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。
kernelopenEuler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。C094
baihu-dataset异构数据集“白虎”正式开源——首批开放10w+条真实机器人动作数据,构建具身智能标准化训练基座。00
mindquantumMindQuantum is a general software library supporting the development of applications for quantum computation.Python058
PaddleOCR-VLPaddleOCR-VL 是一款顶尖且资源高效的文档解析专用模型。其核心组件为 PaddleOCR-VL-0.9B,这是一款精简却功能强大的视觉语言模型(VLM)。该模型融合了 NaViT 风格的动态分辨率视觉编码器与 ERNIE-4.5-0.3B 语言模型,可实现精准的元素识别。Python00
GLM-4.7GLM-4.7上线并开源。新版本面向Coding场景强化了编码能力、长程任务规划与工具协同,并在多项主流公开基准测试中取得开源模型中的领先表现。 目前,GLM-4.7已通过BigModel.cn提供API,并在z.ai全栈开发模式中上线Skills模块,支持多模态任务的统一规划与协作。Jinja00
AgentCPM-Explore没有万亿参数的算力堆砌,没有百万级数据的暴力灌入,清华大学自然语言处理实验室、中国人民大学、面壁智能与 OpenBMB 开源社区联合研发的 AgentCPM-Explore 智能体模型基于仅 4B 参数的模型,在深度探索类任务上取得同尺寸模型 SOTA、越级赶上甚至超越 8B 级 SOTA 模型、比肩部分 30B 级以上和闭源大模型的效果,真正让大模型的长程任务处理能力有望部署于端侧。Jinja00