这是“不应该发生的事情”吗？ AMD Fusion CPU 崩溃错误？

Question

我的公司已经开始接到许多客户的电话，因为我们的程序因他们的系统访问冲突而崩溃。

崩溃发生在 SQLite 3.6.23.1 中，我们将其作为应用程序的一部分提供。 （我们发布了一个自定义构建，以便使用与应用程序其余部分相同的 VC++ 库，但它是库存 SQLite 代码。）

当 pcache1Fetch 执行 call 00000000 时发生崩溃code>，如 WinDbg 调用堆栈所示：

0b50e5c4 719f9fad 06fe35f0 00000000 000079ad 0x0
0b50e5d8 719f9216 058d1628 000079ad 00000001 SQLite_Interop!pcache1Fetch+0x2d [sqlite3.c @ 31530]
0b50e5f4 719fd581 000079ad 00000001 0b50e63c SQLite_Interop!sqlite3PcacheFetch+0x76 [sqlite3.c @ 30651]
0b50e61c 719fff0c 000079ad 0b50e63c 00000000 SQLite_Interop!sqlite3PagerAcquire+0x51 [sqlite3.c @ 36026]
0b50e644 71a029ba 0b50e65c 00000001 00000e00 SQLite_Interop!getAndInitPage+0x1c [sqlite3.c @ 40158]
0b50e65c 71a030f8 000079ad 0aecd680 071ce030 SQLite_Interop!moveToChild+0x2a [sqlite3.c @ 42555]
0b50e690 71a0c637 0aecd6f0 00000000 0001edbe SQLite_Interop!sqlite3BtreeMovetoUnpacked+0x378 [sqlite3.c @ 43016]
0b50e6b8 71a109ed 06fd53e0 00000000 071ce030 SQLite_Interop!sqlite3VdbeCursorMoveto+0x27 [sqlite3.c @ 50624]
0b50e824 71a0db76 071ce030 0b50e880 071ce030 SQLite_Interop!sqlite3VdbeExec+0x14fd [sqlite3.c @ 55409]
0b50e850 71a0dcb5 0b50e880 21f9b4c0 00402540 SQLite_Interop!sqlite3Step+0x116 [sqlite3.c @ 51744]
0b50e870 00629a30 071ce030 76897ff4 70f24970 SQLite_Interop!sqlite3_step+0x75 [sqlite3.c @ 51806]

相关的 C 代码行是：

if( createFlag==1 ) sqlite3BeginBenignMalloc();

编译器内联 sqlite3BeginBenignMalloc，其定义为

typedef struct BenignMallocHooks BenignMallocHooks;
static SQLITE_WSD struct BenignMallocHooks {
  void (*xBenignBegin)(void);
  void (*xBenignEnd)(void);
} sqlite3Hooks = { 0, 0 };

# define wsdHooksInit
# define wsdHooks sqlite3Hooks

SQLITE_PRIVATE void sqlite3BeginBenignMalloc(void){
  wsdHooksInit;
  if( wsdHooks.xBenignBegin ){
    wsdHooks.xBenignBegin();
  }
}

：其汇编为：

719f9f99    mov     esi,dword ptr [esp+1Ch]
719f9f9d    cmp     esi,1
719f9fa0    jne     SQLite_Interop!pcache1Fetch+0x2d (719f9fad)
719f9fa2    mov     eax,dword ptr [SQLite_Interop!sqlite3Hooks (71a7813c)]
719f9fa7    test    eax,eax
719f9fa9    je      SQLite_Interop!pcache1Fetch+0x2d (719f9fad)
719f9fab    call    eax ; *** CRASH HERE ***
719f9fad    mov     ebx,dword ptr [esp+14h]

寄存器为：

eax=00000000 ebx=00000001 ecx=000013f0 edx=fffffffe esi=00000001 edi=00000000
eip=00000000 esp=0b50e5c8 ebp=000079ad iopl=0         nv up ei pl nz na po nc
cs=0023  ss=002b  ds=002b  es=002b  fs=0053  gs=002b             efl=00010202

如果 eax 为 0（确实如此），则应通过 test eax, eax 设置零标志，但它不是零。由于未设置零标志，je 不会跳转，然后应用在尝试执行 call eax (00000000) 时崩溃。

更新：eax 此处应始终为 0，因为 sqlite3Hooks.xBenignBegin 未在我们的代码构建中设置。我可以使用定义的 SQLITE_OMIT_BUILTIN_TEST 来重建 SQLite，这将在代码中打开 #define sqlite3BeginBenignMalloc() 并完全省略此代码路径。这可能会解决问题，但感觉并不是“真正”的解决方案；什么会阻止它在其他代码路径中发生？

到目前为止，共同的因素是所有客户都运行“Windows 7 Home Premium 64位（6.1，Build 7601）Service Pack 1”并拥有以下CPU之一（根据DxDiag）：

• AMD A6-3400M APU with Radeon（ tm) 高清显卡 (4 个 CPU)，~1.4GHz
• AMD A8-3500M APU，带 Radeon(tm) 高清显卡 (4 CPU），~1.5GHz
• AMD A8-3850 APU，带 Radeon(tm) HD 显卡（4 个 CPU），~2.9GHz

根据维基百科的 AMD Fusion文章，这些都是基于K10核心的“Llano”型号AMD Fusion芯片，于2011年6月发布，这是我们第一次开始收到报告的时间。

