr/share/browser/browser)
 aaaad1574000 v8::internal::Assembler::Assembler (/usr/share/browser/browser)
 aaaad1574000 v8::internal::Assembler::Assembler (/usr/share/browser/browser)
 aaaad1574000 v8::internal::Assembler::Assembler (/usr/share/browser/browser)
 aaaad1574000 v8::internal::Assembler::Assembler (/usr/share/browser/browser)
 aaaad1574000 v8::internal::Assembler::Assembler (/usr/share/browser/browser)
 aaaad1574000 v8::internal::Assembler::Assembler (/usr/share/browser/browser)
 aaaad1574000 v8::internal::Assembler::Assembler (/usr/share/browser/browser)
 aaaad1574000 v8::internal::Assembler::Assembler (/usr/share/browser/browser)
 aaaad1574000 v8::internal::Assembler::Assembler (/usr/share/browser/browser)
 aaaad1574000 v8::internal::Assembler::Assembler (/usr/share/browser/browser)
 aaaad1574000 v8::internal::Assembler::Assembler (/usr/share/browser/browser)
 aaaad1574000 v8::internal::Assembler::Assembler (/usr/share/browser/browser)
用户空间所有的ip都在同一地址0xaaaad1574000，而内核地址则是分散的：
ffff0000080818dc __softirqentry_text_start ([kernel.kallsyms])
ffff000008a2be80 inet_gro_receive ([kernel.kallsyms])
ffff00000860cc30 virtqueue_get_buf_ctx ([kernel.kallsyms])
赶紧看一下0xaaaad1574000处的指令到底是什么指令
ctyun@0000000g-3F3F8cwE6I:~/cong$ cat /proc/11104/maps | grep "/usr/share/browser/browser"
aaaacc30d000-aaaacf431000 r--p 00000000 fd:02 1714852                    /usr/share/browser/browser
aaaacf431000-aaaad73c4000 r-xp 03124000 fd:02 1714852                    /usr/share/browser/browser
aaaad73c4000-aaaad743e000 rw-p 0b0b7000 fd:02 1714852                    /usr/share/browser/browser
aaaad743e000-aaaad7be2000 r--p 0b131000 fd:02 1714852                    /usr/share/browser/browser
/usr/share/browser/browser的基地址为0xaaaacc30d000，得出偏移为0x5267000，反编译/usr/share/browser/browser并定位到0x5267000偏移处：

看到二进制中的指令为：
.text:0000000005267000 F4 4F 02 A9                 STP             X20, X19, [SP,#0x30+var_10]
指令的语义为：将寄存器X20和X19存到sp+0x20处，就是一个普通的保存上下文的操作，怎么会一直在执行这条指令呢，难道内存被篡改了？
写了一个获取进程内存的工具print_memory，用于获取指定进程指定地址指定大小的内存，并按字节输出：
./print_memory 11104 0xaaaad1573ff8 40
pid:11104
addr:0xaaaad1573ff8
len:40
FF 03 01 D1 F5 0B 00 F9 F4 4F 02 A9 FD 7B 03 A9 FD C3 00 91 68 2E 03 D0 08 61 42 F9 F3 03 00 AA 08 01 40 F9 E8 07 00 F9
0xaaaad1573ff8是函数头的地址，可以看到这片内存跟二进制中的一样，未被篡改，而根据指令的语义，执行完这条指令以后一定会继续执行下一条指令，这无法解释。于是提出了如下几点怀疑并分别进行了验证：
1,perf时间太短，刚被调度到准备执行又被perf的中断打断？
延长perf时间，perf结果数百万次，结果依旧
2,perf工具本身的结果就不可靠？
int main(){
while(1){
asm("nop");
}
return 0;
}
用上面的demo跑了一下，然后用同样的办法perf可以得到"相对正确"的结果，ip为：
    ......
           400558
           400558
           400558
           400558
           400558
           400554
           400558
           400558
           400558
           400558
           400558
           400558
           400558
           400558
           400558
    ......
看下汇编：
0000000000400554 <main>:
400554:       d503201f        nop
400558:       17ffffff        b       400554 <main>
40055c:       d503201f        nop
大部分都会是0x400558，只有少数0x400554，猜测应该跟cpu的pipeline有关，又改了下代码：
int main(){
while(1){
asm("nop");
asm("nop");
asm("nop");
asm("nop");
}
return 0;
}
再用同样的方式perf，得到的结果为：
           400558
           400558
           400554
           400554
           400558
           400558
           400558
           400554
           400554
           400558
           400558
           400558
           400558
           400558
           400554
           400558
    ......
    400560
    ......
对应的汇编代码为：
0000000000400554 <main>:
400554:       d503201f        nop
400558:       d503201f        nop
40055c:       d503201f        nop
400560:       d503201f        nop
400564:       17fffffc        b       400554 <main>
大部分是0x400554和0x400558，有少数0x400560，没有0x40055c，大概率是跟cpu pipeline有关，上述实验说明，perf的结果还是相对比较可靠的，如此小的循环也可以perf出相对正确的结果
3,内核的bug导致perf的结果出现假象？
有可能，但没有直接的证据，需要阅读perf的源码看下其原理，理论上其基于pmu中断，以此来采样结果相对还是可靠的，而且perf被大量使用，如果有bug早应该被修复了才对，所以看起来也不太像。如果是内核bug导致，那必然是在出问题的进程的内核路径上产生的问题
4,cpu的bug？
看起来不太像，首先程序如果进入内核态，perf的结果相对正常，只有在用户态会这样，理论上cpu的状态对于内核态和用户态区别应该不大，但也不是完全没有区别，至少有些寄存器会不一样，所以没有办法完全排除cpu的问题——最好是由华为的人来验证，最直接的方式就是拿硬件调试器看看到底cpu上正在执行什么指令
5,host/kvm的问题？
就在本文档的时候，其中一个线程(tid 11104)已经恢复了，所以用另外一个线程(tid 11110)来验证一下，这里首先得确认11110这个线程是不是同样的问题，也是用上述同样的方式，发现是同样的问题，只是ip不一样而已：
aaaad60d3fd4 blink::EventWithCallback::EventWithCallback (/usr/share/browser/browser)

