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 03:30:03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
unified-cache-managementUnified Cache Manager(推理记忆数据管理器),是一款以KV Cache为中心的推理加速套件,其融合了多类型缓存加速算法工具,分级管理并持久化推理过程中产生的KV Cache记忆数据,扩大推理上下文窗口,以实现高吞吐、低时延的推理体验,降低每Token推理成本。Python03
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
Spark-Prover-7BSpark-Prover-7B is a 7B-parameter large language model developed by iFLYTEK for automated theorem proving in Lean4. It generates complete formal proofs for mathematical theorems using a three-stage training framework combining pre-training, supervised fine-tuning, and reinforcement learning. The model achieves strong formal reasoning performance and state-of-the-art results across multiple theorem-proving benchmarksPython00
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-7BSpark-Formalizer-7B is a 7B-parameter large language model by iFLYTEK for mathematical auto-formalization. It translates natural-language math problems into precise Lean4 formal statements, achieving high accuracy and logical consistency. The model is trained with a two-stage strategy combining large-scale pre-training and supervised fine-tuning for robust formal reasoning.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- HHowToCook程序员在家做饭方法指南。Programmer's guide about how to cook at home (Chinese only).Dockerfile014
Spark-Scilit-X1-13B科大讯飞Spark Scilit-X1-13B基于最新一代科大讯飞基础模型,并针对源自科学文献的多项核心任务进行了训练。作为一款专为学术研究场景打造的大型语言模型,它在论文辅助阅读、学术翻译、英语润色和评论生成等方面均表现出色,旨在为研究人员、教师和学生提供高效、精准的智能辅助。Python00- PpathwayPathway is an open framework for high-throughput and low-latency real-time data processing.Python00
项目优选
收起
OpenHarmony documentation | OpenHarmony开发者文档
Dockerfile
304
2.65 K
Ascend Extension for PyTorch
Python
131
157
旨在打造算法先进、性能卓越、高效敏捷、安全可靠的密码套件,通过轻量级、可剪裁的软件技术架构满足各行业不同场景的多样化要求,让密码技术应用更简单,同时探索后量子等先进算法创新实践,构建密码前沿技术底座!
C
1.02 K
458
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++
610
198
React Native鸿蒙化仓库
JavaScript
230
307
暂无简介
Dart
593
129
🎉 (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
1.06 K
612
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,专门为Transformer模型的训练和推理而设计。
C++
48
77
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
360
2.46 K
openGauss kernel ~ openGauss is an open source relational database management system
C++
155
206