AFL++中关于退出码23被误判为崩溃的技术分析
2025-06-06 18:37:50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
ERNIE-4.5-VL-28B-A3B-ThinkingERNIE-4.5-VL-28B-A3B-Thinking 是 ERNIE-4.5-VL-28B-A3B 架构的重大升级,通过中期大规模视觉-语言推理数据训练,显著提升了模型的表征能力和模态对齐,实现了多模态推理能力的突破性飞跃Python00
Kimi-K2-ThinkingKimi K2 Thinking 是最新、性能最强的开源思维模型。从 Kimi K2 开始,我们将其打造为能够逐步推理并动态调用工具的思维智能体。通过显著提升多步推理深度,并在 200–300 次连续调用中保持稳定的工具使用能力,它在 Humanity's Last Exam (HLE)、BrowseComp 等基准测试中树立了新的技术标杆。同时,K2 Thinking 是原生 INT4 量化模型,具备 256k 上下文窗口,实现了推理延迟和 GPU 内存占用的无损降低。Python00
MiniMax-M2MiniMax-M2是MiniMaxAI开源的高效MoE模型,2300亿总参数中仅激活100亿,却在编码和智能体任务上表现卓越。它支持多文件编辑、终端操作和复杂工具链调用Python00
HunyuanVideo-1.5暂无简介00
MiniCPM-V-4_5MiniCPM-V 4.5 是 MiniCPM-V 系列中最新且功能最强的模型。该模型基于 Qwen3-8B 和 SigLIP2-400M 构建,总参数量为 80 亿。与之前的 MiniCPM-V 和 MiniCPM-o 模型相比,它在性能上有显著提升,并引入了新的实用功能Python00
Spark-Formalizer-X1-7BSpark-Formalizer 是由科大讯飞团队开发的专用大型语言模型,专注于数学自动形式化任务。该模型擅长将自然语言数学问题转化为精确的 Lean4 形式化语句,在形式化语句生成方面达到了业界领先水平。Python00
GOT-OCR-2.0-hf阶跃星辰StepFun推出的GOT-OCR-2.0-hf是一款强大的多语言OCR开源模型,支持从普通文档到复杂场景的文字识别。它能精准处理表格、图表、数学公式、几何图形甚至乐谱等特殊内容,输出结果可通过第三方工具渲染成多种格式。模型支持1024×1024高分辨率输入,具备多页批量处理、动态分块识别和交互式区域选择等创新功能,用户可通过坐标或颜色指定识别区域。基于Apache 2.0协议开源,提供Hugging Face演示和完整代码,适用于学术研究到工业应用的广泛场景,为OCR领域带来突破性解决方案。00
项目优选
收起
deepin linux kernel
C
24
7
Ascend Extension for PyTorch
Python
182
196
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++
648
265
TorchAir 支持用户基于PyTorch框架和torch_npu插件在昇腾NPU上使用图模式进行推理。
Python
274
94
暂无简介
Dart
623
140
本仓将收集和展示高质量的仓颉示例代码,欢迎大家投稿,让全世界看到您的妙趣设计,也让更多人通过您的编码理解和喜爱仓颉语言。
Cangjie
380
3.41 K
React Native鸿蒙化仓库
JavaScript
242
315
🎉 (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
1.1 K
621
仓颉编译器源码及 cjdb 调试工具。
C++
126
856
Nop Platform 2.0是基于可逆计算理论实现的采用面向语言编程范式的新一代低代码开发平台,包含基于全新原理从零开始研发的GraphQL引擎、ORM引擎、工作流引擎、报表引擎、规则引擎、批处理引引擎等完整设计。nop-entropy是它的后端部分,采用java语言实现,可选择集成Spring框架或者Quarkus框架。中小企业可以免费商用
Java
9
1