针对工业控制系统（Industrial Control Systems,ICSs）的网络威胁的频率和复杂程度与日俱增。工控网络协议（Industrial Control Protocol,ICP）是进行工控网络通信的基石,因此保证工控网络协议的安全性对工控系统的重要性不言而喻。研究人员们也日渐认识到,在不考虑工控网络协议的安全性的情况下,如何确保工业控制系统的安全性更无从谈起。但工控网络协议所应用的工业环境复杂多变,同一网络协议相关参数在不同工业应用场景下的含义更是截然不同,测试人员制定一系列覆盖到不同场景下的具有普适性的安全规则的难度不言而喻。而模糊测试（Fuzz testing,Fuzzing）技术在应用流程上具备一定的普适性的特性,因此其成为了主动挖掘工控网络协议漏洞的主要手段之一。传统的模糊测试是发现工控协议漏洞的一种常见方法,根据其数据生成方法生成的测试样本不仅促进了工控网络协议安全测试,而且部分样本具有实际应用分析价值。然而,模糊测试的过程在很大程度上依赖于工控网络协议的规范,整个测试的过程需要大量的时间和人工成本来分析和理解规范。更为麻烦的是,在所测目标的规范不存在或者无法获取到的情况下,模糊测试流程就会极难进行。本文在基于生成对抗学习技术的基础上提出了一种基于改进的深层卷积生成对抗网络（DCGAN）的智能协议模糊方法,用来打破上述传统的模糊测试技术在测试工控网络协议安全性领域中存在的限制。与传统方法相比,该方法不仅不需协议规范,而且可以短时间内自动生成大量虚假但逼真的测试协议消息。在此基础上,我们又结合自注意力机制提出一种基于改进Wasserstein GANs的智能序列生成神经网络框架来进一步提升测试模型的性能,增加了触发漏洞的概率;而且该方法所用模型不仅具备轻量级的特点,而且具有更大的并行性,跟其他用于模糊测试的深度学习工作和我们之前的工作相比,所需的训练时间也大大减少。基于上述两种模型,我们提出了一种通用的自动化智能模糊测试框架HexGANFuzzer。它不仅可以应用于公共的和私有的工控网络协议的漏洞挖掘,而且对测试人员的要求较低,不再需要研究人员人工学习特殊协议的消息格式。此外,我们提出了一系列性能指标来评估基于深度学习技术面向工控网络协议的模糊测试领域中的不同模型的性能。我们通过测试几种典型的工控网络协议（包括Modbus、Ether CAT和MQTT）来评估Hex GANFuzzer的有效性。大量的实验结果证明了Hex GANFuzzer不但更简便,在测试有效性和效率上也有显著的提升。