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。
AutoGLM-Phone-9BAutoGLM-Phone-9B是基于AutoGLM构建的移动智能助手框架,依托多模态感知理解手机屏幕并执行自动化操作。Jinja00
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
GLM-4.6V-FP8GLM-4.6V-FP8是GLM-V系列开源模型,支持128K上下文窗口,融合原生多模态函数调用能力,实现从视觉感知到执行的闭环。具备文档理解、图文生成、前端重构等功能,适用于云集群与本地部署,在同类参数规模中视觉理解性能领先。Jinja00
HunyuanOCRHunyuanOCR 是基于混元原生多模态架构打造的领先端到端 OCR 专家级视觉语言模型。它采用仅 10 亿参数的轻量化设计,在业界多项基准测试中取得了当前最佳性能。该模型不仅精通复杂多语言文档解析,还在文本检测与识别、开放域信息抽取、视频字幕提取及图片翻译等实际应用场景中表现卓越。00
GLM-ASR-Nano-2512GLM-ASR-Nano-2512 是一款稳健的开源语音识别模型,参数规模为 15 亿。该模型专为应对真实场景的复杂性而设计,在保持紧凑体量的同时,多项基准测试表现优于 OpenAI Whisper V3。Python00
GLM-TTSGLM-TTS 是一款基于大语言模型的高质量文本转语音(TTS)合成系统,支持零样本语音克隆和流式推理。该系统采用两阶段架构,结合了用于语音 token 生成的大语言模型(LLM)和用于波形合成的流匹配(Flow Matching)模型。 通过引入多奖励强化学习框架,GLM-TTS 显著提升了合成语音的表现力,相比传统 TTS 系统实现了更自然的情感控制。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