【技術(shù)實現(xiàn)步驟摘要】
本專利技術(shù)屬于協(xié)議模糊測，涉及一種基于改進seqgan的協(xié)議模糊測試方法及系統(tǒng)。
技術(shù)介紹
1、隨著信息技術(shù)的快速發(fā)展，網(wǎng)絡(luò)通信協(xié)議在現(xiàn)代社會的各個領(lǐng)域中得到了廣泛應(yīng)用，特別是在物聯(lián)網(wǎng)設(shè)備、工業(yè)控制系統(tǒng)、智能終端和云計算等領(lǐng)域。通信協(xié)議作為數(shù)據(jù)傳輸?shù)臉?biāo)準(zhǔn)，確保了網(wǎng)絡(luò)設(shè)備之間的可靠通信。然而，隨著網(wǎng)絡(luò)協(xié)議復(fù)雜度的增加，協(xié)議設(shè)計中不可避免地存在潛在漏洞，這些漏洞可能會被惡意攻擊者利用，導(dǎo)致信息泄露、系統(tǒng)癱瘓等嚴(yán)重安全問題,如何有效檢測協(xié)議漏洞是亟待解決的問題。模糊測試作為一種有效的安全測試技術(shù)，通過向被測系統(tǒng)發(fā)送大量隨機或半隨機數(shù)據(jù)，觀察其異常行為，從而發(fā)現(xiàn)潛在漏洞，已經(jīng)成為協(xié)議安全測試中的主流方法。
2、傳統(tǒng)的模糊測試存在一些挑戰(zhàn)，例如輸入數(shù)據(jù)隨機性強、測試效率低、生成的測試用例缺乏針對性，難以覆蓋協(xié)議的邊界情況。近年來，隨著深度學(xué)習(xí)和對抗學(xué)習(xí)的發(fā)展，基于生成對抗網(wǎng)絡(luò)(gan)的協(xié)議模糊測試方法逐漸受到關(guān)注。對抗學(xué)習(xí)可以通過生成模型模擬攻擊者，生成更具威脅性的測試數(shù)據(jù)，提高模糊測試的效率和覆蓋率。然而，傳統(tǒng)gan在生成離散序列(如協(xié)議消息)時存在困難，因其生成過程無法直接通過梯度下降優(yōu)化。為此，研究人員提出了基于強化學(xué)習(xí)的seqgan，將序列生成問題建模為強化學(xué)習(xí)任務(wù)，生成器作為策略網(wǎng)絡(luò)，使用蒙特卡洛搜索估計未來序列的獎勵。判別器作為獎勵函數(shù)，區(qū)分生成和真實序列。這種方法雖然解決了傳統(tǒng)gan無法生成離散序列的問題，但在實際應(yīng)用中仍存在以下局限性：
3、1.生成用例的通過率較低：由于seqgan的生成策略在訓(xùn)
4、2.多樣性不足：seqgan可能會在訓(xùn)練過程中傾向于生成相似的序列，導(dǎo)致生成用例的多樣性差，難以有效覆蓋協(xié)議的各種情況。這種模式坍縮現(xiàn)象限制了其對復(fù)雜協(xié)議的探索能力。
技術(shù)實現(xiàn)思路
1、有鑒于此，本專利技術(shù)的目的在于提供一種基于改進seqgan的協(xié)議模糊測試方法及系統(tǒng)。
2、為達到上述目的，本專利技術(shù)提供如下技術(shù)方案：
3、一種基于改進seqgan的協(xié)議模糊測試方法，該方法包括以下步驟：
4、s1、收集基礎(chǔ)數(shù)據(jù)并對數(shù)據(jù)進行預(yù)處理，其中，預(yù)處理包括數(shù)據(jù)清理、數(shù)據(jù)集劃分、數(shù)據(jù)編碼以及數(shù)據(jù)集填充；
5、s2、設(shè)計生成測試用例的生成器gα，其中，生成器gα通過長短期記憶網(wǎng)絡(luò)lstm學(xué)習(xí)序列的時空特征，捕捉時間序列中的長距離依賴關(guān)系；
6、s3、設(shè)計分別用于評估測試用例的通過率和多樣性的判別器dγ和dλ，其中，判別器通過多尺度卷積核捕捉多尺度局部特征，采用lstm層捕捉全局時序依賴，兩者融合后再對測試用例進行判別；
7、s4、設(shè)計混合獎勵，并基于混合獎勵采用兩個判別器對測試用例進行評估；
8、s5、對生成器和兩個判別器設(shè)計對應(yīng)的損失函數(shù)，并分別進行梯度更新，進行并完成訓(xùn)練。
9、進一步，在步驟s1中，數(shù)據(jù)采集是指通過網(wǎng)絡(luò)抓包或者現(xiàn)有協(xié)議消息庫中收集實際通信環(huán)境中的真實協(xié)議消息；
