在“互联网+”的时代,人工智能、物联网、5G、云计算等技术对工业的影响日益显著,这些技术极大地提高了生产效率,扩大了工业控制系统使用的创造性,但这些益处也带来了额外的网络安全风险。工控协议被广泛应用于工业控制系统组件之间的通信,其安全性关系到整个系统的安全稳定运行,从而导致对于工业网络安全评估工具的需求越来越高。模糊测试是一种可以发现网络协议安全漏洞有效方法,但若协议的规范和实现过程均不可知,则很难对网络协议进行模糊测试。现有的模糊测试方法虽然提高了工控协议的安全性,但几乎只针对于某种特殊的工控协议,且严重依赖于工控协议的规范,使得测试过程昂贵、耗时、麻烦和枯燥。因此,本文从通用性的角度出发,通过深入探究深度学习在工控协议模糊测试中的应用来补充现有研究的不足,确保可向工业互联网提供可靠保障。本文的主要工作如下:（1）针对从工业互联网中捕获到的实时通信数据包如何输入至深度学习模型框架中,提出了一种工控协议通信数据包的预处理方法。该方法作为自动化生成测试用例的必要枢纽,结合多种聚类策略、添加特殊符号、数据特征转换等操作,可确保实时捕获的通信数据包第一时间转化为字符嵌入的输入,提高了深度学习生成模型对协议语法格式的理解和掌握程度。（2）针对模糊测试如何向工业互联网提供安全保障,搭建了指针生成网络模型,提出了基于指针生成网络的测试用例生成方法。该方法可以智能地自动确定协议格式规范,能够生成与真实协议相似的“假消息”作测试用例。通过设置注意力机制可以将模型有限的注意力集中在重点信息上,从而节省资源,更加快速获得最有效的消息,达到了准确再现协议格式细节的目的。除此之外,设置覆盖向量确保注意力机制避免重复关注相同的位置,从而避免生成消息重复的问题,弥补了模糊测试时间长、效率低等不足。实验结果表明,该方法不仅提高了测试用例的接收率和漏洞挖掘能力,而且可以更快地检测到工业控制协议的漏洞。（3）在基于指针生成网络的测试用例生成方法的基础之上,针对于工控协议构建了一个自动智能应用模糊测试框架PGNFuzz,很大程度上提高了工控协议模糊测试的通用性。该框架在处理工业互联网中捕获的网络协议流量之后,使用基于神经网络的机器学习模型,可以在短时间内生成大量的测试协议消息,而且训练后的模型涵盖了工控协议的时间步长和特征向量。PGNFuzz框架各个组件分工不同相互协作,为了评价其有效性,提出了一系列性能指标。在Modbus-TCP和Ether CAT等几种典型的工控协议对该框架的有效性和效率进行测试。实验结果表明,该方法在便捷性、有效性和效率方面均优于其他通用型模糊器（General Purpose Fuzzer,GPF）和其他基于深度学习的模糊测试方法。