1. 從一次線上故障說起被忽略的浮點數(shù)“幽靈”去年我們團隊負責的一個實時風控系統(tǒng)在凌晨三點突然告警。監(jiān)控顯示一個核心的風險評分模塊在計算用戶交易行為的異常概率時開始間歇性地返回NaNNot a Number。這個概率值會直接影響到后續(xù)的攔截決策NaN的出現(xiàn)導致部分正常交易被誤判為高風險而攔截引發(fā)了用戶投訴。經(jīng)過緊張的排查問題最終定位到一段看似“安全”的代碼上。為了計算一個綜合評分開發(fā)同學寫了類似這樣的邏輯def calculate_risk_score(amount, frequency, avg_amount): # 假設這里有一些復雜的業(yè)務邏輯... intermediate_value (amount - avg_amount) / frequency # 后續(xù)基于 intermediate_value 進行更多計算 final_score some_complex_function(intermediate_value) return final_score當frequency交易頻率由于數(shù)據(jù)同步延遲在某些邊緣情況下為0時除法運算(amount - avg_amount) / 0并沒有像整數(shù)除法那樣直接拋出ZeroDivisionError在Python中整數(shù)除零會拋異常而是產(chǎn)生了一個特殊的浮點數(shù)值inf無窮大。這個inf在后續(xù)的some_complex_function中經(jīng)過一系列指數(shù)、對數(shù)運算后最終“孵化”成了NaN。這個案例讓我深刻意識到浮點數(shù)的異常處理是安全編程中一個極其隱蔽但又至關重要的角落。它不像空指針、數(shù)組越界那樣直接導致程序崩潰從而引起開發(fā)者的警覺。浮點數(shù)異常如除零、溢出、無效操作往往以inf無窮大、-inf負無窮大或NaN的形式“沉默地”傳播像幽靈一樣滲透到整個計算鏈路中最終在某個意想不到的地方導致邏輯錯誤、數(shù)據(jù)污染甚至安全漏洞例如在基于數(shù)值比較的權限檢查中NaN與任何值包括它自己的比較結果都是False可能繞過檢查。很多人認為現(xiàn)代高級語言已經(jīng)幫我們處理了這些底層細節(jié)。但事實上IEEE 754浮點數(shù)標準定義的特殊值NaN,inf是一把雙刃劍。它保證了計算的連續(xù)性程序不會因為一個浮點異常而崩潰但也把錯誤檢查的責任完全交給了程序員。如果我們不主動去“抓捕”這些幽靈它們就會在系統(tǒng)里一直潛伏下去。因此真正的安全編程實踐要求我們必須像處理空指針、校驗輸入邊界一樣系統(tǒng)化地處理浮點數(shù)運算中的潛在異常。這不僅僅是寫個try-catch那么簡單它涉及到對浮點數(shù)標準的理解、對計算過程的審視以及一套貫穿編碼、測試與監(jiān)控的防御性編程習慣。2. 理解浮點數(shù)異常的“沉默殺手”本質(zhì)要有效處理異常首先得知道敵人是誰以及它如何行動。浮點數(shù)異常的核心特點就是“靜默”和“傳播”這與整數(shù)或常規(guī)異常的“爆炸性”截然不同。2.1 IEEE 754標準下的五種異常類型根據(jù)IEEE 754標準浮點運算可能產(chǎn)生五種類型的異常。關鍵點在于在默認情況下這些異常不會中斷程序執(zhí)行而是產(chǎn)生一個特定的特殊值作為結果無效操作Invalid Operation這是最“嚴重”的異常通常發(fā)生在數(shù)學上無定義的操作上。例如對負數(shù)開平方根sqrt(-1.0)計算0.0 / 0.0計算inf - inf任何產(chǎn)生NaN的操作。結果返回一個NaN安靜NaNQNaN。除零Division by Zero當一個有限的非零數(shù)字除以零時觸發(fā)。例如1.0 / 0.0-3.5 / 0.0結果返回inf或-inf符號由被除數(shù)的符號決定。溢出Overflow當計算結果的數(shù)量級太大超出了該浮點格式所能表示的最大有限范圍時觸發(fā)。例如在雙精度浮點數(shù)中嘗試計算1e308 * 10.0。結果根據(jù)舍入模式通常返回有符號的無窮大inf或-inf。下溢Underflow當計算結果的數(shù)量級太小超出了該浮點格式所能表示的最小規(guī)格化正數(shù)范圍時觸發(fā)。為了保留一些精度標準允許以精度損失為代價返回一個非規(guī)格化的數(shù)次正規(guī)數(shù)Denormal Number或零。例如計算1e-310 * 1e-310對于雙精度。結果可能返回一個非規(guī)格化數(shù)或0.0。下溢通常不如其他異常危險但可能暗示算法數(shù)值穩(wěn)定性問題。不精確Inexact當運算結果無法精確地用目標浮點格式表示因此必須進行舍入時觸發(fā)。這幾乎是所有浮點運算的常態(tài)而非例外。例如0.1 0.2在二進制浮點數(shù)中無法精確表示。結果返回舍入后的近似值。單獨來看這個異常通?？梢院雎缘c上述異常結合時需要注意。注意NaN是一個特殊的“毒藥值”。任何涉及NaN的算術運算如NaN 1,NaN * 5或比較運算如NaN 5,NaN NaN其結果仍然是NaN。這就是錯誤的“傳播性”。