目前,物联网技术已得到广泛应用,各种异构物联网设备得以大规模部署,在智慧城市、智能农业、智能家居以及智慧交通等领域发挥着重要作用。以Wi Fi、Zig Bee和蓝牙等为代表的无线通信技术并存、共享2.4 GHz频段,导致无线设备竞争信道并相互干扰,带来大量无线技术共存的难题,使得频谱资源愈发紧张。目前跨技术通信（CrossTechnology Communication,CTC）使采用不同通信协议的异构无线设备无需网关进行转发即可实现互联互通,数据通信更加便捷也极大降低异构网内通信成本。但相较于传统同构网模式,CTC技术也使得异构网下欺骗和拥塞攻击更易被实施。Wi Fi设备借助更长通信距离和更加充足能量供应对Zig Bee设备直接进行欺骗和拥塞攻击,这为异构网下数据通信带来极大的安全隐患。本文重点研究基于CTC的欺骗和拥塞攻击,以及攻击检测技术,主要是利用Wi Fi设备欺骗和拥塞攻击Zig Bee设备。其中,针对基于CTC的欺骗攻击,考虑两种情况分别提出相应的检测方案:（1）考虑到在实验过程中,实施欺骗攻击的位置难以被全面覆盖,当缺少欺骗攻击类样本且该类样本数量占比较小时,存在两类样本（正常通信类、欺骗攻击类）不平衡的问题,使用异常值检测算法只研究Zig Bee设备的正常通信类接收信号强度（Received Signal Strength,RSS）数据即可实现CTC欺骗攻击检测。（2）当网络中爆发大规模欺骗攻击,可以获得均衡的两类样本时,使用基于深度学习的二分类检测模型实现CTC欺骗攻击检测。主要研究内容如下:（1）提出CTC欺骗攻击模型及基于异常值检测算法的CTC欺骗攻击检测技术研究。为保障CTC中异构物联网通信安全,在CTC中,利用异常值检测算法只需分析正常通信的Zig Bee设备的单类RSS数据即可探测欺骗攻击信号并实现及时识别,其中,RSS是无线通信中影响数据识别的重要技术指标。分别设置三种Wi Fi欺骗攻击Zig Bee场景,使用局部异常值因子、孤立森林及单类支持向量机（One-class SVM,OSVM）等异常值检测算法分析RSS信号数据。通过上述不同异常检测算法实验结果对比,OSVM在三种场景中运行效率以及检测性能较好。（2）提出基于深度前馈神经网络（Deep Feedforward Network,DFN）的CTC欺骗攻击检测模型,其中包括多个阶段,例如数据预处理、数据标准化、基于DFN的分类方法和参数选择。为了评估本文提出的基于DFN的CTC欺骗攻击检测模型在实际场景中的表现,分别计算决策树、支持向量机、集成学习算法Ada Boost及XGBoost与本文采用DFN模型的各项综合评价指标。实验结果表明DFN模型在上述五种算法的对比中AUC值均为最高。因此,基于DFN的CTC欺骗攻击检测模型具有良好的检测性能,并支持对多个攻击场景的欺骗检测。（3）提出基于CTC的拥塞攻击模型及其检测技术研究。传统拥塞攻击模型通常为:使用一个信道的Zig Bee信号来拥塞同一信道的其他Zig Bee设备。然而,CTC拥塞攻击模型为:由于Wi Fi帧占用的带宽为20MHz,而Zig Bee带宽为2MHz,因此在理论上,使用单个Wi Fi帧可同时拥塞在五个不同信道中通信的Zig Bee设备,实现对Zig Bee网络通信最大攻击效果。为了评估CTC拥塞攻击在真实环境中的性能表现,本文采用基于USRPN210和MICAz测试平台来检测CTC拥塞攻击,对比现有的基于信号强度一致性检测方法和本文方法准确率的结果,实验表明,所提检测模型比现有方法在准确率上有较大提升。