QuickJS 中的无限递归调用问题分析
问题概述
QuickJS 是一款轻量级的 JavaScript 引擎,最近在其 master 分支(74fd4d7)版本中发现了一个导致栈溢出的问题。该问题发生在特定 JavaScript 代码执行过程中,表现为无限递归调用导致的栈空间耗尽。
问题重现
问题可以通过以下测试代码重现:
function f(aqqusxkzn) {
var abudgcquf;
f.apply(null, ['']);
}
f('')
当使用 QuickJS 执行这段代码时,会触发栈溢出错误。从错误堆栈可以看出,问题发生在 JS_GetPropertyInternal2 函数中,这是一个典型的无限递归调用场景。
技术分析
调用链分析
从错误堆栈可以清晰地看到调用链:
- 初始调用
f('')进入函数 - 函数内部调用
f.apply(null, ['']) - 这又触发了
js_function_apply的执行 js_function_apply中通过JS_Call再次调用函数f- 这个过程无限循环,直到栈空间耗尽
根本原因
问题的核心在于函数 f 在其内部通过 apply 方法递归调用自身,而没有提供任何终止条件。这种无限递归调用在 JavaScript 中本应通过调用栈限制来捕获,但 QuickJS 的实现中似乎没有对这种深度递归进行适当的限制或优化。
关键函数分析
JS_GetPropertyInternal2 是 QuickJS 中用于获取对象属性的内部函数,位于调用链的顶端。当递归调用发生时,每次调用都需要获取函数的 length 属性,这导致了 JS_GetPropertyInternal2 的重复执行。
js_function_apply 函数负责处理 Function.prototype.apply 的调用,它在构建参数列表时会查询 arguments 对象的 length 属性,这进一步加剧了递归深度。
解决方案思路
针对这类问题,通常有以下几种解决方案:
-
尾调用优化(TCO):如果递归调用是尾调用形式,引擎可以实现尾调用优化,避免栈增长。不过 QuickJS 目前似乎没有完全实现这一优化。
-
显式递归深度限制:引擎可以设置最大调用深度,超过限制时抛出异常而非导致栈溢出。
-
循环展开:对于某些特定模式的递归,可以尝试转换为循环形式。
在 QuickJS 的具体实现中,可能需要:
- 在
js_function_apply中添加递归深度检测 - 优化属性获取路径,减少不必要的属性查询
- 考虑实现尾调用优化支持
对开发者的启示
这个案例给 JavaScript 开发者几个重要启示:
- 即使是简单的递归函数,也需要明确的终止条件
- 使用
apply或call方法进行递归时要格外小心 - 不同 JavaScript 引擎对递归的处理方式可能有差异
- 在生产代码中,应考虑将深度递归算法改写为迭代形式
结论
QuickJS 的这个栈溢出问题展示了 JavaScript 引擎在处理深度递归调用时的挑战。虽然从语言规范角度看这是符合预期的行为,但现代 JavaScript 引擎通常会实现各种优化来避免此类问题。对于 QuickJS 这样的轻量级引擎,需要在实现复杂度和健壮性之间找到平衡点。开发者在使用时也应当注意避免编写可能导致无限递归的代码模式。
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
GLM-4.7-FlashGLM-4.7-Flash 是一款 30B-A3B MoE 模型。作为 30B 级别中的佼佼者,GLM-4.7-Flash 为追求性能与效率平衡的轻量化部署提供了全新选择。Jinja00
VLOOKVLOOK™ 是优雅好用的 Typora/Markdown 主题包和增强插件。 VLOOK™ is an elegant and practical THEME PACKAGE × ENHANCEMENT PLUGIN for Typora/Markdown.Less00
PaddleOCR-VL-1.5PaddleOCR-VL-1.5 是 PaddleOCR-VL 的新一代进阶模型,在 OmniDocBench v1.5 上实现了 94.5% 的全新 state-of-the-art 准确率。 为了严格评估模型在真实物理畸变下的鲁棒性——包括扫描伪影、倾斜、扭曲、屏幕拍摄和光照变化——我们提出了 Real5-OmniDocBench 基准测试集。实验结果表明,该增强模型在新构建的基准测试集上达到了 SOTA 性能。此外,我们通过整合印章识别和文本检测识别(text spotting)任务扩展了模型的能力,同时保持 0.9B 的超紧凑 VLM 规模,具备高效率特性。Python00
KuiklyUI基于KMP技术的高性能、全平台开发框架,具备统一代码库、极致易用性和动态灵活性。 Provide a high-performance, full-platform development framework with unified codebase, ultimate ease of use, and dynamic flexibility. 注意:本仓库为Github仓库镜像,PR或Issue请移步至Github发起,感谢支持!Kotlin07
compass-metrics-modelMetrics model project for the OSS CompassPython00