系统函数dlopen()被劫持导致symbol找不到的问题记录

问题现象

我们实现了一个名叫libilvrfplugin.so的lib，该lib链接了libiubsntconflib.so, 而libiubsntconflib.so 又链接了libipconflib.so, libipconflib.so里面实现了一个方法check_vrf_r()用于检查VRF的合法性。
简单点来说，A lib链接了B lib，而B lib又链接了C lib，C lib实现了方法check_vrf_r().

某些场景下，系统会动态加载A lib, 但是A lib根本没用到方法check_vrf_r()。注意这里是动态加载的lib库，也就是lib的使用方运行时会使用dlopen()加载该lib。
在新发布的版本里，我们发现该lib竟然没起做用，好像该lib 根本就不存在一样。

我们在syslog里找到下面一条log：

Apr 17 15:46:27.718075 info CFPU-0 Validator: CPluginManager : Unable to load plugin libilvrfplugin.so Error:/opt/nokiasiemens/lib64/libiubsntconflib.so: undefined symbol: check_vrf_r

从syslog 里可以看出动态加载libilvrfplugin.so（也就是 A lib）时失败，原因是找不到符号check_vrf_r。

疑惑一：这几个lib在上一个版本里工作正常，当前版本里没有任何改动，为什么会出错呢？
疑惑二：libilvrfplugin.so 中根本没用到符号check_vrf_r，为什么会报找不到符号呢？

查找问题
根据syslog里的线索，定位到出事的代码：

...
lib_handle=dlopen(ep[count]->d_name,RTLD_LAZY);
if(!lib_handle)
{
    error = dlerror();
    TRACER(TRC_INFO)<<"CPluginManager : Unable to load plugin "
                    <<ep[count]->d_name << " Error:"<<error<<std::endl;
    free(ep[count]);
    continue;
} // if
...

这里使用dlopen()来加载动态链接库，并设置flag为RTLD_LAZY，该flag控制了dlopen()加载lib时的解析方式，加载时不解析未定义的符号。本例中符号check_vrf_r就属于找不到定义的符号（因为A 库只是通过相应的include把符号包含了进来）。
顺便说一句，dlopen()还有一种解析方式是RTLD_NOW，这就要求所有的符号都需要解析到地址，不管该符号有没有用到。

但是本例中dlopen()解析方式是正确的，我们期望不去解析符号check_vrf_r，可是为什么还是去解析了呢？

原因可能是glibc的实现有变，有个bug也说不准，还有可能是哪里改变了dlopen的实现。顺便说一句由于C语言没有命名空间的概念，所以你可以定义一个与系统函数同名的函数以覆盖系统函数，大多数情况应该避免这么做。

经查glibc在我们发布的两个版本中没有变化，那么很可能是哪里改变了或影响了dlopen()。不得已，只能去翻看我们这个版本中所有代码变化。

我们惊奇的发现，在某个脚本里新增了这么一行代码：

export LD_PRELOAD=/opt/nokiasiemens/SS_FConfigure/lib/libdlopeninterceptor.so

从字面意义上看跟dlopen有关，"dlopen劫持者"，好霸气的名字！接着看这个代码会起什么作用。
这里export了环境变量LD_PRELOAD，该环境变量声明了应用程序加载前优先加载的动态链接库，换句话说如果这里的动态链接库实现了与系统函数同名的函数的话，那么将覆盖系统函数。

怀着激动的心情查看该动态lib的实现：

#include <dlfcn.h>
#include <syslog.h>
#include <stdlib.h>
#ifdef __cplusplus__
extern "C" {
#endif


typedef void* (*dlopen_func_t)(const char* filename, int flag);


static dlopen_func_t _glibc_dlopen = NULL;
void* dlopen(const char* filename, int flag)
{
    int realflag = flag;
    if (NULL == _glibc_dlopen) {
        _glibc_dlopen = (dlopen_func_t)dlsym(RTLD_NEXT, "dlopen");
        if (NULL == _glibc_dlopen) {
            syslog(LOG_CRIT, "dlopeninterceptor:Failed to resolve dlopen, got error:%s", dlerror());
            return NULL;
        }
    }


    if (realflag & RTLD_LAZY) {
        realflag = realflag & ~RTLD_LAZY;
        realflag = realflag | RTLD_NOW;
        syslog(LOG_DEBUG, "dlopeninterceptor:Changing dlopen flag from to %d to %d when opening %s", flag, realflag, filename);
    }


    return _glibc_dlopen(filename, realflag);
}


#ifdef __cplusplus__
}
#endif

惊奇的发现该Lib确实重写了dlopen(), 如果dlopen()指定的flag时RTLD_LAZY将强制转换成RTLD_NOW。找到root cause了，松一口气。

最后
查找到root cause后就简单了，给相应的组织或部门报个issue，将你的分析结果放上去就OK了，问题很快就解决了。后来听说是某个同事误操作在脚本中加了一行代码让dlopen()劫持者生效了。

类似这样的问题，root cause是很简单的，去fix花费的effort也不大。稍有困难的是如何在庞杂的系统中逐步定位问题，而且需要去查看整个系统的代码实现，由于对系统其他模块的不熟悉，必要时还需要给矛支持。感谢在此过程中给予支持的同事，也很欣慰公司有种很好的机制或氛围，让你在必要时都能得到给力的support。