摘要： 针对工业控制协议中复杂格式与字段依赖难以建模，传统模糊测试在测试用例接收率与样本多样性方面存在不足，提出一种协同表征学习与强化学习的工控协议模糊测试方法。该方法结合深度可分离卷积的高效特征提取能力与多头自注意力机制的全局依赖建模优势，构建多尺度特征提取器，捕捉局部与全局特征。引入强化学习优化策略，增强潜在空间表达能力。提出通用ICP(Industrial Control Protocols)模糊测试框架RLCAFuzzer，并在典型能源企业工业场景的攻防演练靶场上对3种常见工控协议(Modbus/TCP，Ethernet/IP，S7 comm)进行实验验证。结果表明该框架的TCAR指标显著提高，并展现出更强异常触发能力，验证了其在工控协议漏洞挖掘中的有效性与先进性。
A fuzz testing method for industrial control protocols based on representation learning and reinforcement learning
He Kan 1,2, Wang Zhi1,2,Shi Hongyan1,2,Lian Lian1,2,Sun Yifei1,2,Ning Bowei2,3,Zong Xuejun1,2
1. College of Information Engineering, Shenyang University of Chemical Technology; 2. Key Laboratory of Information Security for Petrochemical Industry in Liaoning Province; 3. School of Artificial Intelligence，Shenyang University of Technology
Abstract： Given the difficulty in modeling the complex formats and field dependencies of industrial control protocols, traditional fuzz testing suffers from shortcomings in test case acceptance rate and sample diversity. This paper proposes a fuzz testing method for industrial control protocols that combines multiscale representation learning with reinforcement learning. This method combines the efficient feature extraction capabilities of depthwise separable convolutions with the global dependency modeling advantages of a multihead selfattention mechanism to design a multiscale feature extractor that captures both local and global features. A reinforcement learning optimization strategy is introduced to enhance the latent space representation capability. A general ICP (Industrial Control Protocols) fuzz testing framework, RLCAFuzzer, is designed and validated experimentally against three common industrial control protocols (Modbus/TCP, Ethernet/IP, and S7 comm) in a typical energy enterprise attack and defense scenario. Results demonstrate a significant improvement in the TCAR metric and enhanced anomaly triggering capability, demonstrating its effectiveness and advancement in industrial control protocol vulnerability detection.
Key words : fuzz testing;industrial control protocols;vulnerability detection;variational autoencoder;Transforme
引言
工業控制系統(Industrial Control System,ICS)是由計算機設備和工業控制元件組成的自動控制系統，廣泛應用于水處理、化工、制造和其他關鍵領域［1］，通過實時監控和控制工業過程，保障了社會生產的高效與安全。然而，隨著“互聯網+”的提出，工業物聯網(IIoT)［2］與工業控制系統緊密結合［3］，催生了智能工業生態系統的發展。工業控制系統變得互聯互通［4］，且正逐步向智能化和網絡化方向演進，傳統的封閉式網絡結構逐漸被開放式網絡所取代［5］。工業控制協議作為信息化系統各部分之間溝通的橋梁［6］，是信息安全傳輸的重要保障，其安全性至關重要［7］。然而工控協議在設計之初專注于功能性，追求協議的簡潔性和高性能，并未充分考慮安全性問題，在使用中便頻繁暴露出安全漏洞［8］。漏洞挖掘指綜合應用各種技術工具，最大限度地識別軟件程序、網絡協議等系統中潛在安全漏洞的過程［9］。傳統的漏洞挖掘方法通常依賴于靜態代碼分析或已知協議的逆向分析［10］。這些方法需要豐富的先驗知識，并且對工控系統特有的復雜協議結構缺乏針對性。近年來模糊測試(Fuzz Testing)［11］作為一種通用的漏洞挖掘方法［12］，受到了廣泛關注。模糊測試的基本流程通常包括數據預處理、測試用例生成、測試執行、異常監測與漏洞分析等環節。模糊測試前需要收集目標系統的歷史通信流量或已知協議數據，以構建初始測試樣本并提取關鍵特征。隨后，測試用例生成模塊依據不同策略構造大量測試數據，這些數據可以通過變異已有輸入(如隨機修改、插入或刪除字節)或基于規則從零生成［13］，以最大程度覆蓋潛在攻擊面。然而，在模糊測試的實施過程中，通常需要依據特定的規范設計和生成測試數據，這一過程帶來了諸多限制［14］。為突破這些限制，研究者們開始探索將深度學習［15］引入模糊測試，以優化測試用例生成和協議格式學習。例如，Wang等人［16］提出基于Transformer的協議相似性變異方法，通過語義建模提升測試用例接收率以增強異常觸發能力，但其性能依賴訓練數據質量，跨協議泛化能力不足。Wanyan等人［17］基于非關鍵字段變異融合信息熵的獨特性來提升樣本多樣性，但其依賴協議先驗解析，難以適應未知或私有協議。Yu等人［18］提出CovGAN方法(CGFuzzer)，利用生成對抗網絡提升覆蓋率，但GAN模型在高維空間中易出現模式崩潰，導致生成分布集中。Lv等人［19］提出BLSTMDCNNFuzz，提高了模糊測試的自動化程度，但需大量標注樣本，計算成本高，不適用于資源受限的場景。Zhao等人［20］提出的SeqFuzzer提高了測試效率和對狀態協議的適應性，但生成階段缺乏分布約束，難以兼顧覆蓋率與多樣性。Zhao等人［21］提出的AMSFuzz通過自適應調度優化變異算子選擇，提高路徑探索能力，但仍受傳統變異策略框架限制，對高維輸入泛化不足，且依賴初始種子質量，難以實現真正的自主生成與多樣性控制。綜上，本文提出一種協同多尺度表征學習與強化學習的工控協議模糊測試方法。利用深度可分離卷積高效提取協議報文的多層次特征，并通過多頭注意力機制融合局部字段與全局依賴信息；引入潛在空間優化策略，動態調整潛在空間的結構與分布，顯著提升測試用例的多樣性。在典型能源企業工業場景的攻防演練靶場上進行實驗以驗證模型的有效性。實驗結果表明，本文方法具備較強的異常觸發能力，能夠生成多樣性且符合標準的測試用例，具備更強的漏洞挖掘能力。
