Proxmark3测试框架并行执行问题分析与修复
2025-06-13 14:48:53作者:房伟宁
问题背景
在Proxmark3项目的最新版本v4.18994中,测试套件在并行执行时出现了不稳定的情况。具体表现为nonce2key测试间歇性失败,这一问题在Kali Linux打包过程中被发现。测试失败的根本原因在于测试框架的设计与并行执行机制存在冲突。
技术分析
Proxmark3的测试框架采用了一个分层结构:
- 顶层Makefile定义了两个测试目标:
mfc_card_only/check和mfc_card_reader/check - 这两个目标都会调用
tools/pm3_tests.sh脚本执行测试 - 但脚本本身并未针对这两种测试场景做区分处理,导致无论调用哪个目标都会执行全部测试
当使用make -j并行执行时,两个测试目标会同时运行,造成:
- 测试文件访问冲突
- 临时文件清理竞争条件
- 测试结果互相干扰
解决方案
修复方案的核心思想是为不同的测试目标指定明确的测试子集:
- 对于
mfc_card_only/check目标,只执行nonce2key和staticnested测试 - 对于
mfc_card_reader/check目标,只执行mfkey和mf_nonce_brute测试
具体实现修改了Makefile中的测试目标定义,直接传递对应的测试参数,而不是依赖可能被覆盖的变量。
技术细节
原问题代码
原Makefile中测试目标定义较为简单,没有区分测试场景:
mfc_card_only/check: FORCE
$(Q)$(BASH) tools/pm3_tests.sh $(CHECKARGS) $(patsubst %/check,%,$@)
修复后代码
修改后明确指定了每个目标要运行的测试子集:
mfc_card_only/check: FORCE
$(Q)$(BASH) tools/pm3_tests.sh nonce2key staticnested
mfc_card_reader/check: FORCE
$(Q)$(BASH) tools/pm3_tests.sh mfkey mf_nonce_brute
影响范围
该修复主要影响:
- 使用并行测试执行的场景
- 自动化构建和打包流程
- 需要运行部分测试而非全部测试的情况
最佳实践建议
对于Proxmark3项目的测试执行,建议遵循以下流程:
- 先完成完整构建:
make clean && make all - 然后执行测试:
- 串行测试:
make check - 并行测试:
make -j && make check
- 串行测试:
- 如需单独测试特定模块,可使用修复后提供的目标
总结
通过对Proxmark3测试框架的这次修复,解决了并行执行时的稳定性问题,同时也提高了测试框架的灵活性和可维护性。这一改进使得自动化构建流程更加可靠,为项目的持续集成提供了更好的支持。
登录后查看全文
热门项目推荐
相关项目推荐
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
项目优选
收起
deepin linux kernel
C
24
9
Ascend Extension for PyTorch
Python
223
246
暂无简介
Dart
672
157
本项目是CANN提供的数学类基础计算算子库,实现网络在NPU上加速计算。
C++
663
313
React Native鸿蒙化仓库
JavaScript
262
324
Nop Platform 2.0是基于可逆计算理论实现的采用面向语言编程范式的新一代低代码开发平台,包含基于全新原理从零开始研发的GraphQL引擎、ORM引擎、工作流引擎、报表引擎、规则引擎、批处理引引擎等完整设计。nop-entropy是它的后端部分,采用java语言实现,可选择集成Spring框架或者Quarkus框架。中小企业可以免费商用
Java
9
1
🎉 (RuoYi)官方仓库 基于SpringBoot,Spring Security,JWT,Vue3 & Vite、Element Plus 的前后端分离权限管理系统
Vue
1.2 K
655
🔥LeetCode solutions in any programming language | 多种编程语言实现 LeetCode、《剑指 Offer(第 2 版)》、《程序员面试金典(第 6 版)》题解
Java
64
19
openGauss kernel ~ openGauss is an open source relational database management system
C++
160
218
TorchAir 支持用户基于PyTorch框架和torch_npu插件在昇腾NPU上使用图模式进行推理。
Python
330
137