CN110113227A - 一种变分自编码的模糊测试测试用例生成方法 - Google Patents

一种变分自编码的模糊测试测试用例生成方法 Download PDF

Info

Publication number
CN110113227A
CN110113227A CN201910312163.6A CN201910312163A CN110113227A CN 110113227 A CN110113227 A CN 110113227A CN 201910312163 A CN201910312163 A CN 201910312163A CN 110113227 A CN110113227 A CN 110113227A
Authority
CN
China
Prior art keywords
data
test case
feature
feature space
new
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Granted
Application number
CN201910312163.6A
Other languages
English (en)
Other versions
CN110113227B (zh
Inventor
付敬奇
曹一帆
易慕白
张越
沈仁亮
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
University of Shanghai for Science and Technology
Original Assignee
University of Shanghai for Science and Technology
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by University of Shanghai for Science and Technology filed Critical University of Shanghai for Science and Technology
Priority to CN201910312163.6A priority Critical patent/CN110113227B/zh
Publication of CN110113227A publication Critical patent/CN110113227A/zh
Application granted granted Critical
Publication of CN110113227B publication Critical patent/CN110113227B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06FELECTRIC DIGITAL DATA PROCESSING
    • G06F11/00Error detection; Error correction; Monitoring
    • G06F11/36Preventing errors by testing or debugging software
    • G06F11/3668Software testing
    • G06F11/3672Test management
    • G06F11/3684Test management for test design, e.g. generating new test cases
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06NCOMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00Machine learning
    • HELECTRICITY
    • H04ELECTRIC COMMUNICATION TECHNIQUE
    • H04LTRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L43/00Arrangements for monitoring or testing data switching networks
    • H04L43/12Network monitoring probes
    • HELECTRICITY
    • H04ELECTRIC COMMUNICATION TECHNIQUE
    • H04LTRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L43/00Arrangements for monitoring or testing data switching networks
    • H04L43/18Protocol analysers
    • HELECTRICITY
    • H04ELECTRIC COMMUNICATION TECHNIQUE
    • H04LTRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L43/00Arrangements for monitoring or testing data switching networks
    • H04L43/50Testing arrangements
    • HELECTRICITY
    • H04ELECTRIC COMMUNICATION TECHNIQUE
    • H04LTRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L63/00Network architectures or network communication protocols for network security
    • H04L63/14Network architectures or network communication protocols for network security for detecting or protecting against malicious traffic
    • H04L63/1408Network architectures or network communication protocols for network security for detecting or protecting against malicious traffic by monitoring network traffic
    • H04L63/1425Traffic logging, e.g. anomaly detection
    • HELECTRICITY
    • H04ELECTRIC COMMUNICATION TECHNIQUE
    • H04LTRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L63/00Network architectures or network communication protocols for network security
    • H04L63/14Network architectures or network communication protocols for network security for detecting or protecting against malicious traffic
    • H04L63/1433Vulnerability analysis

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Signal Processing (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Software Systems (AREA)
  • Physics & Mathematics (AREA)
  • Evolutionary Computation (AREA)
  • Computing Systems (AREA)
  • Medical Informatics (AREA)
  • Mathematical Physics (AREA)
  • Data Mining & Analysis (AREA)
  • Computer Hardware Design (AREA)
  • Quality & Reliability (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Artificial Intelligence (AREA)
  • Computer And Data Communications (AREA)
  • Maintenance And Management Of Digital Transmission (AREA)

Abstract

本发明公开了一种变分自编码的模糊测试测试用例生成方法,包括以下步骤:A、针对不同的测试对象,采集符合测试对象协议格式的通信数据作为训练样本;B、通过VAE的编码器,提取得到训练数据样本的特征空间;C、提出三种生成策略,并根据三种数据生成策略,生成对应的特征空间;D、根据生成的新的特征空间,通过VAE的解码器,生成新的测试用例。该方法可以应用于多种不同的工控网络协议,而不是针对某一种协议。其最大特点是通过机器学习的方法学习样本数据的特征,并根据特征以及VAE技术生成新的测试用例,避免了传统模糊测试生成测试用例时需要测试人员熟练掌握协议相关知识,极大减少了测试人员的负担,增加了测试的效率以及范围。

