低空无线网络中的安全无人机群：挑战与解决方案

大家读完觉得有帮助记得关注和点赞！！！

摘要

无人机群凭借其分布式感知、灵活通信和自主协同能力，正日益广泛地部署于广阔的低空应用中。然而，无人机群开放且高度动态的运行环境引入了严重的安全风险，包括GPS欺骗、内部威胁和多跳入侵。有限的机载资源、频繁变化的网络拓扑以及智能对手的存在进一步加剧了这些威胁。为应对这些问题，本文提出了一种面向无人机群的云-边-端协同防御框架。基于该框架，我们开发了三种互补的机制。首先，设计了一种协作感知方案，通过对抗性的攻防博弈建模来抵御GPS欺骗。其次，开发了一种结合信任评估的行为驱动认证方法，以减轻内部威胁。第三，设计了一个多智能体攻击取证框架，用于智能追踪无人机网络中多跳攻击的传播路径。实验结果验证了所提方法的有效性。最后，本文概述了若干开放的未来研究方向。

I. 引言

随着智能无人系统与低空无线网络的深度融合，无人机群正迅速从孤立的空中平台演变为紧密集成感知、通信、决策与执行的复杂信息物理系统[1]。如今，低空空域正从稀疏利用的环境向高度动态、密集组网的系统转变。根据近期的一份报告¹，截至2024年，全球在役无人机已超过3250万架，而全球无人机市场预计将从2026年的163.7亿美元增长至2035年的241.2亿美元。

依托分布式智能和自主多智能体协作，无人机群在一系列关键任务应用中展现了变革性潜力[2]，包括广域侦察、低空物流、基础设施巡检、公共安全监控和应急响应。例如，依托Starlink等卫星通信系统支持的无人机群作战，已在复杂环境中展现出分布式感知、弹性通信和协同任务执行的空前能力[3]。这些发展对无人机群的安全协作、弹性组网和自主防御能力提出了日益严苛的要求。

然而，无人机群的分布式、自主和高度动态特性也带来了全新的根本性安全挑战，使其易受复杂的外部攻击和内部渗透[3]。具体而言，在低空无线网络中可能出现一系列新的安全挑战：

为应对这些关键挑战，需要一种新的无人机群安全范式。该范式应充分利用低空无线网络的层次化和分布式特性，并实现云、网、无人机层之间的协同安全智能。在此背景下，云-边-端协同架构[6, 7]应运而生，提供互补的安全能力：云端执行全球威胁情报分析，边缘网络支持实时分布式防护，无人机群执行自主感知与防御，如图1所示。基于此架构基础，我们进一步开发了三项关键技术来保障无人机群安全：(i) 通过集群级信息融合和自适应资源分配来抵御GPS欺骗的协作感知机制；(ii) 基于行为信任演化的持续认证方法，以识别恶意内部无人机；(iii) 智能攻击取证策略，以主动追踪多跳攻击路径。

在本文中，我们提出了一个面向低空无线网络的安全协作无人机群综合框架。我们首先介绍了一个支持可扩展、弹性无人机群防御的云-边-端协同架构。然后，我们分析了关键的安全挑战，并提出了相应的解决方案，包括协作式欺骗防御、行为信任认证和智能攻击取证。这些解决方案共同为在动态和对抗性环境中实现可信赖、弹性的无人机群运作提供了整体性途径。

II. 面向安全协作无人机群的云-边-端架构

II-A 架构设计

为解决高度动态网络拓扑和有限机载安全能力带来的根本挑战，我们提出了一种面向低空无线网络的无人机群云-边-端协同防御架构，如图1所示。通过利用云端的全局智能、边缘的分布式防护能力以及无人机群的自主决策与实时感知能力，所提架构建立了一个分层、自适应、协同的防御框架。

图1：无人机群的新兴安全威胁及低空无线网络中的云-边-端协同防御架构概览。

1) 云（Cloud）：​ 作为全局智能和安全编排中心来保障无人机群安全。凭借丰富的计算和存储资源，云端执行大规模安全分析和全局决策。① 通过聚合来自边缘和无人机层的历史攻击数据、无人机运行日志和多源监测信息，云端进行全局威胁建模和跨域关联分析，建立全面的安全态势感知。② 基于全局分析，云端动态生成优化的防御策略和缓解措施，并将安全指令下发至边缘节点和无人机群，确保协调一致的防护。

