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。
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