融合双通道语义特征的工业控制协议模糊测试方法DCSFFuzzer

doi:10.11772/j.issn.1001-9081.2025081026

《计算机应用》唯一官方网站 ›› 2026, Vol. 46 ›› Issue (9): 2877-2888.DOI: 10.11772/j.issn.1001-9081.2025081026

• 网络空间安全 • 上一篇

融合双通道语义特征的工业控制协议模糊测试方法DCSFFuzzer

何戡¹^,²(), 马洪峰¹^,², 宗学军¹^,², 史洪岩¹^,², 连莲¹^,², 宁博伟²^,³

^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

收稿日期:2025-09-08 修回日期:2025-10-10 接受日期:2025-10-27 发布日期:2025-11-07 出版日期:2026-09-10
通讯作者: 何戡
作者简介:何戡（1978—），男，辽宁沈阳人，副教授，硕士，主要研究方向：工业信息安全
马洪峰（2000—），男（蒙古族），天津宁河人，硕士研究生，主要研究方向：工业信息安全、漏洞挖掘
宗学军（1970—），男，辽宁沈阳人，教授，硕士，主要研究方向：工业信息安全
史洪岩（1977—），女，辽宁沈阳人，副教授，博士，主要研究方向：工业信息安全
连莲（1981—），女，辽宁丹东人，教授，博士，主要研究方向：控制理论与控制工程、工业信息安全
宁博伟（1998—），男，辽宁大连人，博士研究生，主要研究方向：工业信息安全。
基金资助:
辽宁省科技重大专项（辽科办发［2025］77号（3）-1, 2024JH1/11700049）;辽宁省应用基础研究计划项目（辽科办发［2025］64号（12））;辽宁省自然科学基金资助项目(2023-MSLH-273)

DCSFFuzzer： dual-channel semantic feature fusion-based fuzz testing method for industrial control protocols

Kan HE¹^,²(), Hongfeng MA¹^,², Xuejun ZONG¹^,², Hongyan SHI¹^,², Lian LIAN¹^,², Bowei NING²^,³

^1.College of Information Engineering，Shenyang University of Chemical Technology，Shenyang Liaoning 110142，China
^2.Liaoning Key Laboratory of Information Security for Petrochemical Industry （Shenyang University of Chemical Technology），Shenyang Liaoning 110142，China
^3.School of Artificial Intelligence，Shenyang University of Technology，Shenyang Liaoning 110870，China

Received:2025-09-08 Revised:2025-10-10 Accepted:2025-10-27 Online:2025-11-07 Published:2026-09-10
Contact: Kan HE
About author:HE Kan， born in 1978， M. S.， associate professor. His research interests include industrial information security.
MA Hongfeng， born in 2000， M. S. candidate. His research interests include industrial information security， vulnerability mining.
ZONG Xuejun， born in 1970， M. S.， professor. His research interests include industrial information security.
SHI Hongyan， born in 1977， Ph. D.， associate professor. Her research interests include industrial information security.
LIAN Lian， born in 1981， Ph. D.， professor. Her research interests include control theory and control engineering， industrial information security.
NING Bowei， born in 1998， Ph. D. candidate. His research interests include industrial information security.
Supported by:
Natural Science Foundation of Liaoning Province(2023-MSLH-273);Major Science and Technology Project of Liaoning Province （Liaokeban Fa ［2025］77（3）-1, 2024JH1/11700049）;Applied Basic Research Program of Liaoning Province （Liaokeban Fa ［2025］64（12））

