随着低地球轨道（LEO）卫星通信系统在通信、导航与遥感等领域的重要性不断提升，针对复杂动态空间环境的智能网络攻击检测需求日益迫切。与传统的网络入侵检测不同，卫星系统产生的数据具有显著的多源异构特征：既包括射频（RF）链路的信号信息，也涵盖星载硬件状态与轨道运行参数。然而，现有研究大多直接沿用地面网络入侵数据集，或对单条观测独立建模，因而难以捕捉 LEO 卫星特有的、具有时间依赖性的攻击行为。本文基于新近发布的卫星专用数据集 UNSW-IoTSAT，对基于深度学习的网络攻击检测展开系统性研究。作者重点考察能够保留硬件、轨道与射频信息的结构化学习架构，包括子系统融合的多层感知机（Subsystem-Fusion MLP），以及一种分层多模态 Transformer，后者可同时建模跨子系统交互关系与时间演化过程。论文还评估了防泄漏的行级与时序实验设置，并开展跨卫星泛化实验，以刻画模型架构与评估协议如何共同影响卫星攻击检测效果。实验结果显示，结构化多模态建模与严格评测具有重要价值，其中分层 Transformer 在防泄漏评估协议下最高达到 91.66% 的准确率与 85.63% 的宏 F1 值。

本文研究军事行动中网络域与电磁战（EW）协调背景下的网络电磁异常检测问题。传统网络态势感知（CSA）依赖OODA循环，需要融合异构数据源进行监控和解释，但现有异常检测方法往往只关注单一视角（要么是物理信号行为，要么是网络流量通信行为），难以刻画同时表现在电磁频谱和网络空间中的联合异常事件。为此，作者利用ZBDS2023数据集（包含网状网络节点的流量数据，具有物理层特征、流量层特征以及标注的攻击行为），设计了两种结合双域特征的异常检测模型：一种是有监督的随机森林分类模型，另一种是无监督的LSTM自编码器模型。实验结果显示，监督模型取得了89.76%的F1分数，明显优于无监督模型的64.09%，表明基于学习的方法能够有效检测融合双域特征的攻击模式，特别是监督学习方式效果更佳。然而，研究也发现正常样本与攻击样本之间仅存在细微差异，现有特征区分度不足，未来需要更丰富、更具判别力的特征来进一步提升检测性能。本文核心贡献在于验证了融合电磁与网络双层特征进行异常检测的可行性，并比较了有监督与无监督两种技术路线在军事场景下的适用性，可为网络电磁态势感知系统提供技术支持。适合关注军事通信安全、多域异常检测、网络与电磁特征融合分析的蓝队人员、安全研究者和军事C4ISR系统设计者阅读。

针对多变量时间序列异常检测中数据复杂度增加、跨时间尺度依赖复杂的问题，传统方法难以同时捕获时间动态特征与序列间复杂相关性。为此，本文提出MSCENet框架，通过先进的时空学习与多尺度学习技术提升检测精度。该框架包含三个核心模块：细粒度时间卷积模块利用扩张卷积捕获短时和长时模式；将序列间关系建模为图结构，采用Mixhop图卷积自适应捕获不同时间尺度下的空间依赖；多尺度门控卷积模块通过门控机制融合时空属性，实现多尺度微小变化的检测。实验在SMD、PSM和SWaT三个真实数据集上验证了MSCENet的有效性，表明其能适应复杂时间序列数据环境中的异常检测。论文主要贡献在于提出了一种集成多尺度相关增强的端到端框架，为多变量时间序列异常检测提供了高性能解决方案。适合时间序列异常检测研究者、安全分析师及运维工程师阅读。