10、數(shù)據(jù)清理是指去除訓(xùn)練數(shù)據(jù)中的噪聲和不相關(guān)信息，修復(fù)數(shù)據(jù)中的錯誤，并處理缺失值；
11、數(shù)據(jù)集劃分是指基于報文的熵值對數(shù)據(jù)集進行重新劃分，其過程包括：為每條報文計算衡量報文內(nèi)容復(fù)雜性和多樣性的熵值指標(biāo)；然后，根據(jù)熵值大小，將數(shù)據(jù)集劃分為高熵和低熵兩類報文，高熵報文將作為多樣化報文的正樣本，低熵報文作為非多樣化的負(fù)樣本；
12、數(shù)據(jù)編碼是指通過嵌入層或預(yù)訓(xùn)練的嵌入模型將協(xié)議消息中的離散字段轉(zhuǎn)化為高維向量；
13、數(shù)據(jù)填充是指對消息序列進行填充操作，設(shè)lmax為填充后的最大長度，消息y的實際長度為ly，則填充操作p表示為：
14、
15、其中，＜pad＞表示用于補齊短于最大長度的消息的特殊字符。
16、進一步，在步驟s2中，長短期記憶網(wǎng)絡(luò)lstm作為對抗網(wǎng)絡(luò)的生成器gα，其包括以下過程：
17、將真實數(shù)據(jù)樣本輸入至embedding層，將離散的字符映射到連續(xù)的低維向量空間，其過程表示為：
18、e(xi)＝w[xi]
19、其中，xi表示離散符號；e(xi)為映射后的連續(xù)變量；w為embedding層的查找矩陣，其大小為|v|×d，|v|為詞匯表大小，d為向量維度，每一行的wi對應(yīng)于詞匯表中第i個符號的嵌入向量；
20、映射后的連續(xù)變量e(xi)傳遞至lstm層學(xué)習(xí)時序特征，其中，首先在lstm層進行前向傳播：
21、ft＝σ(wf*[ht-1,xt]+bf)
22、it＝σ(wi*[ht-1,xt]+bi)
23、ot＝σ(wo*[ht-1,xt]+bo)
24、其中，ft、it、ot分別代表遺忘門、輸入門和輸出門，通過對前一個時間步的隱藏狀態(tài)ht-1和當(dāng)前時間步的輸入xt的線性變換和非線性激活得到，*代表元素相乘，σ代表sigmoid激活函數(shù)，wf、wi、wo代表權(quán)重矩陣，bf、bi、bo代表偏置；
25、相應(yīng)的門與先前的單元狀態(tài)ct-1和當(dāng)前的新單元狀態(tài)ct逐元素相乘，單元狀態(tài)更新過程表示為：
26、
27、ht＝ot*tanh(ct)
28、上述過程通過輸出門控制的細(xì)胞狀態(tài)，決定當(dāng)前時刻的細(xì)胞狀態(tài)ct輸出的信息量ht；其中，tanh(·)表示激活函數(shù)，wc表示權(quán)重矩陣，bc表示偏置項，表示候選記憶單元值；
29、在lstm網(wǎng)絡(luò)后，接入一個全連接層和一個sigmoid激活函數(shù)，將lstm網(wǎng)絡(luò)的輸出ht轉(zhuǎn)換為序列的概率分布，得到測試用例。
30、進一步，在步驟s2中，針對每一個生成步驟，生成器gα僅能夠描述前t個生成的元素，其采用蒙特卡洛搜索來模擬從第t+1到t個步驟的生成元素，從而得到完整序列y1:t，其過程表示為：
31、給定當(dāng)前的部分序列y1:t，使用生成器gα根據(jù)當(dāng)前生成的字符通過蒙特卡洛搜索生成多個完整序列的樣本y(1)1:t,y(2)1:t,...,y(m)1:t。
32、進一步，在步驟s3中，兩個判別器dγ和dλ的模型結(jié)構(gòu)相同，均依次包括引入多尺寸的卷積核的embedding層、特征融合層、lstm層、highway層、dense層以及sigmoid層；
33、其中，在embedding層中，輸入序列表征為x∈rt×d，t為時間步，d為特征維度，使用多個不同的卷積核尺寸提取特征：
34、f1＝conv(x,w1)+b1
35、f2＝conv(x,w2)+b2
36、f3＝conv(x,w3)+b3
37、其中，w1、w2、w3分別為不同尺度卷積核，b1、b2、b3分別為不同尺度卷積核的偏置項；在特征融合層，將多尺度卷積特征通過拼接的方式融合：
38、f＝[f1；f2本文檔來自技高網(wǎng)...
