让模糊测试“自己造输入”：生成式 Fuzzer 如何守护物联网网络安全

“ 随着物联网（Internet of Things, IoT）设备在工业、医疗、家庭等场景中的大规模部署，网络化 IoT 系统的安全性正面临前所未有的挑战。与传统软件不同，IoT 网络中的漏洞往往隐藏在复杂的通信协议、异构设备交互以及动态网络行为之中，使得基于规则或静态分析的方法难以奏效。

针对这一现实难题，研究者提出了一种新的方向：将生成式模型与模糊测试深度结合，用“会生成的Fuzzer”主动挖掘IoT网络漏洞。 ”

• 📄 论文标题：Generative Fuzzer-Driven Vulnerability Detection in the Internet of Things Networks

• 📅 发表时间： Applied Soft Computing，2025

• 🏫 作者单位： 澳大利亚堪培拉新南威尔士大学

• 💡开源代码： 未开源，所使用的数据是保密的。

01—方法介绍

论文的核心思想是：在 IoT 网络环境中，漏洞往往依赖“输入序列的结构与语义”，而不仅是随机扰动。

为此，作者提出了一种生成式 fuzzer 驱动的漏洞检测框架，通过学习正常网络行为分布，生成更“像真的”测试输入，从而更高效地触发潜在漏洞。整体流程可概括为三步：

① 网络行为建模

从 IoT 网络流量中学习协议与通信模式。

② 生成式输入构造

利用生成模型生成结构化、语义合理的测试数据。

③ Fuzzer 驱动检测

将生成输入注入 IoT 网络，监测异常与漏洞触发。

图 1. 基于突变的模糊测试过程的抽象表示

图 2. 工业物联网（IIoT）网络智能变异模糊测试示例场景

小结：与“纯随机 fuzzing”相比，该方法更像是在“模拟真实攻击者”。

02—关键机制

1. 生成式 Fuzzing 视角，突破传统随机或变异式输入生成方式。
2. 面向 IoT 网络，针对协议复杂、设备异构的真实环境设计。
3. 语义感知输入，生成更符合协议语义的测试数据。
4. 更高漏洞触发率，减少无效测试，提升 fuzzing 效率。

小结：生成模型负责“造输入”，fuzzer 负责“放大问题”。

03—实验结果

本实验分为两个阶段：（1）基于模糊测试的漏洞检测，（2）用于优先级排序的风险评估。首先，设计了一种基于变异的模糊测试方法，以发现不同类型工业物联网（IIoT）设备中的缺陷。在此之后，利用深度学习系统，根据提取的有效载荷特征，对每个漏洞按可能性和影响程度进行分类，以评估风险等级。

（1）为了评估基于智能突变的模糊测试器的性能，作者在SAir-IIoT网络孪生测试平台上进行了实验，该测试器部署在一台服务器机器上，该机器可通过网络访问测试平台环境。表1列出了由模糊测试工具发现的SAir-IIoT环境中设备的漏洞。表2给出了与最先进的物联网模糊测试工具对比分析。

表1. 基于智能突变的模糊测试输出

表2. 最先进的物联网模糊测试工具与提出的DCGAN-MNFuzz模型的对比

（2）图3展示了三种模型（卷积神经网络（CNN）、循环神经网络（RNN）和长短期记忆网络（LSTM））在分类相似漏洞的影响和可能性等级时的准确性。

图3. 模型在分类漏洞影响和可能性等级方面的表现

小结：DCGAN-MNFuzz是一种面向IoT设备网络漏洞的智能模糊测试工具。它结合卷积生成对抗网络（CNN-GAN）与大型语言模型（LLM）分析，实现对协议合规网络载荷的自动化生成，并通过设备响应判别与漏洞智能评估，完成从漏洞发现到风险判定的整体分析流程。

📌 总结

本文将生成式模型引入IoT网络漏洞检测领域，为模糊测试提供了一种全新的能力扩展路径。通过让 fuzzer 学会“如何生成像真实流量一样的输入”，研究者显著提升了漏洞发现的深度与效率。

这一工作表明，在 IoT 等复杂系统中，下一代 fuzzing的关键，或许正是生成能力与安全测试的深度融合。 

📣 欢迎留言讨论

• 你认为生成式 fuzzing 是否会成为 IoT 安全测试的主流方向？

• 在真实网络环境中，如何平衡测试有效性与系统稳定性？

📌 点赞 + 收藏 + 分享，你的支持，是我们持续解析高水平软件安全论文的最大动力！