计算机应用

作者：宗学军, 韩冰, 王国刚, 宁博伟, 何戡, 连莲

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（沈阳化工大学），沈阳 110142；3.沈阳工业大学 人工智能学院，沈阳 110870

关键词：模糊测试,工业控制协议,漏洞挖掘,Transformer,循环神经网络

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

针对模糊测试在工业控制协议（ICP）应用中存在测试用例接受率（TCAR）低和多样性不足等问题，提出一种基于自适应动态区间策略的ICP模糊测试方法。将循环神经网络（RNN）加入Transformer的自注意力机制，以构建协议特征提取模型；使用RNN通过滑动窗口提取数据的局部特征，并引入自注意力机制进行全局特征提取，以保证TCAR；在自注意力块间添加残差连接，以传递权重分数并提高计算效率；生成过程定义动态区间策略，调节模型在任意时间步的采样范围，从而增加测试用例的多样性；在测试过程中构建字段自适应重要性函数，以定位变异关键字段。基于上述方法，设计模糊测试框架TDRFuzzer，并采用Modbus TCP、S7 comm和Ethernet/IP等3种工业协议进行实验评估。结果表明，相较于GANFuzzer、WGANFuzzer和PeachFuzzer这3种模型，TDRFuzzer的TCAR指标显著提高，且漏洞检测率（VDR）分别提高了0.073、0.035和0.150个百分点，表明TDRFuzzer具备更强的ICP漏洞挖掘能力。

来源：2025年第10期

《计算机应用》期刊编辑部

查看计算机应用杂志2025年第10期