该论文研究了轻量级机器学习模型在工业物联网（IIoT）入侵检测中的跨域泛化失败问题。虽然轻量级模型因其适合资源受限的边缘部署而被广泛提出，但大多数报告的结果仅在训练网络内评估，未验证其在未见网络上的表现。本研究在一种IIoT数据集上训练了四种轻量级架构，并使用跨三个数据源共有的特征表示，在另外两个结构不同的IIoT数据集上进行零样本评估。对两个最优模型的解释性分析显示，它们都过度依赖粗粒度的端口类别特征：最影响决策的端口类别在源域攻击流量中的出现频率是目标域的96至435倍，这表明粗化端口分辨率只是将已知的捷径（shortcut）从一个位置移动到另一个位置。此外，在自然不平衡的类别分布下，评估协议的不同选择会逆转两个目标域中哪个域泛化挑战更大的结论。研究还评估了对抗鲁棒性和通过有限目标域暴露的恢复能力：对抗扰动的鲁棒性与跨网络泛化无关，而通过自适应恢复的效果因架构而异。这些发现表明，部署准备度应基于真实类别分布下的跨网络评估，而非仅依赖域内准确率。