Conservative SmartOS global-zone memory pressure guard with dry-run-first policy and SMF integration.
Du kan inte välja fler än 25 ämnen Ämnen måste starta med en bokstav eller siffra, kan innehålla bindestreck ('-') och vara max 35 tecken långa.
 
 
 
 

11 KiB

Validación de la entrega v1.0.11

Fecha: 2026-10-09. Entrega source-only. No se desplegó, no se modificó el nodo armado y no se enviaron señales reales. La configuración conserva ACTION_MODE dry-run, syslog local5, cero UUID allow y SMF deshabilitado.

Motivo

panic34: presupuesto agotado en8 con floor=0 cerca de minfree. Ventana de riesgo VM independiente de /proc, escalones8→12→16 y contrato de presupuestos explícito. FLOOR aislado mantiene12; llegar a16 exige persistencia. Informe: INCIDENT_PAGEOUT_DEADMAN_PANIC34_2026_10_09.md. Fixture sintético, no dump/log real. Se prueba el orden real de ticks (rescate retenido antes de engine_step), una muestra nscan=0, caché con último scan completo >376 s y revalidación simulada. Casos negativos: sin pageout, sin escasez, pico de dos muestras, contador que retrocede, pageout inválido y evidencia demasiado antigua. Ventana máxima32, rollback de reloj, overruns de2 s, recuperación breve/estable, deduplicación, sin candidatos y techo16. Tests de una sola muestra FLOOR en episodio nuevo, escalón1 con ventana ya válida y ruta runtime: nunca habilita16 por sí sola.

Regresión conservada de v1.0.10:

panic33: presión extrema, presupuesto agotado y caché degradada. Se añade techo hard-floor 16 condicionado a persistencia y publicación incremental. Informe: INCIDENT_PAGEOUT_DEADMAN_PANIC33_2026_10_08.md. Fixture reconstruido sintéticamente. Pruebas nuevas: cinco segundos/seis muestras, muestra aislada, huecos, pageout ausente, scanner inactivo, techo finito, recuperación breve/estable, fallo de muestreo sin reset, reemplazo parcial de PID desaparecido, publicación antes del retorno y mutex de caché ocupado. Recorrido nativo con I/O simulado: tres slices con cursor conservado, EOF incompleto y siguiente recorrido completo. El presupuesto del scanner no puede interrumpir una syscall kernel bloqueada.

Contexto conservado de v1.0.9:

Revisión diagnóstica de SIGKILL enviado con 709–1785 ms de latencia y bloqueos ambiguos de refresco. Se separan apertura ctl/preparación/write/total y causas de bloqueo sin modificar decisiones. AUDIT_PCKILL_LATENCY_2026_09_28.md documenta la espera pr_wait_die hallada upstream y los límites de atribución en producción. No se afirma haber confirmado la revisión de kernel del nodo ni causalidad LX/ZFS. Se conservan como regresiones los incidentes anteriores:

FLOOR486 de v1.0.7: free=486, nscan=1548386, validación 1283,513 ms, acción failed errno=11 y recuperación posterior con el candidato aún vivo. No hubo panic en esa traza. El logger aisló escrituras de hasta 6655 ms: PASS real del aislamiento de v1.0.7. La auditoría descubre write(PCKILL), cancelación EAGAIN previa a la syscall y timestamps de intento rellenados por el llamador; no permite atribuir el errno histórico a una operación concreta. Informe: INCIDENT_FLOOR_KILL_FAILED_2026_09_23.md.

Se conserva como regresión el incidente anterior:

panic32 terminó en pageout_deadman con freemem=424. El guard había resuelto dos emergencias, pero en una tercera transcurrieron unos 145 s entre la decisión SIGKILL y signal_sent. Después hubo recuperación parcial, recaída, caché con unos 167 s de edad, no_valid_cached_candidate y panic. Está confirmado el stall; no está confirmado si lo causó syslog, guard.log u otra syscall. Véase INCIDENT_PAGEOUT_DEADMAN_PANIC32_2026_09_22.md.

