面试问题
问题描述：
1. 第一道题目：在多线程和大量并发环境下，如果有一个平均运行一百万次出现一次的bug， 你如何调试这个bug。 题主对于这种比较大的工程没有接触过所以没有这方面的经验，我回答的是：首先要试图重现这个bug，在重现bug时，需要保留当时的一些状态信息，然后进行调试，依次确定与这个bug有关的模块（加桩和驱动)。听到我的回答后，面试官说这个bug很难重现，这个时候你要怎么处理或者重现呢。 我回答说：那么这个bug出现的概率比较小，如果没有造成太大的影响能不能忽略。 然后面试官说那10W次出现一次呢， 之后我就没有了想法。
2. 第二道题目的题意我不理解，题目是面试官给我的试卷上面的。题目描述：有一个类指针，指向类实例化的对象，在这个对象程序的运行过程中，程序崩溃了，后来发现是这个类指针的虚函数表被破坏了，现在如何定位这个问题。我把"如何定位这个问题"理解的是如何定位这个bug所在，然后我回答:知道虚函数表被破坏了，那么问题不是在这里吗，可以依次确定是不是调用了应该调用的虚函数。然后面试官说虚函数表里面的内容没有问题，之后我有点蒙了，我回答说那是不是指向虚函数表的指针被破坏了。面试官说你可能没有理解题意，所以我比较郁闷，是不是还有另外的原因。
回答一：
对于第一个问题而言，解决Bug，第一步就是重现，第二步定位以及Reduce，第三步再来解。所以，不管百万次还是十万次，首先要重现出来，然后找出重现出来的计算机状态。计算机不会欺骗人，每一个问题出来肯定是有原因的，唯一要做的就是如何把这个计算机状态信息还原出来，你可以使用log跟踪等，怎么纪录还原都是工程师的选择。而若能把相关的状态信息拿到，剩下的就是定位是哪里的问题，而这时候最好的就是模拟和Reduce，把问题缩小，排除其它信息干扰。模拟与Reduce成功以后，再想办法解决，然后再来估计解决问题的难度与成本问题等，有些BUG我们是知道，但是解决太麻烦了，影响也不大，就放着。
对于第二个问题而言，需要先限定编译器和环节，比如，virtual table 在 Linux 下 GCC 4.9 的实现就是放在read only 段 .rodata，怎么可能被修改？好，就算可以被修改，我第一反应就是上GDB与Valgrind，被破坏的原因很多，你不让我调，我怎么跟你继续说下去，不如直接给我代码，我调给你看？ 那你首先准备一个这样的代码？
对于第二个问题而言，需要先限定编译器和环节，比如，virtual table 在 Linux 下 GCC 4.9 的实现就是放在read only 段 .rodata，怎么可能被修改？好，就算可以被修改，我第一反应就是上GDB与Valgrind，被破坏的原因很多，你不让我调，我怎么跟你继续说下去，不如直接给我代码，我调给你看？ 那你首先准备一个这样的代码？
回答二：
1. 先问清楚 bug 是属于哪一类。崩溃？数据不一致？然后可能要在问更多的资料，才能考虑用什么方法。题主说的尽量保留状态是对的。然后可能要针对相关的软件部分，看看能否有测试能重现问题，逐步收窄范围。另一方面，从管理上应该要考虑 bug 的严重性与成本／时间的问题。如果最终能找出问题，需要研究怎样防范相似的 bug。
2. 虽然不确定问题是否准确，但如果有对象的内容被越界写入，不能只考虑该对象（若只考虑该对象就是错误地收窄检查范围），程序中任何地方也可导致该问题。首先看看能否用工具检测，例如 valgrind 之类，成功的话可以很快定位问题。如果错误写入的位置是固定的，可以用调试器的硬件断点，当写入该数据时看调用栈。但如果真的没有合适的工具可以运行，而又有固定的出错情况，那么可以尝试写一个函数去检测数据的合法性，然后在代码中插入该测试，看看能否逐步收窄范围。