2.2 為什么靜默處理是危險的靜默處理的設計初衷是為了保證數(shù)值計算的連續(xù)性特別是在科學計算中避免因單個數(shù)據(jù)點的問題導致整個仿真或求解過程中斷。然而在業(yè)務系統(tǒng)、金融交易、游戲邏輯或安全攸關的軟件中這種靜默特性是災難性的邏輯腐蝕一個NaN或inf產(chǎn)生后會污染所有后續(xù)與之相關的計算結果。最終輸出可能是一個看似合理但完全錯誤的數(shù)值或者直接就是NaN導致下游邏輯失敗。隱蔽性程序不會崩潰日志中可能沒有錯誤記錄。問題可能只在特定輸入組合下經(jīng)過復雜計算鏈路后才顯現(xiàn)調(diào)試極其困難。本文開頭的案例正是如此。安全風險這是最容易被忽視的一點?？紤]以下權限檢查代碼# 假設 user_credit 是從不可信數(shù)據(jù)源解析的浮點數(shù) user_credit float(request.get(credit)) # 攻擊者傳入 NaN if user_credit 100.0: # NaN 100.0 的結果是 False grant_premium_access(user_id) else: grant_basic_access(user_id)由于NaN與任何數(shù)值比較都返回False攻擊者通過傳入NaN可能繞過 100.0的檢查意外獲得basic_access甚至如果邏輯是if user_credit 100.0則可能直接獲得premium_access這取決于具體的業(yè)務邏輯。在基于數(shù)值的決策如風控評分、游戲傷害計算、資源分配中這類問題可能導致嚴重的業(yè)務邏輯繞過或平衡性破壞。因此安全編程的第一條軍規(guī)就是絕不能假設浮點運算總是產(chǎn)生一個正常的、可比較的數(shù)值。我們必須主動檢查。3. 主動防御在代碼中捕獲與處理浮點數(shù)異常知道了風險我們就要在代碼中建立防線。根據(jù)不同的場景和編程語言我們有多種策略來應對。3.1 策略一運算后立即檢查最常用、最靈活這是最直接的方法。在每一次可能存在風險的浮點運算后立即使用語言提供的工具函數(shù)檢查結果。Python示例使用math模塊import math def safe_divide(a: float, b: float) - float: if b 0.0: # 業(yè)務邏輯返回0、拋出異常、或返回一個默認值 raise ValueError(Division by zero in safe_divide) # 或者 return 0.0 # 或者 return float(inf) if a 0 else float(-inf) # 明確控制 result a / b # 關鍵檢查即使b不為0結果也可能因溢出等變?yōu)閕nf或nan if math.isinf(result): # 處理無窮大記錄日志、轉換為一個極大值、或拋出異常 logging.warning(fOverflow in division: {a} /  {result}) return float(inf) if result 0 else float(-inf) # 或拋出異常 if math.isnan(result): # 處理NaN這通常是更嚴重的問題如無效操作 raise ValueError(fInvalid operation resulted in NaN: {a} / ) return result # 更通用的安全檢查函數(shù) def validate_float(value: float, context: str ) - float: 驗證浮點數(shù)是否為有效數(shù)值否則拋出含上下文的異常。 if math.isnan(value): raise ValueError(fNaN encountered in context: {context}) if math.isinf(value): # 根據(jù)業(yè)務決定是否允許inf。如果不允許 raise ValueError(fInfinite value encountered in context: {context}) # 如果允許可以記錄日志后原樣返回 # logging.debug(fInf value in {context}: {value}) return value # 在復雜計算中使用 def complex_calculation(x, y, z): try: step1 x * y validate_float(step1, step1 (x*y)) step2 step1 - z validate_float(step2, step2 (step1 - z)) # 假設這里需要開方 if step2 0: raise ValueError(Negative value before sqrt) step3 math.sqrt(step2) validate_float(step3, step3 (sqrt)) final_result 100.0 / step3 final_result validate_float(final_result, final division) return final_result except ValueError as e: # 集中處理可以記錄更詳細的現(xiàn)場信息并返回一個安全默認值或向上拋出 logging.error(fFloat validation failed in complex_calculation: {e}, inputs: x{x}, y{y}, z{z}) return 0.0 # 或 np.nan 或拋出自定義業(yè)務異常C/C示例使用cmath宏C/C中你可以使用isnan(),isinf()宏C99/C11標準或std::isnan(),std::isinf()函數(shù)。