Description

一种变分自编码的模糊测试测试用例生成方法
技术领域
本发明涉及一种模糊测试测试用例生成方法,具体为一种变分自编码的模糊测试测试用例生成方法,属于测试用例生成方法技术领域。
背景技术
模糊测试通过生成大量非正常数据,并将数据发送给测试对象,期望发现能够造成测试对象出现工作异常现象的数据。通过检测技术将异常数据记录分析,从而发现隐藏在工业网络中的漏洞。按照模糊测试的定义,其具体步骤可分为如下三步,如图1所示。模糊测试是一种灰盒测试,其不需要提前获得测试对象的全部源代码,但是需要生成能够被工控网络设备接受的非正常数据,因为工控网络设备会将不符合其协议格式的数据直接丢弃。因此模糊测试测试用例的生成是模糊测试的关键,如何生成能够造成测试目标工作异常的数据,常见的现象如造成测试目标拒绝服务,是模糊测试的目标,也是目前大多数研究的重点。
变分自编码(Variational Autoencoder,VAE)是一种数据生成模型,由Kingma等人在2013年提出,后经过不断的发展,目前被广泛应用于图像生成领域。VAE作为无监督学习的一种,可以通过学习样本数据与隐编码空间以及隐编码空间与数据生成空间的特征映射,进而在输出端重构生成输入数据。因此,通过改变的数据样本的隐空间编码,并使用解码器将数据特征还原,从而可以根据要求重构生成新数据。VAE网络结构可以分为编码器部分(encoder)与解码器(decoder)部分,VAE的编码器部分与自编码器(AE)的编码器部分功能相同,都是通过深度网络提取样本数据的特征。VAE的解码器部分与自编码器的解码器部分同样功能相同,都是将提取的特征重构还原成原始数据。不同的是VAE在训练时加入噪声,使得解码器对噪声有鲁棒性,因此VAE可以将原始特征附近的特征还原成新数据,从而具有更好的“创造”能力。VAE网络结构如图2所示。
目前,模糊测试测试用例生成方法主要有两种方式,基于变异的测试用例生成方法和基于生成的测试用例生成方法。基于变异的测试用例生成方法通过对工控网络中正常数据进行抓包,并对这些数据进行变异从而生成非正常数据。基于变异的测试用例生成方法不需要工控通信协议结构的相关内容,因此容易生成测试数据。但是由于基于变异的测试用例生成方法生成的数据会造成数据不符合通信协议格式,从而导致数据实际并没有发送到测试对象而是被丢弃。基于生成的测试用例生成方法通过对格式公开的协议,如Modbus /TCP、DNP3等进行解析,能够直接生成满足协议格式的测试用例。然后对测试用例的不同字段用不同的变异策略进行变异,生成能够被工控网络设备接受的非正常数据。基于生成的测试用例生成方法生成的数据可以直接被测试对象接收,拥有更高的接受率,因此是目前大多数研究的热点,但是,此方法需要研究人员熟练掌握协议相关知识,这极大增加了模糊测试的测试时间以及测试难度,而且对协议格式不公开的私有协议,无法生成测试用例。
发明内容
本发明的目的在于为了解决上述问题,提供一种变分自编码的模糊测试测试用例生成方法。
为达到上述目的,本发明采用以下技术方案:
一种变分自编码的模糊测试测试用例生成方法,包括以下步骤:
步骤A、针对不同的测试对象,采集符合测试对象协议格式的通信数据作为训练数据样本;
步骤B、通过变分自编码器的编码器部分,提取得到训练数据样本的特征空间;根据不同的样本数据类型得到两类特征空间:第一类特征空间为通信中正常数据的特征空间,第二类为通信中异常数据的特征空间;
步骤C、提出三种生成策略:生成策略一为生成正常数据分布之外的数据作为模糊测试测试的测试用例;生成策略二为生成异常数据分布之内的数据作为模糊测试测试的测试用例;生成策略三为生成正常数据分布与异常数据分布之间的数据作为模糊测试测试的测试用例;根据三种数据生成策略,生成三种不同的新的特征空间;
步骤D、根据生成的三种不同的新的特征空间,通过变分自编码器的解码器部分,生成新的数据,该数据即为新的测试用例。
