[发明专利]一种变分自编码的模糊测试测试用例生成方法

说明书

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。

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；