2. 虽然不确定问题是否准确，但如果有对象的内容被越界写入，不能只考虑该对象（若只考虑该对象就是错误地收窄检查范围），程序中任何地方也可导致该问题。首先看看能否用工具检测，例如 valgrind 之类，成功的话可以很快定位问题。如果错误写入的位置是固定的，可以用调试器的硬件断点，当写入该数据时看调用栈。但如果真的没有合适的工具可以运行，而又有固定的出错情况，那么可以尝试写一个函数去检测数据的合法性，然后在代码中插入该测试，看看能否逐步收窄范围。
回答三：
因为这些都是假设性问题，所以一般都只能说排查问题的思路：
问题一：
1：其实100万分之一的几率并不算很低。一个繁忙一点的服务，每秒一万个请求是很正常的（如果业务简单，还能更高）。所以百万分之一的复现概率，相当于在压力测试下几分钟就能出一次了。所以在道理上，如果有服务以这个几率出现bug，让它上线本身就是测试部门的失职。
2：反过来说，既然几分钟就能复现，那就在测试环境里压就好了，想怎么改就怎么改，想怎么打log就怎么打log。
3：假定测试环境的压测真的没出来，真的线上出现这样的问题（例如说压测的用例没有覆盖到）。首先考虑的是回滚服务到旧版，以确保正常业务不出问题。然后在线上环境提取某台机，用类似tcpcopy这样的软件导一份数据到测试环境中，来测试这个有问题的版本。这时候，既然是测试环境，你想怎么办都行（不影响线上服务）。
4：到了真正去分析bug了，那首先确定bug的类型。例如说如果能core dump的话相对好办一些，因为可以从core dump大概能看出或者猜出一些东西来。而如果并不core dump，而只是导致数据错乱的话，那就要做数据出入口的校验等。
5：在各顶级模块的入口出口打log，定位发生bug时所在的模块，然后逐步收敛。
6：确定这些模块以及关联影响的模块，单独提取这些模块出来，进行测试或者code review，最终确定问题。
问题二：
1：这类bug，一般都涉及越界操作。
2：一般这类bug，大多数都是可以通过静态code review解决的。既然知道是那个类，盯着用到这些类的实例的地方就行（包括这些类实例的前后几个对象，因为有可能是它们越界）。
3：一些工具，例如valgrind、purify之类的，也有可能有帮助（不一定肯定有用，但一般还是挺有用的）。
问题一：
1：其实100万分之一的几率并不算很低。一个繁忙一点的服务，每秒一万个请求是很正常的（如果业务简单，还能更高）。所以百万分之一的复现概率，相当于在压力测试下几分钟就能出一次了。所以在道理上，如果有服务以这个几率出现bug，让它上线本身就是测试部门的失职。
2：反过来说，既然几分钟就能复现，那就在测试环境里压就好了，想怎么改就怎么改，想怎么打log就怎么打log。
3：假定测试环境的压测真的没出来，真的线上出现这样的问题（例如说压测的用例没有覆盖到）。首先考虑的是回滚服务到旧版，以确保正常业务不出问题。然后在线上环境提取某台机，用类似tcpcopy这样的软件导一份数据到测试环境中，来测试这个有问题的版本。这时候，既然是测试环境，你想怎么办都行（不影响线上服务）。
4：到了真正去分析bug了，那首先确定bug的类型。例如说如果能core dump的话相对好办一些，因为可以从core dump大概能看出或者猜出一些东西来。而如果并不core dump，而只是导致数据错乱的话，那就要做数据出入口的校验等。
5：在各顶级模块的入口出口打log，定位发生bug时所在的模块，然后逐步收敛。
6：确定这些模块以及关联影响的模块，单独提取这些模块出来，进行测试或者code review，最终确定问题。
问题二：
1：这类bug，一般都涉及越界操作。
2：一般这类bug，大多数都是可以通过静态code review解决的。既然知道是那个类，盯着用到这些类的实例的地方就行（包括这些类实例的前后几个对象，因为有可能是它们越界）。
3：一些工具，例如valgrind、purify之类的，也有可能有帮助（不一定肯定有用，但一般还是挺有用的）。