所述步骤A中的不同的测试对象为工业控制网络中各种通讯协议,包括但不限于Modbus/TCP、Profinet、DeviceNet;采集符合测试对象协议格式的通信数据,包括通讯过程中产生的符合测试对象协议格式的正常数据以及异常数据,并将采集到的数据作为训练数据样本。
所述步骤B中,第一类特征空间为训练数据样本为正常数据时,通过编码器得到正常数据的特征空间;第二类特征空间为训练数据为异常数据时,通过编码器得到的异常数据的特征空间。
所述步骤C中,生三种不同的新的特征空间;第一种为在步骤B中得到的正常数据的特征空间之外随机采样,生成新的特征数据作为新的特征空间;第二种为在步骤B中的异常数据特征空间之内随机采样,生成新的特征数据作为新的特征空间;第三种为在步骤B中正常数据特征空间与异常数据特征空间之间随机采样作为新的特征空间。
所述步骤D中,设计了两种变分自编码器的解码器,其作用是分别将三种不同的新的特征空间中的值重构生成符合三种新的特征空间的新数据作为测试用例。解码器本质上是一种神经网络,其网络结构参数是用正常数据和异常数据分别训练得到的。
与现有技术相比,本发明的有益效果是:
本发明方法可以应用到多种不同的工控网络协议当中去,而不是针对某一种协议。其最大特点是通过机器学习的方法学习到样本数据的特征,并根据特征以及生成策略,通过VAE技术生成新的测试用例,避免了传统模糊测试生成测试用例时需要测试人员熟练掌握协议相关知识,极大减少了测试人员的负担,增加了测试的效率以及范围。
附图说明
图1为模糊测试流程图。
图2为本发明VAE数据生成模型网络结构图。
图3为本发明变分自编码的模糊测试测试用例生成方法步骤图。
图4为Modbus协议结构图。
具体实施方式
以下将结合本发明在Modbus/TCP协议测试用例生成中的应用,对本发明实施例中的技术方案进行清楚、完整地描述。显然,所描述的对Modbus/TCP协议测试用例生成仅仅是本发明一部分实施例,而不是全部的实施例。
如图3所示,一种变分自编码的模糊测试测试用例生成方法,包括以下步骤:
步骤A、针对不同的测试对象,采集符合测试对象协议格式的通信数据作为训练数据样本。
步骤B、通过变分自编码器的编码器(encoder)部分,提取得到训练数据样本的特征空间(code space)。根据不同的样本数据类型得到两类特征空间:第一类特征空间为通信中正常数据的特征空间,第二类为通信中异常数据的特征空间。
步骤C、提出三种生成策略:生成策略一为生成正常数据分布之外的数据作为模糊测试测试的测试用例;生成策略二为生成异常数据分布之内的数据作为模糊测试测试的测试用例;生成策略三为生成正常数据分布与异常数据分布之间的数据作为模糊测试测试的测试用例;根据三种数据生成策略,生成三种不同的新的特征空间。
步骤D、根据生成的三种不同的新的特征空间,通过变分自编码器的解码器(decoder)部分,重构生成新的数据,该数据即为新的测试用例。
作为发明的一种技术优化方案,所述步骤A中的不同的测试对象为工业控制网络中各种通讯协议,如Modbus/TCP、Profinet、Device net等。采集符合测试对象协议格式的通信数据,包括通讯过程中产生的符合测试对象协议格式的正常数据以及异常数据,并将采集到的数据作为训练数据样本。
作为发明的一种技术优化方案,所述步骤B中,第一类特征空间为训练数据样本为正常数据时,通过编码器得到正常数据的特征空间;第二类特征空间为训练数据为异常数据时,通过编码器得到的异常数据的特征空间。
作为发明的一种技术优化方案,所述步骤C中,生三种不同的新的特征空间;第一种为在步骤B中得到的正常数据的特征空间之外随机采样,生成新的特征数据作为新的特征空间;第二种为在步骤B中的异常数据特征空间之内随机采样,生成新的特征数据作为新的特征空间;第三种为在步骤B中正常数据特征空间与异常数据特征空间之间随机采样作为新的特征空间。三种采样策略以及其得到的新的特征空间如图2所以。
