引言

工業 控 制 系 統  ( Industrial Control Systems, ICS )  在現代工業自動化中至關重要 , 廣泛應用于制造業、 電力系 統 等 領 域[1] 。ICS 通 常 由 可 編 程 邏 輯 控 制 器  (PLC) 、分 布 式 控 制 系 統  ( DCS ) 、遠 程 終 端 單 元  (RTU) 等 [2] 工控設備組成 , 設備之間通過工業控制協  議  (Industrial Control Protocol, ICP) 進行通信和控制。 隨著工業互聯網的發展 , ICS 逐步向開放網絡架構轉  型 [3] , 雖提升了系統的互聯互通能力 , 卻面臨網絡攻  擊威脅 。例如 , 2025 年 5 月 巴基斯坦對印度發動大規  模網絡攻擊 , 導致印度國家電網工業控制系統受到攻  擊 , 使印度約 70% 的電網癱瘓[4] 。

許多 ICP 設計之初并未充分考慮網絡安全問題 , 其固有的脆弱性使得漏洞挖掘成為研究的重點[5] 。模 糊測試可通過變異協議報文并觀察設備響應發現未知 漏洞[6] , 然而 , 傳統的模糊測試在應用于 ICP 時面臨 著多樣性不足和接收率低等問題[7] 。

近年來 , 深度 學 習[8] 和 強 化 學 習[9] 在 漏 洞 挖 掘 領域展現出強大潛力 。Cheng 等 [10] 提出 MSFuzz, 利 用大型語言模型  ( Large Language Models, LLM) 理 解協議語法結構 , 生成符合協議規范的測試用例 , 但 模型訓練依賴有限的協議樣本 。Yang 等[11] 提出 WG- GFuzz, 利 用 生 成 對 抗 網 絡   ( Generative Adversarial Network , GAN) 生成測試用例 , 但過度依賴特定協 議的格式和狀態特征且普適性不足 。Che 等 [12] 提出 了一種基于信息理論的模糊測試方法 , 通過協議結構 解析算法和基于遺傳算法生成測試用例 , 但對訓練數 據的質量和數量有一定依賴 。Wanyan 等 [13] 提出了基 于協議特征的變異方法 , 利用非關鍵字段的變異與測 試用例組合技術 , 減少了冗余輸入的生成 , 但接收率 不足。

當前 , 針對工控協議的特征提取存在一些不足 , 單一的深度學習模型不能準確提取特征 。卷積神經網  絡  (Convolutional Neural Networks, CNN) [14] 雖能捕捉  協議字段局部組合模式 , 但無法建模長距離時序依賴。 時 序 卷 積 網 絡   ( Temporal  Convolutional  Network, TCN) [15] 可通過因果卷積與膨脹卷積覆蓋長時序 , 但  對關鍵語義字段關注度不足 。因此 , 本文通過 CTCA- Net 模型提取特征 。不同于單一模型的局限性 , CTCA- Net 采用融合設計思路 , CNN 捕捉協議報文的局部結  構特征 , TCN 建立字段間的長時序依賴關系 , 再通過  注意力機制對關鍵語義字段進行強調 , 最終實現特征  提取性能的提升。

綜上 , 本文提出了一種融合深度特征與強化學 習的工 控 協 議 模 糊 測 試 方 法 。本 文 主 要 貢 獻 概 括 如下 :

(1) 提出 CTCA-Net 模型提取協議深層特征 , 解 決傳統方法對協議語義理解不足的問題 , 提升測試用 例接收率與多樣性。

(2) 設計 Actor-Critic 強化學習框架 , 實現變異策 略自主優化 , 解決傳統變異策略單一問題 , 提升測試 效率。

(3) 采用 Modbus TCP、EtherNet/IP 和 S7Comm 協 議評估 CTARFuzz 性能 , 與現有模糊測試方法相比 , CTARFuzz 擁有較高的異常觸發率 , 驗證了其在不同協 議與設備中的適配性及實用性。

本文詳細內容請下載：

http://www.tom3567.com/resource/share/2000006983

作者信息：

宗學軍1 ,2 , 孫俊輝1 ,2 , 何   戡1 ,2 , 史洪巖1 ,2 , 連   蓮1 ,2 , 寧博偉2 ,3

(1. 沈陽化工大學    信息工程學院 , 遼寧   沈陽    110142 ; 

2. 遼寧省石油化工行業信息安全重點實驗室 , 遼寧    沈陽    110142 ;

3. 沈陽工業大學   人工智能學院 , 遼寧    沈陽    110870)