John the Ripper 测试套件在Solaris系统上的适配与优化
背景介绍
John the Ripper作为一款知名的密码安全测试工具,其测试套件在跨平台兼容性方面遇到了一些挑战。近期开发团队发现,在Solaris操作系统上运行测试时出现了多个问题,包括构建系统兼容性、测试重复执行以及单元测试失败等情况。
构建系统兼容性问题
在Solaris系统上,使用原生make工具执行测试时会遇到语法解析错误。这是因为John项目生成的Makefile采用了GNU make的特定语法,与Solaris自带的传统make工具不兼容。解决方案很简单——在Solaris系统上需要使用gmake(GNU make)来代替原生make工具。
项目构建脚本已经智能地检测到这一情况,在configure完成后会明确提示用户使用gmake命令进行编译。这一设计体现了良好的跨平台兼容性考虑。
测试套件优化
测试过程中发现当前实现存在两个主要问题:
-
重复测试问题:测试脚本会先后执行两次格式测试命令,第一次测试407种格式,第二次测试477种格式。深入分析发现两次测试仅有部分重叠(约161种格式),这主要是由于动态格式处理机制的特殊性导致的。
-
测试覆盖率:目前的测试命令无法一次性覆盖所有密码格式,需要分别执行两条命令才能完成全面测试。这表明测试框架在命令语法设计上存在优化空间,应该提供统一的测试所有格式的方法。
单元测试失败分析
在Solaris系统上,单元测试中的fgetl相关测试会出现失败。经过深入排查,发现问题根源在于:
-
测试文件生成差异:在Solaris和Linux系统上生成的测试文件内容存在细微差别,特别是在行尾处理方面。Solaris生成的文件略大,且行尾字符处理方式不同。
-
缓冲区边界问题:测试使用了较大的缓冲区(19000字节),这在某些系统上可能导致不一致。将缓冲区大小调整为16000字节后,测试在Solaris上通过。
-
临时文件安全问题:测试代码中直接使用/tmp目录存在安全隐患,已改为使用当前工作目录。
解决方案与改进
针对上述问题,开发团队实施了多项改进措施:
-
构建系统:明确文档说明在Solaris上需使用gmake,并在configure输出中给出明确提示。
-
测试框架:
- 优化测试命令,减少不必要的重复测试
- 修复外部模式测试中的tr命令兼容性问题,改用sed实现
- 调整单元测试缓冲区大小参数
-
安全性改进:
- 移除测试代码中对/tmp目录的直接使用
- 增强测试文件的生成和处理逻辑
这些改进不仅解决了Solaris平台上的测试问题,也提升了测试套件整体的健壮性和跨平台兼容性。特别是对缓冲区大小和行尾处理的优化,使得测试在不同操作系统上都能获得一致的结果。
经验总结
本次问题排查过程提供了宝贵的跨平台开发经验:
-
标准工具差异:不同Unix-like系统的核心工具(如make、tr等)可能存在行为差异,需要特别注意。
-
测试设计原则:
- 避免过度依赖特定系统的行为特性
- 测试文件生成应保持跨平台一致性
- 缓冲区大小设置需要考虑各平台的实际情况
-
安全实践:即使是测试代码,也应遵循安全最佳实践,如避免使用公共临时目录。
通过这些改进,John the Ripper在Solaris及其他Unix-like系统上的测试体验和可靠性得到了显著提升。
kernelopenEuler内核是openEuler操作系统的核心,既是系统性能与稳定性的基石,也是连接处理器、设备与服务的桥梁。C091
baihu-dataset异构数据集“白虎”正式开源——首批开放10w+条真实机器人动作数据,构建具身智能标准化训练基座。00
mindquantumMindQuantum is a general software library supporting the development of applications for quantum computation.Python058
PaddleOCR-VLPaddleOCR-VL 是一款顶尖且资源高效的文档解析专用模型。其核心组件为 PaddleOCR-VL-0.9B,这是一款精简却功能强大的视觉语言模型(VLM)。该模型融合了 NaViT 风格的动态分辨率视觉编码器与 ERNIE-4.5-0.3B 语言模型,可实现精准的元素识别。Python00
GLM-4.7GLM-4.7上线并开源。新版本面向Coding场景强化了编码能力、长程任务规划与工具协同,并在多项主流公开基准测试中取得开源模型中的领先表现。 目前,GLM-4.7已通过BigModel.cn提供API,并在z.ai全栈开发模式中上线Skills模块,支持多模态任务的统一规划与协作。Jinja00
AgentCPM-Explore没有万亿参数的算力堆砌,没有百万级数据的暴力灌入,清华大学自然语言处理实验室、中国人民大学、面壁智能与 OpenBMB 开源社区联合研发的 AgentCPM-Explore 智能体模型基于仅 4B 参数的模型,在深度探索类任务上取得同尺寸模型 SOTA、越级赶上甚至超越 8B 级 SOTA 模型、比肩部分 30B 级以上和闭源大模型的效果,真正让大模型的长程任务处理能力有望部署于端侧。Jinja00