#include cmath #include stdexcept double safe_divide(double a, double b) { if (b 0.0) { throw std::invalid_argument(Division by zero); } double result a / b; if (std::isinf(result)) { // 處理溢出或除零當a不為0且b為0時前面已攔截。此處可能是溢出 throw std::overflow_error(Floating point overflow in division); } if (std::isnan(result)) { throw std::domain_error(Invalid operation (NaN) in division); } return result; }Java示例使用Double類public static double safeDivide(double a, double b) { if (b 0.0) { throw new IllegalArgumentException(Division by zero); } double result a / b; if (Double.isInfinite(result)) { throw new ArithmeticException(Floating point overflow or division by zero); } if (Double.isNaN(result)) { throw new ArithmeticException(Invalid operation resulted in NaN); } return result; }實操心得不要依賴x NaN的判斷在所有語言中NaN NaN都返回False。必須使用isnan()函數(shù)。檢查順序通常先檢查isinf()再檢查isnan()。因為inf有時可能是可接受的業(yè)務結果例如表示一個極大值而NaN幾乎總是代表錯誤。性能考量在性能敏感的循環(huán)中頻繁檢查可能會有開銷。此時需要權衡或者通過預處理數(shù)據(jù)確保輸入范圍安全或者在循環(huán)外做批量校驗。3.2 策略二啟用浮點異常陷阱部分語言支持有些語言和環(huán)境允許你將浮點異常從“靜默”模式切換到“觸發(fā)信號或異常”模式。這更接近整數(shù)除零的行為能讓錯誤盡早暴露。Python (使用numpy或fpectl模塊)numpy提供了更強大的控制import numpy as np # 保存舊設置 old_settings np.seterr(allraise) # 將所有浮點錯誤轉為拋出 FloatingPointError # old_settings np.seterr(divideraise, invalidraise, overraise, underignore) try: result np.array([1.0, 2.0]) / np.array([0.0, 2.0]) print(result) except FloatingPointError as e: print(fFloating point error caught: {e}) # 在這里進行錯誤處理和恢復 finally: # 恢復舊設置避免影響其他代碼 np.seterr(**old_settings)注意Python 原生的fpectl模塊已不推薦使用且在某些平臺上不可用。numpy的方案是實際項目中的首選。C/C (使用cfenv庫)C99/C11 提供了fenv.h來操作浮點環(huán)境。#include cfenv #include iostream #pragma STDC FENV_ACCESS ON // 告知編譯器可能修改浮點環(huán)境 int main() { std::feclearexcept(FE_ALL_EXCEPT); // 清除所有異常標志 // 嘗試觸發(fā)一個除零 double x 1.0; double y 0.0; double z x / y; // 默認情況下z 變?yōu)?inf但異常標志被設置 if (std::fetestexcept(FE_DIVBYZERO)) { std::cerr FE_DIVBYZERO exception detected! std::endl; } if (std::fetestexcept(FE_INVALID)) { std::cerr FE_INVALID exception detected! std::endl; } // 你也可以設置陷阱讓異常觸發(fā) SIGFPE 信號 // std::feenableexcept(FE_DIVBYZERO | FE_INVALID | FE_OVERFLOW); // 此后發(fā)生這些異常時程序會收到 SIGFPE 信號默認行為是終止。 