当前位置:首页 > 文章列表 > Golang > Go教程 > testingFuzz测试边界输入

testingFuzz测试边界输入

来源:17golang原创 2026-11-15 06:33:45 0浏览 收藏

用 Go 的 testing.F 测试边界输入,关键不在于盲目生成更多随机字符串,而在于先把业务边界放进 seed corpus,再用属性断言检查结果。常见做法是用 f.Add 放入空值、下限、上限、越界值和带噪声输入,用 f.Fuzz 接收同类型参数;普通 go test 先回放种子,go test -fuzz=... 再探索覆盖率。

要点速览
  • FuzzXxx(*testing.F) 只负责准备语料并声明一个 fuzz target。
  • f.Add 的参数类型、顺序必须和 f.Fuzz 的输入一致。
  • 失败输入进入 testdata/fuzz/FuzzParsePort 后,普通测试也会持续回归它。

把边界输入放在 seed corpus 中

以端口解析为例,边界不只是“随机字符串”。空字符串、0、65535、65536、带空格的数字和极长数字,分别对应缺失、下限、上限、越界、格式噪声与长度压力。把这些样本写进 f.Add,fuzz 引擎才有一组有意义的起点。

package port

import (
    "strconv"
    "testing"
)

func parsePort(s string) (int, error) {
    // 先解析十进制,再限制端口的业务范围。
    n, err := strconv.Atoi(s)
    if err != nil || n  65535 {
        return 0, strconv.ErrRange
    }
    return n, nil
}

func FuzzParsePort(f *testing.F) {
    // 种子覆盖缺失、上下限、越界和格式噪声。
    f.Add("")
    f.Add("1")
    f.Add("65535")
    f.Add("0")
    f.Add("65536")
    f.Add(" 8080 ")

    f.Fuzz(func(t *testing.T, input string) {
        // 断言结果边界,不假设每个随机输入都能成功解析。
        port, err := parsePort(input)
        if err == nil && (port  65535) {
            t.Fatalf("port out of range: %d", port)
        }
    })
}
Go testing.Fuzz 中 FuzzParsePort、f.Add、seed corpus、f.Fuzz、parsePort 与范围断言的静态关系说明图
图1:结构说明图,查看边界种子、fuzz target 与端口解析函数之间的关系;这不是运行截图。

让 f.Fuzz 参数与 f.Add 类型对齐

Go 要求 fuzz 测试函数写成 FuzzXxx(*testing.F),并且一个 fuzz 测试只能提供一个 f.Fuzz target。上例里 f.Add 传入 string,所以 target 必须接收 func(t *testing.T, input string)。如果改成 []byte 或增加第二个参数,所有种子都要同步调整,不能靠类型转换掩盖错位。

断言也应围绕不变量写。对于解析器,最稳的检查是“成功时结果在合法范围内、失败时不 panic”;对于编码器,可以检查 round-trip;对于校验器,可以检查非法输入始终返回错误。随机输入没有固定答案,直接断言某个具体字符串通常会让测试失去意义。

让边界失败可以复现

先跑种子语料,确认已有边界输入没有问题:

# 先回放 FuzzParsePort 的种子和已保存失败语料
go test -run=FuzzParsePort

# 再限定探索时长,避免本地任务无限运行
go test -fuzz=FuzzParsePort -fuzztime=30s

启用 fuzz 后,Go 会利用覆盖率插桩保留能扩展路径的输入。发现失败时,输入会写入 testdata/fuzz/FuzzParsePort(无法写入时可能落到 fuzz cache),之后不带 -fuzz 的普通测试也会回放它。这个目录里的失败样本应当像回归用例一样提交;缓存里的生成语料只服务当前 fuzz 运行,不要误当成稳定测试资产。

Go testing.Fuzz 中 -fuzz、-fuzztime、coverage instrumentation、generated corpus 与失败语料回放的静态关系说明图
图2:结构说明图,区分 fuzz 运行参数、生成语料与 go test 回放入口;这不是运行截图。

边界语料的维护清单

输入类型示例应检查的结果
缺失值""返回错误且不 panic
合法边界"1"、"65535"结果落在约定范围
越界值"0"、"65536"拒绝并保留错误语义
格式噪声" 8080 "、超长数字明确接受规则,不靠偶然通过

维护 fuzz 测试时,先问“这个输入想覆盖哪条业务边界”,再决定加入 f.Add 还是提交到 testdata/fuzz。语料越贴近真实边界,属性断言越具体,随机探索才越容易产生可复现的价值。

相关问题

普通 go test 会执行 fuzz 测试吗?

