记一次有教益的内存碎片转储文件分析经历-轻识

前言

其实，这篇文章早在 2021 年就完成了初稿，后面一直没来得及完善（各种加班各种忙），所以一直没来得及整理发布。而且，我从这个案例里学到的东西太多了，很多内容并没有体现在本篇文章中，后续有机会一定会再写文章分享。话不多说，一起来看正文吧。

缘起

前一阵子，有朋友在微信上发了一段 windbg 的输出信息，大概内容如下：

This dump file has an exception of interest stored in it. The stored exception information can be accessed via .ecxr. (fd0.9bc): Security check failure or stack buffer overrun - code c0000409 (first/second chance not available) For analysis of this file, run !analyze -v
... 省略 N 行

看样子像栈相关的问题。于是简单跟朋友说了下我的猜想，有可能是栈破坏了。没想到，远不是这么简单。

说明： 之所以一定要写这篇总结，是因为我在分析过程中犯了很多想当然的错误，记录下来，以后不要再犯。

另有隐情

过了一会，朋友发了一段更贴近真相的错误提示，并且发送了更详细的语音描述。

FAILURE_ID_HASH_STRING: um:fail_fast_fatal_app_exit_c0000409_server.exe!std::_xbad_alloc

这个提示跟最开始的提示风马牛不相及。一个是栈相关的问题，一个是内存分配的问题。

说明： 经常分析转储文件的小伙伴儿应该都知道，直接打开转储文件时，windbg 给出的提示有可能是不准确的，如果想获取最准确的信息，最好通过 .cxr 切换上下文，然后再执行 k 系列命令查看。但是，很多时候直接执行 !analayze -v 就能拿到正确信息。正式分析之前，不妨先试试 !analyze -v。

又跟朋友又聊了几个相关问题，得到了更多的关键信息。比如，

之前解决过类似的内存泄漏问题，当时抓的 dump 有 3GB 多。
这次抓取的 dump 只有 905MB，但是确实是 full dump。
说明： 内存相关问题，最好抓一个 full dump，否则分析到一半，由于转储文件缺少关键信息，没法继续确认，就太尴尬了。
程序是 32 位的，并且开启了大地址。
说明： 64 位程序的虚拟地址空间比 32 位程序大多了，不太容易在短时间内看出问题。
前几次出问题时都是运行了很久才出问题，这次只运行了 7 个小时左右就出问题了。
几次出问题时，都是在内存比较紧张的时候。

聊了一会，问朋友是否方便发送完整的 !analyze -v 结果。没想到，朋友除了发送 !analyze -v 的分析结果外，还特别贴心的发送了转储文件和对应的符号文件。必须为朋友点赞，看来没少分析转储文件。

查看分析结果

由于当时在北京出差的路上，于是在地铁里用手机查看了一下 !analyze -v 的分析结果（旁边的小哥哥小姐姐会不会以为我在看小说？），跟朋友说的一样，打开转储文件后，windbg 给出的错误提示确实是栈相关的，但是 !analyze -v 却指向了内存分配相关的问题。

这里简单摘录几个关键的信息：

转储文件中的 comment

Comment: '
*** "D:\software\Procdump_installer\procdump.exe" -accepteula -ma -j "D:\software\Procdump_installer\dumps" 4048 384 00990000
*** Just-In-Time debugger. PID: 4048 Event Handle: 384 JIT Context: .jdinfo 0x990000'

说明此 dump 是注册为 JIT debugger 的 procdump 在程序异常的时候抓取的。

运行环境

Windows 10 Version 14393 MP (2 procs) Free x86 compatible
Product: Server, suite: TerminalServer DataCenter SingleUserTS
10.0.14393.2430 (rs1_release_inmarket_aim.180806-1810)
Debug session time: Wed Aug 18 20:32:43.000 2021 (UTC + 8:00)
System Uptime: 40 days 1:00:55.704
Process Uptime: 0 days 7:00:35.000

win10 服务器系统，系统运行时间是 40 days 1:00:55.704 ，程序运行时间是 7:00:35.000。跟朋友的描述是一致的。

上下文相关信息

CONTEXT:  0f77ef58 -- (.cxr 0xf77ef58)
eax=0f77f3b8 ebx=0f77f468 ecx=00000003 edx=00000000 esi=00eceba8 edi=00ef7dd4
eip=76b6c232 esp=0f77f3b8 ebp=0f77f414 iopl=0         nv up ei pl nz ac pe nc
cs=0023  ss=002b  ds=002b  es=002b  fs=0053  gs=002b             efl=00000216
KERNELBASE!RaiseException+0x62:
76b6c232 8b4c2454        mov     ecx,dword ptr [esp+54h] ss:002b:0f77f40c=93fc57d7
Resetting default scope