Propiedades implementadas

  1. Una acción real ejecuta validación puntual, señal, counters en memoria y sólo después enqueue de eventos. No hay log, syslog, rotación ni scan antes de la señal.
  2. El logger consume un ring fijo de 512 eventos. El productor usa trylock y descarta antes que esperar; dropped_events queda informado posteriormente.
  3. Guard log, rotación y syslog sólo ocurren en el worker. Sus stalls no detienen muestras ni nuevas acciones.
  4. El scanner /proc es otro worker. El hilo de muestreo solicita trabajo sin esperar y combina supervivientes con candidatos parciales publicados.
  5. La caché global contiene 16 candidatos; el log sigue mostrando top-3.
  6. CRITICAL/EMERGENCY/FLOOR pueden revalidar caché antigua mediante PID, inicio, UUID, generación, zona allow, nombre y protecciones. La fuente se registra como stale_cache_revalidated.
  7. La caché sobrevive EMERGENCY → RECOVERY → EMERGENCY hasta un scan sano.
  8. Se instrumentan validación, entrada/retorno de PCKILL, dispatch, syscall, enqueue, guard log y syslog mediante reloj monotónico.
  9. logging_stall se produce después de recuperar el worker; nunca se registra recursivamente desde la ruta de señal.
  10. Preparación única en 16 trabajadores, presupuesto 250/100/50 ms y fallback. No se duplica una solicitud por identidad atascada. El pool lleno devuelve EBUSY; no crea más hilos. Los trabajadores esperan en semáforos, sin polling continuo en reposo. El hilo de rescate nunca espera su terminación.
  11. Una preparación expirada no puede señalar; sólo rescate llama a dispatch. Se descarta el resultado tardío y se cierra el descriptor fuera de rescate.
  12. write → captura inmediata de errno → reloj. Retorno real en bytes, nombre, attempted y syscall explícitos. Rechazos de validación no simulan un intento.
  13. Instrumentación por subpasos y freemem aislado por trabajador, sin un segundo recorrido de identidad ni refresco ARC/swap/CPU previo a la escritura.

Pruebas ejecutadas

Total: 1267 comprobaciones C (369 + 801 + 70 + 27), más contrato de distribución, análisis estático, shell, XML y checksums. No equivale a prueba nativa SMF/ABI: se usan sketches de API e I/O simulado en Linux.

  • Política: 369 comprobaciones; incluye los fixtures previos y no enlaza backend.
  • Runtime simulado: 801 comprobaciones; ninguna señal nativa.
  • Preparación concurrente/dispatch: 70 comprobaciones. Espera real inyectada de 1283 ms; abandono con presupuesto de 50 ms, fallback a otro trabajador, descarte tardío, deduplicación, saturación y recuperación del pool. Tolerancias del test local: abandono <150 ms y fallback completado <200 ms, muy inferiores a 1 s; el presupuesto programado sigue siendo 50 ms. No es garantía de tiempo real.
  • Código nativo de preparación/recorrido con I/O simulado: 27 comprobaciones de PID/start, generación, protect, errno, memoria recuperada, subpasos y dry-run sin ctl.
  • Código real de dispatch con write simulado: éxito, ESRCH, EPERM, EINVAL, EAGAIN, errno previo EAGAIN/ENOMEM, reloj que altera errno y escritura parcial.
  • Fixture floor_free_pages_486_2026_09_23: NORMAL→EMERGENCY/FLOOR y recuperación; timeout rank1 → rank2, rechazo sin syscall y resultados sin errno heredado.
  • Fixture recovery/failure: una víctima floor, recuperación y supresión de segunda señal; después fallo de refresco. Validación de errno, muestra caducada, igualdad con desfree y valores de memoria conocidos frente a muestra parcial inválida.
  • Cinco latencias SIGKILL reproducidas con reloj simulado; TERM rápido, TERM lento y frontera estricta de 100 ms para signal_dispatch_slow.
  • Dispatch real con write simulado demorado 10/80 ms: separación temporal y total=prepare+write; apertura ctl medida por separado del resto de /proc.
  • Fixture panic32_daemon_stall_2026_09_22: conserva el intervalo de 145 s.
  • Logger/syslog detenidos 180 s: TERM y SIGKILL se solicitan sin esperar y el tiempo real de cada llamada a act() queda por debajo de 100 ms.
  • Guard log no disponible y cola mutex ocupada: la señal ocurre y la telemetría se descarta.
  • Scanner detenido/incompleto: no aparece ningún platform_walk() en rescate.
  • Caché de 180 s: se revalida y registra como stale_cache_revalidated.
  • 16 candidatos con scan inutilizable: 8 víctimas EMERGENCY (TERM+KILL) y 12 víctimas floor (KILL directo), respetando budgets, identidad y protecciones.
  • Regresiones de ranking global, fallback, PID reuse, dry-run, syslog selectivo, swap/pageout y máquina monotónica.
  • ASan + UBSan con ASAN_OPTIONS=detect_leaks=0; LeakSanitizer no funciona bajo el ptrace del entorno y no se atribuye comprobación de fugas.
  • C99 estricto, warnings como errores y pthread; GCC -fanalyzer por unidad.
  • sh -n para instalador/prueba de distribución y XML con xmllint --nonet.
  • Checksums SHA-256 del árbol source-only y verificación desde paquete extraído.

