iOS Abort问题系统性解决方案

2021-11-17 23:15:39

一、背景

崩溃(Crash)，即闪退，多指移动设备（如iOS、Android设备）在打开/使用应用程序的过程中，突然出现意外退出/中断的情况。如果App线上版本频繁发生崩溃，会极大地影响用户体验，甚至导致用户流失，以及收益减少。因此，崩溃问题是客户端稳定性团队需要重点解决的问题。

然而，对于所有崩溃场景，仅25%的崩溃可通过信号量捕获，实施相应改进；另有75%的崩溃则难以识别，从而对App的用户体验，造成了巨大的潜在影响。

Facebook的工程师将App退出分为以下6个类别：
1.App内部主动调用exit()或abort()退出；
2.App升级过程中，用户进程被杀死；
3.系统升级过程中，用户进程被杀死；
4.App在后台被杀死；
5.App在前台被杀死，且可获取堆栈；
6.App在前台被杀死，且无法获取堆栈。

对于第1～4类退出，属于App的正常退出，对用户体验没有太大影响，无需进行相应处理；对于第5类退出，可通过堆栈代码级定位崩溃原因，对此业界已形成比较成熟的解决方案，推荐免费试用阿里云的崩溃分析服务，即可快速定位、解决此类崩溃问题；对于第6类退出，可能的原因很多，包括但不限于：系统内存不足时继续申请内存、主线程卡死20s以上、CPU使用率过高Stack Overflow等，在此我们统一称之为iOS客户端的“Abort问题”。

Abort问题无法被堆栈捕获，且发生频次远高于可被捕获的崩溃（下称“堆栈崩溃”）。从历史数据来看，手淘（电商类超级App代表）的Abort问题数量一般是堆栈崩溃数量的3倍左右；优酷Pad（视频类超级App代表）的Abort问题数量一般是堆栈崩溃数量的5倍左右。可见，Abort问题对用户的使用体验造成巨大影响。

本文将针对iOS客户端的Abort问题，进行根因定位分析，并提出系统性解决方案。

二、Abort问题的原因分类

形成Abort问题的原因主要包括以下4个。

2.1 内存Jetsam

移动端设备的物理内存资源紧张，但App仍不断申请内存。因此系统signal 9杀死进程，造成异常退出。

{   
"memoryPages" : {  
   "active" : 24493,  
   "throttled" : 0,  
   "fileBacked" : 24113,  
   "wired" : 13007,  
   "anonymous" : 12915,  
   "purgeable" : 127,  
   "inactive" : 10955,  
   "free" : 2290,  
   "speculative" : 1580  
},  
"uncompressed" : 125795,  
"decompressions" : 143684  
},  
"largestProcess" : "Taobao4iPhone",  
"processes" : [  
{  
...  
{  
   "rpages" : 2050,  
   "states" : [  
     "frontmost",  
     "resume"  
   ],  
   "name" : "Taobao4iPhone",  
   "pid" : 1518,  
   "reason" : "vm-thrashing",  
   "fds" : 50,  
   "uuid" : "5103a88a-917f-319e-8553-c0189dd1abac",  
   "purgeable" : 127,  
   "cpuTime" : 4.619693,  
   "lifetimeMax" : 3557  
},  
...  
}

2.2 主线程死锁

A/B两个线程同时等待对方完成某些操作，因而无法继续执行，形成死锁，造成异常退出。

Exception Type:  00000020
Exception Codes: 0x000000008badf00d
Highlighted Thread:  0
 
Application Specific Information:
com.myapp.myapp failed to scene-create in time
 
Elapsed total CPU time (seconds): 4.230 (user 4.230, system 0.000), 10% CPU 
Elapsed application CPU time (seconds): 1.039, 3% CPU
 
Thread 0 name:  Dispatch queue: com.apple.main-thread
Thread 0:
0   libsystem_kernel.dylib          0x36360540 semaphore_wait_trap + 8
1   libdispatch.dylib               0x36297eee _dispatch_semaphore_wait_slow + 186
2   libxpc.dylib                    0x364077b8 xpc_connection_send_message_with_reply_sync + 152
3   Security                        0x2b8dd310 securityd_message_with_reply_sync + 64
4   Security                        0x2b8dd48c securityd_send_sync_and_do + 44
5   Security                        0x2b8ea452 __SecItemCopyMatching_block_invoke + 166
6   Security                        0x2b8e96f6 SecOSStatusWith + 14
7   Security                        0x2b8ea36e SecItemCopyMatching + 174