作为发明的一种技术优化方案,所述步骤D中,设计了两种变分自编码器的解码器,其作用是分别将三种不同的新的特征空间中的值重构生成符合三种新的特征空间的新数据作为测试用例。解码器本质上是一种神经网络,其网络结构参数是用正常数据和异常数据分别训练得到的。
实施例:Modbus/TCP协议测试用例生成:
Modbus是一种应用层消息传递协议,其被广泛应用在数百万自动化设备上进行通信。Modbus协议格式简单并且公开,其通过提供功能代码的服务,实现了在不同类型总线或网络设备上的请求/应答通信。Modbus还提供基于TCP/IP的消息传递服务,连接MODBUS TCP/IP客户端到TCP/IP网络的服务器设备。Modbus协议定义了一个独立于底层通信层的简单协议数据单元(PDU)。并且可以通过引入专用MODBUS Application Protocol header(MBAP报头),实现在TCP/IP网络上传输并识别Modbus数据。基于TCP/IP的Modbus数据结构如图4所示。MBAP报头由客户端生成,其中包括传输标识、协议标识、后续字节长度以及单元标识符。Modbus/TCP报文PDU部分,包括功能码和数据段。功能码是Modbus报文的重要组成部分,代表消息将要执行的动作。功能码分为公共功能码、用户自定义功能码以及保留功能码。当接收到正常数据时,服务器回复的功能码与接收数据的功能码一致;当接收到异常数据时,服务器回复异常功能码。数据段可以分为请求的数据段和响应的数据段。请求的数据段中内容包含执行功能码定义的操作的额外信息,如散地址和寄存器地址、要处理的项的数量以及字段中实际数据字节的数量等,请求的数据段也可为空。当接收到的正常数据时,响应的数据段为请求数据需要的数据,当接收到异常数据时,响应的数据段中为异常数据对应的异常码,分别为非法功能码、非法数据功能码、非法数据值、从站设备故障等。本发明首先使用现有的网络封包分析软件如Wireshark等,抓取测试对象工作中的正常以及异常数据,作为样本数据训练VAE网络结构。
由于VAE属于无监督学习,训练样本为无标签训练数据,本质是利用深度模型拟合复杂函数的能力,学习样本数据复杂的概率分布函数,使得概率分布函数在样本数据处概率最大,并据此训练VAE深度模型网络架构。VAE本身结构类似自编码器,可以分成编码器和解码器,VAE使用变分推断,用任意分布函数q(z|x)近似实际后验概率分布函数p(z|x)来学习数据的隐特征,q(z|x)可以用深度模型通过学习得到,其中z就是数据的隐特征。通过VAE实现数据生成则需要编码器,编码器建立了隐变量与生成数据之间的映射,可以将通过自编码其得到的样本数据的隐特征重构回原始数据。因此编码器是模糊测试测试用例生成的关键,解码器模型同样可以通过学习得到。
因此Modbus/TCP协议测试用例生成步骤为:通过网络抓包工具采集到足够的样本数据后,训练VAE网络结构,从而获得VAE的编码器以及解码器。得到的编码器就是样本数据与隐特征之间的映射函数,通过编码器得到所有样本数据的隐特征空间。其次设计了三种不同的测试生成策略,每种生成策略都是以发现协议中隐含的漏洞而设计。生成策略一为生成正常数据分布之外的数据作为模糊测试测试的测试用例,这是因为漏洞数据不可能是正常数据,所以生成正常数据之外的数据作为测试用例用来挖掘漏洞;生成策略二生成异常数据分布之内的数据作为模糊测试测试的测试用例,此生成策略是假设异常数据造成测试对象出现漏洞的概率更大,因此根据异常数据的分布,生成新的异常数据作为测试用例;生成策略三为生成正常数据分布与异常数据分布之间的数据作为模糊测试测试的测试用例,该策略希望发现从正常数据到异常数据之间变化的数据造成的漏洞。根据三种生成策略,根据样本数据中正常数据和异常数据的隐特征分布,生成符合三种生成策略的新的隐特征值。最后带入解码器,生成符合生成策略的新的测试用例。

