摘要
深度学习已被广泛应用于物联网（IoT）、工业传感、网络入侵检测以及网络物理系统监控等关键领域，在这些场景中，模型推理结果会直接影响系统的安全性、运行可靠性以及服务连续性。然而，现有的对抗性样本检测方法在实际物联网应用中仍存在不足，因为其验证过程往往忽视了终端设备的资源限制、不同类型的数据特征、物理环境干扰、通信协议规范、自适应攻击以及攻击者的能力模型等因素。此外，这类方法的检测结果很少与部署位置、计算开销、正式的安全保障措施以及后续的应对策略相关联，这也限制了其在工程实践中的应用价值。为解决这些问题，本综述系统地总结了近期在对抗性样本检测领域的代表性研究，并构建了一个统一的分析框架，将检测结果、物联网部署的可行性以及自适应攻击评估相结合。根据检测证据的来源，现有方法可被分为基于输入一致性、基于特征统计、基于预测不确定性、基于模型重建、基于运行时上下文感知以及多策略融合检测几类，而正式认证则被视为另一个独立的安全保障维度。该综述还分析了这些方法的工作原理、适用条件、局限性、与物联网部署要求的兼容性问题以及常见的故障模式。分析结果表明存在四大挑战：缺乏针对物联网场景的自适应评估机制、异常边界识别能力有限且跨模态泛化能力不足、部署时的安全保障措施不够完善，以及检测决策与安全响应之间的协调性较差。因此，未来的研究应重点关注可行的攻击模型、分层式的轻量级检测方法、可靠的多模态融合技术、可验证的操作边界以及可审计的端到端响应机制，从而为物联网场景中的对抗性样本检测技术的评估与部署提供支持。
