作为传统工业向智能化方向转型的关键性技术,工业物联网（Industrial Internet of Things,IIoT）也伴随着物联网（Internet of Things,IoT）技术的崛起而迅速发展,为企业提供了更高的生产力、效率、可靠性和性能,有着广大的应用前景。然而,工业物联网所面临的网络安全形势相较于传统网络也更加严峻。其中,ARP（Address Resolution Protocol）攻击已经成为工业物联网中一个典型的安全威胁问题。作为一种将控制层与数据层分离的新型网络架构,软件定义网络（Software Defined Network,SDN）能够实现灵活的网络控制和便利的方案部署。目前,已经有许多学者将SDN架构引入到工业物联网来解决一些实际问题。本文同样利用了SDN集中控制网络和便于部署解决方案的特性,来解决工业物联网中的ARP攻击问题。本文在软件定义工业物联网（Software Defined IIoT,SDIIoT）中进行了基于机器学习的ARP攻击检测方法研究。首先,针对ARP攻击检测方法中存在的特征提取角度有限和标记样本数量少的问题,本文提出了一种基于多因素融合与半监督学习的ARP攻击检测方法,并命名为MIS,来更好地检测工业物联网中出现的ARP攻击。该方法设计了基于多因素融合的特征提取,并提出了采用差异优先级采样与自训练的半监督学习框架。MIS从不同角度提取ARP攻击特征,来帮助模型正确地检测出ARP攻击。同时,差异优先级采样使自训练中的基学习器能够从未标记样本中高效地学习到有用信息。其次,在一个新工业物联网场景的运行初期,仅靠其少量数据无法获得获取检测性能良好的ARP攻击分类器。同时,由于数据分布性质不同,不同场景中训练的检测器无法通用。为了有效利用新场景及其相关场景的数据,本文提出了一种基于单源领域扩充与先验参数迁移的ARP攻击检测方法,并命名为Transfer-MIS,用于迁移MIS模型参数,使得新环境能够获得一个高效的ARP攻击检测器。该方法利用Bootstrap与分簇采样方法将单源领域扩充为多源领域来共同增强目标域的分类性能,然后通过分析可迁移度得到迁移参数,并分配给不同源域迁移参数对应的迁移权重来共同构成目标域上的ARP攻击检测器。在实验中,本文基于真实工业物联网中采集的数据集和由Mininet生成的模拟数据集来评估所提算法性能。实验表明,MIS在检测ARP攻击上可以取得良好的性能,而且与有监督学习方法和其他已有的ARP检测方法相比,MIS也表现出更佳的性能。此外,Transfer-MIS也能够在少量目标领域数据的基础上有效迁移源领域的MIS模型参数,以获得一个适应当前环境的ARP分类器,此分类器能够在目标领域数据上取得较好的ARP攻击检测效果。