2) 边缘网络（Edge Networks）：​ 通过部署在空中和地面通信基础设施（如中继无人机、地面站、蜂窝基站）上的边缘节点，提供分布式计算和本地化防护。① 边缘节点本地处理无人机通信流量，实现低延迟异常检测、流量检查和分级数据转发，减轻云端的处理负担。② 边缘节点可通过持续分析和监测其覆盖区域内无人机的链路状态、控制信令和行为模式，协作检测无人机的异常活动。

3) 无人机群（UAV Swarms）：​ 配备机载感知、通信和轻量级安全模块，用于自主感知和协作任务。① 每架无人机基于本地观测信息执行实时威胁检测，实现快速异常发现。② 无人机可通过机间通信和分布式共识共享威胁情报、协作检测可疑节点并自主执行防御策略，从而促进自组织的集群防护。

II-B 无人机群安全的前沿方法

近期研究从定位、通信和系统角度揭示了无人机群的重大安全风险。在无人机定位安全方面，Sathaye等人[5]开发了一个GPS信号发生器来发动GPS欺骗攻击，通过精心实时操控欺骗信号，可以接管商用无人机（例如控制其轨迹和速度）。Chen等人[8]进一步提出了一种无人机位置操纵攻击，可以精确操控飞行轨迹，将入侵无人机诱导至重定向目的地。为缓解GPS欺骗，Sathaye等人[9]设计了一种名为SemperFi的单天线GPS接收机，在无人机上配备扩展卡尔曼滤波模块，以在欺骗攻击下恢复合法定位信号。通过比对报告的GPS位置和无人机群内的机间距离测量值，Bi等人[10]将协作GPS欺骗检测中的被攻陷无人机识别建模为一个非凸定位可行性问题，并利用半定松弛高效求解。

在无人机通信安全方面，Piana等人[11]设计了一种物理层多轮认证协议，验证者发出机动挑战，并通过检查测量的信道增益是否与预期统计特性匹配来验证无人机真实性。还利用零和博弈来决定挑战位置。Sikarwar等人[12]探索了轻量级物理不可克隆函数（PUF），用于为地面车辆提供高效且隐私保护的无人机辅助身份认证。针对安全的无人机辅助计算卸载，Chen等人[13]开发了一个分层Stackelberg博弈框架，以优化区块链赋能系统中的资源调度。

近期研究已开始利用大语言模型（LLM）来保障无人机系统安全。Deng等人[14]设计了一个名为PentestGPT的LLM赋能自动化渗透测试框架，由多个自交互模块组成，以在复杂安全分析中协同支持长程推理过程。Cao等人[15]研究了一种基于LLM智能体的空天地一体化网络新型态势感知框架，能够实现多域威胁情报融合和自动防御策略生成。

第三节将讨论当前无人机群安全方法的关键挑战，第四节将提出潜在的解决方案。

III. 无人机群安全的挑战

本节重点阐述保障无人机群安全的关键挑战。

III-A 从单机防御到抗GPS欺骗的协作防御（需抵御搭便车行为）

无人机严重依赖GPS信号进行导航、定位和集群协同操作。由于其信号微弱且公开广播，GPS信号极易受到低成本发起的欺骗攻击[5]。智能对手可以注入伪造的GPS信号，逐步引入位置偏差（即策略性动态GPS偏差），误导无人机导航，可能导致任务失败。

传统防御方法主要依赖单机无人机的多源传感器融合[9]，在面对智能GPS欺骗攻击时往往效果不佳。尽管现有少数工作探索了协作式GPS欺骗防御，但它们主要在“所有无人机自愿参与”的乐观假设下运行。实际上，出于隐私担忧和有限的机载计算与能源资源，无人机可能表现为自利智能体。因此，一些无人机可能充当“搭便车者”，享受集体防御的好处而不贡献感知或计算资源，从而降低了协作防御机制的有效性。因此，开发激励相容的协作防御框架，在鼓励无人机诚实参与的同时遏制搭便车行为，至关重要。

III-B 从一次性身份认证到针对内部无人机的信任感知行为认证

无人机群通常以任务驱动和自组织的方式运行，无人机节点动态加入、退出和变更角色[2]。这种动态和去中心化的特性引入了与内部恶意节点相关的风险。现有认证机制主要依赖密码技术在初始网络接入时验证无人机身份，但不足以检测内部威胁。

实际上，无人机加入集群后可能被捕获、攻陷或被对手渗透。被攻陷的无人机随后可以发起内部攻击，例如伪造感知数据、操纵集群协调或破坏任务执行[4]。此外，内部无人机可能在早期阶段故意表现出合规行为以逃避检测，随后再发起策略性攻击。因此，除一次性身份认证外，还需要持续的信任评估来捕捉行为特征，以防范内部无人机。此外，由于机载资源有限，单机无人机的观测可能不足以进行全面的信任评估，需要整合多源集群信息。

