SPDK项目构建中LTO优化引发的符号引用问题分析
2025-06-25 19:01:45作者:胡易黎Nicole
问题背景
在构建SPDK存储性能开发套件时,当启用链接时优化(LTO)选项后,编译过程会出现"undefined reference to `__wrap_RAND_bytes'"的错误。这个问题主要发生在使用GCC编译器(包括9.3.1和11.4版本)进行构建时,影响了SPDK的认证功能模块。
技术原理
LTO(Link Time Optimization)是一种编译器优化技术,它允许编译器在链接阶段进行跨模块的优化。这种优化方式能够获得比传统编译方式更好的性能,但同时也带来了更严格的符号检查。
在SPDK项目中,为了实现单元测试的隔离性,使用了函数包装技术(wrapper functions)。具体到这个问题,是对OpenSSL库中的RAND_bytes函数进行了包装,创建了__wrap_RAND_bytes包装函数。
根本原因分析
问题的本质在于LTO优化过程中,编译器对符号可见性的处理变得更加严格。包装函数__wrap_RAND_bytes由于缺少必要的属性声明,在LTO优化阶段被错误地优化掉了,导致链接时无法找到这个符号。
具体来说:
- SPDK使用DEFINE_WRAPPER宏来定义大多数包装函数,这个宏会自动添加
__attribute__((used))属性 - 但对于RAND_bytes这类需要特殊处理的函数,使用了更底层的DECLARE_WRAPPER宏
- 原始的DECLARE_WRAPPER宏没有包含
__attribute__((used))属性 - 在LTO优化下,编译器认为这个包装函数未被使用而将其优化掉
解决方案
修复方案主要包含两个部分:
- 在DECLARE_WRAPPER宏中添加
__attribute__((used))属性声明,确保包装函数在LTO优化下不会被错误地移除 - 同时修复了另一个相关的LTO警告问题,该问题涉及未初始化的内存比较操作
技术启示
这个案例给我们带来几点重要的技术启示:
- LTO优化虽然能提升性能,但会改变编译器的行为模式,需要特别注意符号可见性问题
- 函数包装技术在单元测试中非常有用,但需要确保包装函数的可见性
- 宏定义的一致性很重要,特别是当它们用于生成关键功能代码时
- 编译器警告(特别是LTO相关的)往往能揭示潜在的问题,应该引起重视
后续改进
SPDK团队已经意识到需要加强LTO构建的测试覆盖:
- 将在更多平台上启用LTO构建测试
- 引入run_test跟踪机制,确保LTO构建得到充分验证
- 考虑将LTO构建纳入持续集成的主干测试流程
这个问题也提醒我们,在使用高级编译优化选项时,需要全面考虑其对整个构建系统的影响,特别是在涉及特殊技术(如函数包装)的情况下。
登录后查看全文
热门项目推荐
相关项目推荐
ERNIE-4.5-VL-28B-A3B-ThinkingERNIE-4.5-VL-28B-A3B-Thinking 是 ERNIE-4.5-VL-28B-A3B 架构的重大升级,通过中期大规模视觉-语言推理数据训练,显著提升了模型的表征能力和模态对齐,实现了多模态推理能力的突破性飞跃Python00
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
MiniMax-M2MiniMax-M2是MiniMaxAI开源的高效MoE模型,2300亿总参数中仅激活100亿,却在编码和智能体任务上表现卓越。它支持多文件编辑、终端操作和复杂工具链调用Python00
HunyuanVideo-1.5暂无简介00
MiniCPM-V-4_5MiniCPM-V 4.5 是 MiniCPM-V 系列中最新且功能最强的模型。该模型基于 Qwen3-8B 和 SigLIP2-400M 构建,总参数量为 80 亿。与之前的 MiniCPM-V 和 MiniCPM-o 模型相比,它在性能上有显著提升,并引入了新的实用功能Python00
Spark-Formalizer-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
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
项目优选
收起
deepin linux kernel
C
24
7
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
9
1
暂无简介
Dart
615
140
Ascend Extension for PyTorch
Python
168
190
React Native鸿蒙化仓库
JavaScript
240
315
本项目是CANN提供的数学类基础计算算子库,实现网络在NPU上加速计算。
C++
647
256
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
373
3.18 K
🎉 (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
1.09 K
618
🔥LeetCode solutions in any programming language | 多种编程语言实现 LeetCode、《剑指 Offer(第 2 版)》、《程序员面试金典(第 6 版)》题解
Java
62
19
TorchAir 支持用户基于PyTorch框架和torch_npu插件在昇腾NPU上使用图模式进行推理。
Python
262
92