随着物联网（IOT）技术的发展以及智能设备的日益普及,智能家居中的物联网设备变得越来越智慧。然而伴随着传感器技术的接入以及设备数量的逐渐增多,智能家居中也就不可避免的会出现一些安全问题,例如如何确保设备当前执行的指令是由合法用户发出的合法指令。为了解决这类挑战,我们提出了一个检测敏感指令的框架。同时我们收集了大量智能家居中的自动化策略数据并利用机器学习提取了敏感指令执行时的传感器协同工作上下文特征,最后利用测试集数据验证评估我们的框架性能。我们的评估结果表明对于部分敏感指令,已达到能够主动拦截高威胁指令的目的。攻击检测框架模型的准确率也都达到了89.23%以上,部分设备甚至超过了95%。本文研究的主要目标是物联网智能家居场景下的敏感指令攻击检测,创新点和主要贡献包括以下三个部分:（1）通过对各大主流的物联网厂商的智能家居设备进行调研,通过对比调研不同厂商的特点选定了研究对象。同时通过对小米智能网关固件的逆向分析,我们获取了米家智能家居设备的完整指令集。最后利用问卷调查的方式对指令集中的不同指令进行威胁等级调查,获取得到了一个智能家居设备的敏感指令集。（2）设计并实现了一个基于传感器上下文特征的敏感指令入侵检测框架。不同于以往的攻击检测使用的方法,一般都是基于设备程序的控制流上下文和数据流上下文进行的,而本文的研究是基于传感器协同工作的上下文场景特征对敏感指令进行判断,并且利用机器学习提出了一个新的上下文概念-传感器协同工作上下文场景特征。而且本文可以实现设备在被攻击前就能够检测到针对物联网智能家居设备的攻击。最后我们还对能够拦截的攻击种类场景情况进行了说明。（3）实现了对窗户（以及智能门锁）、空调（以及恒温器）、灯、窗帘（以及百叶窗）、电视音响等娱乐类电器（以及厨房类电器）等7类设备的决策树模型构建,同时还获取了这些设备相关指令执行时的特征属性以及属性权值。并利用自动化指令数据集对入侵检测框架进行了评估和优化。我们在具体模型效果评判中,采用准确率（Accuracy）、召回率（Recall=TPR）、精确率（Precision）、误报率（FPR）和漏报率（FNR）对其进行评估。我们的所有模型的准确率都达到了89.23%以上,部分甚至达到了95%。