记一次 .NET某实验室自动进样系统 崩溃分析
一：背景
1. 讲故事
前些天有位朋友在微信上联系到我，说他们的程序在客户那边崩掉了，让我帮忙看下怎么回事，dump也拿到了，那就上手分析吧。
二：WinDbg 分析
1. 哪里的崩溃
既然是程序的崩溃，自然是有原因的，皮裤套棉裤，必定有缘故，不是皮裤太薄就是棉裤没毛，用 !analyze -v 观察下异常信息。
0:107> !analyze -v
CONTEXT: (.ecxr)
rax=0000005e0dc7c4a0 rbx=0000005e0dc7c400 rcx=0000005e0dc7c4a0
rdx=0000000000000000 rsi=0000005e0dc7c3f0 rdi=0000005e0dc7c4a0
rip=00007ffb1ecfc223 rsp=0000005e0dc7c3c0 rbp=0000005e0dc7c4c0
r8=00000000000004d0 r9=0000000000000000 r10=0000000000000000
r11=0000005e0dc7c4a0 r12=0000000000000000 r13=000002079d450220
r14=000002079b93aba0 r15=0000000000000000
iopl=0 nv up ei pl nz na pe nc
cs=0033 ss=002b ds=002b es=002b fs=0053 gs=002b efl=00000200
coreclr!EEPolicy::HandleFatalError+0x7f:
00007ffb`1ecfc223 488d442440 lea rax,[rsp+40h]
Resetting default scope
EXCEPTION_RECORD: (.exr -1)
ExceptionAddress: 00007ffb1ec6d70f (coreclr!ProcessCLRException+0x00000000000d9f7f)
ExceptionCode: c0000005 (Access violation)
ExceptionFlags: 00000001
NumberParameters: 0
从卦中信息看这是一个经典的 访问违例，但崩溃在 EEPolicy::HandleFatalError 处就有点匪夷所思了，HandleFatalError 方法主要是用来在抛异常之前修整异常上下文的，这个方法固若金汤，一般不会出问题的，但不管怎么样，还是看下 rsp+40h 到底是什么东西。
0:107> dp rsp+40h L1
0000005e`0dc7c400 00000001`c0000005
上面的 c0000005 很显然是访问违例，看样子这里有点混乱，也不是第一崩溃现场，这里就不过多纠结了，那怎么去找真正的崩溃点呢？还有一个方法就是去找 RaiseException 或者 KiUserExceptionDispatch 返回点之前的有用函数，参考如下：
0:107> .ecxr
0:107> k
*** Stack trace for last set context - .thread/.cxr resets it
# Child-SP RetAddr Call Site
00 0000005e`0dc7c3c0 00007ffb`1ec6d72e coreclr!EEPolicy::HandleFatalError+0x7f [D:\a\_work\1\s\src\coreclr\vm\eepolicy.cpp @ 776]
01 0000005e`0dc7c9d0 00007ffb`5235292f coreclr!ProcessCLRException+0xd9f9e [D:\a\_work\1\s\src\coreclr\vm\exceptionhandling.cpp @ 1036]
02 0000005e`0dc7cc00 00007ffb`52302554 ntdll!RtlpExecuteHandlerForException+0xf
03 0000005e`0dc7cc30 00007ffb`5235143e ntdll!RtlDispatchException+0x244
04 0000005e`0dc7d340 00000000`6c942893 ntdll!KiUserExceptionDispatch+0x2e
05 0000005e`0dc7daf0 00007ffa`c066ed7b libxxx_manage!get_clean_xxx
06 0000005e`0dc7db70 00007ffa`c06b73a4 0x00007ffa`c066ed7b
...
