AFL++ 在 macOS 上编译时解决 "dynamic_lookup" 错误的技术分析
在 macOS 系统上使用 AFL++ 的 afl-clang-fast++ 编译器工具链时,开发者可能会遇到一个典型的编译错误:"clang++: error: no such file or directory: 'dynamic_lookup'"。这个问题主要出现在使用 -fsanitize=fuzzer 选项编译 LLVMFuzzerTestOneInput 测试用例时。
问题背景
AFL++ 是一个先进的模糊测试框架,它通过插桩技术增强目标程序的覆盖率反馈能力。在 macOS 环境下,AFL++ 的编译器包装器 afl-clang-fast++ 会尝试添加特定的链接器标志来处理动态库的符号解析问题。
问题的根源在于 AFL++ 源代码中处理 Apple 平台特定链接选项的方式。原始代码将 -Wl,-undefined 和 dynamic_lookup 作为两个独立的参数传递给编译器,而较新版本的 Apple clang 编译器不再支持这种参数传递方式。
技术细节分析
在 macOS 的链接过程中,-undefined dynamic_lookup 是一个重要的链接器选项,它告诉链接器在遇到未定义的符号时不要立即报错,而是允许在运行时动态查找这些符号。这个特性对于模糊测试特别重要,因为它允许模糊测试驱动程序灵活地加载和链接各种库。
原始实现中的问题代码位于 afl-cc.c 文件的 add_aflpplib 函数中,它将这个选项拆分为两个参数:
insert_param(aflcc, "-Wl,-undefined");
insert_param(aflcc, "dynamic_lookup");
这种实现方式在较旧版本的 clang 中可能工作正常,但在新版本中会导致编译器将 "dynamic_lookup" 错误地解释为文件名而非链接器选项。
解决方案
经过分析,正确的做法是将这两个参数合并为一个完整的链接器选项。修改后的代码应该如下:
insert_param(aflcc, "-Wl,-undefined,dynamic_lookup");
这种修改确保了链接器选项作为一个整体被正确处理,同时保持了原有的功能。这个改动向后兼容,不会影响在旧版本编译器上的行为。
验证与测试
修改后,开发者可以验证解决方案的有效性:
- 创建一个简单的 LLVMFuzzerTestOneInput 测试用例
- 使用
afl-clang-fast++配合-fsanitize=fuzzer选项进行编译 - 确认编译过程顺利完成,不再出现 "dynamic_lookup" 相关的错误
测试结果表明,修改后的版本能够正确处理链接器选项,成功完成编译过程,并生成可用的模糊测试目标程序。
结论
这个问题展示了编译器工具链在不同平台和版本间的细微差异如何影响构建过程。AFL++ 作为跨平台的模糊测试框架,需要特别注意这些平台特定的行为差异。通过将链接器选项合并为一个参数,我们确保了代码在新旧版本的 Apple clang 编译器上都能正常工作,提高了工具在 macOS 平台上的可靠性和用户体验。
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。Vue06- 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