该研究聚焦于军事行动中网络空间与电磁频谱的协同态势感知问题。现代作战中，动能与非动能域（尤其是网络战与电磁战）的协调对于获取作战优势至关重要，而 Cyber Situational Awareness (CSA) 的 OODA 环要求对异质来源的观测证据进行监测与解释。作者指出，异常行为不仅体现在信号物理层，还可能体现在通信流量层，但现有异常检测方法大多只关注单一视角，难以刻画同时发生在电磁和网络两个域的事件。为弥补这一不足，论文开发并评估了两种结合双域特征的异常检测模型。研究使用 ZBDS2023 数据集，该数据集包含网状网络中节点的流量数据，同时涵盖良性行为和攻击行为，并提供物理层特征、流量层特征以及攻击标签。具体实现上，作者构建了一个有监督的随机森林模型和一个无监督的 LSTM-自编码器模型。实验结果显示，基于学习的模型能够检测出结合两个域模式的攻击，其中有监督的随机森林取得了 89.76% 的 F1-score，无监督的 LSTM-自编码器取得了 64.09% 的 F1-score。尽管这些结果表明所提模型能够通过改进异常行为的观测和解释来支持 CSA，但正常样本与攻击样本间的细微差异揭示了提取更丰富判别特征的必要性。整体上，该工作为多域融合的异常检测提供了有意义的尝试，并为后续研究指明了特征工程和模型优化的方向。对于从事网络-电磁融合监测、军事网络防御以及多源数据异常检测的研究人员和工程师而言，本文具有直接参考价值。