无人机（Unmanned Aerial Vehicle，UAV）网络以低空空域为依托，以航空产业为主导。随着低空经济的快速发展，对无人机网络提出了强安全、高协同、可管控等新的要求。在综合梳理无人机网络的国内外研究现状的基础上，从节点行为安全、通信网络安全、智能决策安全、数据共享安全等多个维度对无人机网络面临的核心安全威胁与挑战进行了深入探讨，并从动态异常行为预警、通信链路可信保障、网络智能攻防对抗、跨域数据安全共享等多个方面对现有及潜在解决方案进行了全面综述。最后，探索了无人机网络与语义通信、大模型、数字孪生等新兴技术的融合方向并展望了未来发展趋势。
随着低空经济和无人机（Unmanned Aerial Vehicle，UAV）技术的蓬勃发展，基于深度学习的目标检测模型在无人机领域得到了广泛应用。然而，该模型在实际部署中却面临潜在的安全威胁。区别于传统的图像分类，目标检测模型在识别目标的基础上，还会额外生成和返回一组带有标签的目标边界。利用这一特性，提出了一种面向目标检测模型的隐蔽后门攻击框架。与仅在图像中嵌入特定触发特征的传统后门攻击方法不同，提出的新框架首先对图像的目标类别与边界框标注进行精准匹配，再基于匹配结果利用图像缩放原理对数据和标签进行选择性毒化，实现了后门植入的高隐蔽性。最后，在真实数据集上的实验结果证明了提出的后门攻击方法具有较高的攻击成功率。
随着物联网技术的发展，无人机（Unmanned Aerial Vehicle，UAV）辅助边缘计算对于提高数据处理能力和模型性能至关重要。但无人机节点计算和存储能力不足限制了本地模型的质量，无法有效支撑神经网络模型的训练任务，引入联邦学习机制构建无人机群可以有效解决这一问题。但是这一过程涉及系统可用性和隐私保护的权衡，导致投毒攻击更易生效且更加隐蔽。传统的聚合防御方案通过引入相似性或梯度贡献评估来筛选恶意梯度，从而抵御投毒攻击的威胁，但近年来自适应投毒攻击的出现使得此类防御方法不再有效。因此，为了更好地防御模型投毒攻击，提出了一种基于层次聚类的聚合算法，通过自底向上对梯度进行处理，实现无人机群对各类投毒攻击的通用性防护。在三个常用的数据集上评估了不同攻击场景下的防御效果，与现有方案相比，本文方案的平均防御成功率提高了11.25%，模型准确率平均提高了2.8%。
无人机（Unmanned Aerial Vehicle，UAV）在采集和传输感知数据时，面临数据泄露和恶意攻击的风险。差分隐私技术是一种能够在通信过程中提供隐私安全保护的方法。然而，传统的差分隐私机制在处理无人机通信中的高维或复杂数据时，存在隐私保护效果差和数据效用损失的问题。为了解决这些问题，提出了一种新型矩阵差分隐私保护方法——矩阵高斯机制（Matrix Gaussian Mechanism，MGM）。MGM通过引入结构化噪声，在矩阵数据中提供隐私保护，同时利用矩阵协方差结构控制噪声的添加方向，以最小化数据效用的损失。与传统方法相比，MGM能够更灵活地调节噪声分布，提高隐私保护效能，并在多维数据空间中保持数据的结构特征。实验结果证明，所提方法能够有效保护数据隐私，同时提升无人机的通信效率以及模型训练的适应性与可扩展性。
移动网络的飞速发展为诸多领域创造了崭新的发展机遇。移动边缘计算（Mobile Edge Computing，MEC）也借此迎来新的发展，其因独特优势在智慧城市车联网领域中得到了广泛应用。车载用户的激增造成网络信道资源短缺、时延过长、能耗过大等问题，从而导致数据传输效率大幅降低。因此，提出了一种基于无人机（Unmanned Aerial Vehicle，UAV）赋能的车联网任务卸载机制。将语义通信（Semantic Communication）与多址接入结合，允许多个车载用户同时接入网络，提取语义信息上传至无人机，从而提升数据传输的有效性。同时，引入博弈激励机制来提升各参与方的效用。仿真结果表明，相较于传统基线方案，本文提出的方法能显著提升系统的整体效用。
无人机（Unmanned Aerial Vehicle，UAV）通信的发展面临着安全性和效率的双重挑战。本文探讨了当前无人机通信面临的一个具有未来性且重要的问题：如何在保持通信保密性的同时，使无人机尽可能节能？为了解决这个问题，提出了一种针对先进的双无人机安全通信系统的保密能效最大化（Secrecy Energy Efficiency Maximization，SEEM）解决方案。在这样的系统中，源无人机在干扰器无人机的协助下确保信息的安全传输。为了在安全性和效率之间建立最佳平衡，寻求最大化双无人机安全通信的保密能效（Secrecy Energy Efficiency，SEE）。由于该问题的非凸性和窃听者位置不精确，因此很难最优地解决这个问题。基于逐次凸近似（Successive Convex Approximation，SCA）和S程序技术，SEEM解决方案旨在优化此情况下源无人机和干扰器无人机的轨迹。模拟实验结果表明，对于双无人机启用的安全通信系统，所提出的解决方案可以建立比其他基准解决方案更高的SEE。因此，所提出的解决方案可以同时关注双无人机启用的安全通信的传输隐蔽性和能源效率。
随着低空经济的快速发展，通信、导航与监视基础设施正在加速建设，确保低空空域的安全与有序发展成为重要任务。低空监视网络作为低空监管的核心技术支撑，其安全性直接影响低空空域的运行效率与稳定。需要对低空监视网络的安全进行深入分析，识别潜在的安全风险，为未来的系统设计与建设提供参考。首先，介绍了低空监视网络的发展现状，揭示了在低空管理与技术实施过程中存在的挑战。其次，对合作类目标监视和基于5G-A（5G-Advanced）的非合作目标感知架构进行了设备与数据资产识别，阐述了当前国内外针对这些资产的网络安全攻击研究进展，并基于数据安全威胁可能对低空监视能力造成的安全危害进行了详细分析。最后，对未来低空监视安全的研究方向进行了展望。
在无人机（Unmanned Aerial Vehicle，UAV）自动检测绝缘子图像中的缺陷时，检测算法频繁使用注意力模块会导致模型参数过大，实时性较差。为了实现轻量级、高精度的无人机智能巡检，提出一种基于Vision Transformer（ViT）的无人机绝缘子缺陷检测模型（UAV Insulator Defect Detection Model based on DEtection TRansformer，UID-DETR）。首先，提出的快速重参数模块（Fast Re-parameterization Module，FREP）利用部分卷积（Partial Convolution，PConv）和重参数化卷积（Re-parameterization Convolution，RepConv）减少了冗余计算，高效地提取了空间特征。其次，通过设计高效内尺度交互模块（Efficient Intra-scale Interaction Module，EISI），加强了高级特征的交互。第三，通过静态融合（Static Fusion，STF）和动态融合（Dynamic Fusion，DYF）两种特征融合策略实现了高层级和低层级语义信息的互补结合。大量实验结果验证了所提方法在开源合成雾绝缘子数据集（Synthetic Foggy Insulator Dataset，SFID）和自制绝缘子数据集（Self-made Insulator Dataset，SID）上的有效性。
