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。
atomcodeClaude Code 的开源替代方案。连接任意大模型,编辑代码,运行命令,自动验证 — 全自动执行。用 Rust 构建,极致性能。 | An open-source alternative to Claude Code. Connect any LLM, edit code, run commands, and verify changes — autonomously. Built in Rust for speed. Get StartedRust0213
cann-learning-hubCANN 学习中心仓,支持在线互动运行、边学边练,提供教程、示例与优化方案,一站式助力昇腾开发者快速上手。Jupyter Notebook0137
JoyAI-EchoJoyAI-Echo,这是一个独立的、仅用于推理的版本,旨在实现分钟级多镜头音视频生成。它采用了经过蒸馏的DMD生成器、配对的跨模态记忆以及故事级别的一致性。其性能的核心在于,一个跨模态视听记忆库能够在长达五分钟的视频中保持角色外观和语音音色的一致性。同时,一个训练后处理流程将基于记忆的强化学习与分布匹配蒸馏相结合,实现了7.5倍的速度提升,显著增强了视觉质量和对齐效果。00
GLM-5.2智谱开源 GLM-5.2,这是针对长文本任务的最新旗舰模型。相较于前代产品 GLM-5.1,它在长文本任务处理能力上实现了显著飞跃,并且首次在稳定的 100 万 token 上下文中提供这一能力。Jinja00
SwanLab⚡️SwanLab - an open-source, modern-design AI training tracking and visualization tool. Supports Cloud / Self-hosted use. Integrated with PyTorch / Transformers / LLaMA Factory / veRL/ Swift / Ultralytics / MMEngine / Keras etc.Python00
tiny-universe《大模型白盒子构建指南》:一个全手搓的Tiny-UniverseJupyter Notebook03