不久前，阿里云 ARMS 团队、编译器团队、MSE 团队携手合作，共同发布并开源了 Go 语言的编译时自动插桩技术。该技术以其零侵入的特性，为 Go 应用提供了与 Java 监控能力相媲美的解决方案。开发者只需将 go build 替换为新编译命令 otel go build，就能实现对 Go 应用的全面监控和治理。

问题描述

Cloud Native

近期，我们收到用户反馈，使用otel go build -race替代正常的go build -race命令后，编译生成的程序会导致崩溃。-race[3]是Go编译器的一个参数，用于检测数据竞争（data race）问题。通过为每个变量的访问添加额外检查，确保多个 goroutine 不会以不安全方式同时访问这些变量。

理论上，我们的工具不应影响-race竞态检查的代码，因此出现崩溃的现象是非预期的，所以我们花了一些时间排查这个崩溃问题，崩溃的堆栈信息如下：

(gdb) bt
#0  0x000000000041e1c0 in __tsan_func_enter ()
#1  0x00000000004ad05a in racecall()
#2  0x0000000000000001 in ?? ()
#3  0x00000000004acf99 in racefuncenter ()
#4  0x00000000004ae7f1 in runtime.racefuncenter (callpc=4317632)
#5  0x0000000000a247d8 in ../sdk/trace.(*traceContext).TakeSnapShot (tc=<optimized out>, ~r0=...)
#6  0x00000000004a2c25 in runtime.contextPropagate
#7  0x0000000000480185 in runtime.newproc1.func1 () 
#8  0x00000000004800e2 in runtime.newproc1 (fn=0xc00030a1f0, callergp=0xc0000061e0, callerpc=12379404, retVal0=0xc0002c8f00)
#9  0x000000000047fc3f in runtime.newproc.func1 () 
#10 0x00000000004a992a in runtime.systemstack ()
....

可以看到崩溃源于 __tsan_func_enter，而引发该问题的关键点是 runtime.contextPropagate。我们的工具在 runtime.newproc1 函数的开头插入了以下代码：

func newproc1(fn *funcval, callergp *g, callerpc uintptr) (retVal0 *g) {   
// 我们插入的代码 
retVal0.otel_trace_context = contextPropagate(callergp.otel_trace_context)

    ...
    }
    
// 我们插入的代码
func contextPropagate(tls interface{}) interface{} {
if tls == nil {  
return nil
} 
if taker, ok := tls.(ContextSnapshoter); ok { 
return taker.TakeSnapShot()  
}  
return tls
}

// 我们插入的代码func (tc *traceContext) TakeSnapShot() interface{} {
...
}

TakeSnapShot 被 Go 编译器在函数入口和出口分别注入了 racefuncenter() 和 racefuncexit()，最终调用 __tsan_func_enter导致崩溃。由此确定崩溃问题确实是我们的注入代码导致的，继续深入排查。

排查过程

Cloud Native

崩溃根源

使用 objdump 查看 __tsan_func_enter 的源码，看到它接收两个函数参数，出错的地方是第一行 mov 0x10(%rdi),%rdx，它约等于 rdx = *(rdi + 0x10)。打印寄存器后发现 rdi = 0，根据调用约定，rdi 存放的是第一个函数参数，因此这里的问题就是函数第一个参数 thr 为 0。

// void __tsan_func_enter(ThreadState *thr, void *pc);
000000000041e1c0 <__tsan_func_enter>: 
41e1c0:  48 8b 57 10        mov    0x10(%rdi),%rdx 
41e1c4:  48 8d 42 08        lea    0x8(%rdx),%rax  
41e1c8:  a9 f0 0f 00 00     test   $0xff0,%eax  
...

那么第一个参数 thr 是谁传进来的呢？接着往上分析调用链。

调用链分析

出错的整个调用链是 racefuncenter(Go) -> racecall(Go) -> __tsan_func_enter(C)。需要注意的是，前两个函数都是 Go 代码，Go 函数调用 Go 函数遵循 Go 的调用约定。在 amd64 平台，前九个函数参数使用以下寄存器：

另外以下寄存器用于特殊用途：

后两个函数一个Go代码一个C代码，Go 调用 C 的情况下，遵循 System V AMD64 调用约定，在 Linux 平台上使用以下寄存器作为前六个参数：

理解了Go和C的调用约定之后，再来看整个调用链的代码：

TEXT  racefuncenter<>(SB), NOSPLIT|NOFRAME, $0-0
MOVQ  DX, BXx  MOVQ  g_racectx(R14), RARG0     // RSI存放thr  
MOVQ  R11, RARG1                 // RDI存放pc  
MOVQ  $__tsan_func_enter(SB), AX // AX存放__tsan_func_enter函数指针 
CALL  racecall<>(SB)  
MOVQ  BX, DX 
RET
TEXT  racecall<>(SB), NOSPLIT|NOFRAME, $0-0 
...  
CALL  AX 
// 调用__tsan_func_enter函数指针 
...

racefuncenter 将 g_racectx(R14) 和 R11 分别放入 C 调用约定的参数寄存器 RSI(RARG0) 和 RDI(RARG1)，并将 __tsan_func_enter 放入 Go 调用约定的参数寄存器 RAX，然后调用 racecall，它进一步调用 __tsan_func_enter(RAX)，这一系列操作大致相当于 __tsan_func_enter(g_racectx(R14), R11)。

