实例解析网络编程中的另类内存泄漏实例解析网络编程中的另类内

摘要：最近在排查一个网络通讯的压测问题，最后发现跟“内存泄漏”扯上了关系，但这跟常规理解的内存泄漏有那么一点点不同，本文将带你了解问题的始与末。

本文分享自华为云社区《【网络编程开发系列】一种网络编程中的另类内存泄漏》，作者：架构师李肯。
1 写在前面最近在排查一个网络通讯的压测问题，最后发现跟“内存泄漏”扯上了关系，但这跟常规理解的内存泄漏有那么一点点不同，本文将带你了解问题的始与末。
面对这样的内存泄漏问题，本文也提供了一些常规的分析方法和解决思路，仅供大家参考，欢迎大家指正问题。
2 问题描述我们直接看下测试提供的issue描述：

文章图片

简单来说，就是设备再执行【断网掉线-》重新联网在线】若干次之后，发现无法再次成功联网，且一直无法成功，直到设备重启后，恢复正常。
3 场景复现 3.1 搭建压测环境
由于测试部有专门的测试环境，但是我又不想整他们那一套，麻烦着，还得整一个测试手机。
他们的测试方法是使用手机热点做AP，然后设备连接这个AP，之后在手机跑脚本动态开关Wi-Fi热点，达到让设备掉网再恢复网络的测试目的。
有了这个思路后，我想着我手上正好有一个随身移动Wi-Fi，不就恰好可以实现无线热点吗？只要能实现在PC上动态切换这个360Wi-Fi热点开关，不就可以实现一样的测试目的吗？
具备以上物理条件之后，我开始找寻找这样的脚本。
要说在Linux下，写个这样的脚本，真不是啥难事，不过，要是在Windows下写个BAT脚本，还真找找才知道。
费了一会劲，在网上找到了一个还算不错的BAT脚本，经过我修改后，长以下这样，主要的功能就是定时开关网络适配器。

@echo off:: Config your interval time (seconds) set disable_interval_time=5 set enable_interval_time=15:: Config your loop times: enable->disable->enable->disable... set loop_time=10000:: Config your network adapter list SET adapter_num=1 SET adapter[0].name=WLAN ::SET adapter[0].name=屑薪鈺犘も晲协 ::SET adapter[1].name=屑薪鈺犘も晲协 2:::::::::::::::::::::::::::::::::::::::::::::::::::::::echo Loop to switch network adapter state with interval time %interval_time% secondsset loop_index=0:LoopStartif %loop_index% EQU %loop_time% goto :LoopStop:: Set enable or disable operation set /A cnt=%loop_index% + 1 set /A result=cnt%%2 if %result% equ 0 ( set operation=enabled set interval_time=%enable_interval_time% ) else ( set operation=disable set interval_time=%disable_interval_time% ) echo [%date:~0,10% %time:~0,2%:%time:~3,2%:%time:~6,2%] loop time ... %cnt% ... %operation%set adapter_index=0 :AdapterStart if %adapter_index% EQU %adapter_num% goto :AdapterStop set adapter_cur.name=0for /F "usebackq delims==. tokens=1-3" %%I in (`set adapter[%adapter_index%]`) do ( set adapter_cur.%%J=%%K ):: swtich adapter state call:adapter_switch "%adapter_cur.name%" %operation%set /A adapter_index=%adapter_index% + 1goto AdapterStart:AdapterStopset /A loop_index=%loop_index% + 1echo [%date:~0,10% %time:~0,2%:%time:~3,2%:%time:~6,2%] sleep some time (%interval_time% seconds) ... ping -n %interval_time% 127.0.0.1 > nulgoto LoopStart:LoopStopecho End of loop ...pause goto:eof:: function definition :adapter_switch set cmd=netsh interface set interface %1 %2 echo %cmd% %cmd% goto:eof

注意：这个地方填的是发射AP热点的网络适配器，比如如下的。如果是中文的名称，还必须注意BAT脚本的编码问题，否则会出现识别不到正确的网络适配器名称。

文章图片

文章图片

3.2 压测问题说明
同时，为了精准定位掉网恢复的问题，我在网络掉线重连的地方增加了三个变量，分别记录总的重连次数、重连成功的次数、重连失败的次数。
另一方面，如issue描述所说，这是一个固定次数强相关的问题，也可能跟运行时长联系紧密的一个问题，且重启之后一切恢复正常，这一系列的特征，都把问题导向一个很常见的问题：内存泄漏。
于是，在压测前，我在每次重连之后（不管成功与否）重新打印了系统的内存情况（总剩余内存，历史最低剩余内存），以便于判断问题节点的内存情况。
通过调整压测脚本中的disable_interval_time和enable_interval_time参数，在比较短的时间内就复现了问题，的确如果issue描述那样，在30多次之后，无法重连成功，且重启即可恢复。
4 问题分析大部分的问题，只要有复现路劲，都还比较好查，只不过需要花点时间，专研下。
4.1 简单分析
首先肯定是我们怀疑最大可能的内存泄漏信息，初步一看：
【实例解析网络编程中的另类内存泄漏】

