6G非地面网络中基于因果元学习的自适应分布式物理层认证与攻击检测
arXiv cs.AI · · 发布于 2026-09-11 · 3 分钟阅读
非地面网络中的物理层认证受到严重多普勒频移、长时延与快速信道变化的挑战，这些因素造成分布偏移，使传统学习方法性能下降；现有物理层认证方案多依赖单一特征，对未见环境泛化能力差。本文提出面向多区域网络的安全自适应框架（SAFA-MZ），一种用于非地面网络分布式物理层认证的因果元学习框架。首先设计融合空间、角度、合并器、子空间与多普勒时延特征的多特征指纹，该指纹具有自适应与分布式特性，可融合来自多个空中节点的异构物理层特征与测量。其次构建结构因果模型，刻画设计选择、环境因素、提取特征与认证结果之间的关系。再次提出结合不变风险最小化与因果一致性正则化的模型无关元学习策略，以便在少量标注样本下快速适应未见过的非地面网络环境。最后提出两阶段认证方案：先进行本地识别，仅在需要时激活基于图注意力网络的到达时间差定位，从而降低回传开销。仿真显示，SAFA-MZ达到92%的准确率与96%的曲线下面积，在多种环境下优于集中式深度学习与单特征基线。
当前来源仅提供摘要，以下要点基于摘要生成；可通过官方原文查看完整信息。研究问题
非地面网络中的物理层认证受到严重多普勒频移、长时延和快速信道变化影响，导致分布偏移，并降低常规学习方法性能。
现有不足
现有物理层认证方案常依赖单一特征，或对未见环境泛化较差。
提出框架
论文提出多区域网络安全自适应认证框架 SAFA-MZ，是面向非地面网络分布式物理层认证的因果元学习框架。
多特征指纹
设计融合空间、角度、合并器、子空间与多普勒-时延特征的多特征指纹，融合多个空中节点的异构物理层特征与测量，具自适应和分布式特点。
结构因果模型
建立结构因果模型，描述设计选择、环境因素、提取特征与认证结果之间的关系。
元学习策略
采用模型无关元学习，结合不变风险最小化和因果一致性正则化，以少量标注样本快速适应未见非地面网络环境。
两阶段认证
提出两阶段认证方案，先进行本地识别，仅在需要时激活基于到达时间差定位和图注意力网络，从而降低回传开销。
实验结果
仿真显示 SAFA-MZ 达到 92% 准确率和 96% AUC，在多样环境中优于集中式深度学习和单特征基线。