图2：(a) 无人机群协作GPS欺骗防御的系统模型，以及(b)其工作流程：1) 协作位置重建；2) 基于外层贝叶斯博弈（无人机群与攻击者之间）和内层平均场博弈（集群内个体无人机之间）的最优攻防策略。

III-C 从被动打补丁到针对多跳渗透的智能攻击追踪

由于无人机移动性和不稳定的通信链路，无人机群呈现出高度动态的拓扑。智能对手可以利用网络漏洞，通过逐步攻陷无人机节点并在集群内传播恶意影响，发起多跳渗透攻击。此类攻击通常涉及多个漏洞和动态构建的攻击路径，使其具有高度的隐蔽性且难以检测。

传统的漏洞扫描和安全补丁方法主要假设网络配置是静态的。实际上，攻击者可以根据无人机群中的拓扑变化和系统状态持续调整其策略。因此，现有方法在及时重建无人机网络中动态演变的攻击路径方面能力有限。近期研究探索了使用LLM进行智能安全分析。然而，将基于LLM的方法应用于无人机群仍具挑战性。首先，无人机群的配置和漏洞数据通常达到GB级规模，超出了当前LLM的上下文窗口容量。其次，推理可靠性仍令人担忧，因为幻觉和推理错误可能导致不准确的攻击分析。因此，必须开发能够适应动态无人机网络拓扑和复杂漏洞关联关系的智能多路径攻击推理机制。

IV. 无人机群协作防御的解决方案

为解决低空无人机群的上述关键安全挑战，本节提出三种互补的解决方案：协作式GPS欺骗防御、动态行为认证和主动集群防护。

IV-A 无人机群的协作GPS欺骗防御

如图2所示，本小节开发了一个协作GPS欺骗防御框架，包含 (i) 一种协作位置重建方法和 (ii) 一种贝叶斯-平均场博弈双层决策机制。

1) 协作位置重建。​ 由于单架无人机通常无法可靠检测隐蔽的GPS欺骗，我们开发了一种基于多维几何残差的协作感知模型，利用无人机群的几何空间关系进行精确位置重建。每架无人机首先通过视距链路测量相对距离，计算一个边缘残差度量 k，量化测量的机间距离与GPS报告位置之间的差异。为过滤低置信度观测，一个非线性映射函数将这些残差转换为欺骗概率。当怀疑某架无人机被欺骗时，触发协作定位过程。选择高置信度的邻近无人机作为锚节点，并使用半定规划[10]构建线性约束，以估计受害无人机的真实位置。然后将重建的位置与原始GPS估计值融合，生成加权校正后的位置。

2) 基于贝叶斯-平均场博弈的最优攻防策略。​ 在GPS欺骗攻击中，攻击者可以动态注入位置偏差 a以最大化轨迹偏差，同时避免被检测。与此同时，每架资源受限的无人机决定其协作防御强度（CDI）p（即协作通信范围），这影响了协作者的数量，以最小化由通信延迟、计算能耗和位置偏差风险组成的期望成本 C。为实现集群内的高效防御协调，我们设计了一种双层决策机制。

• 外层：​ 贝叶斯博弈建模攻击者无人机群之间的策略交互。攻击者的效用 U与GPS偏差 a和被检测的概率相关。基于观测到的几何残差 k，集群更新其对攻击者行为的信念，并动态调整集群级防御强度（即最大CDI）。

• 内层：​ 给定此全局防御策略，一个内层平均场博弈（MFG）管理个体无人机的集体防御行为。对于每架无人机，其状态变量 s(t)是对其位置偏差的估计，其目标是找到最优的CDI策略 p*(t)以最小化期望成本 C(t)。具体而言，哈密顿-雅可比-贝尔曼方程确定每架无人机的最优CDI策略，而福克-普朗克-柯尔莫哥洛夫方程刻画了随机干扰下集群状态分布的演化。

为解决外层策略对抗与内层集群动态之间的耦合，外层贝叶斯均衡通过虚构博弈方法近似，而内层HJB-FPK方程使用托马斯算法和隐式有限差分格式求解。这种嵌套优化在模型预测控制的滚动时域框架内执行，使得在每个时隙都能调整集群级防御强度。