return 0; }使用陷阱的優(yōu)缺點優(yōu)點強制性強能確保錯誤不被忽略。特別適合在單元測試或開發(fā)調(diào)試階段使用可以快速發(fā)現(xiàn)潛在的數(shù)值問題。缺點全局性影響設置陷阱通常是全局或線程全局的可能影響其他不相關的庫代碼。可移植性不同編譯器、操作系統(tǒng)對浮點異常信號的支持有差異。性能啟用硬件異常陷阱可能有性能開銷。恢復復雜捕獲SIGFPE信號并進行安全恢復比處理 C 異?；驒z查返回值要復雜得多。建議在生產(chǎn)環(huán)境中謹慎使用全局異常陷阱。更推薦在關鍵計算模塊的入口處臨時啟用進行計算然后立即恢復或者始終堅持使用“策略一”進行結果檢查。3.3 策略三使用安全的數(shù)值計算庫對于極其關鍵的數(shù)值計算部分如金融、航天、醫(yī)療軟件可以考慮使用專門設計用于安全數(shù)值計算的庫。這些庫通常提供帶有明確錯誤返回值的函數(shù)或者使用“裝飾值”如ResultT, E類型來包裝結果。例如在Rust中你可以利用其強大的類型系統(tǒng)和錯誤處理// Rust 標準庫的一些方法已經(jīng)考慮了安全 let x 1.0f64; let y 0.0f64; match x.checked_div(y) { Some(result) println!(Result: {}, result), None println!(Division by zero or overflow occurred), } // 對于更復雜的情況可以使用 num-traits 等庫 use num_traits::float::FloatCore; fn safe_sqrtT: FloatCore(value: T) - OptionT { if value.is_sign_negative() { None // 無效操作 } else { Some(value.sqrt()) } }核心原則無論采用哪種策略目標都是將浮點數(shù)異常從“靜默的幽靈”轉變?yōu)椤帮@式的錯誤”從而納入你正常的錯誤處理流程異常、返回碼、Result類型等。4. 實戰(zhàn)場景深度剖析從解析到比較的完整防線讓我們將上述策略應用到幾個由網(wǎng)絡熱詞引申出的具體、高頻的實戰(zhàn)場景中看看如何構建完整的防御體系。4.1 場景一解析不可信數(shù)據(jù)應對“l(fā)itjson用法浮點數(shù)”、“浮點數(shù)轉換器在線”當從JSON、XML、HTTP請求參數(shù)或用戶輸入中解析浮點數(shù)時數(shù)據(jù)源是不可信的。攻擊者或錯誤的數(shù)據(jù)可能提供非數(shù)字字符串、極大/極小的數(shù)或者直接就是“NaN”、“Infinity”這樣的字面量。錯誤示范import json data {price: NaN, quantity: 1e999} obj json.loads(data) price float(obj[price]) # 直接轉換 price 現(xiàn)在是 float(nan) quantity float(obj[quantity]) # quantity 現(xiàn)在是 float(inf) total price * quantity # total 是 nan * inf - 還是 nan # 程序繼續(xù)運行但所有基于 total 的邏輯都錯了。安全實踐import json import math def safe_float_from_str(s: str, field_name: str ) - float: 安全地從字符串解析浮點數(shù)。 拒絕 NaN, Infinity 字面量并對數(shù)值范圍進行合理性校驗。 s_lower s.strip().lower() # 1. 明確拒絕特殊字面量 if s_lower in (nan, inf, infinity, inf, -inf, infinity, -infinity): raise ValueError(fField {field_name} contains disallowed special float literal: {s}) try: value float(s) except ValueError: raise ValueError(fField {field_name} is not a valid float: {s}) # 2. 即使轉換成功也要檢查是否為特殊的浮點值某些庫可能允許 if math.isnan(value) or math.isinf(value): raise ValueError(fField {field_name} parsed to special float value (NaN/Inf) from: {s}) # 3. 