【技術(shù)保護點】
1.一種基于改進SeqGAN的協(xié)議模糊測試方法，其特征在于：所述方法包括以下步驟：
2.根據(jù)權(quán)利要求1所述的一種基于改進SeqGAN的協(xié)議模糊測試方法，其特征在于：在步驟S1中，數(shù)據(jù)采集是指通過網(wǎng)絡(luò)抓包或者現(xiàn)有協(xié)議消息庫中收集實際通信環(huán)境中的真實協(xié)議消息；
3.根據(jù)權(quán)利要求1所述的一種基于改進SeqGAN的協(xié)議模糊測試方法，其特征在于：在步驟S2中，長短期記憶網(wǎng)絡(luò)LSTM作為對抗網(wǎng)絡(luò)的生成器Gα，其包括以下過程：
4.根據(jù)權(quán)利要求3所述的一種基于改進SeqGAN的協(xié)議模糊測試方法，其特征在于：在步驟S2中，針對每一個生成步驟，生成器Gα僅能夠描述前t個生成的元素，其采用蒙特卡洛搜索來模擬從第t+1到T個步驟的生成元素，從而得到完整序列Y1:T，其過程表示為：
5.根據(jù)權(quán)利要求4所述的一種基于改進SeqGAN的協(xié)議模糊測試方法，其特征在于：在步驟S3中，兩個判別器Dγ和Dλ的模型結(jié)構(gòu)相同，均依次包括引入多尺寸的卷積核的embedding層、特征融合層、LSTM層、Highway層、Dense層以及sigmoid層；
6.根
7.根據(jù)權(quán)利要求6所述的一種基于改進SeqGAN的協(xié)議模糊測試方法，其特征在于：在步驟S4中，使用模擬退火算法和sigmoid函數(shù)結(jié)合來動態(tài)調(diào)節(jié)權(quán)重β和θ，在模擬退火中根據(jù)時間步動態(tài)調(diào)節(jié)溫度，使用以下sigmoid形式的溫度調(diào)節(jié)公式來得到某一時間步t的時候相應(yīng)的權(quán)重βt和θt:
8.根據(jù)權(quán)利要求6所述的一種基于改進SeqGAN的協(xié)議模糊測試方法，其特征在于：在步驟S5中，對于生成器的更新中，生成器的損失函數(shù)為：
9.根據(jù)權(quán)利要求6所述的一種基于改進SeqGAN的協(xié)議模糊測試方法，其特征在于：在步驟S5中，對于判別器的梯度更新中，判別器的損失函數(shù)為：
10.一種基于改進SeqGAN的協(xié)議模糊測試系統(tǒng)，其特征在于：所述系統(tǒng)包括：測試用例生成模塊、模糊測試執(zhí)行模塊和日志模塊，其中，測試用例生成模塊用于執(zhí)行前述權(quán)利要求1-9任一項所述的基于改進SeqGAN的協(xié)議模糊測試方法，在訓(xùn)練完成后用于生成測試用例；
...【技術(shù)特征摘要】
1.一種基于改進seqgan的協(xié)議模糊測試方法，其特征在于：所述方法包括以下步驟：
2.根據(jù)權(quán)利要求1所述的一種基于改進seqgan的協(xié)議模糊測試方法，其特征在于：在步驟s1中，數(shù)據(jù)采集是指通過網(wǎng)絡(luò)抓包或者現(xiàn)有協(xié)議消息庫中收集實際通信環(huán)境中的真實協(xié)議消息；
3.根據(jù)權(quán)利要求1所述的一種基于改進seqgan的協(xié)議模糊測試方法，其特征在于：在步驟s2中，長短期記憶網(wǎng)絡(luò)lstm作為對抗網(wǎng)絡(luò)的生成器gα，其包括以下過程：
4.根據(jù)權(quán)利要求3所述的一種基于改進seqgan的協(xié)議模糊測試方法，其特征在于：在步驟s2中，針對每一個生成步驟，生成器gα僅能夠描述前t個生成的元素，其采用蒙特卡洛搜索來模擬從第t+1到t個步驟的生成元素，從而得到完整序列y1:t，其過程表示為：
5.根據(jù)權(quán)利要求4所述的一種基于改進seqgan的協(xié)議模糊測試方法，其特征在于：在步驟s3中，兩個判別器dγ和dλ的模型結(jié)構(gòu)相同，均依次包括引入多尺寸的卷積核的embedding層、特征融合層、lstm層、highway層、dense層以及sigmoid層；
6.根據(jù)權(quán)利要求5所述的一種基于改進seqgan的協(xié)議模糊測試方法，其特征在于：在步驟s4中，采用判別器dγ對...
【專利技術(shù)屬性】
技術(shù)研發(fā)人員：王浩，傅立，魏旻，韓延，
申請(專利權(quán))人：重慶郵電大學(xué)，
類型：發(fā)明
國別省市：
還沒有人留言評論。發(fā)表了對其他瀏覽者有用的留言會獲得科技券。