FAULTING_IP: 
Server!abort+28 [d:\th\minkernel\crts\ucrt\src\appcrt\startup\abort.cpp @ 77]
00ea0d4f cd29            int     29h

EXCEPTION_RECORD:  0f77ef08 -- (.exr 0xf77ef08)
ExceptionAddress: 76b6c232 (KERNELBASE!RaiseException+0x00000062)
   ExceptionCode: e06d7363 (C++ EH exception)
  ExceptionFlags: 00000001
NumberParameters: 3
   Parameter[0]: 19930520
   Parameter[1]: 0f77f468
   Parameter[2]: 00ef7dd4
  pExceptionObject: 0f77f468
  _s_ThrowInfo    : 00ef7dd4
  Type            : class std::bad_alloc
  Type            : class std::exception

可以使用 .cxr 0xf77ef58 切换上下文，使用 .exr 0xf77ef08 查看异常信息。

调用栈
windbg-analyze-v-callstack
注意：上图中红色部分，表示正在处理 std::_Xbad_alloc 异常。黄色部分是一个警告，意思是说下面的调用栈可能不准确。

看样子，极有可能是内存分配的问题了。当时想着一定要找个时间分析一下。过了两三天，终于有了一点儿时间（今年加班是真的多），折腾完调试环境（主要是加载调试符号，从微软服务器下载符号有时候需要梯子），就可以开始分析了。

初次分析

加载好符号后，根据 !analyze -v 的结果，先执行 .cxr 0xf77ef58，切换上下文，然后执行 kp 查看调用栈（p 表示显示参数，应该是 parameter 的缩写）。如下图：

从整个调用栈来看，是在拼接两个字符串时，需要分配 0x8e52d 字节的空间，但是失败了，抛出了 std::_Xbad_alloc 异常。

说明： 看到 std::_Xbad_alloc 时，脑子里自然而然地想到了两种可能：
分配的内存超级大（本例不属于这种情况）
内存不够用了，没有一块内存可以满足本次的分配请求。

之前遇到的 std::_Xbad_alloc 异常都是尝试分配的内存超级大（非常典型的是在反序列化 vector, string 的时候，由于内存错位导致尝试分配超大内存），但是本次的分配请求看上去相对合理。

既然是跟内存分配相关的问题（而且是标准库中涉及到的内存分配），很可能跟堆有关，可以查看堆相关的信息。在 windbg 中执行 !heap -s 命令，查看堆概要信息。

看到上图中的输出结果，我很（草）快（率）得（凑）出了一个结论。

草率了

我犯的第一个超级愚蠢的错误是：一看 Free 这一列显示的值是 334147。而 0x8e52d 的十进制值是 582957（可以在 windbg 中通过 .formats 0x8e52d 方便的显示出来），就跟朋友说是堆空间不足导致的，建议从内存泄漏这个角度排查一下。做出这个结论的依据是：Free 一列给出的值比要分配的值"小"。

为什么草率了呢？

首先，我忽略了 Free 的单位，在 Free 的下方明显的写着 (k)，说明这一列是按 KB 计算的。

其次，这一列给出的数不是 10 进制的，如果仔细看其它相关信息，可以推断出这里的值是以 16 进制表示的，比如 Lock cont. 的值是 1b61，明显是 16 进制。

既然是分配一个正常大小的内存块失败了，那肯定是堆里没有能满足请求大小的空闲堆块了。

如果能找出堆中空闲的堆块，而且每个堆块的大小都比本次分配请求的大小（0x8e52d ）要小，说明没有一个空闲堆块能满足本次的分配请求，那么抛出 std::_Xbad_alloc 就很正常了。