摘要/Abstract

摘要：

针对现有模糊测试技术在工业控制协议（ICP）深层语义建模与特征表达方面的不足，导致测试用例重复率高和接受率低等问题，提出一种融合双通道语义特征的ICP模糊测试方法DCSFFuzzer。该方法采用双通道并行架构对ICP进行多层次语义建模，并借助生成对抗网络（GAN）生成多样化的测试用例。首先，通过Transformer编码器捕获协议序列中的全局依赖关系，以提取全局语义特征，利用多尺度一维卷积神经网络（CNN）编码器捕捉局部相邻字节或字段之间的关系，以提取局部字段特征；其次，利用门控循环单元（GRU）对提取的多层次语义特征实现自适应特征融合，增强关键语义特征表达，从而提高测试用例的接受率；最后，在GAN中引入“相对判别”训练策略，通过比较真实样本与生成样本的相对真实性以缓解模式崩溃，从而增强测试用例的多样性。基于上述方法，设计模糊测试框架DCSFFuzzer，并针对Modbus/TCP、S7comm和Ethernet/IP 3种ICP进行实验评估。实验结果表明，相较于WGANFuzzer、TDRFuzzer、MLFRFuzzer、GANFuzzer和PeachFuzzer 5种模型，DCSFFuzzer的测试用例接受率（TCAR）和生成数据的多样性（DGD）更优，且测试目标异常率（TTAR）分别提升了0.016、0.024、0.069、0.130和0.172个百分点，验证了该方法的有效性。DCSFFuzzer通过融合多层次语义特征，在ICP漏洞上覆盖更广，提升了工业控制系统的安全检测能力。

关键词: 模糊测试, Transformer, 多尺度一维卷积神经网络, 双通道, 特征融合, 工业控制协议, 漏洞挖掘

Abstract:

To address the limits of the existing fuzz testing techniques in deep semantic modeling and feature representation of Industrial Control Protocols （ICPs）， leading to high test case redundancy and low acceptance rates， an ICP fuzz testing method based on dual-channel semantic feature fusion， DCSFFuzzer， was proposed. In the method， dual-channel parallel architecture was adopted to perform multi-level semantic modeling for ICPs， and a Generative Adversarial Network （GAN） was used to generate diverse test cases. First， global semantic features were extracted by capturing global dependencies in protocol sequences with a Transformer encoder， and local field features were extracted by capturing relationships among adjacent bytes or fields with a multi-scale one-dimensional Convolutional Neural Network （CNN） encoder. Second， the extracted multi-level semantic features were fused by a Gated Recurrent Unit （GRU） adaptively to enhance key semantic feature representation， thereby increasing the acceptance rate of test cases. Finally， a “relativistic discriminator” training strategy was introduced in the GAN to enhance diversity of test cases by comparing relative authenticity of real and generated samples to alleviate mode collapse. Based on the above methods， the fuzz testing framework DCSFFuzzer was designed， and experiments were conducted on three ICPs： Modbus/TCP， S7comm， and Ethernet/IP. Experimental results show that compared with five models： TDRFuzzer， MLFRFuzzer， WGANFuzzer， GANFuzzer， and PeachFuzzer， DCSFFuzzer has the Test Case Acceptance Rate （TCAR） and Diversity of Generated Data （DGD） improved， and the Test Target Anomaly Rate （TTAR） increased by 0.016， 0.024， 0.069， 0.130， and 0.172 percentage points， respectively， validating the method’s effectiveness. It can be seen that by fusing multi-level semantic features， DCSFFuzzer covers more ICP vulnerabilities， improving the security detection capability of industrial control systems.

Key words: fuzz testing, Transformer, multi-scale one-dimensional Convolutional Neural Network (CNN), dual-channel, feature fusion, Industrial Control Protocol (ICP), vulnerability mining

中图分类号:

TP393.08

何戡, 马洪峰, 宗学军, 史洪岩, 连莲, 宁博伟. 融合双通道语义特征的工业控制协议模糊测试方法DCSFFuzzer[J]. 计算机应用, 2026, 46(9): 2877-2888.

Kan HE, Hongfeng MA, Xuejun ZONG, Hongyan SHI, Lian LIAN, Bowei NING. DCSFFuzzer： dual-channel semantic feature fusion-based fuzz testing method for industrial control protocols[J]. Journal of Computer Applications, 2026, 46(9): 2877-2888.

