AFLNet: 灰盒网络协议模糊测试工具安装与使用指南
2026-01-17 08:34:44作者:凌朦慧Richard
目录结构及介绍
文件夹概览
- dictionaries: 存储字典文件,用于指导模糊测试过程中的数据变异。
- docs: 文档资料,包括项目说明和技术报告等。
- experimentals: 实验性代码或配置,可能不稳定或处于开发阶段。
- libdislocator: 包含库文件
libdislocator的源码,用于支持 AFLNet 功能。 - libtokencap: 内含
libtokencap库的源码,同样对 AFLNet 的运行至关重要。 - llvm_mode: 该模式下使用的 LLVM 预处理支持文件。
- qemu_mode: QEMU 模式下的相关支持文件。
- testcases: 测试案例集,用于验证 AFLNet 性能和功能。
- tutorials: 教程材料,帮助新手快速上手。
其他重要文件
- gitignore: Git 忽略规则,确保特定文件不被版本控制跟踪。
- CONTRIBUTING.md: 贡献指南,介绍如何贡献代码和修复错误。
- Dockerfile: Docker 构建脚本,允许用户创建可复现的容器环境。
- LICENSE: 许可证信息,确定软件使用和分发的条件。
- Makefile: 编译指令,定义了编译和构建流程。
- README-AFL.md: 关于基础 AFL 工具的信息,提供额外上下文。
- README.md: 主读我文件,介绍项目概况和初步操作指南。
启动文件介绍
AFLNet 提供多个执行文件,涵盖了从初始化到结果分析的全过程:
- afl-analyze: 分析并展示模糊测试的结果。
- afl-as: AFLNet 的自定义编译器前端。
- afl-cmin: 用于最小化输入语料库大小以保持相同覆盖率。
- afl-fuzz: 核心模糊测试驱动程序。
- afl-gcc: 自定义 GCC 前端,为 AFLNet 编译目标。
- afl-gotcpu: 处理 GOT 表修改,增强模糊测试效果。
- afl-plot: 结果可视化工具,绘制覆盖度和其他指标图表。
- afl-replay: 允许重新运行特定测试用例或序列。
- afl-showmap: 显示目标函数在执行时的路径和覆盖情况。
- afl-tmin: 减少输入样本至最小长度以达到相同的覆盖程度。
- afl-whatsup: 显示当前正在执行的任务状态。
对于以上每种命令,还存在其对应的带有前缀 "ca" 的变体(如 cafl-fuzz),这些变体主要针对高级或定制的使用场景设计。
配置文件介绍
AFLNet 并未明确指定一个单独的配置文件,而是通过命令行参数和环境变量来调整行为。以下是一些关键的选项和设置:
- 字典文件 (
-x): 使用-x参数加载字典,字典中包含了对输入格式的假设,帮助提高模糊测试的有效性。 - 输入目录 (
-i): 指定要模糊测试的目标输入文件或目录。 - 输出目录 (
-o): 设置保存测试结果的位置。 - 目标二进制路径 (
binary_path): 要进行模糊测试的应用程序或服务的路径。 - 其他参数: 如
-m控制内存限制,--timeout-scale调整超时倍数,以及多种调试标志等,可以根据具体需求精细调节模糊测试的行为。
由于 AFLNet 及其衍生工具有很高的灵活性,通常推荐使用者阅读附带的文档 (docs) 或者实验记录 (experimental) 中更详细的操作指南,特别是在面对复杂或特定的工作负载时。此外,参与社区讨论(如项目 Issue 页面)也能获取宝贵的支持和建议。
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
请把这个活动推给顶尖程序员😎本次活动专为懂行的顶尖程序员量身打造,聚焦AtomGit首发开源模型的实际应用与深度测评,拒绝大众化浅层体验,邀请具备扎实技术功底、开源经验或模型测评能力的顶尖开发者,深度参与模型体验、性能测评,通过发布技术帖子、提交测评报告、上传实践项目成果等形式,挖掘模型核心价值,共建AtomGit开源模型生态,彰显顶尖程序员的技术洞察力与实践能力。00
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
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- 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
项目优选
收起
deepin linux kernel
C
27
11
OpenHarmony documentation | OpenHarmony开发者文档
Dockerfile
569
3.84 K
Ascend Extension for PyTorch
Python
379
453
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++
893
676
暂无简介
Dart
802
199
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
350
203
昇腾LLM分布式训练框架
Python
118
147
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
12
1
🔥LeetCode solutions in any programming language | 多种编程语言实现 LeetCode、《剑指 Offer(第 2 版)》、《程序员面试金典(第 6 版)》题解
Java
68
20
🎉 (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
1.37 K
781