该论文针对6G无线接入网（RAN）中的意图驱动网络管理提出了一种隐私保护架构。现有基于意图的网络管理方案（如3GPP TS 28.312定义的意图管理框架）在执行意图履行和保证时，通常需要深度包检测、逐流状态跟踪或访问供应商内部节点遥测数据，以验证已配置的资源是否满足所表达的意图。然而，这些方法在多租户网络中面临监管约束（如GDPR、ePrivacy指令）与供应商不透明性的冲突，尤其是在多供应商O-RAN部署中。作者提出了一个隐私保护的意图履行与保证架构，其中协调器基于意图类别配置资源，而无需流量检查，仅通过O1接口上的聚合标准化PM计数器来验证意图是否被履行。通过数据-处理不等式论证，该资源分配机制至多泄露log2 K位关于流量内容的信息，其中K为意图类别数量。论文定义了两种架构隐私属性：意图-流量不可链接性与节点不透明验证，并证明这些属性在构造上成立。节点不透明性不会牺牲检测能力：在齐次条件下，聚合验证器弱支配每个代理验证器。作者将该架构映射到3GPP意图生命周期和O-RAN非实时RIC，明确了机制操作的具体接口、数据对象和部署点。基于四个运营商网络的生产PM计数器数据实验表明，增加意图类别粒度可以锐化资源配置，但会削弱保证能力，这与理论预测一致：隐私上限是检测约束的结构副作用，而非独立设计参数。

该论文针对6G网络中的安全挑战，特别是集成感知与通信（ISAC）系统中的攻击者检测问题。在6G网络中，通信系统不仅传输数据，还能感知周围环境，实现ISAC。然而，这种能力也引入了新的安全风险：攻击者可以操纵波束赋形方向以增加干扰，误导发射机将主瓣对准自己而不是合法用户。论文将合法用户与攻击者之间的交互建模为博弈论问题，并将基于效用的公式集成到强化学习（RL）框架中，提出了一种分布式博弈论强化学习方法，用于城市环境下的波束赋形与攻击者检测。仿真结果表明，该方法能有效应对动态6G ISAC系统中的安全威胁，检测主动攻击者并维持通信质量。研究贡献在于：1) 将博弈论与强化学习结合，建模ISAC中的对抗性交互；2) 提出分布式算法，适用于城市多用户场景；3) 在动态环境中验证了攻击检测的效能。该工作适合从事6G安全、无线通信或强化学习的研究人员阅读。

第六代（6G）通信网络预计将演变为AI原生、高度自治的生态系统，融合通信、计算、感知和人工智能。尽管这些能力能实现前所未有的连接和智能服务，但它们也创造了高度异构的安全和隐私格局，无法通过孤立的、特定技术的解决方案来解决。本文对AI原生6G网络中的安全和隐私问题进行了全面的跨层综述。首先，本文审视了现有安全和隐私方法在新兴技术、网络架构、AI系统和标准化工作中的碎片化现状，从而论证了对统一安全和隐私框架的需求。基于该框架，本文开发了一个跨层威胁分类法，涵盖基础设施、网络与架构、AI、隐私以及安全管理等领域，并分析了关键AI原生6G技术中的代表性威胁。此外，本文将威胁映射到相应的跨层对策，包括将标准协调作为一种安全功能，并识别了关键研究差距和未来优先事项，以实现安全、可互操作和可信的AI原生6G生态系统。最后，本文讨论了实现安全、隐私保护、弹性和全球互操作的6G网络的未来研究方向。该综述为研究人员、从业人员和标准化社区提供了设计、评估和部署可信AI原生6G系统的整体基础。

该论文研究了中继辅助语义通信系统中的隐私问题。语义通信通过传输任务相关信息而非原始数据，旨在资源受限和信道条件下实现高效鲁棒的通信。然而，论文发现即使中继节点无法访问源数据，它也可以直接基于学习到的潜在表示可靠地推断语义含义并重构信号，其性能与合法接收者相当，这揭示了语义表示的基本隐私漏洞。为解决此问题，论文提出了一种迭代对抗训练框架，明确考虑中继处存在一个强自适应的训练窃听者。该框架交替优化中继的窃听功能和合法系统，从而在合法接收者保持语义解码性能的同时，降低中继的语义推断能力。实验表明，该方法显著扩大了合法接收者和窃听者之间的语义准确度差距，且在不同信道条件下均有效。重要的是，这种保护是以隐蔽方式实现的，即在选择性抑制语义泄露的同时保持高重构保真度。论文的主要贡献包括：揭示了中继辅助语义通信中的隐私漏洞，提出了对抗训练防御框架，并在实验上验证了其有效性。该工作适合研究语义通信、隐私保护、对抗机器学习的学者和工程师阅读。