会。默认不会持续生成新输入,但会执行 f.Add 和 testdata/fuzz/FuzzParsePort 中的种子,因此适合放进日常回归。

f.Add 和 f.Fuzz 的参数为什么必须一致?

f.Add 的参数就是 seed corpus 的字段,f.Fuzz 的参数是 target 接收的字段;类型或顺序不一致,语料无法按目标签名解释。

失败语料应该放在哪里?

需要长期回归的失败样本放在对应包的 testdata/fuzz/FuzzParsePort;只在当前探索中使用的生成语料留在 fuzz cache 即可。

go
版本声明
本文转载于:17golang原创 如有侵犯,请联系study_golang@163.com删除
httptestNewTestServer测试HTTP处理器httptestNewTestServer测试HTTP处理器
上一篇
httptestNewTestServer测试HTTP处理器
Benchmark报告分配次数
下一篇
Benchmark报告分配次数
查看更多
最新文章
查看更多
课程推荐
  • 前端进阶之JavaScript设计模式
    前端进阶之JavaScript设计模式
    设计模式是开发人员在软件开发过程中面临一般问题时的解决方案,代表了最佳的实践。本课程的主打内容包括JS常见设计模式以及具体应用场景,打造一站式知识长龙服务,适合有JS基础的同学学习。
    543次学习
  • GO语言核心编程课程
    GO语言核心编程课程
    本课程采用真实案例,全面具体可落地,从理论到实践,一步一步将GO核心编程技术、编程思想、底层实现融会贯通,使学习者贴近时代脉搏,做IT互联网时代的弄潮儿。
    516次学习
  • 简单聊聊mysql8与网络通信
    简单聊聊mysql8与网络通信
    如有问题加微信:Le-studyg;在课程中,我们将首先介绍MySQL8的新特性,包括性能优化、安全增强、新数据类型等,帮助学生快速熟悉MySQL8的最新功能。接着,我们将深入解析MySQL的网络通信机制,包括协议、连接管理、数据传输等,让
    500次学习
  • JavaScript正则表达式基础与实战
    JavaScript正则表达式基础与实战
    在任何一门编程语言中,正则表达式,都是一项重要的知识,它提供了高效的字符串匹配与捕获机制,可以极大的简化程序设计。
    487次学习
  • 从零制作响应式网站—Grid布局
    从零制作响应式网站—Grid布局
    本系列教程将展示从零制作一个假想的网络科技公司官网,分为导航,轮播,关于我们,成功案例,服务流程,团队介绍,数据部分,公司动态,底部信息等内容区块。网站整体采用CSSGrid布局,支持响应式,有流畅过渡和展现动画。
    485次学习
查看更多
AI推荐
  • PubMedQA数据集详解:生物医学问答基准、功能与应用指南
    PubMedQA
    深入了解PubMedQA生物医学问答数据集,涵盖其核心功能、使用方法及在临床决策、药物研发等场景的应用,助力提升NLP模型性能。
    1034次使用
  • H2O EvalGPT:开源LLM大模型评估与排行榜工具
    H2O EvalGPT
    H2O EvalGPT是H2O.ai推出的开源LLM评估平台,提供详细的大模型性能排行榜、行业特定基准测试及A/B测试功能,助您快速选择最适合项目的高性能大语言模型。
    1033次使用
  • LMArena是什么?伯克利AI模型评估平台使用指南与功能解析
    LMArena
    LMArena是加州大学伯克利分校推出的AI模型匿名评测平台。通过盲测投票机制,用户可对比不同大模型回答并生成实时排行榜,助力开发者优化模型及用户选择最佳AI工具。
    1175次使用
  • 斯坦福HELM:大语言模型Holistic Evaluation整体评估框架详解
    HELM
    深入了解斯坦福推出的HELM(Holistic Evaluation of Language Models)大模型评测体系。本文解析其核心功能、安装配置步骤及应用场景,涵盖准确性、公平性、鲁棒性等多维度指标,助力开发者全面优化语言模型性能。
    1139次使用
  • MMBench详解:多模态大模型基准测试、功能特点与使用指南
    MMBench
    MMBench是由上海人工智能实验室等机构联合推出的多模态基准测试平台,提供细粒度能力评估、大规模数据集及VLMEvalKit工具。本文详细介绍其核心功能、安装使用方法及应用场景,助力开发者全面评估多模态模型性能。
    979次使用
微信登录更方便
  • 密码登录
  • 注册账号
登录即同意 用户协议 和 隐私政策
返回登录
  • 重置密码