# Incidente `pageout_deadman` de septiembre de 2026 ## Alcance Este documento registra el panic real observado mientras `o6h-memory-guard` v1.0.2 funcionaba correctamente en `dry-run`. v1.0.3 se desplegó después sólo en `dry-run` y permitió descubrir el sesgo de ranking que corrige v1.0.4. Ninguna de estas revisiones activó `armed` durante la evidencia descrita; v1.0.4 aún no se ha desplegado. ## Cronología reconstruida Los valores se conservan como fixture en `tests/fixtures/pageout_deadman_real_incident_2026_09.csv`. | Hora aproximada | `free_pages` | Estado/observación | | --- | ---: | --- | | 07:33:10Z | 143.127 | NORMAL, por encima de `lotsfree=130875` | | 07:33:11Z | 115.727 | Primer cruce bajo `lotsfree`; v1.0.2 seguía NORMAL | | 07:33:12–13Z | 103.000–107.000 | Persistencia bajo `lotsfree` | | 07:33:17Z | 48.893 | EMERGENCY, `minfree=49077`, `nscan=1060408` | El host pasó de `lotsfree` a `minfree` en unos seis segundos. Después, v1.0.2 registró decisiones dry-run TERM/KILL sobre varios procesos PHP-FPM, pero no envió señales, como exigía su configuración. El host terminó en `pageout_deadman`. Durante el episodio, un `proc_scan` que normalmente tardaba 10–15 ms alcanzó aproximadamente 9,5 s y quedó incompleto. También aparecieron bloqueos `log_or_incomplete_scan` y `victim_budget_exhausted`. ## Qué detectó correctamente v1.0.2 - El cruce de umbrales dinámicos del kernel y la llegada a EMERGENCY. - Scanner intenso y telemetría continua de memoria, swap y pageout. - Inventario UUID, elegibilidad, RSS y ranking por zona/proceso. - Identidades de proceso y decisiones `WOULD_ACTION` en `dry-run`. - La salvaguarda fundamental: no se envió ninguna señal real. Dry-run no podía evitar el panic: sólo registra la acción que habría propuesto. El incidente sirve para validar detección y exponer defectos de preparación de la ruta de rescate, no como evidencia de que el daemon causara el panic. ## Fallos de diseño revelados 1. PRE-PRESSURE/PRESSURE llegaban demasiado tarde para una caída de seis segundos. 2. La acción exigía el scan completo más reciente; bajo presión, ese trabajo podía bloquear durante segundos. 3. Un scan parcial invalidaba de hecho la posibilidad de actuar aunque existiera atribución previa útil. 4. El presupuesto normal podía bloquear indefinidamente una emergencia. 5. Faltaba una traza explícita del origen, rank y edad del candidato usado. ## Cambios de v1.0.3 - PRE-PRESSURE tras dos muestras bajo `lotsfree` y PRESSURE a los dos segundos, sin exigir `nscan`; scanner/pageout/swap siguen siendo corroboradores. - Caché persistente top‑3 actualizada sólo por scans completos en NORMAL/PRE-PRESSURE/PRESSURE. Conserva UUID, alias, generación, PID, inicio, nombre, RSS, d5/d15/d60, tiempo, elegibilidad y puntuaciones. - Un scan incompleto se registra pero no sustituye la caché buena anterior. - CRITICAL/EMERGENCY/FLOOR no recorren `/proc`: selección cacheada O(1), lectura kstat fresca y revalidación barata del candidato concreto. - Si rank 1 desaparece, cambia de identidad o deja de ser elegible, se intenta rank 2 y después rank 3 sin scan completo. - Gracias configurables: 5 s CRITICAL, 1 s EMERGENCY y KILL inmediato al floor por defecto. - Presupuesto jerárquico 4/8/12: límite normal, override EMERGENCY y límite absoluto floor. Ningún override relaja UUID `allow` ni protecciones. - EMERGENCY sale hacia RECOVERY al alcanzar `desfree`; NORMAL requiere 15 s estables por encima de `lotsfree` con scanner inactivo. - Nuevos eventos `state_transition`, `candidate_cache`, `action_decision` y `recovery_check`, incluidos origen, rank, edad y override de presupuesto. ## Evidencia automatizada El fixture real exige que el guard abandone NORMAL antes de `minfree`. Las pruebas del runtime simulado verifican además: - persistencia de caché tras scan incompleto; - cero recorridos `/proc` dentro de `act()`; - fallback top‑2/top‑3; - rechazo de reutilización PID por instante de inicio; - límites normales y overrides controlados; - allow/protect/observe/unmapped/global; - histéresis RECOVERY/NORMAL; - cero solicitudes de señal real en dry-run. ## v1.0.4 — Global victim ranking fix La observación nativa posterior de v1.0.3 confirmó servicio estable, telemetría, scans rápidos y caché persistente, pero mostró un sesgo: los tres candidatos procedían de la zona `web5` con procesos PHP-FPM de unos 245–285 MiB, mientras procesos `clamd` elegibles de aproximadamente 1,33 GiB en otras zonas quedaban fuera. La causa era el orden lexicográfico por score de zona antes del score de proceso. v1.0.4 construye el top‑3 global directamente entre todos los procesos de zonas `allow`. RSS es la base; d5/d15/d60 elevan crecimientos recientes y el contexto de zona queda limitado al 25 % del RSS del candidato. El fixture `global_victim_ranking_smartos_2026_09.csv` reproduce las proporciones observadas y mantiene `mysqld`, zonas unmapped y global fuera del ranking. Esta revisión no se ha desplegado: debe confirmarse en SmartOS real exclusivamente en dry-run. ## Pendiente antes de `armed` 1. Compilar v1.0.4 con cabeceras nativas SmartOS y ejecutar todas las pruebas. 2. Validar `--probe --force-dry-run` y después SMF con `--force-dry-run`. 3. Confirmar que `candidate_cache` es global y que los `clamd` grandes pueden superar a los PHP-FPM pequeños sin incluir `mysqld` protegido. 4. Confirmar que un scan lento/incompleto no retrasa `action_decision`. 5. Revisar cada UUID y política literal; mantener infraestructura crítica fuera de `allow`. 6. Validar en laboratorio desechable TERM/KILL, cooldown, supervisores que recrean procesos y límites 4/8/12. 7. Obtener aceptación humana explícita. Hasta entonces `armed` es **NO GO**.