接着分析

可以通过 !heap -a 打印出所有信息。在 windbg 中输入 !heap -a 00a80000，因为输出结果太多了，在执行此命令前，先执行 .logopen d:\heap.txt，这样输出结果会同时保存到日志文件 d:\heap.txt 中，执行完需要的命令后，可以通过执行 .logclose 关闭日志文件。

接下来，从输出信息中查找空闲堆块。

我不会告诉你，最开始找空闲堆块的时候我是傻傻的到每一个 Segment 里面找里面包含的 free 堆块（flags 是 100）。

下图是 Sement27 中的部分 Free 堆块截图：

由于实在是太多了，找到一半的时候真的是找（累）不（成）动（狗）了！于是停下来开始思考：

windbg 难道没有直接查找空闲堆块的命令吗？
有插件可以做这事吗？
自己写个脚本（程序）整理下输出结果？
想个办法过滤一下空闲块，然后再排序？

最后一个想法简单易行：把所有包含 [100] 的行找出来，然后保存为 .csv 文件。按 [100] 前面的字段（当前堆块的大小）降序排列，就可以很快找出最大空闲堆块了。

整个过程参考下面视频：

最后发现最大空闲堆块的大小是 0x7f000，比 0x8e52d 要小。

意外发现

在查找过程中偶然发现了一个有意思的现象，同一个地址会出现两次，比如 03c8da98 这个地址：

仔细一看，所有的空闲堆块会被单独整理出来，放到 FreeList 下。赶紧通过 .hh !heap 查看帮助手册，关键部分截图如下：

原来可以通过 !heap -f heap_address 直接显示所有的空闲堆块。于是在 windbg 中输入 !heap -f 00a80000 验证一下，果然可以列出所有空闲堆块。

而且，空闲块是按大小排序的，找到最后一个空闲块，就找到了最大的空闲块（大小是 0x7f000），比上面的方法简单太多了。

又草率了

查找完所有空闲堆块后发现，没有一个空闲堆块的大小比 0x8e52d 还要大。于是，赶紧跟朋友说上次分析的结果应该没错，但是判断依据不对。告诉朋友可以在 windbg 中执行!heap -a a80000 ，然后查找 FreeList 对应的记录，就可以确定没有一块空闲堆块满足本次的分配请求了。

跟朋友说完之后长出了一口气，心想这次肯定稳了，应该没问题了。

不对劲儿

过了一两天，忙完手头工作后，又想起这件事，隐约感到有些不对劲。赶紧翻开《软件调试》第一版查找关于堆的介绍，在第 23 章 23.4.1 节 655 页中有非常清晰的描述，摘录如下：

HEAP_ENTRY 结构的前两个字节是以分配粒度表示的堆块大小。分配粒度通常为 8，这意味着每个堆块的最大值是 2 的 16 次方乘以 8，即 0x10000 * 8 = 0x80000 = 524288 字节 = 512 KB，因为每个堆块至少要有 8 字节的管理信息，因此应用程序可以使用的最大堆块便是 0x80000-8=0x7FFF8，这也正是 SDK 文档中所给出的数值（位于 HeapCreate 函数 dwMaximumSize 参数的说明中）。不过这并不意味着不可以从 Win32 堆上分配到更大的内存块。当一个应用程序要分配大于 512KB 的堆块时，如果堆标志包含 HEAP_GROWABLE（2），那么堆管理器便会直接调用 ZwAllocateVirtualMemory 来满足这次分配，并把分得的地址记录在 HEAP 结构的 VirtualAllocatedBlocks 所指向的链表中。

有了理论依据，实际用 windbg 查看一下。该看哪些内容呢？

堆是否是可增长的？
ntdll!_HEAP 中的 Flags 字段如果为 2 则表示堆是可以自动增长的。
阈值是多少？本次请求是否超出了阈值？
阈值是由 VirtualMemoryThreshold 中的值乘以分配粒度计算得到的。
说明： 分配粒度与 _HEAP_ENTRY 的大小一致，32 位程序是 8 字节， 64 位程序是 16 字节。可以在 !heap -f 00a80000 的输出结果中看到，Granularity 是 8 bytes。