業(yè)務邏輯的合理性校驗例如商品價格不可能為負或天文數(shù)字 if field_name price: if not (0.0 value 1_000_000.0): # 假設價格范圍 raise ValueError(fField price value {value} is out of reasonable range.) elif field_name quantity: if value 0 or value 10_000: # 假設數(shù)量范圍 raise ValueError(fField quantity value {value} is out of reasonable range.) return value # 使用安全解析函數(shù) try: data {price: 19.99, quantity: 5} obj json.loads(data) price safe_float_from_str(obj[price], price) quantity safe_float_from_str(obj[quantity], quantity) total price * quantity total validate_float(total, ftotal (price*quantity)) print(fTotal: {total}) except ValueError as e: logging.error(fData validation error: {e}) # 返回錯誤給客戶端或使用默認值關鍵點不要依賴float()轉換的默認行為。主動攔截NaN/Inf字面量并在業(yè)務層對數(shù)值范圍進行“合理性校驗”這是防御無效或惡意輸入的第一道關卡。4.2 場景二浮點數(shù)與零比較應對“浮點數(shù)和0比大小判斷方法”這是一個經(jīng)典陷阱。由于浮點數(shù)的精度限制一個理論上應為零的計算結果可能是一個極其接近零的非零數(shù)如1e-17。直接用比較會導致邏輯錯誤。錯誤示范def is_zero(value): return value 0.0 # 危險 a 0.1 0.2 - 0.3 print(is_zero(a)) # 輸出 False因為 a 可能是一個類似 5.55e-17 的數(shù)安全實踐使用一個極小的容差值epsilon。import sys def is_zero(value, epsilonNone): 安全地判斷浮點數(shù)是否為零。 epsilon: 允許的絕對誤差。如果為None則使用基于機器精度的默認值。 if epsilon is None: # 使用一個比典型計算誤差稍大的值例如 1e-12 epsilon 1e-12 # 更嚴謹?shù)淖龇╡psilon sys.float_info.epsilon * max(1.0, abs(value)) return abs(value) epsilon def safe_compare(a, b, epsilon1e-12): 比較兩個浮點數(shù)是否‘相等’ return abs(a - b) epsilon # 使用示例 a 0.1 0.2 - 0.3 print(fa {a}) # 可能打印 5.551115123125783e-17 print(fIs a zero? {is_zero(a)}) # 應該為 True print(fIs a zero (with )? {a 0.0}) # False # 在除法前安全檢查 def safe_divide_with_epsilon(a, b, epsilon1e-12): if is_zero(b, epsilon): # 處理除零 return 0.0 if is_zero(a, epsilon) else float(inf) * (1.0 if a 0 else -1.0) # 或者拋出異常 return a / b選擇epsilon的考量sys.float_info.epsilon是機器精度表示1.0和比它大的最小浮點數(shù)之間的差。對于絕對值遠大于或小于1的數(shù)這個值可能不適用。在實踐中需要根據(jù)具體問題的數(shù)值尺度來選取。例如處理貨幣分單位可以用1e-6處理地理坐標度可能用1e-9。黃金法則永遠不要直接用或!比較兩個計算得到的浮點數(shù)。對于與零的比較使用帶有容差的函數(shù)。4.3 場景三涉及冪、指數(shù)、對數(shù)的復雜計算應對“浮點數(shù)乘法”、“全局異常處理”指數(shù)、對數(shù)、三角函數(shù)等超越函數(shù)是NaN和inf的高發(fā)區(qū)。例如exp(1000)可能溢出log(0)或log(-1)會產(chǎn)生-inf或NaN。安全實踐示例計算Softmax函數(shù)Softmax常用于機器學習公式為softmax(x_i) exp(x_i) / sum(exp(x_j))。直接計算在x_i很大時會溢出。import numpy as np import math def safe_softmax_naive(x): 不安全的實現(xiàn)容易溢出 exps np.exp(x) return exps / np.sum(exps) def safe_softmax_stable(x): 數(shù)值穩(wěn)定的Softmax實現(xiàn)。 技巧減去最大值使指數(shù)部分最大為0避免溢出。 # 1. 輸入驗證 if not isinstance(x, np.ndarray): x np.array(x, dtypenp.float64) # 2. 減去最大值對數(shù)值穩(wěn)定性至關重要 x_max np.max(x) shifted_exp np.exp(x - x_max) # 此時最大值項為 exp(0)1不會溢出 # 3. 