图/表 17

参考文献 30

[1]	Wei X， Yan Z， Liang X. A survey on fuzz testing technologies for industrial control protocols ［J］. Journal of Network and Computer Applications， 2024， 232： No.104020.
[2]	Huang L， Zhao P， Chen H， et al. Large language models based fuzzing techniques： a survey ［PP/OL］. V2. arXiv （2024-02-07）［2025-01-30］..
[3]	Yang L， Wei C， Yang J， et al. FuzzCoder： code large language model-based fuzz testing for industrial IoT programs ［J］. IEEE Internet of Things Journal， 2025， 12（18）： 36842-36851.
[4]	Wang Z， Zhang Y， Chen Y， et al. A survey on programmable logic controller vulnerabilities， attacks， detections， and forensics ［J］. Processes， 2023， 11（3）： No.918.
[5]	Wang W， Chen Z， Zheng Z， et al. MTA Fuzzer： a low-repetition rate Modbus TCP fuzzing method based on Transformer and Mutation Target Adaptation ［J］. Computers and Security， 2024， 144： No.103973.
[6]	Sun J， Yin Z， Zhang H， et al. Adversarial generation method for smart contract fuzz testing seeds guided by chain-based LLM ［J］. Automated Software Engineering， 2025， 32： No.12.
[7]	Yang H， Huang Y， Zhang Z， et al. A novel generative adversarial network-based fuzzing cases generation method for industrial control system protocols ［J］. Computers and Electrical Engineering， 2024， 117： No.109268.
[8]	宗学军，韩冰，王国刚，等. 基于自适应动态区间策略的工业控制协议模糊测试方法TDRFuzzer［J］. 计算机应用， 2025， 45（10）： 3241-3251.
	Zong Xuejun， Han Bing， Wang Guogang， et al. TDRFuzzer： fuzzing method for industrial control protocols based on adaptive dynamic interval strategy ［J］. Journal of Computer Applications， 2025， 45（10）： 3241-3251.
[9]	Aldysty A R， Moustafa N， Lakshika E. A holistic review of fuzzing for vulnerability assessment in industrial network protocols ［J］. IEEE Open Journal of the Communications Society， 2025， 6： 4437-4461.
[10]	连莲，孙世明，王国刚，等. 基于多尺度潜在特征表示的工业控制协议模糊测试方法［J］. 计算机应用研究， 2025， 42（2）： 545-554.
	Lian Lian， Sun Shiming， Wang Guogang， et al. Industrial control protocols fuzz testing method based on multi-scale latent feature representation ［J］. Application Research of Computers， 2025， 42（2）： 545-554.
[11]	徐鹏，刘嘉勇，林波，等. 基于循环神经网络的模糊测试用例生成［J］. 计算机应用研究， 2019， 36（9）： 2679-2685.
	Xu Peng， Liu Jiayong， Lin Bo， et al. Generation of fuzzing test case based on recurrent neural networks ［J］. Application Research of Computers， 2019， 36（9）： 2679-2685.
[12]	Zhao H， Li Z， Wei H， et al. SeqFuzzer： an industrial protocol fuzzing framework from a deep learning perspective ［C］// ICST 2019. Piscataway： IEEE， 2019： 59-67.
[13]	Hu Z， Shi J， Huang Y， et al. GANFuzz： a GAN-based industrial network protocol fuzzing framework ［C］// CF 2018. New York： ACM， 2018： 138-145.
[14]	Yu Z， Wang H， Wang D， et al. CGFuzzer： a fuzzing approach based on coverage-guided generative adversarial networks for industrial IoT protocols ［J］. IEEE Internet of Things Journal， 2022， 9（21）： 21607-21619.
