AFL++项目中UBSAN模式优化:废弃参数替换与崩溃处理改进
2025-06-06 07:37:15作者:虞亚竹Luna
背景介绍
AFL++作为一款先进的模糊测试工具,其UBSAN(Undefined Behavior Sanitizer)模式一直用于检测程序中的未定义行为。近期开发者在研究过程中发现,当前实现中使用了已被废弃的编译器参数,这促使我们对UBSAN模式进行优化改进。
问题发现与分析
在AFL++的UBSAN模式实现中,使用了-fsanitize-undefined-trap-on-error这一已被GCC标记为废弃的参数。该参数的主要作用是在检测到未定义行为时触发SIGILL信号(非法指令),但这种处理方式存在两个主要问题:
- 该参数已被GCC弃用,建议使用更灵活的
-fsanitize-trap=undefined替代 - 触发SIGILL会导致丢失详细的错误信息,不利于问题定位
技术验证与解决方案
通过实际测试验证,我们发现使用-fno-sanitize-recover=undefined参数组合可以同时实现:
- 在检测到未定义行为时使程序崩溃(满足模糊测试需求)
- 保留完整的错误信息输出(便于问题诊断)
测试用例显示,使用新参数组合后:
- 模糊测试仍能正确识别崩溃
- 程序运行时能输出详细的错误位置和类型信息
- 无需依赖SIGILL信号即可实现崩溃行为
实现改进
基于以上发现,我们建议从AFL++代码中移除对废弃参数-fsanitize-undefined-trap-on-error的使用,转而依赖-fno-sanitize-recover=undefined这一更现代、更可靠的参数组合。这一改进将带来以下优势:
- 兼容性:避免使用已被废弃的编译器参数
- 可维护性:使用官方推荐的参数组合
- 诊断能力:保留完整的错误信息输出
- 灵活性:为未来可能的UBSAN错误类型过滤提供扩展空间
技术影响评估
这一改进对现有AFL++用户的影响包括:
-
正向影响:
- 获得更详细的未定义行为诊断信息
- 编译器兼容性更好
- 崩溃报告更准确
-
需要注意:
- 需要重新编译目标程序才能生效
- 错误输出格式可能发生变化
结论与展望
通过这次对AFL++ UBSAN模式的优化,我们不仅解决了使用废弃参数的问题,还提升了模糊测试过程中对未定义行为的诊断能力。这一改进已被项目维护者接受并合并,将随下一个版本发布。
未来,我们可以进一步探索UBSAN不同检查类型的细粒度控制,以及与其他消毒剂(如ASAN)的更好协同工作方式,持续提升AFL++在程序错误检测方面的能力。
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-1.5暂无简介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
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
deepin linux kernel
C
24
7
Ascend Extension for PyTorch
Python
184
196
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++
648
265
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
275
97
暂无简介
Dart
623
140
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
380
3.43 K
React Native鸿蒙化仓库
JavaScript
242
315
🎉 (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
1.1 K
621
仓颉编译器源码及 cjdb 调试工具。
C++
126
856
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