linux 进程崩溃被杀原因查找

清疚 2021-09-02 06:59 1846阅读 0赞

**目录**

到底是什么信号

OOM

谁发的信号

systemtap

audit

案例与总结

--------------------

一个进程的异常终止，通常有两种情况，一种是crash，另一种是被kill掉了。

crash是指程序出现了自己无法解决的异常情况，只能终止，比如Python语言抛出了一个未被捕获的异常，就会结束程序。对于C、C++，最有名的就是段错误（segmentation fault），如果在Linux下面，那么会生成coredump，程序员通过gdb（有可能）可以分析出crash的原因。当然，要生成coredump也是需要正确的设置，可以通过[ulimit][]（ulimit -c）查看或者设置。

而进程被kill掉，就是其他进程给目标进程发送了信号（[signal][]），当然也可以是自己给自己发的信号，而目标进程没有正确处理这些信号，或者根本没有机会（权力）处理这些信号，那么目标进程就有可能会终止。

信号是Unix-like系统进程间通信（IPC）的一种方式，这种通知是异步的，信号是一种软中断，操作系统会将目标进程的正常执行流程暂停，然后处理信号。如果目标进程注册了相应的信号处理函数（signal handler），那么就会调用这个signal handler，否则会执行默认的信号处理函数。

不同的操作系统，支持的信号可能略有差异，可以使用kill -l 查看系统所有的信号。下面是Linux上常见的信号以及处理机制

> 　　信号 　　　值 处理动作 发出信号的原因   
> 　　----------------------------------------------------------------------   
> 　　SIGHUP　　1 　　A　　 终端挂起或者控制进程终止   
> 　　SIGINT 　　2 　　A 　　键盘中断（如break键被按下）   
> 　　SIGQUIT 　 3 　　C 　　键盘的退出键被按下   
> 　　SIGILL 　　 4 　　C 　　非法指令   
> 　　SIGABRT 　6 　　C 　　由abort(3)发出的退出指令   
> 　　SIGFPE 　  8 　　C 　　浮点异常   
> 　　SIGKILL 　9 　　AEF　　Kill信号   
> 　　SIGSEGV   11 　　C　　无效的内存引用   
> 　　SIGPIPE 　13 　　A　　管道破裂: 写一个没有读端口的管道   
> 　　SIGALRM 14 　　 A　　由alarm(2)发出的信号   
> 　　SIGTERM 15 　　 A　　终止信号   
> 　　SIGUSR1  30,10,16 A 　用户自定义信号1   
> 　　SIGUSR2  31,12,17 A 　用户自定义信号2   
> 　　SIGCHLD  20,17,18 B    子进程结束信号   
> 　　SIGCONT  19,18,25       进程继续（曾被停止的进程）   
> 　　SIGSTOP  17,19,23 DEF 终止进程   
> 　　SIGTSTP  18,20,24 D 控制终端（tty）上按下停止键   
> 　　SIGTTIN   21,21,26 D 后台进程企图从控制终端读   
> 　　SIGTTOU 22,22,27 D 后台进程企图从控制终端写

处理动作一项中的字母含义如下

> 　　A　　缺省的动作是终止进程  
> 　　B　　缺省的动作是忽略此信号  
> 　　C　　缺省的动作是终止进程并进行内核映像转储（dump core）  
> 　　D　　缺省的动作是停止进程  
> 　　E　　信号不能被捕获  
> 　　F　　信号不能被忽略

如果默认处理动作是C（coredump），那么就会生成coredump，然后终止进程，在上一篇文章《[啊，我的程序为啥卡住啦][Link 1]》中，提到用kill -11 pid 来终止、调试卡住的程序，这个11就是指信号SIGSEGV

注意SIGKILL SIGSTOP这两个信号，既不可以被捕获，也不能被忽略，就是说收到这两个信号，程序就会不留痕迹地终止。

### 到底是什么信号 ###

从上面，我们可以看到，有很多信号都可以终止进程，如果我们没有针对某种信号指定处理函数，那么我们怎么知道进程是被哪一个进程kill掉了呢，那就是[strace][]。

我们以一段简单的Python代码为例：

# -*- coding: utf-8 -*-
    
    def func():
        while True:
            pass
    
    if __name__ == '__main__':
        func()

