Azure-kernel heeft een bug die sommige servers verlamt

Blog  — di. 17 nov. 2026

Recent viel ons op dat er een probleem zit in een Azure-kernel die bijvoorbeeld standaard wordt meegeleverd met een gloednieuwe Ubuntu Server LTS VM-image. Verrassend.

De symptomen: een server (VM) wordt op bepaalde momenten gedeeltelijk onbereikbaar. Dat kan zich uiten in het niet meer kunnen bereiken van de server via de domeinnaam, maar ook via SSH.

De server crasht niet volledig. Het Azure Portal laat bovendien zien dat de VM nog gewoon draait. Toch kunnen één of meerdere vhosts onbereikbaar worden, evenals SSH. De VM lijkt dus actief, maar is in de praktijk niet meer betrouwbaar te gebruiken.

Uit de logging bleek dat er iets misging op kernel-niveau. Een van de meldingen was:

kernel: #PF: error_code(0x0000) - not-present page

Na verder onderzoek viel vooral de volgende regel op:

RIP: strlen+0x0/0x30

In combinatie met de overige meldingen ontstond het volgende beeld:

#PF: supervisor read access in kernel mode
#PF: error_code(0x0000) - not-present page
CR2: 0000000100000000

Maar waarom probeert de kernel een geheugenadres uit te lezen dat niet beschikbaar is? Dat bleek een interessante samenloop van omstandigheden.

In de logging stonden namelijk ook de volgende meldingen:

Data path switched from VF: enP28525s1
VF unregistering: enP28525s1
BUG: unable to handle page fault
Workqueue: hv_pci_6f6d hv_eject_device_work
note: kworker/u64:0 exited with irqs disabled

Dat bleek er in dit geval op te wijzen dat een Mellanox Virtual Function (VF) werd losgekoppeld en uit de kernel werd verwijderd. Dat gebeurt via het Azure PCI-mechanisme, waarbij de workqueue hv_pci de verwijdering afhandelt.

Ons vermoeden is dat dit samenhangt met werkzaamheden aan de Azure-infrastructuur, bijvoorbeeld onderhoud of een live migration waarbij de virtuele netwerkinterface wordt gewijzigd. De logging laat in ieder geval zien dat de VF wordt uitgeschreven, waarna een kernel page fault optreedt tijdens het verwerken van die verwijdering.

De page fault ontstaat bij een read-operatie vanuit kernel mode, waarbij de uitvoering op strlen uitkomt. Kennelijk wordt daarbij een ongeldig geheugenadres benaderd. Het resultaat is een kernel-fout in de worker die het verwijderen van het PCI-device afhandelt. De melding dat de worker eindigt met interrupts uitgeschakeld maakt de situatie extra zorgelijk.

Het gevolg?

Het gevolg is dat de VM niet noodzakelijk volledig crasht, maar wel essentiële functionaliteit kan verliezen. Voor een productieomgeving is dat uiteraard onacceptabel.

We blijken overigens niet de enigen te zijn die dit probleem hebben geconstateerd. Ook op de Ubuntu-bugtracker en mailinglijsten zijn meldingen terug te vinden:

https://mail-archive.com/ubuntu-bugs%40lists.ubuntu.com/msg6329890.html

https://mid.mail-archive.com/ubuntu-bugs%40lists.ubuntu.com/msg6327362.html

Maar je vraagt je dan toch af hoe een grote organisatie als Microsoft het voor elkaar krijgt om een Azure-kernel in een VM-image aan te bieden die onder bepaalde omstandigheden, tijdens het afhandelen van een wijziging aan de virtuele hardware, een kernel-fout veroorzaakt. Met als mogelijk gevolg dat de server voor de eindklant onbruikbaar wordt.

In dit geval is alles op de server up-to-date, inclusief het besturingssysteem. Er is op dit moment echter geen nieuwere kernel beschikbaar via de Azure-kernelupdates. linux-azure 7.0.0-1017 is de meest recente versie die we voor deze configuratie beschikbaar hebben.

Dat betekent dat het probleem op dit moment nog speelt voor deze configuratie en dat een reguliere update geen oplossing biedt.

De tijdelijke oplossing

Wat voor nu de oplossing lijkt te zijn, is Accelerated Networking uitschakelen. Daarmee wordt voorkomen dat de VM gebruikmaakt van de betreffende SR-IOV-netwerkfunctionaliteit en de bijbehorende Virtual Functions.

Vervolgens is het wachten op een kernelpatch die het probleem daadwerkelijk verhelpt. Zodra die beschikbaar is, kan Accelerated Networking mogelijk weer worden ingeschakeld. Uiteraard is het verstandig om dat eerst gecontroleerd te testen.

Het blijft bijzonder dat een probleem als dit door QA heen is gekomen, zeker gezien het feit dat het gaat om een door Microsoft aangeboden Azure-configuratie in combinatie met een populaire Ubuntu Server-image.

We zouden Microsoft hier graag even over mailen, maar Microsoft 364 lag plat. Sorry. Flauw.