文章图片

由于在断网重连的操作中，可能对应的时间点下Wi-Fi热点还处于关闭状态，所以肯定是会重连失败的，当出现Wi-Fi热点的时候是可以成功的，所以我们会看到free空闲的内存在一个范围内波动，并没有看到它有稳定下降的趋势。
倒是和这个evmin（最低空闲内存）值，在出现问题之后，它出现了一个固定值，并一直持续下去，从这一点上怀疑，这个内存肯定是有问题的，只不过我在第一次分析这个情况的时候并没有下这个结论，现在回过头来看这是一个警惕信号。
我当时推测的点（想要验证的点）是，出现问题的时候，是不是因为内存泄漏导致系统空闲内存不足了，进而无法完成新的连接热点，连接网络等耗内存操作。
所以，通过上面的内存表，我基本笃定了我的结论：没有明显的内存泄漏迹象，并不是因内存不足而重连不上。
问题分析到这里，肯定不能停下来，但是原厂的SDK，比如连热点那块的逻辑，对我们来说是个黑盒子，只能从原厂那里咨询看能不能取得什么有效的信息。
一圈问下来，拿到的有效信息基本是0，所以自己的问题还得靠自己！
4.2 寻找突破口
在上面的问题场景中，我们已排除掉了内存不足的可能性，那么接下来我们重点应分析三个方面：

设备最后有没有成功连上Wi-Fi热点？能够正常分配子网的IP地址？
设备成功连上Wi-Fi热点后，对外的网络是否正常？
设备对外网络正常，为何不能成功回连服务器？

这三个问题是一个递进关系，一环扣一环！
我们先看第一个问题，很明显，当复现问题的时候，我们可以从PC的Wi-Fi热点那里看到所连过来的设备，且看到了分配的子网IP地址。
接下来看第二个问题，这个问题测试也很简单，因为我们的命令行中集成了ping命令，输入ping命令一看，居然发现了一个重要信息：

# ping www.baidu.com ping_Command ping IP address:www.baidu.com ping: create socket failed

正常的ping log长这样：

# ping www.baidu.com ping_Command ping IP address:www.baidu.com 60 bytes from 14.215.177.39 icmp_seq=0 ttl=53 time=40 ticks 60 bytes from 14.215.177.39 icmp_seq=1 ttl=53 time=118 ticks 60 bytes from 14.215.177.39 icmp_seq=2 ttl=53 time=68 ticks 60 bytes from 14.215.177.39 icmp_seq=3 ttl=53 time=56 ticks

WC！ping: create socket failed 这还创建socket失败了！！！？
我第一时间怀疑是不是lwip组件出问题了？
第二个怀疑：难道socket句柄不够了？因此创建内存大部分的操作就是在申请socket内存资源，并没有进行其他什么高级操作。
这么一想，第二个可能性就非常大，结合前面的总总迹象，是个需要重点排查的对象。
4.3 知识点补缺
在准确定位问题之前，我们先帮相关的知识点补充完整，方便后续的知识铺开讲解。
4.3.1 lwip的socket句柄

socket具备的创建

socket函数调用的路劲如下：

socket -> lwip_socket -> alloc_socket

alloc_socket函数的实现：

/** * Allocate a new socket for a given netconn. * * @param newconn the netconn for which to allocate a socket * @param accepted 1 if socket has been created by accept(), *0 if socket has been created by socket() * @return the index of the new socket; -1 on error */ static int alloc_socket(struct netconn *newconn, int accepted) { int i; SYS_ARCH_DECL_PROTECT(lev); /* allocate a new socket identifier */ for (i = 0; i < NUM_SOCKETS; ++i) { /* Protect socket array */ SYS_ARCH_PROTECT(lev); if (!sockets[i].conn && (sockets[i].select_waiting == 0)) { sockets[i].conn= newconn; /* The socket is not yet known to anyone, so no need to protect after having marked it as used. */ SYS_ARCH_UNPROTECT(lev); sockets[i].lastdata= https://www.it610.com/article/NULL; sockets[i].lastoffset = 0; sockets[i].rcvevent= 0; /* TCP sendbuf is empty, but the socket is not yet writable until connected * (unless it has been created by accept()). */ sockets[i].sendevent= (NETCONNTYPE_GROUP(newconn->type) == NETCONN_TCP ? (accepted != 0) : 1); sockets[i].errevent= 0; sockets[i].err= 0; SOC_INIT_SYNC(&sockets[i]); return i + LWIP_SOCKET_OFFSET; } SYS_ARCH_UNPROTECT(lev); } return -1; }

