AFL++中关于退出码23被误判为崩溃的技术分析
2025-06-06 16:56:24作者:邵娇湘
问题背景
在AFL++项目中,当用户程序正常退出并返回退出码23时,如果程序编译时启用了AFL_USE_ASAN选项(即使没有启用AFL_USE_LSAN),AFL++的afl-fuzz工具会错误地将此情况识别为程序崩溃。这个问题源于AFL++的forkserver实现没有区分ASAN、LSAN和MSAN的不同情况,直接检查子进程退出码是否匹配LSAN_ERROR(23)或MSAN_ERROR(86)。
技术细节分析
1. 退出码的特殊含义
在AFL++的底层实现中,某些特定的退出码被赋予了特殊含义:
- 退出码23:被LeakSanitizer(LSAN)用来报告内存泄漏
- 退出码86:被MemorySanitizer(MSAN)用来报告未初始化内存访问
2. 当前实现的问题
当前AFL++的afl-forkserver.c实现存在以下技术问题:
- 没有区分不同sanitizer的启用状态
- 只要检测到退出码23或86,就无条件判定为崩溃
- 即使用户程序本身正常返回这些退出码,也会被误判
3. 影响范围
这个问题主要影响以下场景:
- 程序编译时启用了ASAN(AFL_USE_ASAN=1)
- 程序本身可能返回23或86作为正常退出码
- 即使用户没有显式启用LSAN(AFL_USE_LSAN未设置)
解决方案探讨
1. 技术改进方向
从技术实现角度,可以考虑以下改进:
- 在afl-fuzz-init.c中增强sanitizer检测能力
- 区分ASAN、LSAN和MSAN的不同启用状态
- 只有当对应sanitizer实际启用时,才将特定退出码解释为崩溃
2. 用户体验改进
除了底层实现改进外,还可以增强用户体验:
- 在"seed has crashed"的提示信息中增加可能的误判说明
- 明确告知用户退出码23/86的特殊含义
- 提供解决建议(如禁用特定sanitizer或修改程序退出码)
最佳实践建议
对于AFL++用户,为避免此类问题,建议:
- 避免让被fuzz的程序返回23或86作为正常退出码
- 如果必须使用这些退出码,确保不启用对应的sanitizer
- 在遇到疑似误判时,检查程序的真实退出行为
- 考虑使用自定义的退出码范围,避开sanitizer使用的特殊值
总结
AFL++对特定退出码的特殊处理是一把双刃剑,它能够有效捕获sanitizer报告的异常,但也可能导致误判。理解这一机制对于有效使用AFL++进行模糊测试至关重要。未来版本的改进可能会使这一行为更加智能和精确,但当前用户仍需注意这一潜在问题。
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。Vue07- 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
574
3.88 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
703
🎉 (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
813
199
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++
92
162