运行该代码：

python run_forever.py &
    [1] 1035

可以看到pid是1035，我们使用strace查看该进程：$ strace -T -tt -e trace=all -p 1035， 然后另起终端kill这个Python进程： $kill -9 1035。在strace可以看到：

$ strace -T -tt -e trace=all -p 1035
    Process 1035 attached
    16:19:52.092202 +++ killed by SIGKILL +++

也可以使用其他信号kill，比如，重新运行Python程序，进程为32599， kill -10 32599，那么strace的结果是

$strace -T -tt -e trace=all -p 32599
    Process 32599 attached
    16:09:20.264993 --- SIGUSR1 {si_signo=SIGUSR1, si_code=SI_USER, si_pid=29373, si_uid=3010} ---
    16:09:20.265656 +++ killed by SIGUSR1 +++

对比kill -9， kill -10多了一行信息，这是非常有用的信息，因为有了两个非常重要的字段，*si\_pid、 si\_uid*

pid_t si_pid; // sending process ID
    pid_t si_uid; // Real user ID of sending process

即si\_pid说明是哪一个进程发送的信息，si\_uid是哪一个用户发出的信息，使用id si\_uid就能看出详细的用户信息。这样就直接定位了谁发送的信息。

不过，很多时候，进程被干掉，都是使用了kill -9（SIGKILL），那么即使使用strace也只是知道被干掉了，也没法知道被谁干掉了。而且，除非一个程序经常被kill掉，否则很少有人有strace长期监控这个进程。

### OOM ###

关于进程收到了SIGKILL信号，有一种不得不提的情况，那就是[OOM（out of memory）][OOM_out of memory]，简单来说，就是当Linux系统内存不足，在大量使用swap之后，会kill掉内存占用最大的进程。这应该算操作系统系统自身的一种保护机制，以防更多的进程不能正常工作。关于OOM killer，网上有详尽的资料介绍，在这里只是简单看看现象。

下面是一个简单的Python程序，该程序会无限的分配内存，直到内存不足：

# -*- coding: utf-8 -*-
    
    def func():
        l = [1]
        while True:
            l.append(l * 2)
    
    if __name__ == '__main__':
        func()

运行该程序，然后用strace追踪，前面都是正常的内存分配相关的系统调用，直到最后

16:02:19.192409 mprotect(0x7f4aa886b000, 552960, PROT_READ|PROT_WRITE) = 0 <0.000014>
    16:02:19.744000 mmap(NULL, 552960, PROT_READ|PROT_WRITE, MAP_PRIVATE|MAP_ANONYMOUS, -1, 0) = -1 ENOMEM (Cannot allocate memory) <0.000108>
    16:02:19.755545 mprotect(0x7f4aa88f2000, 552960, PROT_READ|PROT_WRITE) = 0 <0.000019>
    16:02:23.404805 mmap(NULL, 552960, PROT_READ|PROT_WRITE, MAP_PRIVATE|MAP_ANONYMOUS, -1, 0 <ptrace(SYSCALL):No such process>
    16:02:25.325272 +++ killed by SIGKILL +++
    [1]+ Killed python will_be_killed.py

stackoverflow上[who-killed-my-process-and-why][]一文指出，由于outofmemory被kill掉的进程，会在/var/log下的某个文件中留下最终的遗迹，在笔者使用的debian系统中，可以通过dmesg查看：

dmesg －T | grep -E -i -B100 'killed process'

