物联网技术对人们的生产生活方式带来巨大影响,广阔的发展前景和市场需求,使得物联网设备数量指数级增长,但随之而来的是对物联网安全的严峻挑战。不同于传统互联网,物联网网络环境更加复杂,设备数量庞大且分布广泛,计算存储资源有限,更易成为黑客的潜在攻击对象。目前,恶意网络攻击已经成为物联网安全最严重的威胁之一。物联网自身特点和存在的安全风险为攻击检测方法带来新的挑战。物联网产生的流量具有数量大、维度高等特点,且数据分布差异比较大。传统的检测算法难以满足海量流量需求,且在数据分布不均衡的情况下,攻击检测效果不理想。此外,作为物联网终端与服务器交互的核心,API接口逐渐成为攻击的重点对象,但相关研究工作较少,而面向传统Web服务的攻击检测方法缺乏针对性,使物联网服务器端数据面临安全威胁。针对以上问题,本文从物联网设备终端、通信网络及物联网服务器终端三个层面,分析物联网面临的安全风险和存在的恶意攻击,结合机器学习和深度学习算法;设计能够适应物联网环境的有效攻击检测方法,主要包括以下三个方面:（1）针对物联网海量流量问题,本文提出了一种基于随机森林的僵尸网络攻击检测方法,包括流量数据预处理方法和三层检测模型,流量数据预处理根据随机森林对特征进行重要性排序,能够尽可能减少攻击特征的信息损失,且具有更快的处理速度;三层攻击检测模型由四个二分类器组成,与多分类器相比,可以有效地提高攻击检测的准确率。该方法更适合于物联网环境中的海量数据场景和实时响应需求。（2）针对物联网流量数据分布不平衡问题,本文提出了一种基于自编码网络误差重构的攻击检测方法,利用堆叠稀疏自编码器对正常行为样本进行重构,达到仅用正常行为样本就能训练得到两个类别分界线的效果,从而区分正常流量和攻击流量,提高对物联网低频恶意攻击的检测准确率。（3）针对物联网应用面临的Web攻击问题,本文设计了一种基于BERT的攻击检测方法,包括流量采集模块、实时检测模块和存储更新模块。该方法通过采集并解析物联网设备向服务器发起的Web请求,对URL进行统一处理并保留有效信息,然后通过BERT预训练模型进行向量化,并使用TextCNN模型检测带有攻击载荷的恶意URL,从而过滤并拒绝异常的Web请求。