引用注明>> 【作者：张佩】【原文：www.YiiYee.cn/blog】
这是我到新公司后上手的第一个issue。一线工程师找到我，说有一个urgent issue有没有兴趣看一看。当时他已经组织了一个team的人帮助他，我便成了其中一员。
问题确实很紧急，已经影响了产线的生产。当时正临清明假期，导致很多人都岌岌可危地面临清明加班的可能。其实这个问题已经报出来好几个月，但一线工程师一直以绥靖政策对待，以各种方式把问题发生率降低到客户接受的水平。绥靖政策长时间以来是有效的，但最近却突然失效，发生率飙升到了20%。一线工程师才真的着急了。
问题定性
组一个team的人debug同一个问题，在我以前是未曾经历过的。初始的想法当然是认为人多力量大。但真正实施的时候，也可能遭遇人多嘴杂的窘况。
在如何定性issue的问题上大家意见不一致。从一线工程师描述的情况看，问题发生时没有蓝屏。先前曾debug过此问题的同事说，问题发生时只有一个进程和线程活着，其它的所有进程都处于block状态（除了ideal进程）；最关键的是，他仍然可以通过Windbg单步。
有人把issue定性为系统崩溃、BSOD或系统异常，这是完全不正确的。如果被这样定性，CPU必须是hang住的。但现在CPU却是活的，还可以单步。况且并没有蓝屏发生，定性为BSOD就更不对了。
应该属于什么类型的问题呢？从描述上来看，系统是活的，只是失去了响应而已。所以我把issue定性为系统的Software Hang。可能的情况很多，比如一个系统进程突然跑偏了，导致系统界面失去响应。或者像本例中的情况：系统内核自己陷在一个死循环里面，无暇处理其它任务。
分析问题
我第一天只拿到了dump文件。因为只有一台能live debug的系统，使用上很难统筹。我拿到dump文件后，第一动作是赶紧看那个唯一live的线程。这类issue的问题点非常集中，所以我很有把握可以很快找到一些有用线索。
ChildEBP RetAddr Args to Child 85846dd0 8fd95b75 ffffffff 85846ef0 nt!KeClockInterruptNotify+0x28a (Inline) -------- -------- -------- -------- hal!HalpTimerClockInterruptEpilogCommon+0xa 85846de0 00000000 000000d1 00000000 hal!HalpTimerClockInterruptCommon+0x3e 85846de0 00000000 000000d1 00000000 hal!HalpTimerClockInterrupt+0x1cb 85846ef0 80c66050 8584762c 00000002 win32k!ENUMAREAS::ENUMAREAS+0xb9 8584711c 80da5d98 80da5d98 00000000 win32k!bSpBltScreenToScreen+0x2f8 858474dc 80da5d98 80da5d98 00000000 win32k!SpBitBlt+0x2bc 85847510 80da5d98 80da5d98 00000000 win32k!SpCopyBits+0x27 85847654 000006ce 000000a0 00000027 win32k!NtGdiBitBltInternal+0xa39 85847700 80d440a8 80c7d5e0 80c7d598 win32k!zzzBltValidBits+0xc6557 85847768 85847b18 85847ad0 80dac008 win32k!xxxEndDeferWindowPosEx+0x20b 858477a8 00000000 8312c5a0 80dac008 win32k!xxxProcessDesktopRecalc+0x10b 858477e0 d4b8b27d 85847d00 80dac008 win32k!xxxProcessEventMessage+0x7a …… 85847d3c 0118fb90 00000000 00000000 nt!KiSystemServicePostCall
调用栈上面有时钟中断的处理函数。当硬件中断发生的时候，CPU会亲自把当前活动线程的执行权抢占下来给ISR用。所以这是很正常的事情。并不是发生了所谓的“系统异常”。去掉中断相关处理函数后，调用栈的最后一个函数就是win32k!ENUMAREAS::ENUMAREAS。
我把这个函数的汇编代码略微研究了一下，发现这里面竟然存在一个死循环！当然，不是所有的循环都天生会成为“死循环”。死循环只可能发生在特殊的状态下。从汇编代码看，Win32k正执行在一个循环中。这个循环只会进入一次。同事给我提供了一个有用信息：每次问题发生的时候，看到的都是在执行同一个函数。结合这些信息，当然就可以断定这个循环是“死循环”了。