Los resultados se conservan en logs/policy-tests.log, logs/runtime-tests.log, logs/validation-tests.log, logs/prepare-tests.log, logs/sanitizers.log, logs/portability.log y logs/distribution-tests.log.

Políticas no modificadas

PRE_SECONDS 1
PRESSURE_SECONDS 2
CRITICAL_SECONDS 2
CRITICAL_TERM_GRACE_SECONDS 5
EMERGENCY_TERM_GRACE_SECONDS 1
FLOOR_KILL_DELAY_SECONDS 0
MAX_VICTIMS_EPISODE 4
MAX_EMERGENCY_VICTIMS_EPISODE 8
MAX_FLOOR_VICTIMS_EPISODE 12
armed_warmup 60
SYSLOG_FACILITY local5

Tampoco cambian score/ranking global, reglas UUID, procesos protegidos ni semántica monotónica de sampling_overrun.

Validación nativa pendiente — NO GO para despliegue

  1. Compilar y ejecutar toda la suite con headers/ABI SmartOS nativos.
  2. Confirmar pthreads, semáforos, los 16 contextos kstat y consumo de memoria en SMF.
  3. En laboratorio desechable, bloquear por separado destino de guard.log y receptor local5 mientras se generan decisiones simuladas/controladas.
  4. Confirmar que decision_mono → kill_attempt_mono permanece varios órdenes por debajo de 90 s y revisar kill_latency_ms por separado.
  5. Bloquear o ralentizar /proc y verificar que muestras/acciones continúan con la caché publicada, sin carreras en la enumeración nativa.
  6. Validar 8/12 candidatos reales, protecciones, supervisores y recuperación.
  7. Revisar logging_queue_drop, logging_delivery y logging_stall bajo carga.
  8. Inyectar lecturas lentas por subpaso y comprobar abandono, descarte tardío, recuperación y saturación del pool. Verificar semántica nativa O_NONBLOCK/ctl.
  9. Medir entry/return de write, pr_wait_die, locks y off-CPU en la revisión nativa correspondiente para atribuir los 0,7–1,8 s; no se ejecutó en esta entrega.
  10. Mantener dry-run hasta revisión humana explícita. v1.0.11 no se considera apta para producción sólo por superar las pruebas portables.

Límites

La espera de validación tiene deadline monotónico, pero una desprogramación del hilo puede excederlo; el resultado expirado no se autoriza. La syscall atascada puede continuar en un trabajador sin poder enviar señales. El muestreo general y PCKILL siguen dependiendo del kernel y no tienen garantía temporal absoluta. No se emplea la misma promesa para espera, syscall y scheduling. La cola puede perder logs deliberadamente. Los workers bloqueados sólo se recuperan cuando la syscall subyacente retorna; el proceso no espera por ellos al rescatar ni al salir. RSS no equivale a memoria exclusiva recuperable. El guard reduce riesgo, no garantiza evitar pageout_deadman.