日志如下：

[月 12日 24 16:02:24 2017] [ pid ] uid tgid total_vm rss nr_ptes swapents oom_score_adj name
    [月 12日 24 16:02:24 2017] [ 172] 0 172 10553 722 23 1375 0 systemd-journal
    [月 12日 24 16:02:24 2017] [ 181] 0 181 10201 398 22 134 -1000 systemd-udevd
    [月 12日 24 16:02:24 2017] [ 518] 0 518 8738 361 21 70 0 cron
    [月 12日 24 16:02:24 2017] [ 519] 0 519 4756 314 13 45 0 atd
    [月 12日 24 16:02:24 2017] [ 520] 0 520 13795 412 31 143 -1000 sshd
    [月 12日 24 16:02:24 2017] [ 525] 0 525 4964 161 14 65 0 systemd-logind
    [月 12日 24 16:02:24 2017] [ 536] 105 536 10531 172 26 98 -900 dbus-daemon
    [月 12日 24 16:02:24 2017] [ 580] 0 580 1064 362 8 34 0 acpid
    [月 12日 24 16:02:24 2017] [ 602] 0 602 4926 373 13 37 0 agetty
    [月 12日 24 16:02:24 2017] [ 605] 0 605 4881 373 14 37 0 agetty
    [月 12日 24 16:02:24 2017] [ 643] 108 643 8346 283 22 134 0 ntpd
    [月 12日 24 16:02:24 2017] [ 889] 104 889 12794 369 26 158 0 exim4
    [月 12日 24 16:02:24 2017] [11640] 0 11640 4188 1118 15 0 0 atop
    [月 12日 24 16:02:24 2017] [29370] 0 29370 14434 420 30 177 0 sshd
    [月 12日 24 16:02:24 2017] [29372] 3010 29372 14434 189 29 147 0 sshd
    [月 12日 24 16:02:24 2017] [29373] 3010 29373 7813 491 20 587 0 bash
    [月 12日 24 16:02:24 2017] [30731] 0 30731 14434 429 30 177 0 sshd
    [月 12日 24 16:02:24 2017] [30733] 3010 30733 14434 328 29 154 0 sshd
    [月 12日 24 16:02:24 2017] [30734] 3010 30734 7810 432 19 606 0 bash
    [月 12日 24 16:02:24 2017] [30746] 3010 30746 13967 408 30 102 0 su
    [月 12日 24 16:02:24 2017] [30747] 0 30747 7389 422 19 194 0 bash
    [月 12日 24 16:02:24 2017] [31688] 0 31688 13967 408 31 101 0 su
    [月 12日 24 16:02:24 2017] [31689] 3010 31689 7808 482 19 566 0 bash
    [月 12日 24 16:02:24 2017] [32128] 3010 32128 7761 445 19 32 0 top
    [月 12日 24 16:02:24 2017] [32132] 3010 32132 2357921 1868878 4581 467803 0 python
    [月 12日 24 16:02:24 2017] [32133] 3010 32133 1255 152 7 57 0 strace
    [月 12日 24 16:02:24 2017] Out of memory: Kill process 32132 (python) score 957 or sacrifice child
    [月 12日 24 16:02:24 2017] Killed process 32132 (python) total-vm:9431684kB, anon-rss:7473936kB, file-rss:1576kB

由于进程使用内存最多，而且没有设置保护机制，所以32122这个python进程就被kill掉了。

所以，如果机器内存使用率较高，那么当进程消失的时候不妨用dmesg看看。

### 谁发的信号 ###

更普遍的，即使我们知道进程被SIGKILL干掉了，这没有什么用。关键是得找出谁发送的这个信号，是故意的还是意外，也许是新手写的脚本误伤，也许是老手故意搞破坏。

最简单的，那就是查看[last][]与[history][]，last看看谁登陆到了系统，然后再用history看看相关的操作记录。可是，操作记录是可以被清除的，history -c可以清除本终端上的操作记录，也可以直接清空、删除.bash\_history，也许有更高级的手段来禁止清空操作记录，但到底是道高一尺魔高一丈，还是魔高一尺道高一丈，我也就不清楚了。

### systemtap ###

在[who-killed-my-process-and-why][]中，指出了其中的一种办法，使用[systemtap][]，笔者也是第一次听说这个家伙，据说非常强大。官方给出了捕获信号的[示例代码][Link 2]。

probe begin
    {
      printf("%-8s %-16s %-5s %-16s %6s %-16s\n",
             "SPID", "SNAME", "RPID", "RNAME", "SIGNUM", "SIGNAME")
    }
    
    probe signal.send 
    {
      if (sig_name == @1 && sig_pid == target())
        printf("%-8d %-16s %-5d %-16s %-6d %-16s\n", 
          pid(), execname(), sig_pid, pid_name, sig, sig_name)
    }

将上述代码保存为sigmon.stp文件，然后查看待监控的进程的pid，使用下述命令监控发送到该进程的SIGKILL信号

stap -x pid sigmon.stp SIGKILL

不过这种方法，我并没有实验成功，systemtap的安装太麻烦了。。。

### audit ###

在[Who sends a SIGKILL to my process mysteriously on ubuntu server][]中，提到了另外一个更加简单的方法，那就是使用audit

