AFL++ 崩溃转储保存机制解析
2025-06-06 16:32:56作者:齐添朝
核心问题背景
在模糊测试过程中,AFL++ 有时会检测到目标程序崩溃,但这些崩溃可能由于各种原因无法重现。这种情况在以下场景尤为常见:
- 目标程序依赖系统时间戳
- 输入数据中包含时间敏感信息
- 程序状态与执行时序相关
AFL++ 的解决方案
1. 调试模式保存核心转储
AFL++ 提供了 AFL_DEBUG 环境变量选项,启用后可以在检测到崩溃时自动保存核心转储文件。这对于分析难以重现的崩溃场景特别有价值。
使用方法:
export AFL_DEBUG=1
./afl-fuzz -i input -o output -- ./target_program
2. 持久模式下的状态记录
对于使用持久模式(Persistent Mode)的目标程序,AFL++ 提供了 RECORD/REPLAY 功能(位于 config.h 中)。这项功能可以:
- 记录程序执行时的内部状态
- 在后续执行中重放这些状态
- 提高崩溃重现的概率
3. 混合部署策略
在实际应用中,可以采用混合部署策略:
- 部署 10 个常规模糊测试实例
- 部署 1-2 个启用核心转储保存的实例
- 平衡测试覆盖率和崩溃分析能力
技术实现原理
AFL++ 通过以下机制实现崩溃检测和转储保存:
- 信号处理机制:捕获目标程序产生的崩溃信号(SIGSEGV, SIGABRT等)
- 进程监控:通过 fork server 监控目标进程状态
- 转储生成:在检测到崩溃时触发核心转储生成
- 状态记录:可选地记录程序执行上下文
最佳实践建议
-
对于时间敏感型目标程序,建议同时启用:
AFL_DEBUG用于获取崩溃现场- RECORD/REPLAY 功能用于状态重现
-
核心转储分析流程:
- 使用 gdb 或 lldb 加载核心转储
- 结合 AFL++ 提供的测试用例进行调试
- 分析崩溃调用栈和内存状态
-
性能考虑:
- 核心转储会显著降低测试速度
- 仅在必要时启用该功能
- 可通过采样方式(如每N次崩溃保存一次)平衡性能和分析需求
总结
AFL++ 提供了灵活的核心转储保存机制,特别是通过 AFL_DEBUG 和 RECORD/REPLAY 功能的组合使用,可以有效解决模糊测试中难以重现的崩溃问题。这些功能为安全研究人员分析复杂崩溃场景提供了有力工具。
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