.text:0000000009DC6FD4 FF 83 01 D1                 SUB             SP, SP, #0x60
连上host机器，找到对应的kvm进程，从host上看cpu占用和guest的情况基本一致：
host：

guest：

尝试从host上perf：
sudo perf kvm --host --guest record -t 3286693

发现跟guest上的结果一致，问题点均为0xaaaad60d3fd4，host和guest的的perf结果一致又增加了一个可疑点，如果是内核bug，那是host内核bug还是guest内核bug？这又得看看perf kvm的实现原理了，阶段性总结一下目前的怀疑点：
1,内核的bug(host或guest)
2,硬件问题
为了说服自己这不是一个应用程序的问题，于是用gdb看了下上下文：

跟二进制里面的依旧是一致的

就是从0xaaaad60ce400这里跳转到0xaaaad60d3fd4，然后执行第一条指令就卡住了，这又和反编译的结果一致：
所以从应用程序的角度看，就是自己应用的指令执行卡住了而且貌似一致在执行那条指令，诡异的是gdb单步执行又可以继续执行，看起来是gdb停止task的动作对**有影响导致现场恢复，这个**是cpu还是内核还是应用呢？。。。
索性直接continue，发现在另外一个地方又卡住了，然后再continue又恢复正常了。。。
综上
目前怀疑的点有两个：
1,内核bug——看perf代码，我方可进行
  ——review内核的改动和patch，需要uos方来进行，我方可参与
2,硬件问题——硬件调试器调试确认，需要华为协助，我方可参与

版权声明：本文内容系天翼云实名用户自发贡献，版权归原作者所有，天翼云开发者社区不拥有其著作权，亦不承担相应法律责任，未经许可，不得转载。

如有疑问或争议，请联系ctyunbbs@chinatelecom.cn删除。

文章来自个人专栏
Linux/虚拟化/体系结构
2 文章 | 1 订阅
0条评论
0 / 1000
请输入你的评论
0
0
售前咨询热线
400-810-9889转1
关注天翼云
  • 天翼云微信公众号
  • APP
    天翼云APP
服务与支持
账户管理
快速入口
云网生态
了解天翼云
热门产品
热门推荐
更多推荐
友情链接
©2024 天翼云科技有限公司版权所有 增值电信业务经营许可证A2.B1.B2-20090001
公司地址：北京市东城区青龙胡同甲1号、3号2幢2层205-32室
备案京公网安备11010802043424号京ICP备 2021034386号