不难看出，问题的根源在于 g_racectx(R14) 为 0。根据 Go 的调用约定R14 存放当前 goroutine ，它不可能为 0 ，因此出问题的必然是R14.racectx 字段为 0。为了避免无效努力，通过调试器dlv二次确认：

(dlv) p *(*runtime.g)(R14)
runtime.g {  
racectx: 0,  
...
}

那么为什么当前R14.racectx为0？下一步看看R14具体的状态。

协程调度

func newproc(fn *funcval) {
gp := getg()
pc := sys.GetCallerPC() #1 
systemstack(func() {   
newg := newproc1(fn, gp, pc, false, waitReasonZero) #2 
...  
})
}

经过排查，在代码 #1 处，R14.racectx 是正常的，但到了代码 #2 处，R14.racectx 就为空了，原因是 systemstack 被调用，它有一个切换协程的动作，具体如下：

// func systemstack(fn func())
TEXT runtime·systemstack(SB), NOSPLIT, $0-8
...
// 切换到g0协程  
MOVQ  DX, g(CX)
MOVQ  DX, R14 // 设置 R14 寄存器 
MOVQ  (g_sched+gobuf_sp)(DX), SP

  // 在g0协程上运行目标函数fn 
  MOVQ  DI, DX 
  MOVQ  0(DI), DI  
  CALL  DI
  
  // 切换回原始协程 
  ...

原来systemstack有一个切换协程的动作，会先把当前协程切换成g0，然后执行fn，最后恢复原始协程执行。

在 Go 语言的 GMP（Goroutine-Machine-Processor）调度模型中，每个系统级线程 M 都拥有一个特殊的g0 协程，以及若干用于执行用户任务的普通协程 g。g0 协程主要负责当前 M 上用户 g 的调度工作。由于协程调度是不可抢占的，调度过程中会临时切换到系统栈（system stack）上执行代码。在系统栈上运行的代码是隐式不可抢占的，并且垃圾回收器不会扫描系统栈。

到这里我们已经知道执行 newproc1 时的协程总是 g0，而 g0.racectx是在 main 执行开始时被主动设置为 0，最终导致程序崩溃：

// src/runtime/proc.go#main
// The main goroutine.
func main() { 
mp := getg().m

  // g0 的 racectx 仅用于作为主 goroutine 的父级。
  // 不应将其用作其他目的。
  mp.g0.racectx = 0 
  ...

解决方案

Cloud Native

到这里基本上可以做一个总结了，程序崩溃的原因如下：

• newproc1 中插入的 contextPropagate 调用TakeSnapshot，而TakeSnapshot被 go build -race 强行在函数开始插入了 racefuncenter() 函数调用，该函数将使用 racectx。
  
• newproc1 是在 g0 协程执行下运行，该协程的 racectx 字段是 0，最终导致崩溃。
  

一个解决办法是给TakeSnapshot加上 Go编译器的特殊指令 //go:norace，该指令需紧跟在函数声明后面，用于指定该函数的内存访问将被竞态检测器忽略，Go编译器将不会强行插入racefuncenter()调用。

疑惑1

Cloud Native

runtime.newproc1 中不只调用了我们注入的contextPropagate，还有其他函数调用，为什么这些函数没有被编译器插入 race 检查的代码（如 racefuncenter）？

经过排查后发现，Go 编译器会特殊处理 runtime 包，针对 runtime 包中的代码设置 NoInstrument 标志，从而跳过生成 race 检查的代码：

// /src/cmd/internal/objabi/pkgspecial.go
var pkgSpecialsOnce = sync.OnceValue(func() map[string]PkgSpecial {  
...    
for _, pkg := range runtimePkgs {   
set(pkg, func(ps *PkgSpecial) {   
ps.Runtime = true     
ps.NoInstrument = true    
})    
}   
...
})

疑惑2

Cloud Native

理论上插入 //go:norace 之后问题应该得到解决，但实际上程序还是发生了崩溃。经过排查发现，TakeSnapShot 中有 map 初始化和 map 循环操作，这些操作会被编译器展开成 mapinititer() 等函数调用。这些函数直接手动启用了竞态检测器，而且无法加上 //go:norace：

func mapiterinit(t *abi.SwissMapType, m *maps.Map, it *maps.Iter) {  
if raceenabled && m != nil {     
// 主动的race检查 
callerpc := sys.GetCallerPC()  
racereadpc(unsafe.Pointer(m), callerpc, abi.FuncPCABIInternal(mapiterinit)) 
}  
...
}

对此问题的解决办法是在newproc1注入的代码里面，避免使用map数据结构。

总结

Cloud Native

以上就是 Go 自动插桩工具在使用 go build -race 时出现崩溃的分析全过程。通过对崩溃内容和调用链的排查，我们找到了产生问题的根本原因以及相应的解决方案。这将有助于我们在理解运行时机制的基础上，更加谨慎地编写注入到运行时的代码。

最后诚邀大家试用我们的Go自动插桩商业化产品[2]，并加入我们的钉钉群（开源群：102565007776，商业化群：35568145），共同提升Go应用监控与服务治理能力。通过群策群力，我们相信能为Go开发者社区带来更加优质的云原生体验。

[1] Go自动插桩开源项目：https://github.com/alibaba/opentelemetry-go-auto-instrumentation

[2] 阿里云ARMS Go Agent商业版：https://help.aliyun.com/zh/arms/tracing-analysis/monitor-go-applications/

[3] Go竞态检查：https://go.dev/doc/articles/race_detector