Syzkaller项目中mmap内存映射失败问题的分析与解决
2025-06-06 11:53:21作者:尤峻淳Whitney
问题背景
在Syzkaller项目中,近期对64位操作系统的DataOffset值进行了修改,将其设置为一个较大的地址值0x400000000000。这一改动原本是为了适配ASAN(Address Sanitizer)的64位高内存区域,在amd64和arm64架构上都能正常工作。然而在实际设备上进行模糊测试时,却出现了mmap系统调用失败的问题。
问题现象
当Syzkaller尝试在目标设备上执行内存映射操作时,出现了以下错误:
SYZFAIL: mmap of left data PROT_NONE page failed
want 0x3ffffffff000, got 0xffffffffffffffff (errno 12: Cannot allocate memory)
具体来说,代码尝试在地址0x3ffffffff000处映射一个PROT_NONE的保护页,但系统返回了ENOMEM(内存不足)错误,而不是预期的映射地址。
技术分析
通过编写测试程序复现该问题,我们发现:
- 当使用较小的地址(如512MB)时,mmap操作能够正常工作,第二次映射会正确返回EEXIST错误
- 当使用较大的地址(如0x3ffffffff000)时,mmap直接返回ENOMEM错误
这表明在某些系统(特别是Android arm64设备)上,内核可能对用户空间的内存映射地址范围有限制,不允许在过高的地址空间进行映射操作。
解决方案
经过项目维护者的讨论和测试,最终决定将默认的DataOffset值调整为更小的地址(512MB或512<<24),这个值:
- 在大多数系统上都能正常工作
- 远离malloc通常分配的内存区域
- 不会触发内核的内存映射限制
技术启示
这个问题提醒我们,在进行系统级编程时需要考虑:
- 不同平台和内核版本对内存映射的限制可能不同
- 过高的地址空间在某些系统上可能不可用
- 在实际部署前,需要在目标环境中充分测试内存相关操作
Syzkaller作为一款系统调用模糊测试工具,其内存管理策略需要兼顾各种不同的运行环境,这也是该项目持续优化和改进的方向之一。
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-X1-7BSpark-Prover 是由科大讯飞团队开发的专用大型语言模型,专为 Lean4 中的自动定理证明而设计。该模型采用创新的三阶段训练策略,显著增强了形式化推理能力,在同等规模的开源模型中实现了最先进的性能。Python00
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-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
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
OpenHarmony documentation | OpenHarmony开发者文档
Dockerfile
311
2.72 K
deepin linux kernel
C
24
7
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++
638
242
仓颉编译器源码及 cjdb 调试工具。
C++
124
851
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
1.03 K
469
Ascend Extension for PyTorch
Python
148
175
暂无简介
Dart
604
135
TorchAir 支持用户基于PyTorch框架和torch_npu插件在昇腾NPU上使用图模式进行推理。
Python
226
81
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
363
2.99 K
React Native鸿蒙化仓库
JavaScript
236
310