[15]	Wang W， Chen Z， Zheng Z， et al. An adaptive fuzzing method based on Transformer and protocol similarity mutation ［J］. Computers and Security， 2023， 129： No.103197.
[16]	Dey R， Salem F M. Gate-variants of Gated Recurrent Unit （GRU） neural networks ［C］// MWSCAS 2017. Piscataway： IEEE， 2017： 1597-1600.
[17]	Miller B P， Fredriksen L， So B. An empirical study of the reliability of UNIX utilities ［J］. Communications of the ACM， 1990， 33（12）： 32-44.
[18]	Si X， Song Y， Sun X， et al. MARLFuzz： industrial control protocols fuzzing based on multi-agent reinforcement learning ［J］. Computing， 2025， 107（2）： No.61.
[19]	Mallissery S， Wu Y S. Demystify the fuzzing methods： a comprehensive survey ［J］. ACM Computing Surveys， 2024， 56（3）： No.71.
[20]	徐航，杨智，陈性元，等. 基于自适应敏感区域变异的覆盖引导模糊测试［J］. 计算机应用， 2024， 44（8）： 2528-2535.
	Xu Hang， Yang Zhi， Chen Xingyuan， et al. Coverage-guided fuzzing based on adaptive sensitive region mutation ［J］. Journal of Computer Applications， 2024， 44（8）： 2528-2535.
[21]	Li Z， Zhao H， Shi J， et al. An intelligent fuzzing data generation method based on deep adversarial learning ［J］. IEEE Access， 2019， 7： 49327-49340.
[22]	Wanyan H， Lai Y， Liu J， et al. NCMFuzzer： using non-critical field mutation and test case combination to improve the efficiency of ICS protocol fuzzing ［J］. Computers and Security， 2024， 141： No.103811.
[23]	Chen L， Wang Y， Xiang X， et al. TXL-Fuzz： a long attention mechanism-based fuzz testing model for industrial IoT protocols［J］. IEEE Internet of Things Journal， 2024， 11（23）： 38238-38245.
[24]	Li Z， Liu F， Yang W， et al. A survey of convolutional neural networks： analysis， applications， and prospects ［J］. IEEE Transactions on Neural Networks and Learning Systems， 2022， 33（12）： 6999-7019.
[25]	Vaswani A， Shazeer N， Parmar N， et al. Attention is all you need［C］// NeurIPS 2017. Red Hook： Curran Associates Inc.， 2017： 6000-6010.
[26]	Creswell A， White T， Dumoulin V， et al. Generative adversarial networks： an overview ［J］. IEEE Signal Processing Magazine， 2018， 35（1）： 53-65.
[27]	Zong X， Luo W， Ning B， et al. DiffusionFuzz： fuzzing framework of industrial control protocols based on denoising diffusion probabilistic model ［J］. IEEE Access， 2024， 12： 67795-67808.
[28]	Onyekpe U， Palade V， Kanarachos S，et al. A quaternion gated recurrent unit neural network for sensor fusion ［J］. Sensors， 2021， 12（3）： No.117.
[29]	Jolicoeur-Martineau A. The relativistic discriminator： a key element missing from standard GAN ［PP/OL］. V3. arXiv （2018-09-10）［2025-06-21］..
[30]	Lemay A， Fernandez J M. Providing SCADA network data sets for intrusion detection research ［C］// CSET 16. Berkeley： USENIX Association， 2016： 1-8.

