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。
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
请把这个活动推给顶尖程序员😎本次活动专为懂行的顶尖程序员量身打造,聚焦AtomGit首发开源模型的实际应用与深度测评,拒绝大众化浅层体验,邀请具备扎实技术功底、开源经验或模型测评能力的顶尖开发者,深度参与模型体验、性能测评,通过发布技术帖子、提交测评报告、上传实践项目成果等形式,挖掘模型核心价值,共建AtomGit开源模型生态,彰显顶尖程序员的技术洞察力与实践能力。00
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
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- 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