Odyssey项目构建时遇到未定义符号问题的分析与解决
问题背景
在使用PostgreSQL 17构建Odyssey连接池项目时,开发者遇到了一个典型的链接错误:"undefined reference to __ubsan_handle_out_of_bounds'"。这个问题出现在编译过程中,当尝试使用make local_build`命令构建Odyssey时,链接器报告了多个未定义的符号引用。
错误分析
这个错误的核心在于编译器选项-fsanitize=bounds的使用。这个选项启用了范围检查功能,它是Undefined Behavior Sanitizer(UBSan)的一部分。UBSan是LLVM/Clang提供的一套运行时检查工具,用于检测程序中的未定义行为。
当在PostgreSQL的构建配置中启用了-fsanitize=bounds选项时,PostgreSQL的库文件(libpgcommon.a)中会包含对UBSan运行时函数的引用。然而,当Odyssey项目在没有启用相应sanitizer选项的情况下进行链接时,链接器无法找到这些运行时函数的实现,从而导致"undefined reference"错误。
解决方案
针对这个问题,Odyssey项目提供了专门的构建目标来解决:
-
使用build_asan替代local_build
正确的解决方法是使用make build_asan而不是make local_build。这个构建目标会自动配置适当的sanitizer选项,确保与PostgreSQL的构建配置兼容。 -
理解sanitizer选项的包含关系
值得注意的是,-fsanitize=undefined选项已经包含了-fsanitize=bounds的功能。因此,在Odyssey的构建配置中不需要单独添加bounds检查选项。
技术深入
这个问题揭示了构建系统配置一致性的重要性。当依赖的库和主项目使用不同的编译器选项时,特别是涉及运行时检查工具时,很容易出现类似的链接问题。
UBSan的范围检查功能对于开发高质量的数据库中间件特别有价值,它可以帮助开发者及早发现数组越界等常见的内存安全问题。然而,这种检查需要在所有链接的组件中保持一致启用,否则就会出现本例中的链接错误。
最佳实践建议
- 在开发环境中,建议统一使用相同的sanitizer配置构建所有相关组件
- 对于Odyssey项目,优先使用项目提供的专用构建目标(如build_asan)而不是通用构建目标
- 理解不同sanitizer选项之间的关系,避免重复或冲突的配置
- 在发布生产版本时,记得移除这些调试和检查选项以获得最佳性能
通过遵循这些实践,开发者可以充分利用现代编译器的安全检查功能,同时避免构建过程中的兼容性问题。
kernelopenEuler内核是openEuler操作系统的核心,既是系统性能与稳定性的基石,也是连接处理器、设备与服务的桥梁。C031
Kimi-K2-ThinkingKimi K2 Thinking 是最新、性能最强的开源思维模型。从 Kimi K2 开始,我们将其打造为能够逐步推理并动态调用工具的思维智能体。通过显著提升多步推理深度,并在 200–300 次连续调用中保持稳定的工具使用能力,它在 Humanity's Last Exam (HLE)、BrowseComp 等基准测试中树立了新的技术标杆。同时,K2 Thinking 是原生 INT4 量化模型,具备 256k 上下文窗口,实现了推理延迟和 GPU 内存占用的无损降低。Python00
GLM-4.6V-FP8GLM-4.6V-FP8是GLM-V系列开源模型,支持128K上下文窗口,融合原生多模态函数调用能力,实现从视觉感知到执行的闭环。具备文档理解、图文生成、前端重构等功能,适用于云集群与本地部署,在同类参数规模中视觉理解性能领先。Jinja00
HunyuanOCRHunyuanOCR 是基于混元原生多模态架构打造的领先端到端 OCR 专家级视觉语言模型。它采用仅 10 亿参数的轻量化设计,在业界多项基准测试中取得了当前最佳性能。该模型不仅精通复杂多语言文档解析,还在文本检测与识别、开放域信息抽取、视频字幕提取及图片翻译等实际应用场景中表现卓越。00
GLM-ASR-Nano-2512GLM-ASR-Nano-2512 是一款稳健的开源语音识别模型,参数规模为 15 亿。该模型专为应对真实场景的复杂性而设计,在保持紧凑体量的同时,多项基准测试表现优于 OpenAI Whisper V3。Python00
GLM-TTSGLM-TTS 是一款基于大语言模型的高质量文本转语音(TTS)合成系统,支持零样本语音克隆和流式推理。该系统采用两阶段架构,结合了用于语音 token 生成的大语言模型(LLM)和用于波形合成的流匹配(Flow Matching)模型。 通过引入多奖励强化学习框架,GLM-TTS 显著提升了合成语音的表现力,相比传统 TTS 系统实现了更自然的情感控制。Python00
Spark-Formalizer-X1-7BSpark-Formalizer 是由科大讯飞团队开发的专用大型语言模型,专注于数学自动形式化任务。该模型擅长将自然语言数学问题转化为精确的 Lean4 形式化语句,在形式化语句生成方面达到了业界领先水平。Python00