
InfoQ 分享一次无法复现的 iOS 崩溃排查经验
来源标题:The iOS Crash We Could Not Reproduce – InfoQ
InfoQ 发文复盘一次无法稳定复现的 iOS 生产崩溃排查过程:在日志和本地测试都无法定位故障路径时,团队通过受控的故障隔离手段缩小范围。文章指出,整体崩溃率下降并不能证明根因已修复,无关改动可能只是改变了并发缺陷的触发时机;找到一台能概率性复现故障的设备,是把推测性调试变成可测试工程工作的关键。文中还提到,通过 NSAttributedString 进行 HTML 导入有主线程要求,在异步界面准备中容易被忽略。
以下正文由 AI 翻译自 Hacker News 最新(原文版权归原站所有),可能存在偏差,重要内容请以原文为准。
InfoQ 首页 文章 我们无法复现的 iOS 崩溃 收听本文 - 0:00 音频已就绪 您的浏览器不支持音频元素。 0:00 0:00 正常1.25x1.5x 点赞 阅读列表 核心要点 间歇性生产环境崩溃往往需要在日志和本地测试无法定位故障路径时,进行受控的故障隔离。 整体崩溃率的下降并不能证明根本原因已被修复。不相关的改动可能只是改变了并发缺陷的触发时机。 一台能概率性复现故障的设备,可以把推测性的调试转变为可测试的工程工作。 通过 NSAttributedString 导入 HTML 有主线程要求,当该调用位于异步的界面准备逻辑中时,这一要求很容易被忽视。 共享的主 actor 抽象比要求每个调用点都记住框架的线程规则是更强的保障。 有些生产环境崩溃会以清晰的堆栈跟踪示人。这个没有。它出现在一个大规模消费级 iOS 应用中,只影响部分执行,并且抗拒了所有本地复现尝试。最终的代码改动很小,但要走到那一步,需要把一份模糊的 SIGBUS 报告转化为一组受控实验。本文讲述这次调查的经过,以及 NSAttributedString 中 HTML 导入背后的线程契约。 我调查的大多数生产环境崩溃都始于一套熟悉的流程。我阅读崩溃报告,寻找最接近故障的堆栈帧,尝试复现路径,然后反向追溯根本原因。这次事件不符合这个模式。 崩溃出现在一个大规模消费级 iOS 应用中。它只影响一部分执行,并且在不可预测的时间出现。确切的生产指标是保密的,但这次事件足够严重,需要专项调查和加急热修复。 开发人员和 QA 工程师都无法稳定复现它。我们可以重复客户流程而看不到任何异常。崩溃报告包含一个 SIGBUS 信号和与属性字符串处理相关的 Foundation 帧,但它没有指向我们 Swift 代码中的明确行号。 SIGBUS 是一种底层的无效内存访问信号,不是诊断结论。它可能由多种情况引起,因此仅凭该信号就断定某个特定变量被释放或重用是错误的。证据缩小了搜索范围,但并未确立原因。 这就留下了很大的搜索空间。我考虑了对象生命周期、SwiftUI 视图模型所有权、共享可变状态、未同步的工作以及 Foundation 行为。管理层需要尽快得到答案,而我最初只有大约一周时间来调查并准备修复方案。 我从通常对这类故障有帮助的检查开始。我启用了僵尸对象,添加了异常和符号断点,审查了受影响屏幕周围的所有权,并检查了准备其数据的异步路径。 我还在代码库的那部分做了一些防御性改进。我收紧了可观察对象的所有权,审查了几个引用类型是否真的需要身份语义,澄清了同步逻辑,并通过 async/await 和 MainActor 隔离让与 UI 相关的并发更加明确。 这些改动改进了代码。第一次热修复也使整体崩溃率明显下降。但原始的崩溃签名仍然在生产环境中出现,客户仍在报告与该事件相关的行为。 最初的改善看起来令人鼓舞,因为总体崩溃率朝着正确方向变化。但这并不能证明因果关系。生命周期处理和同步的改动会影响任务调度、对象保留和时序。即使底层的契约违反仍然存在,对时序敏感的故障也可能变得不那么频繁。 这一区别成为调查的核心。我们改进了应用,但并未证明我们移除了缺陷。目标崩溃仍然存在,而剩余的调查窗口已缩短到只有几天。 转折点不是另一个断点或更详细的堆栈跟踪。一位同时也使用生产应用的 QA 工程师发现,她可以通过重复受影响的流程来触发崩溃。它仍然是间歇性的,有时需要四五次尝试,但这已经足够了。 我第一次有了一个实用的测试判据。如果新构建在该设备上仍然崩溃,说明改动没有解决问题。如果重复尝试不再产生故障,说明改动值得进一步验证。这台设备把工作从生产环境取证变成了实验。 我最初的实验仍然集中在最接近可见故障的屏幕上。我清理了它们的代码,调整了所有权,审查了异步工作,生成了一个 IPA,并发给了 QA 工程师。 经过几次尝试,那个构建再次崩溃了。结果是负面的,但很有用。在那之前,我一直在做合理的改动,却没有可靠的方法知道它们是否重要。一个可复现的故障让每一个被否定的假设都有了信息价值。 循环变得简单:改动一个区域,构建一个 IPA,安装到受影响的设备上,重复客户流程,记录崩溃是否再次出现。在整个调查过程中,我分享了大约九到十个实验性构建。
(原文较长,此处译出前 6000 字,完整内容请点「打开原文」。)
正文由 探How 从来源站点 RSS 同步,内容未经改写;遇到排版缺失或需要图片、视频时请以原文为准。