【技术实现步骤摘要】
本专利技术属于网络，涉及一种基于深度学习的协议模糊测试优化方法。
技术介绍
1、在网络协议漏洞挖掘方法中，模糊测试是当前最常用、最有效的技术。工具如spike、peach和boofuzz等，都是基于此技术开发的。模糊测试的核心是向目标输入不同的测试用例，监测其响应以发现潜在漏洞，因此，测试用例的质量直接影响测试效果和效率。许多协议模糊测试工具，如boofuzz和peach，都要求用户定义协议格式。未定义协议格式的情况下，这些工具只能基于字节进行变异，但这种方式会产生许多无效变异，尤其在缺少上下文信息时，可能无法触发有效的漏洞。而逐字节变异特别耗费计算资源，容易生成大量冗余测试用例，这在处理复杂协议时尤为突出，且会导致测试路径爆炸。模糊测试还面临大量约束条件，这些条件来自协议字段的依赖、状态转换等复杂逻辑，增加了解决的难度和耗时。
2、综上，协议逆向工程在模糊测试工具中具有重要作用，它通过数据包分析提取协议结构和字段信息，有助于提高测试的准确性和有效性，特别是在处理复杂或闭源协议时。当前的序列比对算法多用于dna序列或文本字符串的比对，通常不考虑字符位置的偏差，这也是一个限制。
3、此外，人工智能技术在模糊测试中的主要作用是生成和筛选测试用例。通过遗传算法和神经网络，可自动过滤掉无效或低优先级的测试用例，提高测试效率和覆盖率。然而，当前模糊测试中的深度学习模型通常较简单，准确率有待提高。
技术实现思路
1、有鉴于此，本专利技术的目的在于提供一种基于深度学习的协
2、为达到上述目的，本专利技术提供如下技术方案：
3、一种基于深度学习的协议模糊测试优化方法，该方法包括：
4、s1、采集没有优化之前，boofuzz在模糊测试过程中采集的数据，并按照服务器响应类型将具有不同响应的报文数据进行分类；
5、其中，报文数据的分类包括正常测试用例、无效测试用例和异常测试用例。正常测试用例为能够正常响应的测试用例；无效测试用例为无响应、未回复或响应消息通知格式错误的测试用例；异常测试用例为错误响应的测试用例；
6、s2、通过协议逆向模块初步识别协议的动态字段、静态字段以及长度字段，并在boofuzz框架中通过识别出的信息构造请求，设置会话消息；使用boofuzz框架中的变异规则，根据协议逆向模块推断出的字段生成测试用例；
7、s3、构建优选器模型，初始化模型参数；通过ssa算法调整优化模型超参数，然后基于最优超参数进行模型训练；
8、s4、对生成的测试用例进行特征提取，获取输入特征；使用所述优选器模型对测试用例进行有效性预测。
9、进一步的，步骤s2中，通过协议逆向模块初步识别协议的动态字段、静态字段以及长度字段包括：将报文按照长度递增的顺序排序，每次对相邻两个报文调用改进的smithwaterman算法提取格式串，直到只剩下一个字符串，得到协议静态字段；
10、随机选择几条报文，用提取出的格式串与它们进行匹配，并对格式串进行拆分，保留子字段较短的部分；
11、通过穷举法推断长度字段；
12、根据以上步骤获取其余类别报文的格式字段，以正常响应类别的报文为标准，分别用其他类别的报文数据进行序列比对，对比不同种类划分的字段，使得字段分割更加细腻。
13、其中，改进的smith waterman算法表示为：
14、
15、
16、式中，qij表示总得分，sij表示字节匹配得分，o表示空位罚分；p表示相对位置惩罚函数，distance表示两个不同字符之间的距离，lenth表示报文的总长度。
17、进一步的，步骤s3中，优选器模型为结合多种深度学习网络的模型，其中，深度学习网络包括卷积神经网络、双向长短期记忆网络、注意力机制和科尔莫哥罗夫-阿诺德网络。通过不同网络结构的组合，并且采用双通道的结构，同时结合cnn和lstm的优点，使得模型的准确率和收敛速度增快，该模型能够处理复杂的时序和空间特征数据并且比mlp使用到更少的参数。
18、进一步的，步骤s3中，通过ssa算法调整所述优选器模型的超参数，包括：
19、1)采集通信过程中不同响应类型的报文数据，并对数据进行清洗、格式化和归一化处理；
