我正在尝试编写一个脚本，该脚本通过创建随机utf-8编码的字符串，然后将其解码为unicode来生成随机unicode。对于单个字节，它工作正常，但是对于两个字节，它将失败。
例如，如果我在python shell中运行以下命令：
>>> a = str()
>>> a += chr(0xc0) + chr(0xaf)
>>> print a.decode('utf-8')
UnicodeDecodeError: 'utf8' codec can't decode byte 0xc0 in position 0: invalid start byte
根据utf-8方案https://en.wikipedia.org/wiki/UTF-8#Description，字节序列0xc0 0xaf应以0xc0开头110和0xaf开头都有效10。
这是我的python脚本：
def unicode(self):
'''returns a random (astral) utf encoded byte string'''
num_bytes = random.randint(1,4)
if num_bytes == 1:
return self.gen_utf8(num_bytes, 0x00, 0x7F)
elif num_bytes == 2:
return self.gen_utf8(num_bytes, 0xC0, 0xDF)
elif num_bytes == 3:
return self.gen_utf8(num_bytes, 0xE0, 0xEF)
elif num_bytes == 4:
return self.gen_utf8(num_bytes, 0xF0, 0xF7)
def gen_utf8(self, num_bytes, start_val, end_val):
byte_str = list()
byte_str.append(random.randrange(start_val, end_val)) # start byte
for i in range(0,num_bytes-1):
byte_str.append(random.randrange(0x80,0xBF)) # trailing bytes
a = str()
sum = int()
for b in byte_str:
a += chr(b)
ret = a.decode('utf-8')
return ret
if __name__ == "__main__":
g = GenFuzz()
print g.gen_utf8(2,0xC0,0xDF)
实际上，这是无效的UTF-8。在UTF-8中，只能使用两个字节对U + 0080到U + 07FF（含）范围内的代码点进行编码。仔细阅读Wikipedia文章，您将看到相同的内容。结果，该字节0xc0可能永远不会出现在UTF-8中。的情况也是如此0xc1。
某些UTF-8解码器具有错误的解码序列，例如C0 AF有效的UTF-8，这在过去已导致安全漏洞。
本文收集自互联网，转载请注明来源。
如有侵权，请联系[email protected] 删除。
我来说两句