Claims (5)

1.一种变分自编码的模糊测试测试用例生成方法,其特征在于,包括以下步骤:
步骤A、针对不同的测试对象,采集符合测试对象协议格式的通信数据作为训练数据样本;
步骤B、通过变分自编码器的编码器部分,提取得到训练数据样本的特征空间;根据不同的样本数据类型得到两类特征空间:第一类特征空间为通信中正常数据的特征空间,第二类为通信中异常数据的特征空间;
步骤C、提出三种生成策略:生成策略一为生成正常数据分布之外的数据作为模糊测试测试的测试用例;生成策略二为生成异常数据分布之内的数据作为模糊测试测试的测试用例;生成策略三为生成正常数据分布与异常数据分布之间的数据作为模糊测试测试的测试用例;根据三种数据生成策略,生成三种不同的新的特征空间;
步骤D、根据生成的三种不同的新的特征空间,通过变分自编码器的解码器部分,生成新的数据,该数据即为新的测试用例。
2.根据权利要求1所述的变分自编码的模糊测试测试用例生成方法,其特征在于:所述步骤A中的不同的测试对象为工业控制网络中各种通讯协议,包括但不限于Modbus/TCP、Profinet、DeviceNet;采集符合测试对象协议格式的通信数据,包括通讯过程中产生的符合测试对象协议格式的正常数据以及异常数据,并将采集到的数据作为训练数据样本。
3.根据权利要求1所述的变分自编码的模糊测试测试用例生成方法,其特征在于:所述步骤B中,第一类特征空间为训练数据样本为正常数据时,通过编码器得到正常数据的特征空间;第二类特征空间为训练数据为异常数据时,通过编码器得到的异常数据的特征空间。
4.根据权利要求1所述的变分自编码的模糊测试测试用例生成方法,其特征在于:所述步骤C中,生三种不同的新的特征空间;第一种为在步骤B中得到的正常数据的特征空间之外随机采样,生成新的特征数据作为新的特征空间;第二种为在步骤B中的异常数据特征空间之内随机采样,生成新的特征数据作为新的特征空间;第三种为在步骤B中正常数据特征空间与异常数据特征空间之间随机采样作为新的特征空间。
5.根据权利要求1所述的变分自编码的模糊测试测试用例生成方法,其特征在于:所述步骤D中,设计了两种变分自编码器的解码器,其作用是分别将三种不同的新的特征空间中的值重构生成符合三种新的特征空间的新数据作并为测试用例;解码器本质上是一种神经网络,其网络结构参数是用正常数据和异常数据分别训练得到的。
CN201910312163.6A 2019-04-18 2019-04-18 一种变分自编码的模糊测试测试用例生成方法 Active CN110113227B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910312163.6A CN110113227B (zh) 2019-04-18 2019-04-18 一种变分自编码的模糊测试测试用例生成方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910312163.6A CN110113227B (zh) 2019-04-18 2019-04-18 一种变分自编码的模糊测试测试用例生成方法

Publications (2)

Publication Number Publication Date
CN110113227A true CN110113227A (zh) 2019-08-09
CN110113227B CN110113227B (zh) 2022-08-02

Family

ID=67485711

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910312163.6A Active CN110113227B (zh) 2019-04-18 2019-04-18 一种变分自编码的模糊测试测试用例生成方法

Country Status (1)

Country Link
CN (1) CN110113227B (zh)

Cited By (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112348202A (zh) * 2021-01-05 2021-02-09 博智安全科技股份有限公司 一种机器学习中规则模型的建立方法
CN112416806A (zh) * 2020-12-09 2021-02-26 西北大学 一种基于标准文档分析的js引擎模糊测试方法
CN112769654A (zh) * 2021-01-21 2021-05-07 国网河南省电力公司电力科学研究院 一种基于遗传算法的Modbus TCP协议模糊测试方法
CN112948277A (zh) * 2021-04-30 2021-06-11 上海大学 一种基于耦合自编码器的模糊测试用例生成系统和方法
CN113259207A (zh) * 2021-07-13 2021-08-13 中国人民解放军国防科技大学 基于qrnn的有状态网络协议模糊测试用例过滤方法
CN113342655A (zh) * 2021-06-08 2021-09-03 浙江工商大学 一种面向众包系统的仿真测试用例生成方法及装置
CN117591396A (zh) * 2023-10-25 2024-02-23 国网湖北省电力有限公司宜昌供电公司 Modbus TCP协议的测试用例生成方法及系统

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20090125976A1 (en) * 2007-11-08 2009-05-14 Docomo Communications Laboratories Usa, Inc. Automated test input generation for web applications
WO2014082908A1 (en) * 2012-11-28 2014-06-05 Siemens Aktiengesellschaft Method and apparatus for generating test case for fuzz test
CN105721230A (zh) * 2014-11-30 2016-06-29 中国科学院沈阳自动化研究所 一种面向Modbus协议的模糊测试方法

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20090125976A1 (en) * 2007-11-08 2009-05-14 Docomo Communications Laboratories Usa, Inc. Automated test input generation for web applications
WO2014082908A1 (en) * 2012-11-28 2014-06-05 Siemens Aktiengesellschaft Method and apparatus for generating test case for fuzz test
CN105721230A (zh) * 2014-11-30 2016-06-29 中国科学院沈阳自动化研究所 一种面向Modbus协议的模糊测试方法

