无人机通信系统中安全可信协作的全流程工程框架

《Engineering Applications of Artificial Intelligence》:A full-process engineering framework for secure and trustworthy collaboration in unmanned aerial vehicle communication systems

【字体: 大 中 小 】 时间:2026年09月28日 来源:Engineering Applications of Artificial Intelligence 9.0

编辑推荐:

   **一种面向智能无人机网络的安全可信协作框架** - 动态区域划分与任务调度提升感知数据可靠性 - 基于信任的异常检测从源头抑制异常感知数据 - 隐私保护传输增强数据融合与通信安全 - 闭环信任更新优化感知精度与传输安全性 ## 引言 传统地面通信系统在容量和覆盖范围方

  

**一种面向智能无人机网络的安全可信协作框架**

- 动态区域划分与任务调度提升感知数据可靠性
- 基于信任的异常检测从源头抑制异常感知数据
- 隐私保护传输增强数据融合与通信安全
- 闭环信任更新优化感知精度与传输安全性

## 引言

传统地面通信系统在容量和覆盖范围方面的局限性,使其日益难以满足多样化无线接入服务不断增长的需求(Tan等,2022)。在此背景下,无人机辅助通信系统凭借其高机动性克服上述约束,成为一项具有前景的解决方案(Yuan等,2021;Chai和Lau,2021;Messaoudi等,2023)。

为提升无人机通信任务的执行效率,研究者采用区域划分与任务调度来增强服务质量(Granadeno和Cleland-Huang,2025;Wang等,2024;Li等,2024a)。Balanji和Yanmaz(2024)提出了一种基于任务优先级的区域划分方法,以提升高优先级区域的感知效率。Samshad和Rajawat(2024)的工作引入了一种结合生成树覆盖(STC)方法的动态区域划分(DARP)算法,确保多无人机群组间的通信连通性(Ghaddar等,2020)。该研究提出了一种能量感知动态区域划分机制,根据无人机剩余能量和任务能耗自适应地修改区域边界,从而增强持续运行能力和负载均衡。在提升智能化水平方面(Liu等,2023),相关研究将深度强化学习融入区域划分与无人机任务分配,显著提高了划分过程的智能化程度和执行效率。遵循这一趋势,近期研究探索了基于深度强化学习的自主多无人机决策与协同控制策略,进一步展示了人工智能技术在动态无人机环境中的有效性(Kuo等,2025)。然而,现有研究未能充分考虑感知区域特征与无人机性能之间的匹配程度,也忽视了无人机群组内性能互补性对感知精度的正面影响。

在完成区域划分和任务调度后,无人机执行环境感知任务。为提升感知精度,异常检测技术被广泛采用。近期研究探索了包括区块链、深度学习和强化学习在内的先进数据安全技术范式,以增强无人机感知数据的可靠性。区块链已被引入以支持无人机网络中的安全协作计算(Ajakwe和Kim,2025)。该研究提出了一种轻量级区块链辅助联邦学习框架,在抵御模型投毒攻击的同时确保协作安全(Tong等,2024)。另一研究开发了一种基于区块链的共识机制,以防止数据篡改并提高分布式无人机系统的可信度。近期,基于多传感器深度学习的异常检测方法被用于无人机系统,利用异构感知信息在复杂运行环境下识别未知异常行为(Cai等,2022)。Zhao和Xu(2025)引入了一种变分自编码器结合分类模型的方法,以准确识别无人机系统中的网络异常(Yang等,2025)。该研究采用深度神经网络架构增强对抗性和异常数据模式的检测性能。强化学习通过实现自适应策略优化进一步提升感知安全(Wang等,2022)。该研究利用深度强化学习框架增强动态条件下的环境感知精度(Al Zami等,2025)。另一研究采用分布式和自适应深度Q学习提升复杂无人机网络中的感知效率。然而,这些方法通常存在计算复杂度高或未能显式捕获多维感知特征间统计相关性的问题。为提升感知精度,异常检测技术被广泛采用。值得注意的是,马氏距离能够同时捕获特征维度间的相关性和变异性(Huang等,2024;Mfondoum等,2024;Wang等,2025a;Dashdondov和Kim,2023)。然而,在实际应用中,马氏距离所依赖的协方差矩阵在高维设置下容易出现不稳定性(Guo等,2024)。该研究引入了一种基于最小协方差行列式(MCD)的马氏距离以缓解此问题;然而,O?a等(2025)提出了一种基于MCD的正则化策略以部分缓解维度灾难问题(Xu等,2023)。另一研究通过对协方差矩阵应用岭正则化来改善高维小样本场景下的异常检测稳定性和准确性(Li等,2024b)。该研究进一步在岭正则化协方差矩阵中集成了加权机制,增强了样本重要性的区分度并提升检测性能。尽管有效,现有方法大多忽视了无人机性能因素对异常检测精度的直接影响,导致在区域感知数据聚合过程中难以可靠评估不同无人机所提交数据的数据可信度。

