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。
GLM-5智谱 AI 正式发布 GLM-5,旨在应对复杂系统工程和长时域智能体任务。Jinja00
GLM-5-w4a8GLM-5-w4a8基于混合专家架构,专为复杂系统工程与长周期智能体任务设计。支持单/多节点部署,适配Atlas 800T A3,采用w4a8量化技术,结合vLLM推理优化,高效平衡性能与精度,助力智能应用开发Jinja00
请把这个活动推给顶尖程序员😎本次活动专为懂行的顶尖程序员量身打造,聚焦AtomGit首发开源模型的实际应用与深度测评,拒绝大众化浅层体验,邀请具备扎实技术功底、开源经验或模型测评能力的顶尖开发者,深度参与模型体验、性能测评,通过发布技术帖子、提交测评报告、上传实践项目成果等形式,挖掘模型核心价值,共建AtomGit开源模型生态,彰显顶尖程序员的技术洞察力与实践能力。00
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
MiniMax-M2.5MiniMax-M2.5开源模型,经数十万复杂环境强化训练,在代码生成、工具调用、办公自动化等经济价值任务中表现卓越。SWE-Bench Verified得分80.2%,Multi-SWE-Bench达51.3%,BrowseComp获76.3%。推理速度比M2.1快37%,与Claude Opus 4.6相当,每小时仅需0.3-1美元,成本仅为同类模型1/10-1/20,为智能应用开发提供高效经济选择。【此简介由AI生成】Python00
Qwen3.5Qwen3.5 昇腾 vLLM 部署教程。Qwen3.5 是 Qwen 系列最新的旗舰多模态模型,采用 MoE(混合专家)架构,在保持强大模型能力的同时显著降低了推理成本。00- RRing-2.5-1TRing-2.5-1T:全球首个基于混合线性注意力架构的开源万亿参数思考模型。Python00