Julia项目在glibc 2.41下的兼容性问题分析与解决方案
在2025年初,随着glibc 2.41版本的发布,许多Linux用户在使用Julia编程语言时遇到了一个严重的兼容性问题。当用户尝试启动Julia 1.9.4、1.10.8或1.11.3版本时,系统会报错并拒绝运行,错误信息明确指出无法加载libopenlibm.so库,原因是该库需要一个可执行栈(stack),而glibc 2.41默认不再允许这种行为。
这个问题源于glibc 2.41引入的一项安全增强措施。在新版本中,动态链接器(ld.so)不再自动为需要可执行栈的共享对象启用可执行栈权限,无论这种需求是显式声明(通过GNU_STACK ELF头部中的可执行位)还是隐式存在(由于缺少GNU_STACK头部)。这项变更旨在提高系统安全性,防止潜在的栈溢出攻击,但同时也影响了那些依赖可执行栈的遗留应用程序。
对于Julia用户而言,问题主要集中在libopenlibm数学库上。这个库是Julia的核心依赖之一,负责提供基本的数学运算功能。在glibc 2.41环境下,当Julia尝试加载这个库时,系统会拒绝执行并抛出"Invalid argument"错误。
社区迅速响应并提供了多种解决方案:
-
临时解决方案:使用execstack工具清除库文件的可执行栈标记:
execstack -c /path/to/libopenlibm.so或者使用patchelf工具:
patchelf --clear-execstack /path/to/libopenlibm.so -
环境变量方案:通过设置GLIBC_TUNABLES环境变量临时允许可执行栈:
GLIBC_TUNABLES=glibc.rtld.execstack=2 julia -
长期解决方案:Julia团队在1.10.9和1.11.4版本中更新了libopenlibm库,从根本上解决了这个问题。新版本的库不再要求可执行栈权限,从而完全兼容glibc 2.41的安全策略。
值得注意的是,这个问题不仅影响了Julia,还影响了包括Steam游戏、Discord、MATLAB等其他知名软件。glibc团队后来也意识到了这一变更对现有生态系统的广泛影响,并考虑在未来的版本中引入调优选项来平衡安全性和兼容性。
对于仍在使用旧版Julia(如1.9.x及更早版本)的用户,建议考虑升级到受支持的版本。虽然临时解决方案可以解决问题,但它们可能带来潜在的安全风险。长期来看,保持软件栈的更新是最安全、最稳定的选择。
这个事件也提醒我们,在复杂的开源生态系统中,底层库的变更可能会产生广泛的连锁反应。作为开发者或用户,了解这些依赖关系并保持对关键更新的关注,对于维护稳定可靠的开发环境至关重要。
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。C032
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
kylin-wayland-compositorkylin-wayland-compositor或kylin-wlcom(以下简称kywc)是一个基于wlroots编写的wayland合成器。 目前积极开发中,并作为默认显示服务器随openKylin系统发布。 该项目使用开源协议GPL-1.0-or-later,项目中来源于其他开源项目的文件或代码片段遵守原开源协议要求。C00
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-4.7GLM-4.7上线并开源。新版本面向Coding场景强化了编码能力、长程任务规划与工具协同,并在多项主流公开基准测试中取得开源模型中的领先表现。 目前,GLM-4.7已通过BigModel.cn提供API,并在z.ai全栈开发模式中上线Skills模块,支持多模态任务的统一规划与协作。Jinja00
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