大家注意到，上述函数中的for循环有一个宏 NUM_SOCKETS，这个宏的具体数值是可适配的，不同的平台可根据自己的实际使用情况和内存情况，选择一个合适的数值。
我们看下这个NUM_SOCKETS宏定义的实现：

宏定义替换 #define NUM_SOCKETS MEMP_NUM_NETCONN在lwipopts.h中找到了其最终的替换 /** * MEMP_NUM_NETCONN: the number of struct netconns. * (only needed if you use the sequential API, like api_lib.c) * * This number corresponds to the maximum number of active sockets at any * given point in time. This number must be sum of max. TCP sockets, max. TCP * sockets used for listening, and max. number of UDP sockets */ #define MEMP_NUM_NETCONN(MAX_SOCKETS_TCP + \ MAX_LISTENING_SOCKETS_TCP + MAX_SOCKETS_UDP)

看着这，有点绕，究竟这个值是多少啊？

socket句柄的销毁

具备的销毁，我们都知道使用close接口，它的函数调用路径如下：

close -> lwip_close -> free_socket

lwip_close函数的实现如下：

int lwip_close(int s) { struct lwip_sock *sock; int is_tcp = 0; err_t err; LWIP_DEBUGF(SOCKETS_DEBUG, ("lwip_close(%d)\n", s)); sock = get_socket(s); if (!sock) { return -1; } SOCK_DEINIT_SYNC(1, sock); if (sock->conn != NULL) { is_tcp = NETCONNTYPE_GROUP(netconn_type(sock->conn)) == NETCONN_TCP; } else { LWIP_ASSERT("sock->lastdata =https://www.it610.com/article/= NULL", sock->lastdata =https://www.it610.com/article/= NULL); }#if LWIP_IGMP /* drop all possibly joined IGMP memberships */ lwip_socket_drop_registered_memberships(s); #endif /* LWIP_IGMP */err = netconn_delete(sock->conn); if (err != ERR_OK) { sock_set_errno(sock, err_to_errno(err)); return -1; }free_socket(sock, is_tcp); set_errno(0); return 0; }

这里调用到了free_socket：

/** Free a socket. The socket's netconn must have been * delete before! * * @param sock the socket to free * @param is_tcp != 0 for TCP sockets, used to free lastdata */ static void free_socket(struct lwip_sock *sock, int is_tcp) { void *lastdata; lastdata= https://www.it610.com/article/sock->lastdata; sock->lastdata= https://www.it610.com/article/NULL; sock->lastoffset = 0; sock->err= 0; /* Protect socket array */ SYS_ARCH_SET(sock->conn, NULL); /* don't use 'sock' after this line, as another task might have allocated it */if (lastdata != NULL) { if (is_tcp) { pbuf_free((struct pbuf *)lastdata); } else { netbuf_delete((struct netbuf *)lastdata); } } }

这个SYS_ARCH_SET(sock->conn, NULL); 就会释放对应的socket句柄，从而保证socket句柄可循环使用。
4.3.2 TCP网络编程中的close和shutdown
为何在这里会讨论这个知识点，那是因为这个知识点是解决整个问题的关键。
这里就直接把结论摆出来：

close把描述符的引用计数减1，仅在该计数变为0时关闭套接字。shutdown可以不管引用计数就激发TCP的正常连接终止序列。
close终止读和写两个方向的数据发送。TCP是全双工的，有时候需要告知对方已经完成了数据传送，即使对方仍有数据要发送给我们。
shutdown与socket描述符没有关系，即使调用shutdown(fd, SHUT_RDWR)也不会关闭fd，最终还需close(fd)。

4.4 深入分析
了解了lwip组件中对socket句柄的创建和关闭，我们再回到复现问题的本身。
从最细微的log我们知道问题出在无法分配新的socket具备，我们再看下那个分配socket的逻辑中，有一个判断条件：

if (!sockets[i].conn && (sockets[i].select_waiting == 0)) { //分配新的句柄编号 sockets[i].conn= newconn; 。。。 }

通过增加log，我们知道select_waiting的值是为0的，那么问题就出在conn不为NULL上面了。
在lwip_close中是有对.conn进行赋值NULL的，于是就猜想难道 lwip_close没调用？进行导致句柄没完全释放？
回答这个问题，又需要回到我们的软件架构上了，在实现架构了，我们不同的芯片平台使用了不同版本的lwip组件，而上层跑的MQTT协议是公用的，也就是如果是上层逻辑中没有正确处理close逻辑，那么这个问题应该在所有的平台都会出现，但为何唯独只有这个平台才出问题呢。
答案只有一个，问题可能出在lwip实现这一层。
由于lwip是原厂去适配，我第一时间找了原生的lwip-2.0.2版本做了下对比，主要想知道原厂适配的时候，做了哪些优化和调整。
结果一对比，果然发现了问题。
我们就以出问题的sockets.c为例，我们重点关注socket的申请和释放：

