随着无人机集群在应急响应、智能侦察与协同作战等领域的广泛应用，其身份认证技术面临通信链路暴露、计算复杂度高与伪冒欺骗攻击等多重挑战。基于PUF（Physical Unclonable Function）硬件指纹特征的身份认证技术通过利用芯片制造过程中微结构的随机性生成唯一且不可复制的响应，实现无需存储密钥、无需依赖外部可信根、资源开销低、响应实时生成的轻量身份认证。但其需要依赖额外硬件或侵入式操作，无法直接应用于小微型商用无人机平台。针对以上挑战，本文面向通用小微型无人机平台，提出一种多模块物理熵源PUF协同生成方法，该方法充分利用模数转换器（ADC）、脉宽调制器（PWM）、实时时钟（RTC）、浮点运算单元（FPU）等无人机机载硬件模块作为物理熵源输入，结合跨层残差连接的自监督特征融合编码器，用于提取各硬件模块中的稳定特征，通过残差通路保留各熵源的关键辨识信息，生成具有稳定性和区分性的挑战响应对，该方法能有效缓解单模块PUF稳定性不足、熵强度偏低和抗建模攻击能力弱有限等问题；针对传统认证方案依赖中心节点、易受单点故障影响的问题，设计一种基于拓展挑战响应对的分布式身份认证协议，该协议以PUF响应所提供的唯一性与不可克隆性为信任基础，实现无人机节点间点对点去中心化的身份认证。实验结果表明，本文提出的PUF响应生成方法在抵御机器学习建模攻击方面表现优异，明显优于传统PUF方案；随后采用Dolev-Yao攻击模型，利用形式化验证工具Scyther对基于PUF的分布式身份认证过程进行了建模与分析。结果显示，在多轮攻击模拟下，认证协议未暴露任何可行的攻击路径。

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。