图3：(a) 无人机群动态行为认证的系统模型，以及(b)其工作流程：1) 单节点行为认证；2) 分布式协作信任评估。

IV-B 无人机群的信任感知行为认证

本小节开发了一个信任感知行为认证框架，包含 (i) 动态行为认证模型和 (ii) 分布式协作信任机制，以减轻内部威胁，如图3所示。

1) 动态行为认证。​ 在无人机群中，每个节点可以是合法无人机或内部对手，而认证决策由集群管理器基于无人机的行为信号做出。特别地，集群管理器将真实任务与轻量级探测任务（例如，快速机动到指定位置）混合，并动态分配给目标无人机。然后，可以从任务延迟和执行精度（即其实际到达位置与任务目标位置之间的距离）中提取目标无人机的可观测行为信号。注意，无人机的能耗通常与其速度的平方成正比。通常，合法无人机倾向于在正常能源预算内高效完成任务，而恶意内部人员通常为后续攻击节省资源，导致更高的延迟或降低的执行精度。基于执行测试任务时的行为信号，集群管理器通过贝叶斯规则周期性更新其对无人机类型（合法或内部）的后验信念。然后，集群管理器基于预定义的信任阈值执行分级访问控制：高度可信的节点被接纳，低可信度的节点被拒绝，可信度不确定的节点被转发至后续的协作认证阶段。

2) 分布式协作信任评估。​ 由于内部无人机可能通过临时行为伪装逃避单节点认证，进一步引入了分布式集群级信任评估机制。具体而言，多个邻近无人机基于历史交互生成目标节点的局部信任序列。这里，持续的可信交互贡献正积累信任并随时间衰减，而恶意行为触发背叛惩罚，放大不信任以阻止策略性伪装。最后，通过自适应加权和滑动窗口聚合融合局部信任评估，产生联合信任分数，从而减轻局部观测噪声并增强集群对抗间歇性隐蔽攻击的弹性。

图4：基于多智能体的无人机群自适应主动防护示意图，包括(i)推理信息规范化，和(ii)协作攻击路径追踪。

IV-C 无人机群的多智能体主动防护

本小节开发了一个主动防护框架，包括 (i) 基于形式逻辑的推理信息规范和 (ii) 多智能体协作攻击路径推理，如图4所示。

1) 基于形式逻辑推理信息规范。​ 为处理无人机群内海量冗余的漏洞扫描数据，设计了一种基于形式逻辑的规范方法。它系统地将异构的无人机网络配置和原始漏洞报告映射为紧凑的原子事实。使用Datalog逻辑框架，基于Horn子句定义推理规则，以描述跨无人机网络的潜在攻击行为的传递关系。此规范过程将大量原始安全数据压缩为结构化的推理信息，在保留基于LLM的渗透分析所需的基本逻辑依赖关系的同时，显著降低了计算复杂度。

2) 多智能体协作攻击路径追踪。​ 由于基于LLM的单智能体系统在长链推理中常受幻觉和覆盖率不足的困扰，开发了一种多智能体协作架构。它动态调度具有不同角色的专用智能体，包括路径推理（PR）、路径去重（PD）、子路径探索（SPE）和结果验证（RV）。

• PR智能体基于第一阶段获得的结构化推理信息，生成一组潜在的攻击路径。

• 为确保任何生成路径的自洽性，RV智能体并行启动多个验证实例，并执行基于投票的验证。

• 为减少路径冗余，PD智能体通过LLM识别并合并逻辑等效的攻击步骤，从而精炼有效攻击路径集。

• SPE智能体运行基于前缀分解的探索算法，通过递归SPE提高攻击图覆盖率。

  基于追踪到的攻击图，系统根据每个漏洞在不同攻击路径中的被利用频率及其与关键资产的拓扑邻近性，确定其修复优先级，而非依赖破坏性的全局打补丁。

V. 案例研究

我们模拟了一个由500架无人机组成的无人机群，其分布服从三维泊松点过程。每架无人机的基本通信半径为10米，最大感知半径为50米。为反映无人机移动性，无人机群内的路由链路动态更新。一个伪造的地面站在仿真窗口的2-5秒内对一架边缘无人机发动GPS欺骗攻击。通过操纵到达时间并伪造卫星信号，攻击者诱导了约12米/秒的持续向下对角线轨迹漂移。此外，在仿真窗口的10-30秒之间，注入了针对核心任务资产的多跳渗透攻击，在此期间，对手通过利用互联无人机间的分布式漏洞进行横向移动。在无人机群中，假设20%的无人机为内部节点，它们可能在协作防御期间误报虚假位置，并在多跳渗透中泄露私有无人机配置。

