计算机应用研究

作者：连莲,孙世明,王国刚,宁博伟,何戡,孙逸菲,宗学军,

单位：1.沈阳化工大学信息工程学院,沈阳110142；2.辽宁省石油化工行业信息安全重点实验室,沈阳110142；3.沈阳工业大学人工智能学院,沈阳110870；

关键词：工业控制协议,潜在特征表示,动态多尺度判别器,Transformer,自对抗学习,模糊测试,漏洞挖掘,

基金：辽宁省自然科学基金资助项目(2023-MSLH-273)；辽宁省科学技术计划资助项目(2023JH1/10400082)；辽宁省人工智能创新发展计划资助项目(2023JH26/1030008)；辽宁省科技创新平台建设计划资助项目(［2022］36号)；；

工业控制协议（ICP）由于缺乏认证、授权和加密等安全措施，存在大量漏洞，对工业控制系统（ICS）的安全构成重大威胁。模糊测试作为一种主流的漏洞挖掘技术，在ICP中的应用存在测试用例接收率低和多样性不足的问题。为了解决这些问题，提高ICP漏洞挖掘效率，提出了基于多尺度潜在特征表示（multi-scale latent feature representation）的工业控制协议模糊测试方法。该方法将Transformer与生成对抗网络（GAN）在潜在空间中相结合，使用Transformer获取协议报文潜在特征的向量表示，并通过一个动态的多尺度判别器捕捉潜在表示序列中ICP不同尺度的语义信息，融合局部字段特征和全局语义特征，提升测试用例的接收率。此外，引入自对抗学习策略对生成对抗网络进行训练，降低潜在特征表示的冗余，增加测试用例的多样性。基于上述方法，设计了一个通用的ICP模糊测试框架MLFRFuzzer，采用S7comm、Ethernet/IP和Modbus/TCP三种ICP对其性能进行评估，实验结果表明MLFRFuzzer生成的测试用例接收率更高并且更具多样性，异常触发率相较于DCGANFuzzer、WGANFuzzer和PeachFuzzer分别提高23.76%、44.07%和71.96%，验证了MLFRFuzzer的有效性与普适性，与传统的ICP模糊测试方法相比，具有更强的漏洞挖掘能力。

来源：2025年第2期

《计算机应用研究》期刊编辑部

查看计算机应用研究杂志2025年第2期