完成感知任务后,无人机将数据发送至地面控制站(GCS),该过程可能受到恶意用户(MU)的信息篡改攻击(Hafeez等,2023;Ouadah和Merazka,2024)。近期研究引入了包括深度强化学习和深度学习在内的先进学习方法以增强无人机网络中的传输安全。深度强化学习已被广泛应用于无人机通信保护,特别是在毫米波(mmWave)场景中,通过实现自适应抗干扰和安全传输策略(Xiao等,2021)。该研究提出了一种基于深度Q网络(DQN)的安全通信框架,以优化无人机辅助毫米波系统中的传输策略,从而降低窃听风险并增强机密性(Omoniwa等,2023)。另一研究利用双深度Q网络(DDQN)开发了一种抗干扰策略,动态调整信道选择和传输功率以提升对恶意干扰的鲁棒性(Xia等,2022)。该研究采用卷积神经网络(CNN)结合基于自编码器的特征提取方法来检测对抗性扰动和恶意数据操纵,从而提升传输可靠性(Rasheed等,2022)。另一研究采用融合长短期记忆(LSTM)网络和异常检测机制的混合深度学习模型来识别和缓解无人机通信系统中的对抗性攻击。同时,无人机安全通信也从传输技术角度进行了研究。除射频传输外,可见光通信也被探索用于通过多目标优化实现安全高效的无人机数据交付(Liu等,2026)。然而,这些方法主要关注物理层保护或攻击检测,往往忽视了分布式无人机数据的 Secure 聚合与隐私保护。联邦学习(FL)通过交换模型参数而非原始数据来增强无人机数据安全性(Xu等,2024;Yao和Ansari,2021;Qi等,2025;Hard等,2018)。近期,分层联邦学习框架被探索用于无人机安全应用,利用自适应聚合和分布式智能在动态网络条件下提升鲁棒性(McMahan等,2017)。Islam等(2026)提出了经典的联邦平均(FedAvg)算法,通过平均本地训练的模型参数实现去中心化协作学习(Li等,2020)。该研究提出了联邦近端优化(FedProx)算法,引入正则项以约束本地模型与全局模型之间的偏差(Zheng等,2024)。另一研究引入了一种轻量级无线FL框架,动态调整本地优化策略。尽管FL避免了原始数据的直接传输,但模型参数仍可能泄露敏感信息,使传输过程面临潜在攻击。为降低此风险,Ma等(2022)提出了一种基于多密钥同态加密的隐私保护FL方案。大多数现有研究主要聚焦于提升全局模型性能和隐私保护机制,而刚性的聚合策略无法适应多无人机系统中由异构任务目标和节点能力差异所产生的个性化建模需求。

在上述研究基础上,信任机制已被广泛引入以全面评估无人机任务性能并支持后续任务调度,从而减少不可靠节点对感知数据精度的干扰(Huber等,2023)-(Ye等,2022)。Bao等(2011)提出了一种基于无人机历史行为的信任机制(Wang等,2025b)。该研究提出了一种增强的信任评估机制,将动态加权与实时历史更新相结合以提升系统响应速度和准确性(Cordill等,2025)。另一研究将机器学习应用于信任评估以提升决策智能化水平(Cheong等,2024)。该研究提出了一种多维信任机制,综合考虑计算能力、数据质量和历史行为来评估节点可信度。然而,在实际的多无人机协作感知任务中,无人机在角色和任务复杂度上存在差异。现有研究通常采用统一的信任评估标准,未能引入差异化信任评分机制,难以全面公正地反映无人机的真实任务表现。

为提升无人机通信任务的执行效率,研究者们提出了多种区域划分策略和能量感知调度机制。特别地,Oubbati等(2025)引入了一种名为DIRECT的灾害响应框架,利用博弈论进行最优任务卸载决策,并采用多智能体强化学习(DDPG)动态控制无人机轨迹和智能反射面(RIS)的开启/关闭状态,显著提升了通信受限环境下的能效并降低了延迟(Alotaibi等,2025)。该研究提出了一种名为ADVISE的无人机-地面车辆(UAV-UGV)协作框架,将智能反射面(RIS)集成到无人机上以增强密集城市环境中的通信可靠性。与以往工作不同,ADVISE使无人机能够通过能量波束赋形为地面车辆无线充电,从而减少对固定充电站的依赖(Ameur等,2025)。该研究在同一框架中进一步引入了一种基于Softmax的概率缓存策略,根据请求热度和奖励权重动态选择缓存内容,同时施加冗余约束以防止多个无人机存储相同内容。与此同时,通过多目标优化深度强化学习进一步提升智能资源管理,利用时空融合图神经网络进行依赖性任务调度(Meng等,2025)。尽管这些方法考虑了任务执行与能效之间的权衡,但它们往往聚焦于单阶段的物理层资源分配或安全保护,而忽视了感知和传输全流程中的动态信任管理。相比之下,本文提出的框架旨在建立"全流程信任驱动"的设计范式,将安全从孤立的防御机制提升为贯穿通信前、通信中和通信后阶段的系统级属性。

