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。
AutoGLM-Phone-9BAutoGLM-Phone-9B是基于AutoGLM构建的移动智能助手框架,依托多模态感知理解手机屏幕并执行自动化操作。Jinja00
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