近年来,越来越多的对抗攻击技术被提出,在计算机视觉、自然语言处理等领域,研究者们纷纷探究如何利用其来攻击现有的基于机器学习或深度学习的异常检测、分类等系统,旨在评估相关技术系统的健壮性,以及进一步推动防御方法的提升。然而在物联网安全领域,无论是研究学者,还是黑客攻击者,针对对抗攻击的研究还都处于初级阶段,因此,本文从攻击的角度出发,通过深入探究对抗攻击技术在物联网安全方面的应用来补充现有研究在这方面的不足。本文首先全面分析研究了物联网僵尸网络的特点以及基于机器学习或深度学习的僵尸网络检测方法,发现僵尸网络检测系统为提高运行效率,采用了不同的特征选择方法,然而通过现有特征选择方法得到的特征子集往往仅适用于某一种分类器,在面对其他不同的分类器时,分类准确率便会大幅度降低。因此,本文在分析现有主流的特征选择方法后,提出了一种新的基于Fisher-Score的Wrapper式特征选择方法。该方法改进了候选特征子集的生成以及候选特征子集的评价方法,大大提高了特征子集的通用性。实验结果表明,在标准数据集UNSW-NB15上,通过该方法获得的特征子集可使各类分类器得到86.80%的平均分类准确率。其次,本文提出了一种新的基于生成对抗网络的、用于黑盒攻击物联网僵尸网络检测系统的对抗样本生成方法。该方法通过训练替代判别器来拟合不同类型的僵尸网络检测系统,训练生成器来修改原始恶意僵尸网络流量中特定的统计特征,在不改变其攻击特性的前提下生成可以规避僵尸网络检测系统的对抗样本。实验结果表明,标准数据集N＿Ba Io T中的恶意网络流量经该方法重新生成后,恶意网络流量的平均被检测率下降了73.64%,并且证明了该方法适用于规避不同类型的僵尸网络检测系统以及由不同物联网设备构成的僵尸网络,生成的对抗样本具有良好的可转移性。