但当我把这个发现提出来准备team内讨论时，却受到了冷遇。没有人相信或愿意和我讨论这个死循环。debug team的一位同事没看分析过程，但把同一个问题问了我两遍：你真有把握这是死循环吗？令我非常郁闷。
第二天当Live Debug环境再次被建立起来，我能亲自上手的时候，我就首先在这个函数里面单步了好一会儿，确定它确实是在我发现的那4行汇编代码里面循环不止的。事实证明，不管我按多少次F10，指令寄存器都再没有离开过那4行汇编代码（除了发生时钟中断抢占的情况）。我当时心里立刻舒缓了很多，因为我还是很害怕的，万一不是死循环，就颜面扫地了。
死循环的逻辑很简单，只有4行汇编。两个跳转（jump）语句在互相跳来跳去，是一个典型的while循环。
901b7b0f 394104 cmp dword ptr [ecx+4],eax 901b7b12 7e5e jle win32k!ENUMAREAS::ENUMAREAS+0xb6 (901b7b72) 901b7b72 034908 add ecx,dword ptr [ecx+8] 901b7b75 eb98 jmp win32k!ENUMAREAS::ENUMAREAS+0x53 (901b7b0f)
花几分钟时间把这4行代码反汇编成C语言，因为这时候我们已经有了win32k的private symbol，所以反出来的内容可读性很强。
while (p->yBottom <= this->yBoundsTop)
{
(char*)P += p->sizeScan;
}
这是一个普通的循环。但如果循环体里面的p->sizeScan值为0，就能导致死循环。这正是原因所在。
猜猜猜
每个资深Debug工程师都有一样本领，那就是“猜”。闭源调试的时候，“猜”是不二利器。当然了不能乱猜，否则会导致怨狱的——不能变成猜疑。
我发现当死循环发生时，yBottom的值是1200，yBoundsTop的值是1780。我对1200非常敏感，因为目标平台的分辨率是1800×1200。再加上通过private symbol展现出来的变量名称，更增加了猜的底气。所以就先猜1200是屏幕的高。
1780是什么呢？结合Win32k类的名称ENUMAREAS以及变量名称yBoundsTop，猜它是某个窗口的左顶点y轴位置。
继续猜。再仔细看调用栈中各个函数的名称，可以大致知道它在干什么：通过GDI接口实现BitBlt亦即画图操作。
现在基本给出一个合理猜想：问题发生的时候，有一个窗口被移出了屏幕以外区域，当这个窗口试图刷新UI界面时，有概率会导致Win32K的死循环。
下一步是根据上述合理猜想，给出一个解决方案：测试过程中，避免一切移动窗口位置到屏幕外的动作。
一线工程师在了解了这个情况后还不放心，在解决方案中又加了一条：避免一切窗口最小化动作。
当这个方案报告给客户后，客户立刻进行了测试，在上千次测试过程中，问题再也没有发生。并且，到现在为止的一个多月时间里，issue再也没有发生。
技术细节
当事实确定下来后，大家都非常惊讶。因为win32k是一个非常稳定的OS模块，如果真是win32k的bug，其影响一定非常地深远。这个问题现在已经报告给微软，微软工程师还在分析，并已承认是系统Bug的事实。但微软工程师更倾向于认为这不是Win32k的bug，而是传给Win32K的参数被破坏了。最后的结果如何，还需等待。
如果我是这位微软工程师，我就会把这个调用栈上相关函数的实现逻辑，先好好地分析一遍。对照出问题和正常情况下的参数差别，区别出此issue是由代码逻辑导致的，还是异常参数导致的。如果是异常参数导致的，需确定是参数传入时就有问题，还是后面出的问题。以此逐步厘清。
while (p->yBottom <= this->yBoundsTop)
{
(char*)P += p->sizeScan;
}
其中this的类型为ENUMAREAS，其部分定义如下：
win32k!ENUMAREAS +0x000 iDir +0x004 xBoundsLeft +0x008 yBoundsTop +0x00c xBoundsRight +0x010 yBoundsBottom
p指向的结构体为SPRITESTATE，其前面部分定义如下：
_SPRITESTATE +0x000 yTop +0x004 yBottom +0x008 sizeScan
我分析认为：p指向一个类型为SPRITESTATE的变长结构体数组，其中变量sizeScan表示到达下一个结构体的长度。当问题发生时，p已经枚举到了数组中的最后一个结构体，其成员变量sizeScan等于0。因为这个循环缺少了异常处理，从而使得p一直在处理最后一个结构体，在它身上做死循环，并奇怪地把整个系统都hang住了。当我通过Windbg强制跳出这个死循环后，系统奇迹般地活了过来。