Transformer层数	注意力头数	GRU层数	TCAR/%
2	8	1	88.1
	8	2	88.4
	12	1	87.5
	12	2	87.9
4	8	1	88.6
	8	2	89.1
	12	1	87.6
	12	2	88.2
6	8	1	86.8
	8	2	87.9
	12	1	86.7
	12	2	86.6

Transformer层数	注意力头数	GRU层数	TCAR/%
2	8	1	88.1
	8	2	88.4
	12	1	87.5
	12	2	87.9
4	8	1	88.6
	8	2	89.1
	12	1	87.6
	12	2	88.2
6	8	1	86.8
	8	2	87.9
	12	1	86.7
	12	2	86.6

测试框架	训练时间/h	测试用例数	测试目标	异常数	TTAR/%	触发异常种类数
DCSFFuzzer	12.48	30 000	Modbus Sim32	163	0.543	8
			Modbus Slave	46	0.146	7
			Modbus Rssim	62	0.210	8
			AB1769-L30ER/A	14	0.046	6
			SIEMENS S7-300	12	0.040	5
TDRFuzzer	12.68	30 000	Modbus Sim32	155	0.517	7
			Modbus Slave	46	0.153	8
			Modbus Rssim	58	0.193	6
			AB1769-L30ER/A	13	0.043	6
			SIEMENS S7-300	12	0.040	5
MLFRFuzzer	13.15	30 000	Modbus Sim32	151	0.500	7
			Modbus Slave	44	0.146	6
			Modbus Rssim	57	0.190	7
			AB1769-L30ER/A	12	0.040	5
			SIEMENS S7-300	13	0.043	5
WGANFuzzer	13.37	30 000	Modbus Sim32	135	0.450	7
			Modbus Slave	40	0.133	6
			Modbus Rssim	52	0.170	7
			AB1769-L30ER/A	11	0.036	5
			SIEMENS S7-300	9	0.030	4
GANFuzzer	15.93	30 000	Modbus Sim32	120	0.400	5
			Modbus Slave	33	0.110	7
			Modbus Rssim	35	0.116	6
			AB1769-L30ER/A	8	0.027	3
			SIEMENS S7-300	6	0.020	3
PeachFuzzer	—	30 000	Modbus Sim32	103	0.340	2
			Modbus Slave	26	0.086	1
			Modbus Rssim	35	0.116	2
			AB1769-L30ER/A	6	0.020	1
			SIEMENS S7-300	4	0.013	1

测试框架	训练时间/h	测试用例数	测试目标	异常数	TTAR/%	触发异常种类数
DCSFFuzzer	12.48	30 000	Modbus Sim32	163	0.543	8
			Modbus Slave	46	0.146	7
			Modbus Rssim	62	0.210	8
			AB1769-L30ER/A	14	0.046	6
			SIEMENS S7-300	12	0.040	5
TDRFuzzer	12.68	30 000	Modbus Sim32	155	0.517	7
			Modbus Slave	46	0.153	8
			Modbus Rssim	58	0.193	6
			AB1769-L30ER/A	13	0.043	6
			SIEMENS S7-300	12	0.040	5
MLFRFuzzer	13.15	30 000	Modbus Sim32	151	0.500	7
			Modbus Slave	44	0.146	6
			Modbus Rssim	57	0.190	7
			AB1769-L30ER/A	12	0.040	5
			SIEMENS S7-300	13	0.043	5
WGANFuzzer	13.37	30 000	Modbus Sim32	135	0.450	7
			Modbus Slave	40	0.133	6
			Modbus Rssim	52	0.170	7
			AB1769-L30ER/A	11	0.036	5
			SIEMENS S7-300	9	0.030	4
GANFuzzer	15.93	30 000	Modbus Sim32	120	0.400	5
			Modbus Slave	33	0.110	7
			Modbus Rssim	35	0.116	6
			AB1769-L30ER/A	8	0.027	3
			SIEMENS S7-300	6	0.020	3
PeachFuzzer	—	30 000	Modbus Sim32	103	0.340	2
			Modbus Slave	26	0.086	1
			Modbus Rssim	35	0.116	2
			AB1769-L30ER/A	6	0.020	1
			SIEMENS S7-300	4	0.013	1

异常类型	Modbus Sim32	Modbus Slave	Modbus Rssim	AB1769-L30ER/A	SIEMENS S7-300
异常功能码	􀳫	􀳫	􀳫		􀳫
非法数据地址	􀳫	􀳫
断开连接	􀳫	􀳫	􀳫	􀳫	􀳫
停止运行				􀳫	􀳫
文件未找到	􀳫	􀳫	􀳫
XX从站无响应			􀳫	􀳫	􀳫
数据长度不符	􀳫	􀳫	􀳫	􀳫	􀳫
拒绝服务				􀳫

