SPDK项目中NVMe设备热移除测试引发的内核崩溃问题分析
2025-06-25 01:40:11作者:裘晴惠Vivianne
问题背景
在SPDK存储性能开发套件的持续集成测试中,发现一个与NVMe over Fabrics(RDMA)设备热移除相关的稳定性问题。具体表现为在执行nvmf_device_removal_pci_remove
测试用例时,系统会出现内核崩溃导致测试节点失去响应。这个问题在多个测试环境中反复出现,严重影响了CI/CD管道的可靠性。
问题现象
测试过程中,当尝试通过PCIe热移除机制断开RDMA设备连接时,系统表现出以下异常行为:
- 设备驱动层出现错误日志:"rdma_disconnect failed, errno Invalid argument"
- 内核日志显示Mellanox网卡驱动(mlx5_core)在设备移除过程中出现超时和资源泄漏
- 最终系统触发"general protection fault"或"unable to handle page fault"等严重错误
- 节点失去响应,导致Jenkins构建超时失败
技术分析
内核驱动问题
从收集的内核日志可以看出,问题主要发生在Linux内核的Mellanox网卡驱动层:
- 设备移除超时:日志显示
TEARDOWN_HCA
操作超时,导致命令资源泄漏 - 健康检查异常:内核尝试读取设备寄存器时触发页错误(CR2: ffffae10a0c64230)
- 定时器处理异常:在
__run_timers
函数中出现了非法内存访问
这些问题表明在设备热移除过程中,驱动状态机可能没有正确处理设备资源的释放顺序,导致内核访问了已经无效的内存区域。
系统温度因素
深入分析发现,该测试场景还会引发显著的硬件温度变化:
- 测试执行期间CPU核心温度从约65°C飙升至80°C以上
- 部分核心出现短暂的热节流(Throttling)现象
- Mellanox网卡传感器温度维持在44°C左右
虽然温度没有达到临界值,但这种显著的温度波动可能与硬件稳定性有关,可能加剧了内核驱动层面的问题。
内核版本影响
该问题在不同内核版本中表现有所不同:
- 在6.1.x内核中表现为
mlx5_ib
路径相关错误 - 在6.7.x内核中出现定时器处理和健康检查相关的崩溃
- 最新6.8.x内核中问题仍然存在
这表明问题不是特定内核版本的回归错误,而是与驱动架构设计相关的深层次问题。
解决方案
由于该问题涉及内核驱动层且难以在用户空间解决,SPDK社区采取了以下措施:
- 临时禁用相关测试:在问题修复前,暂时禁用会导致系统不稳定的设备热移除测试用例
- 向上游内核报告:向Linux内核社区提交详细的问题报告,推动Mellanox驱动修复
- 环境监控增强:在测试框架中增加对系统温度和节流状态的监控,帮助识别环境问题
经验总结
这个案例为存储系统开发提供了几点重要启示:
- 设备热操作复杂性:PCIe设备热插拔和RDMA连接管理涉及复杂的硬件/软件交互,需要特别谨慎处理
- 系统级影响:存储性能测试可能对系统整体稳定性产生意想不到的影响,包括电源和温度管理
- 内核协作必要性:用户空间存储框架的稳定性往往依赖于内核驱动的质量,需要与内核社区保持紧密合作
- 测试环境监控:全面的系统监控(温度、电源、节流状态等)对于诊断复杂问题至关重要
未来随着SPDK和内核社区的持续协作,这类底层稳定性问题有望得到根本解决,从而为NVMe over Fabrics提供更可靠的热管理能力。
登录后查看全文
热门项目推荐
- QQwen3-Next-80B-A3B-InstructQwen3-Next-80B-A3B-Instruct 是一款支持超长上下文(最高 256K tokens)、具备高效推理与卓越性能的指令微调大模型00
- QQwen3-Next-80B-A3B-ThinkingQwen3-Next-80B-A3B-Thinking 在复杂推理和强化学习任务中超越 30B–32B 同类模型,并在多项基准测试中优于 Gemini-2.5-Flash-Thinking00
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~0267cinatra
c++20实现的跨平台、header only、跨平台的高性能http库。C++00AI内容魔方
AI内容专区,汇集全球AI开源项目,集结模块、可组合的内容,致力于分享、交流。02- HHunyuan-MT-7B腾讯混元翻译模型主要支持33种语言间的互译,包括中国五种少数民族语言。00
GOT-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。00- HHowToCook程序员在家做饭方法指南。Programmer's guide about how to cook at home (Chinese only).Dockerfile06
- PpathwayPathway is an open framework for high-throughput and low-latency real-time data processing.Python00
热门内容推荐
最新内容推荐
项目优选
收起

OpenHarmony documentation | OpenHarmony开发者文档
Dockerfile
143
1.92 K

deepin linux kernel
C
22
6

Nop Platform 2.0是基于可逆计算理论实现的采用面向语言编程范式的新一代低代码开发平台,包含基于全新原理从零开始研发的GraphQL引擎、ORM引擎、工作流引擎、报表引擎、规则引擎、批处理引引擎等完整设计。nop-entropy是它的后端部分,采用java语言实现,可选择集成Spring框架或者Quarkus框架。中小企业可以免费商用
Java
8
0

React Native鸿蒙化仓库
C++
192
274

🎉 (RuoYi)官方仓库 基于SpringBoot,Spring Security,JWT,Vue3 & Vite、Element Plus 的前后端分离权限管理系统
Vue
929
553

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!
C
422
392

openGauss kernel ~ openGauss is an open source relational database management system
C++
145
189

为非计算机科班出身 (例如财经类高校金融学院) 同学量身定制,新手友好,让学生以亲身实践开源开发的方式,学会使用计算机自动化自己的科研/创新工作。案例以量化投资为主线,涉及 Bash、Python、SQL、BI、AI 等全技术栈,培养面向未来的数智化人才 (如数据工程师、数据分析师、数据科学家、数据决策者、量化投资人)。
Jupyter Notebook
75
65

本仓将收集和展示高质量的仓颉示例代码,欢迎大家投稿,让全世界看到您的妙趣设计,也让更多人通过您的编码理解和喜爱仓颉语言。
Cangjie
344
1.3 K

Elasticsearch
国内Top1 elasticsearch搜索引擎框架es ORM框架,索引全自动智能托管,如丝般顺滑,与Mybatis-plus一致的API,屏蔽语言差异,开发者只需要会MySQL语法即可完成对Es的相关操作,零额外学习成本.底层采用RestHighLevelClient,兼具低码,易用,易拓展等特性,支持es独有的高亮,权重,分词,Geo,嵌套,父子类型等功能...
Java
36
8