計算總和并檢查 sum_shifted np.sum(shifted_exp) # 理論上由于 shifted_exp 都 1sum 不會溢出但檢查是好習慣 if math.isinf(sum_shifted) or math.isnan(sum_shifted) or sum_shifted 0.0: # sum為0可能發(fā)生在所有x都是負無窮大的極端情況但x_max的存在避免了這種情況。 # 此處檢查是防御性編程。 raise ValueError(Unexpected error in softmax calculation.) # 4. 歸一化并返回 result shifted_exp / sum_shifted # 5. 最終驗證可選但推薦 # 確保結果和為1在容差范圍內(nèi) if not math.isclose(np.sum(result), 1.0, rel_tol1e-9): logging.warning(fSoftmax sum is not 1 but {np.sum(result)}) # 確保沒有NaN if np.any(np.isnan(result)): raise ValueError(NaN found in softmax result.) return result # 測試 large_input np.array([1000, 1001, 1002]) try: result_naive safe_softmax_naive(large_input) # 可能溢出得到 [nan, nan, nan] print(Naive (may fail):, result_naive) except Exception as e: print(fNaive failed: {e}) result_stable safe_softmax_stable(large_input) # 穩(wěn)定計算 print(Stable:, result_stable) # 輸出應為三個接近的值如 [0.09, 0.244, 0.666]且和為1。在這個例子中我們綜合運用了多種安全技巧數(shù)值穩(wěn)定算法通過減去最大值從根本上避免了exp溢出。中間檢查在計算sum_shifted后進行檢查。后置驗證驗證結果的性質(zhì)和為1無NaN。防御性日志當結果不完全符合預期但仍在容差內(nèi)時記錄警告。對于全局異常處理在Web服務或大型應用中你可以在請求處理的頂層或關鍵計算函數(shù)的入口處設置一個“浮點異常檢查結界”import contextlib import numpy as np contextlib.contextmanager def float_exception_guard(context_info): 上下文管理器用于在代碼塊內(nèi)捕獲和記錄浮點異常。 old_np_settings np.seterr(allraise) # 臨時開啟numpy異常 try: yield except FloatingPointError as e: logging.error(fFloatingPointError in {context_info}: {e}, exc_infoTrue) # 可以選擇將異常轉換為更友好的業(yè)務異常向上拋 raise ValueError(fNumerical error occurred in {context_info}) from e finally: np.seterr(**old_np_settings) # 恢復 # 在業(yè)務函數(shù)中使用 def process_transaction(data): with float_exception_guard(context_infoprocess_transaction): amount safe_float_from_str(data[amount], amount) rate safe_float_from_str(data[rate], rate) # ... 復雜計算 return final_result5. 貫穿生命周期的防御體系編碼、測試與監(jiān)控安全編程不是幾個孤立的檢查點而是一個貫穿軟件生命周期的體系。5.1 編碼規(guī)范與代碼審查將浮點數(shù)安全作為編碼規(guī)范的一部分強制要求所有從外部接收的浮點數(shù)據(jù)必須經(jīng)過“安全解析函數(shù)”處理。禁止操作禁止直接使用或!比較兩個計算得到的浮點數(shù)。必須使用帶有容差的比較函數(shù)。關鍵操作檢查在除法、開方、對數(shù)、指數(shù)運算后必須檢查結果是否為inf或NaN除非有明確的業(yè)務理由允許它們存在。代碼審查重點在審查涉及數(shù)值計算的代碼時將“浮點數(shù)異常處理”作為必查項。查看是否有對除零、溢出、無效操作的防御。5.2 單元測試構造“壞數(shù)據(jù)”進行攻擊單元測試是驗證防御有效性的最佳場所。要專門編寫測試用例來攻擊你的數(shù)值處理代碼。