网络安全运维领域面临着知识碎片化、响应效率低及专业数据敏感性等挑战。为了更好地应对上述挑战提出了一种基于开源大模型和全周期本地微调的网络安全垂直领域大模型—LEAD-Cyber。采用多步生成方法构建网络安全领域专业知识数据集，该数据集能够满足开源大模型预训练、指令微调与推理微调三个训练阶段的需求。并采用全参数微调方法与低秩适应（LoRA）对DeepSeek和QWen开源大模型进行全周期优化。结合主客观指标实现大模型性能量化评估和其他大模型测试基准集以验证模型在处理不同任务中的有效性，评价指标包括ROUGE、BLEU以及胜率分析WinRate。实验表明，微调后模型显著优于基线模型。研究验证了全周期微调策略在优化领域知识表达与保持通用能力上的优势，为智能化安全运维提供了高效可靠的解决方案。

无人机群状态一致性共识是实现无人机协同作业的重要保障。现有状态一致性共识方法大多应用于分布式数据库、区块链等场景，具有网络拓扑稳定、任务需求简单等特点。然而，无人机群的高动态性导致网络连接脆弱、状态多样并存等问题，现有状态一致性共识方法难以适用。针对上述问题，提出一种无人机群状态一致性共识架构，为无人机群协同作业能力保障提供理论支撑。首先，分析无人机群状态一致性在模型、协议、网络三个方面存在的问题，总结并归纳现有研究。其次，基于Basically Available-Soft state-Eventually consistent (BASE)和Atomicity-Consistency-Isolation-Durability (ACID)理论，建立软状态与弱一致性关联关系，设计弱连接下多集群软分叉异步共识协议。最后，在 Flying Ad-hoc Network (FANET)网络中进行的仿真实验结果表明，该架构能够满足高动态无人机群状态一致性共识需求。

随着无人机在社会生产中的广泛应用，其安全问题逐渐凸显，特别是在通信与网络安全领域。机载CAN（Controller Area Network）总线网络设计时缺乏安全机制，容易被恶意设备利用，导致通信数据可能被篡改或监控，带来严重的安全威胁。这一问题的根源在于CAN总线最初设计时侧重于通信效率和低资源消耗，而忽视了安全需求，难以应对当前复杂的安全形势和多样化的攻击手段。此外，无人机平台受限的资源环境使得传统的身份验证和加密技术难以直接应用于CAN总线网络。为解决这一问题，提出了一种基于增强型生成对抗网络（Generative Adversarial Network，GAN）的无人机CAN总线网络入侵检测方法。该方法利用生成器和判别器之间的博弈机制生成伪样本，以增强判别器的训练效果，从而提高检测性能。基于此方法，构建了实验框架，并在资源受限的环境下验证了其有效性与可行性。实验结果表明，增强型GAN模型在精确率、召回率和F1分数上分别较其他3个先进深度学习模型平均提升约5.56%、3.93%和4.34%，展现了其在无人机CAN总线入侵检测中的高效性与可靠性，为无人机系统安全提供了重要技术支持与参考价值。