2.3 启动/重启超时

App由于启动/重启的时间超过系统允许的时间限制，造成异常退出。

scene-create watchdog transgression: app exhausted real (wall clock) time allowance of 19.93 seconds, Elapsed total CPU time (seconds): 21.050 (user 21.050, system 0.000)

2.4 CPU打爆

主线程死锁、启动/重启超时，都可能间接导致CPU打爆，造成异常退出。

三、Abort问题的根因定位

Abort问题常常没有明显线索进行问题定位，因此，解决难度比较大。手淘曾经历过很多次Abort问题数量飙升，但无从下手的事故，甚至还有一两次发生在双11前不久，但往往以“一群人苦逼的众测复现、复现之后也无法确定是否真的复现”收场。

因此，我们迫切需要基于已有经验，形成一套完整的解决方案，快速、准确地定位/解决问题。这就需要我们从以下几个方面着手进行考虑：
1.Abort问题发生的场景：例如，哪个页面、什么操作。
2.Abort问题发生的原因：例如，内存Jetsam、主线程死锁、启动/重启超时、CPU打爆。
3.对于内存Jetsam，需进一步定位到是否发生了内存泄露以及泄露的循环引用（Retain Cycle）。
4.对于主线程死锁，需进一步定位到卡死的堆栈。
5.对于启动/重启超时，以及CPU打爆，需进一步定位到堆栈。

接下来，我们以手淘的主线程死锁问题为例，进行根因分析。首先，来看一下某版本手淘Abort问题数据的总体视图：

由于Abort问题出现之前，内存、CPU使用量正常，因此初步判断造成异常退出的原因为主线程死锁。

查看相关日志文件，验证时间、线索吻合，因此可最终确定造成异常退出的原因为主线程死锁。

四、Abort问题的系统性解决方案

4.1 Abort系统性解决方案难点：现场捕获

为实现Abort问题的系统性解决方案，需充分考虑以下问题：
1.通过signal 9杀死进程造成的Abort问题，往往难以通过信号量捕获至堆栈。在这种情况下，应如何尽可能完整地捕获崩溃现场的关键信息？具体包含哪些信息？
2.App崩溃时系统处于极不稳定的状态，应如何保证崩溃现数据稳定落盘？
3.在信息采集、数据捕获的过程中，需对大量数据进行写入操作，应如何保证日志高性能写入？
4.在数据量较大的情况下，数据的存储、上传可能对系统造成较大压力，应如何保证数据的高压缩率？

基于以上考虑，我们提出并设计了一套基于mmap的高性能、高压缩率、高一致性、可自解释的trace文件协议，作为iOS端高可用体系的数据载体。

4.1.1 mmap数据存储层保证数据写入的高性能和高一致性

1.通过mmap将一个文件或者其它对象映射到进程的地址空间，对内存的操作会由内核将数据写到对应的磁盘文件上；数据写入的性能与内存操作相当（略比内存操作高）
2.用户进程崩溃之后，这块映射区仍由内核管理，可以保证数据的一致性

4.1.2 二进制编码协议保证数据压缩率最高

1.具体编码协议
2.实测编码在压缩率能达到80%以上，或者直观一点说，使用50k的内存可以记录下用户二十分钟内详细的使用记录，包括页面访问记录、系统事件、秒级别的内存、CPU数据。

4.1.3 尽可能多的记录系统多维度指标及异常事件

包括：
1.性能数据，包括CPU、内存数据，用于判断应用当前是不是处理overload状态
2.大内存申请
3.Retain Cycle，用于定位Jetsam Event
4.卡顿，用于定位watch dog kill
5.当前存活VC实例数量

五、总结

在App的世界里，功能层面的差异已经越来越难以体现。在这种情况下，良好的用户体验，往往是App致胜的关键。而Abort问题对于每一个App而言，都是对用户体验的最大挑战，需要App开发者给予足够的重视。
为了更好地发现解决崩溃问题，构建异常“感知-定位-恢复”的运维能力闭环，提升 App 使用体验，建议接入阿里云崩溃分析，支持各类异常事件采集，支持现场回溯分析，帮助您更好的提高iOS App稳定性。

钉钉搜索35248489，加入阿里云云原生应用研发平台EMAS技术交流群，探讨最新最热门的应用研发技术和实践。（或钉钉扫码加入）

作者：淘宝庐轩

码农公寓