在Arch Linux上构建Intel PCM工具时解决libasan链接问题
Intel PCM(Performance Counter Monitor)是一款强大的性能监控工具,但在某些Linux发行版上构建时可能会遇到链接问题。本文将详细介绍在Arch Linux系统上构建PCM时遇到的libasan链接错误及其解决方案。
问题现象
当在Arch Linux系统上尝试构建PCM工具时,构建过程会在链接阶段失败,并显示以下错误信息:
/usr/bin/ld: cannot find -lasan: No such file or directory
尽管系统中确实存在libasan.so文件(通常位于/usr/lib/libasan.so),但构建系统无法正确找到并使用它。
问题原因
这个问题的根源在于PCM的CMake构建系统默认尝试使用静态链接方式连接AddressSanitizer(ASan)库。在Arch Linux等某些发行版中,静态版本的ASan库可能不可用或安装方式不同,导致链接器无法找到所需的静态库文件。
AddressSanitizer是一种内存错误检测工具,PCM默认启用它以帮助开发者发现潜在的内存问题。静态链接方式在某些环境下工作良好,但在Arch Linux等发行版中可能需要调整为动态链接。
解决方案
有两种方法可以解决这个问题:
方法一:强制使用动态链接
在运行cmake时添加-DPCM_NO_STATIC_LIBASAN=ON选项,强制使用动态链接方式连接ASan库:
cmake -DPCM_NO_STATIC_LIBASAN=ON ..
cmake --build .
方法二:更新PCM代码库
最新版本的PCM已经针对Arch Linux做了特殊处理,会自动检测系统类型并调整链接方式。只需更新到最新代码即可:
git pull origin master
mkdir build
cd build
cmake ..
cmake --build .
深入理解
AddressSanitizer是LLVM项目的一部分,用于检测内存错误如缓冲区溢出、使用释放后的内存等。它通过编译时插桩和运行时库的结合来实现这些功能。在Linux系统中,ASan通常以动态库形式提供(libasan.so),但某些构建系统可能偏好静态链接以获得更好的可移植性。
Arch Linux作为滚动更新的发行版,其软件包管理方式与其他发行版有所不同,这可能导致一些构建系统假设不成立。PCM项目已经意识到这一点,并针对Arch Linux做了特殊处理,体现了开源项目对不同Linux发行版的良好适配。
总结
在Arch Linux上构建Intel PCM工具时遇到的libasan链接问题,本质上是静态链接与动态链接的选择问题。通过理解构建系统的默认行为并适当调整配置参数,可以顺利解决这一问题。这也提醒我们,在使用开源工具时,了解不同Linux发行版间的差异非常重要。
GLM-5智谱 AI 正式发布 GLM-5,旨在应对复杂系统工程和长时域智能体任务。Jinja00
GLM-5-w4a8GLM-5-w4a8基于混合专家架构,专为复杂系统工程与长周期智能体任务设计。支持单/多节点部署,适配Atlas 800T A3,采用w4a8量化技术,结合vLLM推理优化,高效平衡性能与精度,助力智能应用开发Jinja00
请把这个活动推给顶尖程序员😎本次活动专为懂行的顶尖程序员量身打造,聚焦AtomGit首发开源模型的实际应用与深度测评,拒绝大众化浅层体验,邀请具备扎实技术功底、开源经验或模型测评能力的顶尖开发者,深度参与模型体验、性能测评,通过发布技术帖子、提交测评报告、上传实践项目成果等形式,挖掘模型核心价值,共建AtomGit开源模型生态,彰显顶尖程序员的技术洞察力与实践能力。00
Kimi-K2.5Kimi K2.5 是一款开源的原生多模态智能体模型,它在 Kimi-K2-Base 的基础上,通过对约 15 万亿混合视觉和文本 tokens 进行持续预训练构建而成。该模型将视觉与语言理解、高级智能体能力、即时模式与思考模式,以及对话式与智能体范式无缝融合。Python00
MiniMax-M2.5MiniMax-M2.5开源模型,经数十万复杂环境强化训练,在代码生成、工具调用、办公自动化等经济价值任务中表现卓越。SWE-Bench Verified得分80.2%,Multi-SWE-Bench达51.3%,BrowseComp获76.3%。推理速度比M2.1快37%,与Claude Opus 4.6相当,每小时仅需0.3-1美元,成本仅为同类模型1/10-1/20,为智能应用开发提供高效经济选择。【此简介由AI生成】Python00
Qwen3.5Qwen3.5 昇腾 vLLM 部署教程。Qwen3.5 是 Qwen 系列最新的旗舰多模态模型,采用 MoE(混合专家)架构,在保持强大模型能力的同时显著降低了推理成本。00- RRing-2.5-1TRing-2.5-1T:全球首个基于混合线性注意力架构的开源万亿参数思考模型。Python00