20、2)通过最小化损失函数来调整模型的权重，同时通过adam优化器根据损失值调整模型的参数，以提高模型的分类准确性；
21、3)采用ssa算法进行超参数寻优。
22、其中，所述的损失函数表示为：
23、
24、式中，n表示训练样本数量，c表示类别的数量；yic表示真实标签，表示样本i的真实类别，若样本i属于类别c，则yic＝1，否则yic＝0；oic表示模型预测的类别c的概率输出，即softmax层的输出。
25、第3)步中，采用ssa算法进行超参数寻优包括：
26、①初始化种群，生成一组随机解，其中每个解是一个超参数向量xi，表示每个个体的初始位置；
27、②通过模型训练与测试来评估每个解的表现，每个个体的适应度通过模型的误差率来评估：
28、
29、式中，m表示测试集样本数量，ym表示第m个样本的真实标签，om表示第m个样本的模型预测标签；ii(ym≠om)表示指示函数，当ym≠om时取1，表示预测错误；
30、③通过迭代更新最佳解，最终输出误差率最低的超参数组合；迭代过程中进行探索者更新、追随者更新和侦察预警操作，使追随者通过向当前最优解靠拢，以进行局部的开发和优化；迭代的结束条件为达到预设的最大迭代次数tmax或适应度变化不再显著。
31、本专利技术的有益效果在于：本专利技术通过在boofuzz框架的基础上增加协议逆向模块和优选器模块，其中协议逆向模块自动识别协议格式，然后通过识别的格式模板生成测试用例，优选器模块利用ssa-kan-cnn-bilstm-attention深度学习模型对测试用例的有效性进行预测，将预测为无效的测试用例剔除，优先选择可能发现漏洞的有效测试用例进行测试，提升测试用例的通过率以及漏洞挖掘的效率。本专利技术可解决协议识别困难、路径爆炸和复杂约束求解等问题，并且本专利技术适用于其他需要预先定义协议格式的模糊测试工具。
32、本专利技术的其他优点、目标和特征在某种程度上将在随后的说明书中进行阐述，并且在某种程度上，基于对下文的考察研究对本领域技术人员而言将是显而易见的，或者可以从本专利技术的实践中得到教导。本专利技术的目标和其他优点可以通过下面的说明书来实现和获得。
本文档来自技高网...【技术保护点】
1.一种基于深度学习的协议模糊测试优化方法，其特征在于，该方法包括：
2.根据权利要求1所述的方法，其特征在于，所述通过协议逆向模块初步识别协议的动态字段、静态字段以及长度字段包括：将报文按照长度递增的顺序排序，每次对相邻两个报文调用改进的Smith Waterman算法提取格式串，直到只剩下一个字符串，得到协议静态字段；
3.根据权利要求2所述的方法，其特征在于，所述改进的Smith Waterman算法表示为：
4.根据权利要求1所述的方法，其特征在于，所述优选器模型为结合多种深度学习网络的模型，其中，深度学习网络包括卷积神经网络、双向长短期记忆网络、注意力机制和科尔莫哥罗夫-阿诺德网络。
5.根据权利要求4所述的方法，其特征在于，通过SSA算法调整优化所述优选器模型的超参数，包括：
6.根据权利要求5所述的方法，其特征在于，所述损失函数表示为：
7.根据权利要求5所述的方法，其特征在于，所述采用SSA算法进行超参数寻优包括：
8.根据权利要求1所述的方法，其特征在于，所述报文数据的分类包括正
...【技术特征摘要】
1.一种基于深度学习的协议模糊测试优化方法，其特征在于，该方法包括：
2.根据权利要求1所述的方法，其特征在于，所述通过协议逆向模块初步识别协议的动态字段、静态字段以及长度字段包括：将报文按照长度递增的顺序排序，每次对相邻两个报文调用改进的smith waterman算法提取格式串，直到只剩下一个字符串，得到协议静态字段；
3.根据权利要求2所述的方法，其特征在于，所述改进的smith waterman算法表示为：
4.根据权利要求1所述的方法，其特征在于，所述优选器模型为结合多种深度学习网络的模型，其中，深度学习网络包括卷积神经网络、双向长短期记...
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。