OpenVAS Scanner 中 GCC15 编译问题的分析与解决
在构建 OpenVAS Scanner 23.18.0 及以上版本时,用户遇到了一个与 GCC15 编译器相关的构建失败问题。这个问题主要出现在 Rust 组件 nasl-c-lib 的编译过程中,具体表现为 libgpg-error 库的编译错误。
问题现象
当使用 GCC15 进行编译时,构建过程会在编译 libgpg-error 的 t-printf.c 文件时失败。错误信息显示编译器无法识别 nullptr 关键字,并产生了类型不匹配的警告:
t-printf.c:452:18: error: expected identifier or '(' before 'nullptr'
452 | volatile char *nullptr = NULL; /* Avoid compiler warning. */
| ^~~~~~~
此外,编译器还报告了多个格式字符串与参数类型不匹配的警告,这些都与 nullptr 的使用有关。
问题根源分析
这个问题源于以下几个技术因素:
-
C++关键字冲突:
nullptr是 C++11 引入的关键字,用于表示空指针。在 C 语言中,这个标识符原本可以作为变量名使用。GCC15 可能加强了对 C/C++ 关键字冲突的检查。 -
libgpg-error 的兼容性问题:libgpg-error 1.47 版本中的测试代码使用了
nullptr作为变量名,这在早期 GCC 版本中是可以接受的,但在 GCC15 中会导致编译错误。 -
构建系统集成:OpenVAS Scanner 的 Rust 组件 nasl-c-lib 依赖 libgcrypt-sys,后者又会下载并静态编译 libgpg-error 作为依赖项。
解决方案
OpenVAS Scanner 开发团队已经通过以下方式解决了这个问题:
-
更新依赖版本:将 libgpg-error 的版本升级到与 GCC15 兼容的新版本。
-
构建系统调整:修改构建脚本以正确处理依赖项的编译选项和环境。
对于用户而言,解决方案包括:
-
更新 OpenVAS Scanner:升级到包含修复的版本(23.20.1 或更高)。
-
临时解决方案:如果无法立即升级,可以尝试以下方法之一:
- 使用 GCC14 或其他兼容的编译器版本
- 手动修改本地 libgpg-error 源代码中的
nullptr变量名 - 设置适当的编译标志来抑制错误
技术背景延伸
这个问题揭示了现代 C/C++ 项目开发中几个重要的技术考量:
-
ABI 兼容性:编译器版本的升级可能会引入不兼容的变化,特别是对于低级别的系统库。
-
混合语言开发:Rust 与 C 的互操作需要特别注意依赖项的管理和编译环境的配置。
-
静态链接的挑战:静态链接第三方库虽然可以简化部署,但会增加构建复杂性和潜在的兼容性问题。
最佳实践建议
对于开发者和系统管理员:
-
保持开发环境更新:定期更新编译工具链和依赖库,但要注意测试兼容性。
-
隔离构建环境:使用容器或虚拟环境来确保构建过程的一致性。
-
监控上游更新:关注依赖项目的发布说明,特别是关于编译器兼容性的变更。
-
实施持续集成:设置自动化的构建测试来及早发现兼容性问题。
这个问题展示了开源软件生态系统中版本管理和兼容性维护的复杂性,也体现了 OpenVAS Scanner 团队对用户问题的快速响应能力。
atomcodeClaude Code 的开源替代方案。连接任意大模型,编辑代码,运行命令,自动验证 — 全自动执行。用 Rust 构建,极致性能。 | An open-source alternative to Claude Code. Connect any LLM, edit code, run commands, and verify changes — autonomously. Built in Rust for speed. Get StartedRust0190
cann-learning-hubCANN 学习中心仓,支持在线互动运行、边学边练,提供教程、示例与优化方案,一站式助力昇腾开发者快速上手。Jupyter Notebook0113
Step-3.7-FlashStep-3.7-Flash是一个拥有 1980 亿参数的稀疏混合专家(MoE)视觉语言模型,由 1960 亿参数的语言主干网络和 18 亿参数的视觉编码器组合而成,具备原生图像理解能力。Python00
JoyAI-EchoJoyAI-Echo,这是一个独立的、仅用于推理的版本,旨在实现分钟级多镜头音视频生成。它采用了经过蒸馏的DMD生成器、配对的跨模态记忆以及故事级别的一致性。其性能的核心在于,一个跨模态视听记忆库能够在长达五分钟的视频中保持角色外观和语音音色的一致性。同时,一个训练后处理流程将基于记忆的强化学习与分布匹配蒸馏相结合,实现了7.5倍的速度提升,显著增强了视觉质量和对齐效果。00
omega-aiOmega-AI:基于java打造的深度学习框架,帮助你快速搭建神经网络,实现模型推理与训练,引擎支持自动求导,多线程与GPU运算,GPU支持CUDA,CUDNN。Java04
llm-universe本项目是一个面向小白开发者的大模型应用开发教程,在线阅读地址:https://datawhalechina.github.io/llm-universe/Jupyter Notebook08