采用六种基线策略进行比较：(i) 持续运作策略（COS）：每架无人机始终保持所有无人机间的最大防御协作；(ii) 线性反馈策略（LFS）：每架无人机根据轨迹偏差成比例地调整防御强度；(iii) 贪婪策略（GS）：每架无人机最小化瞬时开销而不考虑长期影响；(iv) 形式逻辑策略（FLS）：执行穷举状态空间推理；(v) 单智能体策略（SAS）：依赖顺序漏洞推理；(vi) 贪婪补丁策略（GP）：一旦检测到漏洞立即修补。

图5：不同策略下GPS欺骗攻击的瞬时防御成本演化。

图6：不同策略下多跳渗透攻击的瞬时防御开销演化。

图5显示了四种策略下针对GPS欺骗攻击的瞬时防御成本。如图5所示，COS策略始终产生最高的成本，因为所有无人机都与邻居保持最大范围的协作防御。LFS策略倾向于对突发轨迹偏差反应过度，并因其固定反馈增益而导致更高的防御成本。GS策略一旦发生攻击就会遭受资源消耗增加，因为它缺乏无人机间的长期协调。相比之下，所提框架在对抗GPS欺骗方面实现了最低的防御成本（即图5中的2-5秒期间）。原因如下：首先，由平均场博弈引导的集群级协作有效地协调了各无人机的个体防御努力，从而防止了个体无人机的过度资源消耗。其次，所提出的基于信任的行为认证能有效抵御集群内的恶意内部人员，提高了参与无人机的整体诚实度。此外，一旦攻击平息，系统迅速返回低功耗运行状态，实现了安全与效率的有效平衡。

图6显示了四种策略在多跳渗透期间的瞬时防御开销。如图6所示，随着攻击路径深度的增加，FLS策略的防御计算开销呈指数增长。SAS策略产生高度振荡的开销，这是由于单一LLM智能体潜在的推理幻觉以及随后生成的无效验证脚本所致。GP策略导致严重的开销峰值，这是由于无人机节点立即打补丁造成的服务中断。相反，所提的多智能体协作策略保持了最低的平均防御开销。原因如下：首先，规范机制有效压缩了冗余推理空间，同时信任模型减轻了集群内的内部威胁。其次，在多跳渗透阶段（即图6中的10-30秒期间），动态调度多个LLM智能体执行递归子路径探索以识别关键漏洞。最后，通过自适应的无人机网络加固，系统优先缓解高风险攻击路径，从而在保持整体集群可用性的同时修复网络级漏洞。

VI. 未来方向

VI-A 通过混合专家实现无人机群的分布式LLM推理

LLM为低空无线网络赋予了强大的推理和决策能力。然而，由于高计算和内存需求，直接在资源受限的无人机平台上部署LLM仍然不可行。一个有前景的方向是利用混合专家（MoE）架构，将LLM分割成多个分片分布在无人机和边缘节点上，从而促进分布式LLM推理。在此范式中，无人机可以缓存和更新来自邻近边缘节点的专用专家模型，而每个推理任务被动态路由到托管相应专家的相应无人机。然而，在延迟感知的专家选择和无人机间通信高效的协作推理方面仍存在关键挑战。

VI-B 低空智能网络中的信息物理智能体协作

下一代低空无线网络将演变为集成具身智能体（如实物无人机）与虚拟AI智能体（如数字孪生和基于云的服务智能体）的信息物理智能系统。为执行复杂任务，物理和虚拟智能体都可以动态发布和更新其能力。然后可以通过能力感知的语义匹配和工作流编排，动态形成合适的智能体团队。然而，在异构智能体之间，语义对齐、实时同步和可扩展的智能体协调等方面仍存在若干挑战。

VI-C 无人机群的隐私保护协作智能

由于无人机频繁交换敏感感知数据、任务信息和运行状态，隐私保护成为无人机群中的一个关键问题。例如，多智能体协作期间的共享观测和中间推理结果可能暴露敏感任务细节或运行模式。现有的隐私保护研究探索了分布式AI学习、LLM安全护栏和差分隐私机制。然而，如何为资源受限的低空智能体设计轻量级隐私保护机制，同时在隐私与协作智能之间取得有效平衡，仍是一个研究挑战。

VII. 结论

本文研究了在低空无线网络中实现安全协作无人机群的安全挑战和潜在解决方案。首先，我们介绍了一种云-边-端协同防御架构来保障无人机群安全。然后，我们回顾了前沿进展，识别了感知、通信和网络层三个关键的安全挑战，并提出了相应的解决方案，包括协作式GPS欺骗防御、动态行为信任认证和多智能体主动攻击取证。最后，我们概述了若干有前景的研究方向，包括分布式LLM智能、信息物理智能体协作和隐私保护集群智能。通过推进无人机群的安全协作机制，这项工作为构建可信赖、弹性的低空无线网络做出了贡献。