摘要
在广泛的工业和消费应用领域对低成本、低功耗设备需求的增长推动下，物联网（IoT）设备数量正快速增长。这一扩展扩大了暴露在网络威胁下的攻击面，使得在物联网基础设施中检测恶意活动成为一个紧迫的研究挑战。大多数现有方法仅限于二元异常检测，依赖单一数据模态，或产生与现实边缘部署不兼容的计算开销。本文提出了一种多模态通用Informer卷积神经网络（MUI-CNN）分类器，这是一种用于跨异构物联网传感器和网络环境进行多类别攻击检测的分布式架构。它由四个组件组成：一个多模态通用数据嵌入层，将数值、类别和时间特征统一为共享的时空表示；一个CNN局部模式识别层；一个用于长期时间依赖关系的仅编码器分类器；以及一个可选的统计掩码层，用于增强对低幅度特征的敏感度。该模型在电信操作系统（OS）和网络物联网（TON-IoT）数据集上进行评估，该数据集涵盖八种传感器类型和十种攻击类别。结果显示，在所有物联网传感器上的F1值均超过88%，在网络传感器上最高可达94.85%，证实了每个架构组件相较于部分基线都带来了可衡量且显著的改进。
