AFL++中如何保存核心转储文件用于不可复现崩溃分析
2025-06-06 21:13:02作者:段琳惟
在模糊测试过程中,我们经常会遇到一个棘手问题:AFL++报告了目标程序的崩溃,但当尝试复现时却无法重现相同的崩溃场景。这种情况通常发生在目标程序存在以下特征时:
- 时间敏感性逻辑(如依赖当前时间戳的条件分支)
- 不可重复的随机数生成
- 外部状态依赖
- 多线程竞态条件
核心问题分析
传统AFL++的工作机制会记录导致崩溃的测试用例,但不会保存崩溃时的完整内存状态(核心转储文件)。当程序行为具有非确定性时,仅凭输入文件可能无法重现相同的执行路径和崩溃状态。
AFL++的解决方案
方法一:启用调试模式
通过设置环境变量AFL_DEBUG=1,AFL++会在检测到崩溃时自动保存核心转储文件。这个功能特别适合用于:
- 单次运行的崩溃捕获
- 不需要持续高速模糊测试的场景
- 作为辅助调试手段配合常规模糊测试
方法二:RECORD/REPLAY机制
对于使用持久模式(Persistent Mode)的目标程序,可以在编译时启用config.h中的RECORD/REPLAY功能。这个机制能够:
- 记录程序执行时的内部状态
- 在复现时重放这些状态
- 提高非确定性崩溃的复现率
实施建议
在实际部署时,可以采用混合策略:
- 主要模糊测试实例(8-10个)保持常规配置以获得最佳性能
- 专门配置1-2个实例启用核心转储保存功能:
export AFL_DEBUG=1 ./afl-fuzz -i input -o output -- ./target - 对于复杂的目标程序,考虑在编译时添加状态记录支持
技术细节
核心转储文件包含程序崩溃时的完整内存映像,通过gdb等调试工具可以分析:
- 崩溃时的调用栈
- 寄存器状态
- 堆内存内容
- 线程信息
这对于分析间歇性崩溃特别有价值,即使原始测试用例无法直接复现崩溃,开发人员仍可以通过核心转储了解崩溃时的程序状态。
注意事项
- 性能影响:启用核心转储保存会显著降低测试速度,仅建议在部分实例启用
- 存储需求:核心转储文件通常较大,需要监控磁盘空间
- 权限设置:确保系统允许生成核心文件(ulimit -c unlimited)
- 路径配置:检查系统配置确定核心文件的存储位置
通过合理运用这些技术,可以有效捕获和分析那些难以复现的崩溃,极大提高模糊测试的诊断能力。
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-1.5HunyuanVideo-1.5作为一款轻量级视频生成模型,仅需83亿参数即可提供顶级画质,大幅降低使用门槛。该模型在消费级显卡上运行流畅,让每位开发者和创作者都能轻松使用。本代码库提供生成创意视频所需的实现方案与工具集。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
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
8
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++
654
282
暂无简介
Dart
643
149
Ascend Extension for PyTorch
Python
203
219
仓颉编译器源码及 cjdb 调试工具。
C++
130
861
React Native鸿蒙化仓库
JavaScript
248
317
openGauss kernel ~ openGauss is an open source relational database management system
C++
158
214
🎉 (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
1.13 K
631
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
本项目是CANN提供的是一款高效、可靠的Transformer加速库,基于华为Ascend AI处理器,提供Transformer定制化场景的高性能融合算子。
C++
77
100