AFLplusplus 执行速度统计中的整数溢出问题分析
2025-06-06 11:06:18作者:裘旻烁
问题背景
在AFLplusplus模糊测试工具中,有一个用于统计最近一分钟内执行次数的指标execs_ps_last_min。当模糊测试长时间运行(例如超过一个月)后,这个指标可能会显示出异常的高值,如71574927.35次/分钟,这显然是不合理的。
问题根源
经过代码分析,发现问题出在统计计算部分的整数溢出。具体来说,在计算执行速度时,代码使用了32位无符号整数(u32)来存储上一次的执行总数(last_avg_execs),而实际的总执行数(total_execs)是64位的。当总执行数超过2^32(约42.9亿次)时,32位变量会发生溢出,导致计算结果异常。
技术细节
在afl-fuzz-stats.c文件中,执行速度的计算公式为:
afl->last_avg_execs_saved =
(double)(1000 * (afl->fsrv.total_execs - afl->last_avg_execs)) /
(double)(cur_time - afl->last_avg_exec_update);
这里的关键问题在于:
total_execs是64位变量,可以存储非常大的数值last_avg_execs是32位变量,当赋值为大数值的total_execs时会溢出- 溢出后计算出的差值会变得不正确,导致最终的执行速度统计异常
解决方案
最简单的修复方案是将last_avg_execs的类型从u32改为u64,使其与total_execs的位数一致。此外,这个变量的命名也不够准确,因为它实际上存储的是上一次的总执行数,而不是平均值,可以考虑将其重命名为prev_total_execs等更贴切的名称。
影响范围
这个问题主要影响:
- 长时间运行的模糊测试任务(总执行数超过42.9亿次)
- 执行速度统计的准确性
- 不会影响实际的模糊测试过程,只是监控指标显示异常
最佳实践建议
对于需要进行长时间模糊测试的用户,建议:
- 定期重启模糊测试进程,避免计数器溢出
- 监控总执行数,当接近42.9亿次时注意统计数据的准确性
- 使用修复后的版本,避免统计异常
这个问题虽然不影响核心的模糊测试功能,但准确的执行速度统计对于评估测试进度和效率非常重要,特别是在长期运行的测试场景中。
登录后查看全文
热门项目推荐
相关项目推荐
GLM-5智谱 AI 正式发布 GLM-5,旨在应对复杂系统工程和长时域智能体任务。Jinja00
GLM-5-w4a8GLM-5-w4a8基于混合专家架构,专为复杂系统工程与长周期智能体任务设计。支持单/多节点部署,适配Atlas 800T A3,采用w4a8量化技术,结合vLLM推理优化,高效平衡性能与精度,助力智能应用开发Jinja00- QQwen3.5-397B-A17BQwen3.5 实现了重大飞跃,整合了多模态学习、架构效率、强化学习规模以及全球可访问性等方面的突破性进展,旨在为开发者和企业赋予前所未有的能力与效率。Jinja00
Kimi-K2.5Kimi K2.5 是一款开源的原生多模态智能体模型,它在 Kimi-K2-Base 的基础上,通过对约 15 万亿混合视觉和文本 tokens 进行持续预训练构建而成。该模型将视觉与语言理解、高级智能体能力、即时模式与思考模式,以及对话式与智能体范式无缝融合。Python00
MiniMax-M2.5MiniMax-M2.5开源模型,经数十万复杂环境强化训练,在代码生成、工具调用、办公自动化等经济价值任务中表现卓越。SWE-Bench Verified得分80.2%,Multi-SWE-Bench达51.3%,BrowseComp获76.3%。推理速度比M2.1快37%,与Claude Opus 4.6相当,每小时仅需0.3-1美元,成本仅为同类模型1/10-1/20,为智能应用开发提供高效经济选择。【此简介由AI生成】Python00
ruoyi-plus-soybeanRuoYi-Plus-Soybean 是一个现代化的企业级多租户管理系统,它结合了 RuoYi-Vue-Plus 的强大后端功能和 Soybean Admin 的现代化前端特性,为开发者提供了完整的企业管理解决方案。Vue08- RRing-2.5-1TRing-2.5-1T:全球首个基于混合线性注意力架构的开源万亿参数思考模型。Python00
Qwen3.5Qwen3.5 昇腾 vLLM 部署教程。Qwen3.5 是 Qwen 系列最新的旗舰多模态模型,采用 MoE(混合专家)架构,在保持强大模型能力的同时显著降低了推理成本。00
热门内容推荐
最新内容推荐
Degrees of Lewdity中文汉化终极指南:零基础玩家必看的完整教程Unity游戏翻译神器:XUnity Auto Translator 完整使用指南PythonWin7终极指南:在Windows 7上轻松安装Python 3.9+终极macOS键盘定制指南:用Karabiner-Elements提升10倍效率Pandas数据分析实战指南:从零基础到数据处理高手 Qwen3-235B-FP8震撼升级:256K上下文+22B激活参数7步搞定机械键盘PCB设计:从零开始打造你的专属键盘终极WeMod专业版解锁指南:3步免费获取完整高级功能DeepSeek-R1-Distill-Qwen-32B技术揭秘:小模型如何实现大模型性能突破音频修复终极指南:让每一段受损声音重获新生
项目优选
收起
OpenHarmony documentation | OpenHarmony开发者文档
Dockerfile
575
3.89 K
Ascend Extension for PyTorch
Python
396
474
openEuler内核是openEuler操作系统的核心,既是系统性能与稳定性的基石,也是连接处理器、设备与服务的桥梁。
C
359
219
本项目是CANN提供的数学类基础计算算子库,实现网络在NPU上加速计算。
C++
902
704
🎉 (RuoYi)官方仓库 基于SpringBoot,Spring Security,JWT,Vue3 & Vite、Element Plus 的前后端分离权限管理系统
Vue
1.39 K
786
昇腾LLM分布式训练框架
Python
122
148
React Native鸿蒙化仓库
JavaScript
312
364
暂无简介
Dart
814
200
华为昇腾面向大规模分布式训练的多模态大模型套件,支撑多模态生成、多模态理解。
Python
124
161
AscendNPU-IR是基于MLIR(Multi-Level Intermediate Representation)构建的,面向昇腾亲和算子编译时使用的中间表示,提供昇腾完备表达能力,通过编译优化提升昇腾AI处理器计算效率,支持通过生态框架使能昇腾AI处理器与深度调优
C++
93
161