afl-compiler-fuzzer 使用教程
1、项目介绍
afl-compiler-fuzzer 是一个针对编译器进行模糊测试的工具,它是 american fuzzy lop (AFL) 的一个变种。该项目旨在通过模糊测试技术发现编译器中的潜在漏洞。与传统的 AFL 相比,afl-compiler-fuzzer 在测试 C 语言类似的语法(如 Java、Solidity、Rust、C#、Swift、Javascript、Scala 等)时,能够显著提高测试效果。
该项目已经在 Solidity 智能合约编译器 solc 中发现了大量未知的漏洞,并因此获得了 Ethereum 基金会的 $1,000 美元的漏洞赏金。
2、项目快速启动
安装依赖
在开始之前,确保你的系统已经安装了必要的依赖,如 gcc、make 等。
克隆项目
首先,克隆 afl-compiler-fuzzer 项目到本地:
git clone https://github.com/agroce/afl-compiler-fuzzer.git
cd afl-compiler-fuzzer
编译项目
使用以下命令编译项目:
make
运行模糊测试
假设你有一个目标编译器 target_compiler,并且你有一个输入文件 input_file,你可以使用以下命令启动模糊测试:
./afl-fuzz -i input_file -o output_dir -- target_compiler @@
其中:
-i input_file:指定输入文件。-o output_dir:指定输出目录。target_compiler @@:指定目标编译器和输入文件占位符。
3、应用案例和最佳实践
应用案例
afl-compiler-fuzzer 已经被用于发现 Solidity 编译器 solc 中的多个漏洞,例如 ethereum/solidity#8272 和 ethereum/solidity#8265。这些漏洞的发现不仅帮助改进了 Solidity 编译器的安全性,还为开发者提供了宝贵的经验。
最佳实践
-
多样化输入:为了提高模糊测试的效果,建议使用多样化的输入文件。可以通过收集不同类型的输入文件来实现这一点。
-
监控和分析:使用
afl-plot工具生成 HTML 文件和图表,以便监控模糊测试的性能。例如:./afl-plot output_dir /srv/www/htdocs/plot -
持续集成:将模糊测试集成到持续集成(CI)流程中,以便在每次代码更新时自动运行模糊测试。
4、典型生态项目
1. afl-clang-fast
afl-clang-fast 是 AFL 的一个变种,专门用于与 LLVM 编译器集成。它提供了更快的编译速度和更好的性能优化。
2. libFuzzer
libFuzzer 是一个与 LLVM 集成的模糊测试库,可以与 AFL 结合使用,提供更强大的模糊测试能力。
3. zzuf
zzuf 是一个传统的模糊测试工具,虽然功能不如 AFL 强大,但在某些场景下仍然是一个不错的选择。
通过结合这些工具,可以构建一个强大的模糊测试生态系统,帮助发现和修复编译器中的潜在漏洞。
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