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
SUNGJIN KIM: "A novel vulnerability analysis approach to generate fuzzing test case in industrial control systems", 《IEEE》 *
张开便等: "基于模糊测试的网络协议漏洞挖掘研究", 《现代电子技术》 *
张玉清: "深度学习应用于网络空间安全的现状、趋势与展望", 《计算机研究与发展》 *

Cited By (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112416806A (zh) * 2020-12-09 2021-02-26 西北大学 一种基于标准文档分析的js引擎模糊测试方法
CN112416806B (zh) * 2020-12-09 2022-03-01 西北大学 一种基于标准文档分析的js引擎模糊测试方法
CN112348202A (zh) * 2021-01-05 2021-02-09 博智安全科技股份有限公司 一种机器学习中规则模型的建立方法
CN112348202B (zh) * 2021-01-05 2021-03-30 博智安全科技股份有限公司 一种机器学习中规则模型的建立方法
CN112769654A (zh) * 2021-01-21 2021-05-07 国网河南省电力公司电力科学研究院 一种基于遗传算法的Modbus TCP协议模糊测试方法
CN112948277A (zh) * 2021-04-30 2021-06-11 上海大学 一种基于耦合自编码器的模糊测试用例生成系统和方法
CN112948277B (zh) * 2021-04-30 2024-06-14 上海大学 一种基于耦合自编码器的模糊测试用例生成系统和方法
CN113342655A (zh) * 2021-06-08 2021-09-03 浙江工商大学 一种面向众包系统的仿真测试用例生成方法及装置
CN113342655B (zh) * 2021-06-08 2023-09-29 浙江工商大学 一种面向众包系统的仿真测试用例生成方法及装置
CN113259207A (zh) * 2021-07-13 2021-08-13 中国人民解放军国防科技大学 基于qrnn的有状态网络协议模糊测试用例过滤方法
CN117591396A (zh) * 2023-10-25 2024-02-23 国网湖北省电力有限公司宜昌供电公司 Modbus TCP协议的测试用例生成方法及系统

Also Published As

Publication number Publication date
CN110113227B (zh) 2022-08-02

Similar Documents

Publication Publication Date Title
CN110113227A (zh) 一种变分自编码的模糊测试测试用例生成方法
CN111865815B (zh) 一种基于联邦学习的流量分类方法及系统
Cheng PAC-GAN: Packet generation of network traffic using generative adversarial networks
CN103379136A (zh) 一种日志采集数据压缩方法、解压缩方法及装置
CN109067617A (zh) 一种v2x协议一致性测试方法、装置及系统
KR20180080122A (ko) 무선 전송 장치
CN113452676B (zh) 一种检测器分配方法和物联网检测系统
CN109495492A (zh) 用于智能水务行业的通信系统
CN106161209A (zh) 一种基于深度自学习的垃圾短信过滤方法及系统
CN100493065C (zh) 使用即时消息软件的数据检测网络地址转换设备的方法
CN114567428B (zh) 一种支持动态标签的区块链数据隐蔽传输方法
CN104660591B (zh) 基于ip地址的包长度反馈网络隐蔽通信方法
Hu et al. Attribute-based zero-shot learning for encrypted traffic classification
CN109858510A (zh) 一种针对HTTP协议ETag值隐蔽通信的检测方法
CN111885009B (zh) 智能家居环境中通过误导嗅探工具保护隐私的系统及方法
CN112948277B (zh) 一种基于耦合自编码器的模糊测试用例生成系统和方法
CN116662184A (zh) 一种基于Bert的工控协议模糊测试用例筛选方法及系统
CN104168206B (zh) 适配网关负载均衡控制装置方法、装置和系统
CN113765891B (zh) 一种设备指纹识别方法以及装置
Siniosoglou et al. Covert distributed training of deep federated industrial honeypots
CN111711946B (zh) 一种加密无线网络下的IoT设备识别方法及识别系统
CN116032515A (zh) 一种在SDN上基于Transformer的DDoS攻击检测方法
Liu et al. Multiple-access channel capacity of diffusion and ligand-based molecular communication
Shilpa et al. LoRa DL: a deep learning model for enhancing the data transmission over LoRa using autoencoder
CN114205151A (zh) 基于多特征融合学习的http/2页面访问流量识别方法

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant