初识Linux · 地址空间

前言：

代码现象

快速理解该现象

理解部分细节问题

细节1 拷贝和独立性

细节2 如何理解地址空间

细节3 为什么存在地址空间

细节4 如何进一步理解页表和写时拷贝

前言：

本文介绍的是有关地址空间，咱们的介绍的大体思路是，先直接看现象，通过现象我们引入地址空间的概念，然后是简单的介绍地址空间，如何理解地址空间等，在往后的学习中，我们大概会介绍地址空间3 - 4次，因为地址空间有很多内容一次性还介绍不完，并且在本文中，我们能够理解之前颠覆代码三观的函数——fork()，现在就进入正题。

代码现象

目前我们对于地址空间没有明确的概念，所以先来看这样一段代码：

#include <stdio.h>
#include <stdlib.h>
#include <unistd.h>
#include<sys/types.h>int g_val =100;
int main()
{pid_t id = fork();if(id == 0){int count = 1;while(count){printf("g_val is %d,&g_val = %p\n",g_val,&g_val);sleep(1);if(count == 5)g_val = 200;count++;}}else{while(1){printf("g_val is %d,&g_val = %p\n",g_val,&g_val);sleep(1);}}return 0;
}

代码的意思是，我们创建一个父进程之后，在父进程里面创建一个子进程，子进程要完成的工作是打印g_val和它的地址，当count到5的时候就修改g_val，但是后续还是要一直打印，父进程要做的工作就是一直打印g_val和g_val的地址。

现象如下：

打印5秒之后，g_val的值如愿以偿的被修改了，此时让父进程打印的时候，我们发现一个怪事，打印的时候为什么父进程中的g_val没有变化呢？我们在进程部分知道父进程的数据是和子进程共享的，但是此时，父进程的数据被子进程修改了，父进程居然无动于衷？

现在的现象就是：一个变量，地址没有变化，但是拥有两个不同的值。

我们一会儿要理解的就是该现象，该现象理解了之后，我们同时就能理解fork函数的返回值是怎么回事了。

快速理解该现象

我们如果想要快速理解该现象，就需要引入两个概念，一个是物理内存，一个是虚拟内存。

物理内存很好理解，即我们平常买的，比如三星SSD 990Pro内存条，就是物理内存，数据是实打实的在里面加载了的，但是虚拟内存是怎么回事呢？

我们平常写下的对某个对象取地址，本质上都是在虚拟内存层面上进行操作，并不是在物理内存上，那么上面代码写的，&g_val本质上就是个虚拟地址！

那么虚拟地址(内存)如何和物理地址(内存)进行联系呢？

这里就需要引出地址空间的概念了，这是地址空间的形象图，我们在语言学习阶段，最多涉及到的只有malloc空间在堆上，局部变量在栈上等概念，我们没有系统的学习，这里我们会深入一点点，为什么存在地址空间？地址空间是什么？有什么用？这是我们需要知道的。

我们最开始的问题是，虚拟内存如何和物理内存进行联系的，这个过程有地址空间的一份功劳，我们从名字来看，地址空间，地址，空间，容易想到这是一块空间，空间里面充满了地址这种描述，实际上确实是这样的，地址空间在源码中的名字叫做mm_struct，更深层次的我们不追究，而我们最开始说的，task_struct，mm_struct是嵌套在里面的。

通过我们刚才的描述，mm_struct里面充满了地址，那么是谁的地址呢？

由图我们知道，由堆区的地址，栈的地址，初始化数据的地址等，但是同时，不是所有的地址我们都是可以访问的，像内核空间的地址，我们知道，但是是无法访问的。一个空间里面充满了地址，可以用什么变量表示呢？结构体对吧！

所以地址空间本质上就是结构体，进程通过地址空间的所有地址来找到物理内存中对应的数据。

那么问题又来了，里面不是都存的虚拟地址吗，怎么通过虚拟地址来找物理地址呢？

这时候，页表就该引入了。

页表，最直观的就是：

最最最简单的页表就是这样，每一行的元素存在映射关系，既然是提到了映射关系，相信不少同学都明白了，映射嘛，左边是虚拟地址，右边是物理地址，这就是OS通过页表，地址空间等，链接了虚拟内存和物理内存的方法。

当然了，页表还有许多没有介绍的，在后续文章中会介绍的。

现在就得出结论：虚拟内存和物理内存的联系是通过页表，地址空间，从地址空间得到虚拟内存，在页表存在虚拟内存和物理内存的映射的关系来找到对应的数据，这是OS中找数据的方法。

现在只是知道了找数据，但是我们不清楚了找数据之后，为什么同样的地址会有两份结果，那么虚拟地址都是一样的，映射关系可以不一样吗？

大体图就是这样，父进程和子进程得到的虚拟地址是一样的，但是呢，当子进程对父进程中的某个数据发生了修改，此时就会发生写时拷贝，即在物理内存层面拷贝一个该数据，子进程指向该数据即可。

以上是对文章开头代码的简单理解。

理解部分细节问题

细节1 拷贝和独立性

我们重新理解一下，什么是进程的独立性？

从上文代码可以看出来，我们虽然在父进程里面创建了一个子进程，但是数据在物理内存中却不是同一个，通过写时拷贝再次印证了进程的独立性问题。

既然子进程修改父进程中的数据，会导致发生写时拷贝，那么在物理内存层面，为什么不全部拷贝一份呢？

在C++的类和对象中，存在按需实例化的语法，在OS层面上也是同理，从按需实例化的角度来看，子进程需要使用到父进程中的什么数据，如果发生了改变才会有写时拷贝，从地址空间的角度来看，地址空间的内核部分，是用户层面无法调用的，所以没有必要发生拷贝复制，所以按需实例化的方式，成功的可以节省一定的空间。

细节2 如何理解地址空间

在小学的时候，我们和同桌不妨都有过三八线的经历，这个动作的本质就是在划分区域，划分区域涉及到的对象有自己拥有的区域，桌子这一整个对象，所以这个动作可以分为，A拥有自己的空间，B拥有自己的空间，所有空间加起来就是桌面的大小。

那么我们不妨将桌面的整个空间理解为OS内核，里面存在的所有地址空间，都是一个一个的结构体，那么为了区域划分，结构体里面肯定是需要不同的变量来表示区域的开始结束的，在地址空间这里，我们不妨简单看一下源码：

struct mm_struct {struct vm_area_struct * mmap;		/* list of VMAs，指向线性区对象的链表头部 */struct rb_root mm_rb;                   /* 指向线性区对象的红黑树*/struct vm_area_struct * mmap_cache;	/* last find_vma result 指向最近找到的虚拟区间 */
#ifdef CONFIG_MMU /*用来在进程地址空间中搜索有效的进程地址空间的函数*/unsigned long (*get_unmapped_area) (struct file *filp,unsigned long addr, unsigned long len,unsigned long pgoff, unsigned long flags);
/*释放线性区的调用方法*/void (*unmap_area) (struct mm_struct *mm, unsigned long addr);
#endifunsigned long mmap_base;		/* base of mmap area ，内存映射区的基地址*/unsigned long task_size;		/* size of task vm space */unsigned long cached_hole_size; 	/* if non-zero, the largest hole below free_area_cache */unsigned long free_area_cache;		/* first hole of size cached_hole_size or larger */pgd_t * pgd;                            /* 页表目录指针*/atomic_t mm_users;			/* How many users with user space?，共享进程的个数 */atomic_t mm_count;			/* How many references to "struct mm_struct" (users count as 1)，主使用计数器，采用引用计数，描述有多少指针指向当前的mm_struct */int map_count;				/* number of VMAs ,线性区个数*/struct rw_semaphore mmap_sem;spinlock_t page_table_lock;		/* Protects page tables and some counters，保护页表和引用计数的锁 （使用的自旋锁）*/struct list_head mmlist;		/* List of maybe swapped mm's.	These are globally strung* together off init_mm.mmlist, and are protected* by mmlist_lock*/unsigned long hiwater_rss;	/* High-watermark of RSS usage,进程拥有的最大页表数目 */unsigned long hiwater_vm;	/* High-water virtual memory usage ,进程线性区的最大页表数目*/unsigned long total_vm, locked_vm, shared_vm, exec_vm;unsigned long stack_vm, reserved_vm, def_flags, nr_ptes;unsigned long start_code, end_code, start_data, end_data;     /*维护代码区和数据区的字段*/unsigned long start_brk, brk, start_stack;       /*维护堆区和栈区的字段*/unsigned long arg_start, arg_end, env_start, env_end;  /*命令行参数的起始地址和尾地址，环境变量的起始地址和尾地址*/unsigned long saved_auxv[AT_VECTOR_SIZE]; /* for /proc/PID/auxv *//** Special counters, in some configurations protected by the* page_table_lock, in other configurations by being atomic.*/struct mm_rss_stat rss_stat;struct linux_binfmt *binfmt;cpumask_t cpu_vm_mask;/* Architecture-specific MM context */mm_context_t context;/* Swap token stuff *//** Last value of global fault stamp as seen by this process.* In other words, this value gives an indication of how long* it has been since this task got the token.* Look at mm/thrash.c*/unsigned int faultstamp;unsigned int token_priority;unsigned int last_interval;unsigned long flags; /* Must use atomic bitops to access the bits */struct core_state *core_state; /* coredumping support */
#ifdef CONFIG_AIOspinlock_t		ioctx_lock;struct hlist_head	ioctx_list;
#endif
#ifdef CONFIG_MM_OWNER/** "owner" points to a task that is regarded as the canonical* user/owner of this mm. All of the following must be true in* order for it to be changed:** current == mm->owner* current->mm != mm* new_owner->mm == mm* new_owner->alloc_lock is held*/struct task_struct *owner;
#endif#ifdef CONFIG_PROC_FS/* store ref to file /proc/<pid>/exe symlink points to */struct file *exe_file;unsigned long num_exe_file_vmas;
#endif
#ifdef CONFIG_MMU_NOTIFIERstruct mmu_notifier_mm *mmu_notifier_mm;
#endif
};

里面存在的字段，如start_code等，都是地址空间里面不同区域的划分。

这里我们可以得出结论，地址空间本质就是内核中的一个一个的结构体，每个进程都拥有自己的地址空间。

细节3 为什么存在地址空间

结合细节2，我们以大富翁的概念来结束进程的理解，大富翁的总资产是10亿，对于不同的孩子，他都是说我有10亿，你们看着要就行，但是大富翁肯定是会给儿女不同的零花钱什么的。这里面，大富翁就是OS，地址空间就是零花钱，不同的儿女对应不同的进程。

那么为什么存在地址空间呢？它存在的意义是什么？

从内存层面上来讲，如何程序直接在物理内存上开辟空间，那必然是杂乱无章，因为哪里有空间就开在哪里，操作系统管理起来就十分麻烦，这是无序的，有了地址空间这个结构，地址空间里面存储的都是进程里面的地址信息，那么集合管理在一个结构体里面，从有序的角度去看待地址，而非在物理内存里面无序的查找。所以地址空间可以让无需变成有序。

从管理内存和进程的角度来看，地址空间的存在可以让进程管理模块和进程管理模块解耦，如果没有地址空间，那么进程是直接链接在物理内存上的，那么进程里面申请了一个变量，在物理内存上就一定会申请空间，势必空间会不太够用，但是有地址空间，即便申请了，但是没有用，页表那里甚至可以先不映射，如果使用了，再映射即可。所以管理进程和内存，可以通过页表来解耦，而不是直接让进程和内存完全绑定在一起。

从安全问题上来看，我们之前写代码的时候，如果出现了非法请求，比如野指针访问，进程就会被直接杀死，这是因为地址空间已经划分好了空间，如果访问的地址超过了这个空间，就是非法访问，OS层面检测出越界，肯定就直接杀死该进程了。这是一种对物理内存的保护，再比如，一对父子，子如果直接拥有钱，自由支配，不免的会买不利于成长的玩具，但是父如果作为中间商，对钱进行管理，子想要买，必须通过父这一层，此时，子想买扑克牌，父制止，这个就是对非法请求的拦截，也是保护了整个内存的运作。

细节4 如何进一步理解页表和写时拷贝

我们看一段简单的代码：

const char* str = "abcdefg";
str = 'A';

为什么str不能被修改呢？我们知道它是const类型的。

但是为什么const类型就不能被修改呢？因为在页表里面还存在数据的权限，rwx。

对于str来说，是只读的，所以对应的权限是r，代码一般也是只读的。所以即便页表对应到了该数据，但是页表中记录的权限仍然是r，没有w，那么它就无法写。

对于页表中是如何映射的我们先不管，里面涉及到了cpu中的CR3和MMU，后面详细介绍。

当OS在页表中查找数据时，如果没有该数据，就会发生缺页中断，如果数据需要写时拷贝，就会发生写时拷贝，对于数据，如果上面的两种情况都不满足，才会引入异常。

这里对于虚拟地址也带一嘴，虚拟地址哪里来的呢？为什么地址空间一来就有地址呢？这是因为程序本身就有地址，我们使用指令：objdump -S 可执行文件名

0000000000001000 <_init>:1000:	f3 0f 1e fa          	endbr64 1004:	48 83 ec 08          	sub    $0x8,%rsp1008:	48 8b 05 d9 2f 00 00 	mov    0x2fd9(%rip),%rax        # 3fe8 <__gmon_start__@Base>100f:	48 85 c0             	test   %rax,%rax1012:	74 02                	je     1016 <_init+0x16>1014:	ff d0                	call   *%rax1016:	48 83 c4 08          	add    $0x8,%rsp101a:	c3                   	ret    Disassembly of section .plt:0000000000001020 <.plt>:1020:	ff 35 8a 2f 00 00    	push   0x2f8a(%rip)        # 3fb0 <_GLOBAL_OFFSET_TABLE_+0x8>1026:	f2 ff 25 8b 2f 00 00 	bnd jmp *0x2f8b(%rip)        # 3fb8 <_GLOBAL_OFFSET_TABLE_+0x10>102d:	0f 1f 00             	nopl   (%rax)1030:	f3 0f 1e fa          	endbr64 1034:	68 00 00 00 00       	push   $0x01039:	f2 e9 e1 ff ff ff    	bnd jmp 1020 <_init+0x20>103f:	90                   	nop1040:	f3 0f 1e fa          	endbr64 1044:	68 01 00 00 00       	push   $0x11049:	f2 e9 d1 ff ff ff    	bnd jmp 1020 <_init+0x20>104f:	90                   	nop1050:	f3 0f 1e fa          	endbr64 1054:	68 02 00 00 00       	push   $0x21059:	f2 e9 c1 ff ff ff    	bnd jmp 1020 <_init+0x20>105f:	90                   	nopDisassembly of section .plt.got:0000000000001060 <__cxa_finalize@plt>:1060:	f3 0f 1e fa          	endbr64 1064:	f2 ff 25 8d 2f 00 00 	bnd jmp *0x2f8d(%rip)        # 3ff8 <__cxa_finalize@GLIBC_2.2.5>106b:	0f 1f 44 00 00       	nopl   0x0(%rax,%rax,1)Disassembly of section .plt.sec:0000000000001070 <printf@plt>:1070:	f3 0f 1e fa          	endbr64 1074:	f2 ff 25 45 2f 00 00 	bnd jmp *0x2f45(%rip)        # 3fc0 <printf@GLIBC_2.2.5>107b:	0f 1f 44 00 00       	nopl   0x0(%rax,%rax,1)0000000000001080 <sleep@plt>:1080:	f3 0f 1e fa          	endbr64 1084:	f2 ff 25 3d 2f 00 00 	bnd jmp *0x2f3d(%rip)        # 3fc8 <sleep@GLIBC_2.2.5>108b:	0f 1f 44 00 00       	nopl   0x0(%rax,%rax,1)0000000000001090 <fork@plt>:1090:	f3 0f 1e fa          	endbr64 1094:	f2 ff 25 35 2f 00 00 	bnd jmp *0x2f35(%rip)        # 3fd0 <fork@GLIBC_2.2.5>109b:	0f 1f 44 00 00       	nopl   0x0(%rax,%rax,1)Disassembly of section .text:

就可以看到对应的程序地址了，当然，了解即可。

地址空间到这里就粗略的收场了，后面会介绍的。

再回归到最开始的问题，为什么fork的返回值会有“两个”，你理解了吗？

感谢阅读！