从卦中看，程序崩溃在 libxxx_manage!get_clean_xxx 中，看样子是一个 C++ 写的动态链接库，这就有点无语了。。。
2. C++ 库为什么会崩
要想寻找答案，最好的办法就是观察 000000006c942893 处的汇编代码，参考如下：
0:107> ub 00000000`6c942893
libxxx_manage!get_clean_xxx:
00000000`6c942876 55 push rbp
00000000`6c942877 53 push rbx
00000000`6c942878 4883ec68 sub rsp,68h
00000000`6c94287c 488dac2480000000 lea rbp,[rsp+80h]
00000000`6c942884 48894d00 mov qword ptr [rbp],rcx
00000000`6c942888 c745dc00000000 mov dword ptr [rbp-24h],0
00000000`6c94288f 488b4500 mov rax,qword ptr [rbp]
0:107> u 00000000`6c942893
00000000`6c942893 488b00 mov rax,qword ptr [rax]
0:107> dp rbp L1
0000005e`0dc7c4c0 00000000`00000000
从上面的汇编代码来看，这是 get_clean_xxx 方法的序幕代码，问题出在 rbp 的内容为0上，但 rbp 又来自于 rcx，根据 x64调用协定，rcx 即方法的第一个参数，看样子是这个参数为 null 导致的，参考如下：
0:107> !address rcx
Usage: Stack
Base Address: 0000005e`0dc78000
End Address: 0000005e`0dc80000
Region Size: 00000000`00008000 ( 32.000 kB)
State: 00001000 MEM_COMMIT
Protect: 00000004 PAGE_READWRITE
Type: 00020000 MEM_PRIVATE
Allocation Base: 0000005e`0db00000
Allocation Protect: 00000004 PAGE_READWRITE
More info: ~107k
0:107> dp rcx L1
0000005e`0dc7c4a0 00000000`00000000
3. get_clean_xxx 参数为null吗
这个问题比较简单，继续用 !clrstack 观察下 Pinvoke 之上的 C# 代码。
0:107> !clrstack
OS Thread Id: 0x3508 (107)
Child SP IP Call Site
0000005E0DC7DBA0 00007ffac066ed7b [InlinedCallFrame: 0000005e0dc7dba0] xxx_LibPInvoke.xxx_clean_query(IntPtr)
0000005E0DC7DB70 00007ffac066ed7b ILStubClass.IL_STUB_PInvoke(IntPtr)
0000005E0DC7DC30 00007ffac06b73a4 xx+c__DisplayClass11_0.<xxxQueryClean>b__0(IntPtr)
...
接下来就是看下托管层的 C# 代码是如何写的，截图如下：
从图中可以清楚的看到，xxxChannel 传给C++ 的时候没有判断是否为null，导致崩溃的发生，那还有没有其他的佐证呢？其实也是有的，如果符号给力还可以使用 !clrstack -a 去找到 xxxChannel 传下去的值。
0:107> !clrstack -a
OS Thread Id: 0x3508 (107)
Child SP IP Call Site
0000005E0DC7DBA0 00007ffac066ed7b [InlinedCallFrame: 0000005e0dc7dba0] xxx_LibPInvoke.xxx_clean_query(IntPtr)
0000005E0DC7DB70 00007ffac066ed7b ILStubClass.IL_STUB_PInvoke(IntPtr)
PARAMETERS:
<no data>
0000005E0DC7DC30 00007ffac06b73a4 xxx+c__DisplayClass11_0.<xxxQueryClean>b__0(IntPtr)
PARAMETERS:
this (0x0000005E0DC7DC80) = 0x0000020a9d9ca8d8
xxxChannel (0x0000005E0DC7DC88) = 0x0000000000000000
LOCALS:
0x0000005E0DC7DC6C = 0x0000000000000000
0x0000005E0DC7DC68 = 0x0000000000000000
可以清楚的看到确实是 0，到这里就一切真相大白，对参数加一个判断即可，那这东西到底是谁的责任呢？我觉得双方都有问题吧。
- 写托管层的人有点飘。
- 写非托管层的人未作防御性编程，还是年轻太相信人了。
三：总结
这次生产事故彻底破坏了两个语言团队之间的相互合作的信任度，信任重建可就难了，不怕神一样的对手，就怕猪猪一样的队友，放在这里还是挺合适的，哈哈，开个小玩笑。