融合双通道语义特征的工业控制协议模糊测试方法DCSFFuzzer

DCSFFuzzer： dual-channel semantic feature fusion-based fuzz testing method for industrial control protocols

RichHTML

PDF

可视化

摘要/Abstract

引用本文

使用本文

图/表 17

参考文献 30

相关文章 15

编辑推荐

Metrics

[1]	陈江彦, 王彦丹, 刘翼虎, 马应龙. 基于协同查询优化的长尾目标检测框架[J]. 《计算机应用》唯一官方网站, 2026, 46(9): 2769-2775.
[2]	杨定礼, 卫元芳, 胡文瑞, 孔力杨, 于银山. 时空建模与层次化特征增强的行人重识别算法[J]. 《计算机应用》唯一官方网站, 2026, 46(9): 2776-2786.
[3]	王伊璠, 韩虎, 李栋, 范雅婷, 李琳. 基于异构增强与多源知识融合的方面级情感分析[J]. 《计算机应用》唯一官方网站, 2026, 46(9): 2752-2760.
[4]	黄麟, 李英顺, 佟维妍, 张树园, 王子涵. 基于改进实时检测Transformer的遥感图像目标检测算法[J]. 《计算机应用》唯一官方网站, 2026, 46(8): 2652-2659.
[5]	刘明, 沈东奇, 孟子洋. 双分支结构下多层次特征融合的点云配准网络[J]. 《计算机应用》唯一官方网站, 2026, 46(8): 2584-2593.
[6]	闫江毓, 王世乾, 王红. 基于改进带梯度惩罚的Wasserstein生成对抗网络和时频特征融合的窃电检测方法[J]. 《计算机应用》唯一官方网站, 2026, 46(8): 2691-2698.
[7]	张国有, 聂宏宇, 潘理虎, 雷润东. 基于多层感知机级联宽度学习系统的点云语义分割网络Point-MLPBLS[J]. 《计算机应用》唯一官方网站, 2026, 46(7): 2259-2266.
[8]	丰文君, 宋欣蔚, 岳云涛. 基于广义相关熵损失函数Transformer模型的环境电场强度时序预测[J]. 《计算机应用》唯一官方网站, 2026, 46(6): 1872-1880.
[9]	何丽丽, 曹勐, 张磊, 潘洪军, 刘义, 孙成心. 基于Kolmogorov-Arnold网络与扩散Transformer的手语生成模型[J]. 《计算机应用》唯一官方网站, 2026, 46(6): 1801-1810.
[10]	朱松浩, 赵芝芸, 王梦灵. 基于轻量残差与亮度感知动态特征融合的低光图像增强网络[J]. 《计算机应用》唯一官方网站, 2026, 46(6): 1936-1946.
[11]	吕超, 马歌谣. 基于冗余特征抑制的轻量级人体姿态估计网络[J]. 《计算机应用》唯一官方网站, 2026, 46(6): 1973-1980.
[12]	秦隽, 焦新涛, 曾碧卿. 融合BiLSTM-Transformer与Kolmogorov-Arnold网络的非侵入式负荷监测方法[J]. 《计算机应用》唯一官方网站, 2026, 46(6): 2026-2033.
[13]	刘馨瑶, 梁军, 龙嘉濠, 颜仁梁. 基于特征融合和通道信息补偿的中草药细粒度图像分类[J]. 《计算机应用》唯一官方网站, 2026, 46(5): 1677-1683.
[14]	郑嘉丽, 周刚, 陈静, 李顺航. 基于多特征自适应融合的智能生成文本检测方法[J]. 《计算机应用》唯一官方网站, 2026, 46(5): 1433-1440.
[15]	明文超, 蔺素珍, 晋赞霞. 基于场景概念引导特征融合的多波段图像描述生成方法[J]. 《计算机应用》唯一官方网站, 2026, 46(5): 1560-1567.