libprotobuf-mutator 使用教程
1. 项目介绍
libprotobuf-mutator 是一个用于随机突变 Protobuf 消息的库。它可以与引导式模糊测试引擎(如 libFuzzer)结合使用,使得模糊测试的突变更具体、更针对目标格式,而不是完全随机的。
Protobuf(Protocol Buffers)是 Google 开发的一种序列化数据结构的协议,具有语言无关、平台无关、可扩展等特性。libprotobuf-mutator 通过操纵 Protobuf 消息,帮助开发者在模糊测试中更有效地发现代码中的潜在漏洞。
2. 项目快速启动
2.1 安装依赖
在 Debian/Ubuntu 系统上,首先需要安装一些必要的依赖:
sudo apt-get update
sudo apt-get install protobuf-compiler libprotobuf-dev binutils cmake \
ninja-build liblzma-dev libz-dev pkg-config autoconf libtool
2.2 编译和测试
创建一个构建目录并进入该目录:
mkdir build
cd build
使用 CMake 配置并编译项目:
cmake -GNinja -DCMAKE_C_COMPILER=clang -DCMAKE_CXX_COMPILER=clang++ -DCMAKE_BUILD_TYPE=Debug ..
ninja check
2.3 安装
编译完成后,可以安装库:
ninja
sudo ninja install
3. 应用案例和最佳实践
3.1 使用 libprotobuf-mutator 进行模糊测试
以下是一个简单的示例,展示如何使用 libprotobuf-mutator 与 libFuzzer 结合进行模糊测试:
#include "src/libfuzzer/libfuzzer_macro.h"
DEFINE_PROTO_FUZZER(const MyMessageType& input) {
// 需要进行模糊测试的代码
ConsumeMyMessageType(input);
}
3.2 自定义突变逻辑
你可以通过继承 protobuf_mutator::Mutator 类并重写 Mutate* 方法来实现更复杂的突变逻辑:
class MyProtobufMutator : public protobuf_mutator::Mutator {
public:
// 重写 Mutate* 方法以实现更复杂的突变逻辑
};
void Mutate(MyMessage* message) {
MyProtobufMutator mutator;
mutator.Seed(my_random_seed);
mutator.Mutate(message, 200);
}
4. 典型生态项目
4.1 Chromium
Chromium 项目中使用了 libprotobuf-mutator 进行模糊测试,特别是在处理复杂的输入格式时,如 URL 解析、JSON 解析等。
4.2 Envoy
Envoy 是一个高性能的边缘和服务代理,它使用 libprotobuf-mutator 来测试其配置解析器和网络协议处理逻辑。
4.3 SQLite
SQLite 是一个轻量级的嵌入式数据库,libprotobuf-mutator 被用于测试其 SQL 解析器和查询执行引擎。
4.4 GIFlib
GIFlib 是一个用于处理 GIF 图像的库,libprotobuf-mutator 帮助测试其图像解码和编码逻辑。
通过这些应用案例,可以看到 libprotobuf-mutator 在不同领域的广泛应用,帮助开发者提高代码的健壮性和安全性。
AutoGLM-Phone-9BAutoGLM-Phone-9B是基于AutoGLM构建的移动智能助手框架,依托多模态感知理解手机屏幕并执行自动化操作。Jinja00
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
GLM-4.6V-FP8GLM-4.6V-FP8是GLM-V系列开源模型,支持128K上下文窗口,融合原生多模态函数调用能力,实现从视觉感知到执行的闭环。具备文档理解、图文生成、前端重构等功能,适用于云集群与本地部署,在同类参数规模中视觉理解性能领先。Jinja00
HunyuanOCRHunyuanOCR 是基于混元原生多模态架构打造的领先端到端 OCR 专家级视觉语言模型。它采用仅 10 亿参数的轻量化设计,在业界多项基准测试中取得了当前最佳性能。该模型不仅精通复杂多语言文档解析,还在文本检测与识别、开放域信息抽取、视频字幕提取及图片翻译等实际应用场景中表现卓越。00
GLM-ASR-Nano-2512GLM-ASR-Nano-2512 是一款稳健的开源语音识别模型,参数规模为 15 亿。该模型专为应对真实场景的复杂性而设计,在保持紧凑体量的同时,多项基准测试表现优于 OpenAI Whisper V3。Python00
GLM-TTSGLM-TTS 是一款基于大语言模型的高质量文本转语音(TTS)合成系统,支持零样本语音克隆和流式推理。该系统采用两阶段架构,结合了用于语音 token 生成的大语言模型(LLM)和用于波形合成的流匹配(Flow Matching)模型。 通过引入多奖励强化学习框架,GLM-TTS 显著提升了合成语音的表现力,相比传统 TTS 系统实现了更自然的情感控制。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