在 windbg 中输入如下命令 dt _HEAP -y Flags VirtualMemoryThreshold a80000 即可查看这两个关键的信息，如下图：

可以确认堆是可增长的，而且阈值是 0xfe00 * 8 = 0x7f000。本次请求大小（ 0x8e52d ）超出了阈值，会直接通过 ZwAllocVirtualMemory 进行分配。

说明： 空闲列表中的最大空闲块的尺寸也是 0x7f000。前面做了这么多无用功，真是浪费时间。

既然请求大小超出了阈值，接下来的任务是找到整个内存空间中最大空闲区域，看看其是否能满足本次分配请求（应该是不满足，要不然也不会抛出异常了）。

查找空闲区域

相信，很多小伙伴儿都知道使用 !address 查看地址信息。我经常在排查内存访问异常的时候，通过该命令查看某个地址的详细信息。比如，下图是通过 !address 0x12345678 查看到的关于地址 0x12345678 的相关信息：

另外一个非常有用的命令是 !address -summary，可以查看地址空间概要信息。

通过查看 Usage Summary 的数据可以发现，在整个内存空间中，堆空间大小是 3.930GB，占比 98.25%。通过查看 State Summary 的数据可知，保留（ MEM_RESERVE ）大小是 3.105GB，提交（MEM_COMMIT）大小是 910.848MB。通过查看 Largest Region by Usage 可以发现，最大的空闲内存大小是 0x1c000，要比本次申请的大小 0x8e52d 小很多。

内存严重碎片化

说实话，刚开始我是有点不敢相信 !address -summary 给出的结果：最大的空闲空间居然只有区区的 112KB！

继续使用 !address -f:Free -o:csv 命令打印出所有的空闲内存。整理后的结果如下图所示：

-o:csv 表示以逗号分隔的 csv 格式输出，这样可以把结果直接粘贴到 csv 文件中。

可以看出，跟 !address -summary 给出的结论是一致的。最大空闲区域的大小是 0n114688（十六进制对应的数值是 0x1c000）。空闲内存的总大小是 0n5791744，只有区区的 5656KB（也就是 5.23MB）。碎片化真的是太严重了。

再回过头仔细看 !heap -s 的输出结果。其中有如下提示：

Virtual address fragmentation 77 % (1713 uncommited ranges)

意思是说虚拟地址空间的碎片率已经高达 77% 。看来这次的崩溃确实是由内存碎片导致的。

总结

之前只是理论上知道如果碎片太严重可能导致分配失败，没想到这次真遇到了。刚开始给出的结论虽然正确，但是理由太牵强，站不住脚。

使用 windbg 分析转储文件，先执行 !analyze -v，很多情况下问题就解决了。
发生异常的时候会保存线程上下文和异常相关信息。异常信息可以通过 .exr address 查看，线程上下文可以通过 .cxr address 查看并切换。
在 windbg 中可以通过 .hh command 查看对应命令的帮助。
windbg 中的 !heap 扩展命令是查看堆信息的好帮手，!heap -s 可以给出堆的概要信息。!heap -f heap_address 可以显示所有空闲堆块，!heap -a heap_address 可以显示所有堆块。
!address 命令相当强大。!address address 可以查看指定内存地址的信息，!address -summary 可以给出一个概要信息，!address -f:Type 可以给出特定的内存区域，甚至后面还可以跟命令。
堆中分配内存时，如果堆大小可以增长并且申请的大小超出阈值（VirtualMemoryThreshold * Granularity），会直接使用 ZwAllocVirtualMemory 进行分配。

参考资料

《软件调试》第一版

windbg 帮助文档

未完待续

后面又跟朋友折腾了一些其它问题，颇有收获，希望能有时间做个总结。

为什么 32 位程序可以使用的内存空间是 4GB？高 2GB 应该是系统使用的才对？用户态代码也可以使用？
如果一条命令输出结果太多，直接显示的话太慢，怎么办？
转储文件中包含了一些珍贵的数据（比如某些充值记录），如何找出来？
...