文章图片

文章图片

为了比较好描述原厂所做的优化，我把其添加的代码做了少量修改，大致就加了几个宏定义，这几个宏定义看其注释应该是为了处理多任务下新建、关闭socket的同步问题。

#define SOC_INIT_SYNC(sock) do { something ... } while(0)#define SOC_DEINIT_SYNC(sock) do { SOCK_CHECK_NOT_CLOSING(sock); something ... } while(0)#define SOCK_CHECK_NOT_CLOSING(sock) do { \if ((sock)->closing) { \SOCK_DEBUG(1, "SOCK_CHECK_NOT_CLOSING:[%d]\n", (sock)->closing); \return -1; \} \} while (0)

只是跟了一下它的逻辑，上层调用lwip_close的时候会调用到SOC_DEINIT_SYNC，同时它会调用到SOCK_CHECK_NOT_CLOSING，从而结束整一个socket释放的全流程。

但是偏偏我们做的MQTT上层在调用TCP链路挂断的时候，是这么玩的：

/* * Gracefully close the connection */void mbedtls_net_free( mbedtls_net_context *ctx ){if( ctx->fd == -1 )return; shutdown( ctx->fd, 2 ); close( ctx->fd ); ctx->fd = -1; }

优雅地关闭TCP链路，这时候你应该要想起4.3.2章节的知识点。

这样调用对那几个宏会有影响？
答案是肯定的。
原来的，原厂适配时lwip_shutdown也同样调用了SOC_DEINIT_SYNC，这就导致了如果上层关闭链路既调用shutdown又调用close的话，它的逻辑就会出问题，会引发close的流程走不完整。
为了能够简化这个问题，我大概写了一下它的逻辑：
1）shutdown函数调过来的时候，开始启动关闭流程SOC_DEINIT_SYNC，进入到那几个宏里面，会有一步：(sock)->closing = 1；然后正常返回0；
2）等到close函数调过来的时候，再次进入关闭流程SOC_DEINIT_SYNC，结果一判断(sock)->closing已经是1了，然后报错返回-1；这样close的返回就不正常了；
3）再看lwip_close函数的逻辑：

文章图片

于是就出现了之前的问题，socket句柄的index一直在上升，应该旧的scoket句柄一直被占用，知道句柄数被耗尽。
最大句柄数NUM_SOCKETS究竟是多少，可以参考之前我的文章将如何看预编译的代码，我们可以清晰地看到他的值就是38。

文章图片

所有的疑惑均打开，为了一定是30多次之后才出问题，这里给出了答案！
这里我大胆地猜想了一下，应该原厂在适配这段同步操作逻辑的时候，压根就没考虑上层还可以先shutdown再close，所以引发了这个问题。
5 问题修复上面的分析中，已经初步定位了问题代码，接下来就是要进行问题修复了。
问题根源出在先调shutdown再调close，由于是一个上层代码，其他平台也是共用的，且其他平台使用并没有问题，所以肯定不能把上层优雅关闭TCP链路的操作给去掉，只能底层的lwip组件自行优化解决。所谓是：谁惹的祸，谁来擦屁股！
解决问题的关键是，要保证调完shutdown之后，close那次操作需要走一个完整流程，这样才能把占用的socket句柄给释放掉。
所以在执行shutdown和close的时候，SOC_DEINIT_SYNC需要带个参数告知是不是close操作，如果不是close那么就走一个简易流程，这样就能保证close流程是完整的。
当上层只调用close，也能确保close的流程是完整的。
但是，入股上层先调用close，再调shutdown，这样流程就不通了。
当然，上层也不能这么玩，具体参考4.3.2的知识点。
6 问题验证问题修复之后，需要进行同样的流程复测，以确保这个问题确实被修复了。
问题验证也很简单，修改sockets.c中的NUM_SOCKETS，改成一个很小的值，比如3或5，加快问题复现的速度，同时把alloc_socket中获取的句柄id打出来，观察它有没有上升，正常的测试中，在没有其他网络通讯链路的情况下，它应该稳定值为0。
很快就可以验证，不会再复现这个问题了。
接下来，需要将NUM_SOCKETS的值还原成原理的值，真实测试原本复现的场景，确保真的只有这个地方引发了这个问题，而其他代码并没有干扰到。
幸运的是，还原之后的测试也通过了，这就证明了这个问题完全修复了，且没有带来副作用，是一次成功的bug修复。
7 经验总结