AFL++ 在 macOS 上编译时遇到的 dynamic_lookup 问题解析
问题背景
在使用 AFL++ 的 afl-clang-fast++ 编译器工具链在 macOS 系统上编译基于 LLVMFuzzerTestOneInput 的模糊测试工具时,开发者可能会遇到一个奇怪的编译错误。当尝试使用 -fsanitize=fuzzer 选项进行编译时,编译器会报告找不到 dynamic_lookup 文件或目录的错误。
错误现象
具体错误表现为:
clang++: error: no such file or directory: 'dynamic_lookup'
这个错误发生在使用 Apple 提供的 clang 编译器(如 Apple clang 15.0.0)时,特别是在 macOS 系统上。错误会阻止正常的编译过程,导致无法生成可执行的模糊测试工具。
问题根源
经过分析,这个问题源于 AFL++ 源代码中对 macOS 链接器标志的特殊处理方式。在 afl-cc.c 文件中,当检测到在 macOS 环境下编译时,AFL++ 会尝试添加两个独立的链接器参数:
-Wl,-undefineddynamic_lookup
然而,Apple 的 clang 编译器期望这些参数应该作为一个整体传递,即 -Wl,-undefined,dynamic_lookup。当参数被分开传递时,编译器会将第二个参数 dynamic_lookup 误解为一个文件名,而不是链接器选项的一部分,从而导致上述错误。
解决方案
解决这个问题的方案相对简单:将分开传递的两个链接器参数合并为一个参数。具体修改如下:
// 修改前
insert_param(aflcc, "-Wl,-undefined");
insert_param(aflcc, "dynamic_lookup");
// 修改后
insert_param(aflcc, "-Wl,-undefined,dynamic_lookup");
这个修改确保了链接器选项被正确地作为一个整体传递给编译器,避免了参数被误解为文件名的情况。
技术细节
-Wl,-undefined,dynamic_lookup 是 macOS 链接器的一个特殊选项,它告诉链接器在遇到未定义的符号时不要立即报错,而是推迟到运行时再解析。这在动态库加载和插件系统中特别有用,也是 AFL++ 在 macOS 上正常工作所需的设置。
验证结果
应用此修改后,编译过程能够顺利完成:
afl-cc++4.21a by Michal Zalewski, Laszlo Szekeres, Marc Heuse - mode: LLVM-PCGUARD
[+] Found '-fsanitize=fuzzer', replacing with libAFLDriver.a
SanitizerCoveragePCGUARD++4.21a
[+] Instrumented 1 locations with no collisions (non-hardened mode) of which are 0 handled and 0 unhandled selects.
兼容性考虑
虽然这个修改解决了在特定版本的 Apple clang 上出现的问题,但考虑到不同版本的编译器可能对参数格式有不同的要求,建议在更广泛的测试环境中验证这一修改的兼容性。特别是对于较旧版本的 macOS 和 clang 编译器,确保这种参数传递方式同样有效。
总结
这个问题的解决展示了在跨平台开发中处理不同编译器行为差异的重要性。通过将链接器参数合并传递,我们确保了 AFL++ 在 macOS 系统上的兼容性,使得模糊测试工具能够顺利编译和运行。对于使用 AFL++ 进行安全测试的开发者来说,这个修改可以避免在 macOS 环境下的编译障碍,提高开发效率。
ERNIE-4.5-VL-28B-A3B-ThinkingERNIE-4.5-VL-28B-A3B-Thinking 是 ERNIE-4.5-VL-28B-A3B 架构的重大升级,通过中期大规模视觉-语言推理数据训练,显著提升了模型的表征能力和模态对齐,实现了多模态推理能力的突破性飞跃Python00
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
MiniMax-M2MiniMax-M2是MiniMaxAI开源的高效MoE模型,2300亿总参数中仅激活100亿,却在编码和智能体任务上表现卓越。它支持多文件编辑、终端操作和复杂工具链调用Python00
HunyuanVideo-1.5暂无简介00
MiniCPM-V-4_5MiniCPM-V 4.5 是 MiniCPM-V 系列中最新且功能最强的模型。该模型基于 Qwen3-8B 和 SigLIP2-400M 构建,总参数量为 80 亿。与之前的 MiniCPM-V 和 MiniCPM-o 模型相比,它在性能上有显著提升,并引入了新的实用功能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
GOT-OCR-2.0-hf阶跃星辰StepFun推出的GOT-OCR-2.0-hf是一款强大的多语言OCR开源模型,支持从普通文档到复杂场景的文字识别。它能精准处理表格、图表、数学公式、几何图形甚至乐谱等特殊内容,输出结果可通过第三方工具渲染成多种格式。模型支持1024×1024高分辨率输入,具备多页批量处理、动态分块识别和交互式区域选择等创新功能,用户可通过坐标或颜色指定识别区域。基于Apache 2.0协议开源,提供Hugging Face演示和完整代码,适用于学术研究到工业应用的广泛场景,为OCR领域带来突破性解决方案。00