SPDK项目中LSAN检测到vfio/nvmf模糊测试中的内存泄漏问题分析
问题背景
在SPDK存储性能开发套件的测试过程中,开发团队发现当启用LeakSanitizer(LSAN)进行内存泄漏检测时,在运行vfio和nvmf模糊测试(fuzzing test)时会出现内存泄漏的误报。这个问题表现为在长时间运行的模糊测试中,LSAN会间歇性地报告两处内存泄漏。
具体现象
LSAN报告的两处内存泄漏分别出现在以下位置:
-
nvmf_qpair_disconnect_ctx结构体泄漏:在
spdk_nvmf_qpair_disconnect()
函数中,为qpair_ctx
分配的48字节内存被报告泄漏。这个结构体用于处理NVMe-oF队列对的异步断开操作。 -
控制器结构体泄漏:在
nvmf_ctrlr_create()
函数中,为控制器分配的4920字节内存被报告泄漏。这个结构体用于管理NVMe控制器的状态和信息。
深入分析
开发团队通过添加调试打印和延迟测试,对这个问题进行了深入分析:
-
异步操作的影响:NVMe-oF目标端的断开路径是异步执行的。当发起端完成测试迭代时,目标端可能还没有执行完延迟释放操作,导致LSAN在检查时误报泄漏。
-
延迟测试验证:团队尝试在释放操作前添加不同长度的延迟(从1ms到100ms),发现:
- 增加延迟可以更频繁地复现问题
- 但无法完全消除误报
- 即使内存确实被释放后,LSAN仍可能报告泄漏
-
根本原因推测:
- 可能是LSAN在异步操作完成前进行检查导致误报
- 也可能是LSAN内部机制在某些情况下的bug
- 确定不是SPDK代码本身的内存管理问题
解决方案
经过多次验证和讨论,团队确定了以下解决方案:
-
局部抑制方案:仅在模糊测试中抑制这些特定的误报,而不是全局禁用LSAN检测。这样可以:
- 保持其他代码路径的内存泄漏检测
- 不影响模糊测试的覆盖率
- 最小化对测试性能的影响
-
技术权衡:考虑到添加延迟会影响测试吞吐量,且无法完全解决问题,决定采用抑制方案而非延迟方案。
经验总结
这个案例提供了几个重要的技术经验:
-
异步内存管理的挑战:在异步编程模型中,内存释放的时机难以精确控制,给内存检测工具带来挑战。
-
测试工具的限制:即使是成熟的工具如LSAN,在复杂场景下也可能出现误报,需要开发人员具备判断能力。
-
平衡方案的选择:在解决工具误报问题时,需要权衡解决方案的精确性和对系统性能的影响。
通过这个问题的分析和解决,SPDK团队增强了对内存管理工具行为的理解,为未来处理类似问题积累了宝贵经验。
- DDeepSeek-V3.1-BaseDeepSeek-V3.1 是一款支持思考模式与非思考模式的混合模型Python00
- QQwen-Image-Edit基于200亿参数Qwen-Image构建,Qwen-Image-Edit实现精准文本渲染与图像编辑,融合语义与外观控制能力Jinja00
GitCode-文心大模型-智源研究院AI应用开发大赛
GitCode&文心大模型&智源研究院强强联合,发起的AI应用开发大赛;总奖池8W,单人最高可得价值3W奖励。快来参加吧~044CommonUtilLibrary
快速开发工具类收集,史上最全的开发工具类,欢迎Follow、Fork、StarJava04GitCode百大开源项目
GitCode百大计划旨在表彰GitCode平台上积极推动项目社区化,拥有广泛影响力的G-Star项目,入选项目不仅代表了GitCode开源生态的蓬勃发展,也反映了当下开源行业的发展趋势。06GOT-OCR-2.0-hf
阶跃星辰StepFun推出的GOT-OCR-2.0-hf是一款强大的多语言OCR开源模型,支持从普通文档到复杂场景的文字识别。它能精准处理表格、图表、数学公式、几何图形甚至乐谱等特殊内容,输出结果可通过第三方工具渲染成多种格式。模型支持1024×1024高分辨率输入,具备多页批量处理、动态分块识别和交互式区域选择等创新功能,用户可通过坐标或颜色指定识别区域。基于Apache 2.0协议开源,提供Hugging Face演示和完整代码,适用于学术研究到工业应用的广泛场景,为OCR领域带来突破性解决方案。00openHiTLS
旨在打造算法先进、性能卓越、高效敏捷、安全可靠的密码套件,通过轻量级、可剪裁的软件技术架构满足各行业不同场景的多样化要求,让密码技术应用更简单,同时探索后量子等先进算法创新实践,构建密码前沿技术底座!C0300- WWan2.2-S2V-14B【Wan2.2 全新发布|更强画质,更快生成】新一代视频生成模型 Wan2.2,创新采用MoE架构,实现电影级美学与复杂运动控制,支持720P高清文本/图像生成视频,消费级显卡即可流畅运行,性能达业界领先水平Python00
- GGLM-4.5-AirGLM-4.5 系列模型是专为智能体设计的基础模型。GLM-4.5拥有 3550 亿总参数量,其中 320 亿活跃参数;GLM-4.5-Air采用更紧凑的设计,拥有 1060 亿总参数量,其中 120 亿活跃参数。GLM-4.5模型统一了推理、编码和智能体能力,以满足智能体应用的复杂需求Jinja00
Yi-Coder
Yi Coder 编程模型,小而强大的编程助手HTML013
热门内容推荐
最新内容推荐
项目优选