import pytest import math from your_module import safe_divide, safe_float_from_str def test_safe_divide(): # 正常情況 assert safe_divide(10.0, 2.0) 5.0 # 除零 with pytest.raises(ValueError, matchDivision by zero): safe_divide(10.0, 0.0) # 溢出 (例如除以一個極小的數(shù)) # 注意在Python中1.0 / 1e-308 不會溢出到inf但更大數(shù)會。 # 我們可以測試 inf 作為被除數(shù) assert math.isinf(safe_divide(float(inf), 10.0)) # 或者測試產(chǎn)生inf的除法 with pytest.raises(ArithmeticError): # 假設我們的safe_divide也對溢出拋異常 safe_divide(1e308, 1e-308) def test_safe_float_from_str(): # 正常數(shù)字 assert safe_float_from_str(3.14, test) 3.14 # 非法字符串 with pytest.raises(ValueError): safe_float_from_str(abc, test) # 特殊字面量 for bad_val in [NaN, Infinity, -INF]: with pytest.raises(ValueError, matchdisallowed): safe_float_from_str(bad_val, test) # 邊界值 with pytest.raises(ValueError, matchout of range): safe_float_from_str(1e999, test) # 假設我們的校驗拒絕極大值 def test_floating_point_equality(): # 測試容差比較函數(shù) a 0.1 0.2 b 0.3 assert a ! b # 直接比較為False from your_module import safe_compare assert safe_compare(a, b) # 容差比較為True5.3 監(jiān)控與告警在生產(chǎn)中捕獲漏網(wǎng)之魚即使經(jīng)過嚴格測試生產(chǎn)環(huán)境的輸入組合總是超出想象。因此需要在系統(tǒng)層面建立監(jiān)控。日志記錄在所有安全檢查函數(shù)如validate_float中當檢測到NaN/Inf時不僅要拋出異常或返回默認值還要記錄詳細的上下文信息輸入?yún)?shù)、函數(shù)名、時間戳等。這有助于事后復盤。指標監(jiān)控在關鍵的計算結果輸出點增加對NaN/Inf出現(xiàn)頻率的監(jiān)控指標。# 偽代碼示例 from prometheus_client import Counter NAN_RESULT_COUNTER Counter(app_nan_results_total, Number of NaN results produced) INF_RESULT_COUNTER Counter(app_inf_results_total, Number of Inf results produced) def monitored_calculation(input_data): result core_calculation(input_data) if math.isnan(result): NAN_RESULT_COUNTER.inc() logging.error(fNaN produced with input: {input_data}) return default_value if math.isinf(result): INF_RESULT_COUNTER.inc() logging.warning(fInf produced with input: {input_data}) # 根據(jù)業(yè)務決定是否返回inf或處理 return result斷言Assert在開發(fā)和測試環(huán)境可以在代碼中關鍵位置使用assert語句確保中間結果有效。雖然生產(chǎn)環(huán)境通常會關閉斷言但它在開發(fā)階段是發(fā)現(xiàn)問題的利器。# 在復雜的數(shù)值算法中間步驟使用 intermediate some_heavy_computation(x) assert not math.isnan(intermediate), fUnexpected NaN after some_heavy_computation with x{x} assert not math.isinf(intermediate), fUnexpected Inf after some_heavy_computation with x{x} # 繼續(xù)后續(xù)計算浮點數(shù)異常處理本質(zhì)上是一種對計算過程的不信任和嚴密審視。它要求我們從“程序能跑通”的思維升級到“程序在任何預期和意外的輸入下其行為都是確定和安全的”思維。這多寫出的幾行檢查代碼可能就是阻止下一次線上數(shù)據(jù)污染或邏輯漏洞的關鍵防線。在實際項目中尤其是在處理金融、交易、科學計算或游戲平衡性等對數(shù)值精度和正確性要求極高的領域把這套實踐變成肌肉記憶是資深工程師必備的素養(yǎng)。