该论文提出了一种名为Q-FE的量子原生6G远边缘架构，旨在解决超密集工业物联网（IIoT）数字孪生场景下的安全与延迟挑战。当前架构依赖集中式云或移动边缘计算（MEC）服务器进行数字孪生计算，导致往返延迟过高，且使用易受量子攻击的经典公钥密码。Q-FE通过三个协同设计组件应对这些问题： 1. 微数字孪生（μDTs）与6G基站和高能力端点共存，减少通信跳数； 2. 跨层后量子密钥交换模块将CSIDH-512同源密钥材料直接嵌入MAC层控制帧，利用其紧凑密钥（≤64字节）避免数据包分片，相比ML-KEM/Kyber-1024降低62%的MAC层开销； 3. 异步联邦学习（AFL）协议由MEC节点上的轻量级DAG智能合约管理，消除落后者瓶颈，防止模型投毒和女巫攻击，且不暴露原始数据。 基于NS-3和PySyft的端到端仿真表明：Q-FE将P99.9超可靠低延迟通信（URLLC）维持在0.78 ms，全局模型收敛速度比同步联邦学习提升31%；协议复杂度为每轮O(N log R)；μDT切换迁移在模拟的10^4个事件中平均完成时间为1.9±0.3 ms。形式化威胁模型证实其对量子窃听、模型投毒和女巫攻击具有韧性。该工作适合网络架构、后量子密码和联邦学习领域的研究者阅读。

该论文针对5G-Advanced和新兴6G云原生电信架构面临的高度复杂、多层威胁向量和动态拓扑结构，提出了一种基于意图的声明式自主安全框架，其核心是TM Forum TR292I安全本体v4.0.0的设计与标准化。该方法利用描述逻辑（DL）和自动图推理，在闭环执行管道中实时动态消除活跃威胁，同时平衡功能保护期望与非功能资源影响（如延迟与计算开销之间的权衡）。通过分布式拒绝服务（DDoS）攻击缓解场景的结构化形式验证演练，论文展示了自动推理如何在无需人工干预的情况下解决运行时约束冲突，验证了模型驱动架构的可行性。该框架旨在解决手动命令式配置带来的严重延迟窗口问题，使攻击者难以利用。研究主要贡献包括：标准化安全本体的设计、基于意图的自主决策机制、以及形式化验证方法，适合电信安全架构师、云原生网络运营商及自动化安全研究人员阅读。

本文针对6G网络切片中的跨切片攻击归因问题，提出了一种名为DA-GC的认证因果关系框架。在6G网络中，多个网络切片共享底层基础设施，攻击可能通过资源争用等路径传播，导致标准Granger因果检验难以区分真实因果与虚假相关。现有方法在满足100毫秒的严格服务等级协议（SLA）时，准确性会显著下降。DA-GC的核心创新在于将资源条件Granger因果性与基于公理推导的资源争用模型（RCM）相结合，通过系统性地阻断资源介导的混淆效应，实现高精度低延迟的归因。作者在包含15个切片的生产仿真6G测试台上，模拟了1,100个攻击场景，实验表明DA-GC在87毫秒内达到89.2%的归因准确率，相比最强基线提升了7.9个百分点，同时延迟降低了2.7倍。此外，该框架展现出跨拓扑泛化能力和概念漂移鲁棒性。重要性方面，DA-GC配备了完整的形式化认证栈：为序列相关遥测数据和分段平稳性下的统计有效性提供了数学证明证书，并建立了严格的安全界限，包括对抗性利用欺骗的崩溃点δ*≈0.95，以及实现可证明隐私鲁棒部署所需的最小差分隐私噪声。这篇论文对从事6G安全、攻击取证和实时因果关系分析的研究人员有重要参考价值。