最常见的客户系统是东芝 Satellite L775D，但我们也有来自 HP Pavilion dv6 和 HP Pavilion dv6 的崩溃报告。 dv7 和网关系统。

此崩溃是否是由 CPU 错误引起的（请参阅 AMD 系列 12h 处理器勘误表），或者是否存在我忽略了其他一些可能的解释？ （根据 Raymond 的说法，它可能会超频，但奇怪的是如果是的话，只是这个特定的 CPU 型号受到影响。）

老实说，这似乎不可能是真正的 CPU 或操作系统错误，因为客户在其他型号中没有遇到蓝屏或崩溃应用程序。一定还有其他更可能的解释——但是什么？

8 月 15 日更新：我购买了一台配备 AMD A6-3400M 处理器的 Toshiba L745D 笔记本电脑，并且在运行程序时能够一致地重现崩溃情况。崩溃总是发生在同一条指令上； .time 报告崩溃前 1 分 30 秒到 7 分钟的用户时间。我在原博文中忽略提及的一个事实（可能与该问题相关）是该应用程序是多线程的，并且 CPU 和 I/O 使用率很高。该应用程序默认生成四个工作线程，并显示 80% 以上的 CPU 使用率（I/O 以及 SQLite 代码中的互斥锁存在一些阻塞），直到崩溃。我将应用程序修改为仅使用两个线程，但它仍然崩溃（尽管发生的时间更长）。我现在正在仅使用一个线程运行测试，并且它尚未崩溃。

另请注意，这似乎并不纯粹是 CPU 负载问题；我可以在系统上毫无错误地运行 Prime95，它会将 CPU 温度提高到 > 70°C，而我的应用程序在运行时几乎没有超过 50°C 的温度。

8 月 16 日更新：稍微扰乱说明即可使问题“消失”。例如，用 xor eax, eax 替换内存负载 (mov eax,dword ptr [SQLite_Interop!sqlite3Hooks (71a7813c)]) 可防止崩溃。修改原始 C 代码以向 if( createFlag==1 ) 语句添加额外检查，从而更改编译代码中各种跳转的相对偏移量（以及 test 的位置） eax、eax 和 call eax 语句），似乎也可以防止该问题。

到目前为止，我发现的最奇怪的结果是将 719f9fa0 处的 jne 更改为两个 nop 指令（以便控制始终< /em> 会执行 test eax, eax 指令，无论 createFlag/esi 的值是什么）允许程序运行没有崩溃。

Answer 1

我在 Microsoft Build 大会上与一位 AMD 工程师讨论了这个错误，并向他展示了我的重现。今天早上他给我发了一封电子邮件：

我们进行了调查并发现这是由于已知的勘误表造成的
Llano APU 系列。它可以通过 BIOS 更新来修复，具体取决于
OEM – 如果可能，请将其推荐给您的客户（甚至
尽管您有解决方法）。

如果您有兴趣，Family 12h 中的勘误表为 665
修订指南（参见第 45 页）：
http://support.amd.com/TechDocs/44739_12h_Rev_Gd.pdf#page=45

以下是对该勘误的描述：

665 Integer Divide instructions May Cause Unpredictable Behaviour

描述

如下一组高度具体且详细的内部时序条件，处理器内核可能会中止推测的 DIV 或 IDIV 整数除法指令（由于推测执行被重定向，例如由于错误预测的分支），但可能挂起或过早完成第一条指令的非投机路径。

对系统的潜在影响

不可预测的系统行为，通常会导致系统挂起。

建议的解决方法

BIOS 应设置 MSRC001_1029[31]。

此解决方法会更改《AMD 系列 10h 和 12h 处理器软件优化指南》中指定的 DIV/IDIV 指令延迟，订单编号为 40546。应用此解决方法后，AMD 系列 12h 处理器的 DIV/IDIV 延迟为类似于 AMD 系列 10h 处理器的 DIV/IDIV 延迟。

修复计划

否

Answer 2

我有点担心为 if (wsdHooks.xBenignBegin) 生成的代码不是很通用。它假设唯一的真实值是1，而它实际上应该测试任何非零值。尽管如此，MSVC 有时还是会令人困惑。可能没什么。没关系：这些说明适用于未提供的 C 代码。

鉴于 eflag Z 位已清除并且 EAX 为零，代码不会通过执行指令到达这里

719f9fa7    test    eax,eax

必须从其他地方跳转到后面的指令（ 719f9fa9 je SQLite_Interop!pcache1Fetch+0x2d) 甚至是 call 指令本身。

另一个复杂之处是，对于 x86 系列，无效的跳转目标（例如 JE 指令的第二个字节）很常见，可以不受干扰地执行相当多的指令（​​没有错误），通常最终会得到回到正确的指令对齐。换句话说，您可能不会寻找跳转到任何这些指令开头的跳转：跳转可能位于它们的字节中间，从而导致执行诸如 add [al+ebp],al< 等不起眼的操作/code> 这往往不会被注意到。

我预测 test 指令处的断点不会因异常而被命中。找到这些原因的唯一方法要么是非常幸运，要么怀疑一切并一一证明它们是无辜的。

Answer 3

在考虑 CPU bug 的可能性之前，请尝试排除更可能的原因

1. 调用指令的不同代码路径。使用uf命令反汇编函数并查找到调用指令的其他跳转/分支

2. 从钩子函数跳转/调用0。 dps SQLite_Interop!sqlite3Hooks l 2 并验证它是否显示空值。