安装很简单：sudo apt-get install auditd

启动服务并查看状态： service auditd start & service auditd status

然后通过auditctrl添加规则： auditctl -a exit,always -F arch=b64 -S kill -F a1=9

启动然后kill掉Python程序

$ python run_forever.py &
    [1] 24067
    $ kill -9 24067

使用ausearch搜索结果： ausearch -sc kill。结果如下

time->Mon Dec 25 19:52:55 2017
    type=PROCTITLE msg=audit(1514202775.088:351): proctitle="bash"
    type=OBJ_PID msg=audit(1514202775.088:351): opid=24067 日uid=-1 ouid=3010 oses=-1 ocomm="python"
    type=SYSCALL msg=audit(1514202775.088:351): arch=c000003e syscall=62 success=yes exit=0 a0=5e03 a1=9 a2=0 a3=7ffc0d9f7b90 items=0 ppid=1349 pid=1350  uid=3010 gid=3010 euid=3010 suid=3010 fsuid=3010 egid=3010 sgid=3010 fsgid=3010 tty=pts0 comm="bash" exe="/bin/bash" key=(null)

可以看到，信号的目标进程是一个python程序，pid是24067，启动该进程的用户的id是3010。kil进程的信号被用户3010在pid为1350的bash中发出。

### 案例与总结 ###

我遇到过的，进程悄无声息消失的情况，有以下几种

（1）进程确实是crash了，不过用于core file size设置的问题，没有生成coredump，这里可以通过ulimit -c确认

（2）oom，代码bug导致进程占用内存过多，被操作系统干掉

（3）进程被父进程，或者监控进程（watchdog）给kill掉，这个在使用框架的时候容易出现

（4）进程被误杀，诸如这样的脚本 kill -9 \`ps aux | grep python | awk '\{print $2\}'\`， 杀掉所有的python进程，这是非常粗暴的方法，非常容易误杀

（5）top，top命令也能杀掉进程，are you kidding me？ No

![b5b668ee9d43afb48231f008a2e3bb5c.png][]

如上图所示，进程9603是一个Python程序，top -c默认按照CPU使用量排序，所以这个CPU 100%的进程在最前面。当按下K键的时候，就会给进程发信号，default pid就是在第一行的进程，当然这里也可以输入pid。直接回车，结果如下图

![44b6a727d82c53396c218eaafdf20a13.png][]

可以看到，默认的信号是SIGTERM（15），也可以输入信号。在敲回车之后，这个进程就被kill了

即使查看history命令，也只有一个top命令，完全看不出什么，所以使用top命令也要小心啊，捕获SIGTERM也是一个不错的主意。

当然，做好权限控制，就能减少进程被意外Kill，特别是在线上服务器，适当的监控也是必要的。

那么当进程消失的时候，可以按照下列步骤排查

（1）看日志

（2）查看有没有coredump，查看ulimit -c

（3）看系统内存使用量，用dmesg看是不是OOM

（4）看last与history，crontab

（5）也许一切都在运维的掌控之中

[ulimit]: https://ss64.com/bash/ulimit.html
[signal]: https://en.wikipedia.org/wiki/Signal_%28IPC%29
[Link 1]: http://www.cnblogs.com/xybaby/p/8025435.html
[strace]: http://man7.org/linux/man-pages/man1/strace.1.html
[OOM_out of memory]: https://lwn.net/Articles/317814/
[who-killed-my-process-and-why]: https://stackoverflow.com/questions/726690/who-killed-my-process-and-why
[last]: http://man7.org/linux/man-pages/man1/last.1.html
[history]: http://man7.org/linux/man-pages/man3/history.3.html
[systemtap]: https://sourceware.org/systemtap/
[Link 2]: https://sourceware.org/systemtap/examples/process/sigmon.stp
[Who sends a SIGKILL to my process mysteriously on ubuntu server]: https://stackoverflow.com/questions/26285133/who-sends-a-sigkill-to-my-process-mysteriously-on-ubuntu-server
[b5b668ee9d43afb48231f008a2e3bb5c.png]: /images/20210728/c7a96f9229594933a295759626ed2894.png
[44b6a727d82c53396c218eaafdf20a13.png]: /images/20210728/3e7ba993142141e4aff8b5ea68eeac88.png