综上所述,尽管物联网(IoD)通信安全领域已取得显著进展,但现有研究仍然零散,孤立的技术改进难以应对复杂动态环境中相互交织的级联安全威胁,导致系统整体韧性不足。为在此类挑战条件下全面增强物联网系统的通信安全,我们提出了一种全流程安全可信协作框架。该框架集成了划分式任务调度、信任增强异常检测、轻量级隐私保护传输和闭环信任反馈。本文的主要贡献如下:

- 我们开发了一种面向感知区域异构性的区域划分与无人机任务调度方法。具体而言,我们的策略首先根据感知面积和地表覆盖复杂度进行动态区域划分。随后采用分层无人机部署方式,在各区域中配置高性能节点作为关键无人机负责数据聚合,而能力较弱的节点则作为普通无人机执行区域感知任务。在此基础上,设计了一种基于能力互补性和收益优化的博弈论机制以自适应组建普通无人机群组,直接实现了区域内资源的优化调度。

- 我们引入了一种信任增强的岭正则化马氏距离(TERMD)算法以提升协作无人机区域感知任务中的感知精度。该算法在传统岭正则化马氏距离的基础上进行创新,将无人机历史信任值纳入考量以构建信任增强距离度量。此外,该算法通过融合各无人机感知偏差与信任评分来优化数据聚合过程,有效提升了高可信且感知可靠的无人机数据的影响力。

- 我们提出了一种参数加密传输的个性化联邦学习(PFL-EPT)算法以增强无人机数据传输的安全性与隐私性。该算法通过衡量本地模型相似度来指导全局聚合,从而在保持区域个性化特征的同时实现全局共识,增强异构环境下的模型性能。在此基础上,引入轻量级密钥机制对传输参数进行加密,实现低开销的端到端安全通信。

- 我们设计了一种差异化信任更新(DTU)机制为任务执行提供闭环反馈。该机制摒弃了传统的统一评估标准,根据不同任务属性综合考量精度、可靠性和能效因素进行差异化更新,从而能够在特定任务背景下动态精确地评估无人机行为的可信度。

本文其余部分的结构如下。第2节介绍物联网通信场景并建立问题模型。

随后提出了全流程安全可信协作框架,以应对该场景中的挑战,同时构建了相应的数学模型和优化目标。第3节详细阐述了提出的用于求解优化问题的算法,具体包括基于TERMD的异常检测以提高感知精度、基于PFL-EPT的隐私保护传输机制以确保数据传输安全,以及通过DTU机制实现的闭环反馈设计。第4节通过综合仿真实验验证并评估了所建立框架和算法的性能。最后,我们在第5节对工作进行了总结。

**章节摘要 系统模型**

本节聚焦于IoD系统的协同感知与通信场景。为了解决多无人机协同感知中出现的感知异常和传输安全挑战(Yu等,2025),我们开发了一个涵盖通信前、通信中和通信后的全流程可信协作框架。该框架同时建立了感知异常模型和攻击风险模型,并考虑了时延、能耗以及...

**优化与求解**

在此基础上,本节解决方程(22)中定义的联合优化问题,旨在最小化感知-传输风险概率。为实现这一目标,我们设计了三个核心算法,贯穿整个任务执行过程,形成协作闭环优化框架。在通信过程中,TERMD算法提高了感知数据的准确性,直接降低了普通无人机uc的感知异常风险DKL。

**性能分析**

本节通过综合仿真实验系统评估全流程安全可信协作框架的有效性。具体而言,实验聚焦于以下四个核心方面:TERMD算法在提高感知准确性方面的效率;PFL-EPT算法在确保感知结果传输安全性和隐私性方面的性能;DTU机制在实现...方面的作用

**结论**

本文通过构建联合优化目标以最小化感知-传输风险,研究了IoD系统中的感知异常和传输安全漏洞的双重挑战。在此目标基础上,我们开发了一个贯穿整个无人机任务生命周期的全流程安全可信协作框架。在通信前阶段,采用区域地物类别复杂性建模和基于多智能体博弈的优化来启用...

**CRediT作者贡献声明**

陈玲玲:写作——审阅与编辑、验证、软件、方法学、形式分析、概念构思。王一帆:写作——初稿、可视化、软件、方法学、形式分析、概念构思。梁辉:写作——审阅与编辑、指导。陈一帆:写作——审阅与编辑、指导。曹玉田:写作——审阅与编辑、数据整理。张贝贝:写作——审阅与编辑、数据整理。孙希娟:验证、调查研究。

**利益冲突声明**

作者声明,他们不存在任何已知的可能影响本文报告工作的竞争性经济利益或个人关系。

**致谢**

本研究部分得到中国国家自然科学基金(项目编号61571209和61501059)以及中国吉林省科学技术厅(项目编号JJKH20261379KJ)的资助。

陈玲玲|王一帆|梁辉|陈一帆|曹玉田|张贝贝|孙希娟
相关新闻
生物通微信公众号
微信
新浪微博

热点排行

    今日动态 | 人才市场 | 新技术专栏 | 中国科学人 | 云展台 | BioHot | 云讲堂直播 | 会展中心 | 特价专栏 | 技术快讯 | 免费试用

    版权所有 生物通

    Copyright© eBiotrade.com, All Rights Reserved

    联系信箱:

    粤ICP备09063491号