物联网设备的快速普及带来了资源受限和安全漏洞增多的挑战，传统基于静态签名或规则匹配的入侵检测系统已难以应对现代、自动化且新颖的零日攻击。现有的机器学习IDS模型在面对概念漂移和未知威胁时泛化能力不足。针对上述问题，本文提出PANDORA（Probabilistic Adversarial Network Defense Over Resource-constrained Architectures），一个面向边缘设备检测零日攻击的端到端框架。PANDORA的核心贡献有三：1）通过学习不确定性感知的概率嵌入，生成网络流量的鲁棒表示；2）提出新的概率流形结构距离（PMSD）损失函数，实现有效的零样本泛化；3）采用高效的Mamba-MoE（Mixture of Experts）架构，便于设备端部署。为验证方法，作者还构建了TTDFIoTIDS2025数据集，包含复杂、程序生成的攻击。实验结果表明，PANDORA在CICIDS2017上仅需10样本微调即可达到0.971的F1分数；在域迁移下的零样本检测准确率高达99%；在树莓派上部署时内存占用仅24MB，吞吐量达4.26 flows/s，证明了其实时边缘安全防护的实用性。