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,-undefined
dynamic_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。
- GGLM-4.5-AirGLM-4.5 系列模型是专为智能体设计的基础模型。GLM-4.5拥有 3550 亿总参数量,其中 320 亿活跃参数;GLM-4.5-Air采用更紧凑的设计,拥有 1060 亿总参数量,其中 120 亿活跃参数。GLM-4.5模型统一了推理、编码和智能体能力,以满足智能体应用的复杂需求Jinja00
- QQwen3-Coder-480B-A35B-InstructQwen3-Coder-480B-A35B-Instruct是当前最强大的开源代码模型之一,专为智能编程与工具调用设计。它拥有4800亿参数,支持256K长上下文,并可扩展至1M,特别擅长处理复杂代码库任务。模型在智能编码、浏览器操作等任务上表现卓越,性能媲美Claude Sonnet。支持多种平台工具调用,内置优化的函数调用格式,能高效完成代码生成与逻辑推理。推荐搭配温度0.7、top_p 0.8等参数使用,单次输出最高支持65536个token。无论是快速排序算法实现,还是数学工具链集成,都能流畅执行,为开发者提供接近人类水平的编程辅助体验。【此简介由AI生成】Python00
- KKimi-K2-InstructKimi-K2-Instruct是月之暗面推出的尖端混合专家语言模型,拥有1万亿总参数和320亿激活参数,专为智能代理任务优化。基于创新的MuonClip优化器训练,模型在知识推理、代码生成和工具调用场景表现卓越,支持128K长上下文处理。作为即用型指令模型,它提供开箱即用的对话能力与自动化工具调用功能,无需复杂配置即可集成到现有系统。模型采用MLA注意力机制和SwiGLU激活函数,在vLLM等主流推理引擎上高效运行,特别适合需要快速响应的智能助手应用。开发者可通过兼容OpenAI/Anthropic的API轻松调用,或基于开源权重进行深度定制。【此简介由AI生成】Python00
2025百大提名项目
GitCode百大计划旨在表彰GitCode平台上积极推动项目社区化,拥有广泛影响力的G-Star项目,入选项目不仅代表了GitCode开源生态的蓬勃发展,也反映了当下开源行业的发展趋势。00note-gen
一款跨平台的 Markdown AI 笔记软件,致力于使用 AI 建立记录和写作的桥梁。TSX02GitCode百大开源项目
GitCode百大计划旨在表彰GitCode平台上积极推动项目社区化,拥有广泛影响力的G-Star项目,入选项目不仅代表了GitCode开源生态的蓬勃发展,也反映了当下开源行业的发展趋势。04
热门内容推荐
最新内容推荐
项目优选









