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 05:08:52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
GLM-5智谱 AI 正式发布 GLM-5,旨在应对复杂系统工程和长时域智能体任务。Jinja00
GLM-5-w4a8GLM-5-w4a8基于混合专家架构,专为复杂系统工程与长周期智能体任务设计。支持单/多节点部署,适配Atlas 800T A3,采用w4a8量化技术,结合vLLM推理优化,高效平衡性能与精度,助力智能应用开发Jinja00- QQwen3.5-397B-A17BQwen3.5 实现了重大飞跃,整合了多模态学习、架构效率、强化学习规模以及全球可访问性等方面的突破性进展,旨在为开发者和企业赋予前所未有的能力与效率。Jinja00
Kimi-K2.5Kimi K2.5 是一款开源的原生多模态智能体模型,它在 Kimi-K2-Base 的基础上,通过对约 15 万亿混合视觉和文本 tokens 进行持续预训练构建而成。该模型将视觉与语言理解、高级智能体能力、即时模式与思考模式,以及对话式与智能体范式无缝融合。Python00
MiniMax-M2.5MiniMax-M2.5开源模型,经数十万复杂环境强化训练,在代码生成、工具调用、办公自动化等经济价值任务中表现卓越。SWE-Bench Verified得分80.2%,Multi-SWE-Bench达51.3%,BrowseComp获76.3%。推理速度比M2.1快37%,与Claude Opus 4.6相当,每小时仅需0.3-1美元,成本仅为同类模型1/10-1/20,为智能应用开发提供高效经济选择。【此简介由AI生成】Python00
ruoyi-plus-soybeanRuoYi-Plus-Soybean 是一个现代化的企业级多租户管理系统,它结合了 RuoYi-Vue-Plus 的强大后端功能和 Soybean Admin 的现代化前端特性,为开发者提供了完整的企业管理解决方案。Vue07- RRing-2.5-1TRing-2.5-1T:全球首个基于混合线性注意力架构的开源万亿参数思考模型。Python00
Qwen3.5Qwen3.5 昇腾 vLLM 部署教程。Qwen3.5 是 Qwen 系列最新的旗舰多模态模型,采用 MoE(混合专家)架构,在保持强大模型能力的同时显著降低了推理成本。00
热门内容推荐
最新内容推荐
Degrees of Lewdity中文汉化终极指南:零基础玩家必看的完整教程Unity游戏翻译神器:XUnity Auto Translator 完整使用指南PythonWin7终极指南:在Windows 7上轻松安装Python 3.9+终极macOS键盘定制指南:用Karabiner-Elements提升10倍效率Pandas数据分析实战指南:从零基础到数据处理高手 Qwen3-235B-FP8震撼升级:256K上下文+22B激活参数7步搞定机械键盘PCB设计:从零开始打造你的专属键盘终极WeMod专业版解锁指南:3步免费获取完整高级功能DeepSeek-R1-Distill-Qwen-32B技术揭秘:小模型如何实现大模型性能突破音频修复终极指南:让每一段受损声音重获新生
项目优选
收起
OpenHarmony documentation | OpenHarmony开发者文档
Dockerfile
575
3.88 K
Ascend Extension for PyTorch
Python
396
474
openEuler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。
C
359
219
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++
902
703
🎉 (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
1.39 K
786
昇腾LLM分布式训练框架
Python
122
148
React Native鸿蒙化仓库
JavaScript
312
364
暂无简介
Dart
813
199
华为昇腾面向大规模分布式训练的多模态大模型套件,支撑多模态生成、多模态理解。
Python
124
161
AscendNPU-IR是基于MLIR(Multi-Level Intermediate Representation)构建的,面向昇腾亲和算子编译时使用的中间表示,提供昇腾完备表达能力,通过编译优化提升昇腾AI处理器计算效率,支持通过生态框架使能昇腾AI处理器与深度调优
C++
92
161