XiangShan模拟器运行Hello示例时出现段错误问题分析
问题背景
在使用XiangShan开源RISC-V处理器项目时,开发者在尝试运行简单的Hello World示例程序时遇到了段错误(Segmentation fault)问题。该问题发生在使用XiangShan的模拟器emu运行nexus-am框架编译的应用程序时。
环境配置
开发者使用的环境配置如下:
- XiangShan版本:master分支,commit c01e75b
- NEMU版本:commit 738ae33
- 操作系统:Ubuntu 22.04
- 工具链:gcc 11.4.0, mill 0.12.10, Java 11.0.26
问题现象
当执行以下命令时:
./emu -i $AM_HOME/apps/hello/build/hello-riscv64-xs.bin
模拟器会输出以下信息后崩溃:
emu compiled at Apr 12 2025, 18:00:30
Using simulated 32768B flash
Using simulated 8386560MB RAM
The image is /xs-env/nexus-am/apps/hello/build/hello-riscv64-xs.bin
The reference model is /xs-env/NEMU/build/riscv64-nemu-interpreter-so
Segmentation fault (core dumped)
问题排查过程
初步分析
首先确认了NEMU参考模型已正确编译,相关文件存在且路径正确。尝试运行其他基准测试程序也出现同样问题,排除了特定应用程序导致问题的可能性。
关键发现
通过添加--no-diff
参数运行模拟器时,程序可以正常执行:
./emu -i $NOOP_HOME/ready-to-run/microbench.bin --no-diff
这表明问题可能与差异测试(Difftest)功能相关,特别是与NEMU参考模型的交互部分。
GDB调试分析
使用GDB进行调试后,发现段错误发生在NEMU共享库的内存分配函数中:
Thread 1 "emu" received signal SIGSEGV, Segmentation fault.
0x00000555ff484204 in allocate_memory_with_mmap () from /xs-env/NEMU/build/riscv64-nemu-interpreter-so
调用栈显示问题发生在初始化NEMU代理时:
#0 0x00000555ff484204 in allocate_memory_with_mmap ()
#1 0x00000555ff48424f in init_mem ()
#2 0x00000555ff47530f in difftest_init ()
#3 0x000000000041f1e8 in RefProxy::RefProxy (...)
#4 NemuProxy::NemuProxy (...)
#5 0x0000000000417b5c in Difftest::update_nemuproxy (...)
可能原因分析
-
内存分配问题:NEMU在尝试分配内存时失败,可能是由于系统内存不足或内存分配策略限制。
-
环境差异:问题在Docker容器中出现,可能与容器环境下的内存管理特性有关。
-
版本兼容性问题:虽然使用了正确的commit版本,但可能存在某些环境依赖不兼容。
-
系统配置限制:如vm.overcommit_memory设置可能影响内存分配行为。
解决方案
虽然最终问题通过在另一台系统上重新搭建环境得到解决,但针对类似问题,可以采取以下排查步骤:
-
检查系统内存配置:
- 查看
/proc/sys/vm/overcommit_memory
设置 - 确认系统可用内存是否充足
- 查看
-
简化测试环境:
- 尝试在非容器环境中运行
- 使用更简单的测试用例验证基本功能
-
深入调试:
- 在NEMU中添加更多调试输出
- 检查内存分配请求的具体参数
-
环境隔离:
- 创建全新的开发环境
- 确保所有依赖项版本匹配
经验总结
-
差异测试功能虽然强大,但也增加了系统复杂性,在出现问题时可以先尝试禁用。
-
容器环境可能引入额外的复杂性,特别是在资源管理和系统调用方面。
-
对于难以定位的问题,在不同环境中复现是有效的排查手段。
-
系统级调试工具如GDB对于定位底层问题非常有用。
这个问题展示了在复杂仿真环境中可能遇到的各种挑战,特别是在多个组件(NEMU、XiangShan模拟器、应用程序)交互时。通过系统化的排查方法,可以有效地定位和解决问题。
- 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









