本文研究无人机群中基于联邦学习（FL）的边缘智能系统的安全性，提出了一种链式攻击方法，结合网络层拒绝服务（DoS）和凭据冒充。攻击者首先利用802.11去认证攻击强制合法无人机离线，然后使用窃取的凭据冒充已断线的无人机重新加入FL训练。作者通过系统文献综述和基于Flower框架的实验验证，在Raspberry Pi和Jetson两种测试平台上，分别针对独立同分布（IID）和非独立同分布（Non-IID）数据分布，评估了可用性中断的影响。实验表明，即使短暂的无线中断也会导致训练显著不稳定，尤其在Non-IID条件下更为严重；而单因素认证机制使得攻击者能够在断线后无缝冒充节点。论文讨论了这对关键任务无人机部署的复合影响，并提出了未来防御方向，需同时解决可用性和认证漏洞。该研究适合安全研究人员、无人机系统开发者和联邦学习从业者阅读。

该论文针对无人机蜂群网络中的入侵检测问题，提出了一种基于联邦学习（FL）与知识蒸馏（KD）的轻量级入侵检测系统（IDS）。无人机蜂群在监视、灾难响应等关键任务中广泛应用，但其开放通信信道和有限计算资源使其易受网络攻击。传统的机器学习方法需要收集所有异构无人机的数据到中心服务器处理，不可行且存在隐私风险。联邦学习提供分布式解决方案，但现有FL-IDS框架面临通信和计算开销大的挑战。作者采用深度神经网络（DNN）结合知识蒸馏来降低模型复杂度和通信成本，同时保持检测性能。在Raspberry Pi 4设备和真实无人机网络数据集上评估，该方法实现了约98.6%的检测准确率，同时降低约70%的通信开销和29%的计算开销。结果表明，FL与KD结合是资源受限无人机网络中安全高效部署的实用方案。论文适合无人机网络安全研究人员、联邦学习应用开发者以及物联网安全从业者阅读。

该论文研究针对无人机群（drone swarms）的传感器欺骗攻击。随着无人机群在军事、物流、农业等领域的广泛应用，其安全性受到关注。无人机群依赖多种传感器（如GPS、IMU、视觉传感器等）进行协同导航与决策。作者提出了一种新型攻击方法，攻击者通过向无人机群的传感器注入虚假数据（如伪造的GPS信号或惯性测量值），导致无人机群产生错误的感知与决策，进而引发碰撞、偏离航线或任务失败。论文通过仿真实验验证了攻击的有效性，并分析了攻击对集群协同算法的影响。主要贡献包括：1）提出针对无人机群的传感器欺骗攻击模型；2）评估不同攻击策略对集群性能的影响；3）讨论潜在的防御方向。该研究为无人机群的安全防护提供了理论基础。

该论文提出了一种利用电磁干扰（EMI）信号注入来瘫痪无人机的新型反无人机技术。无人机的姿态控制依赖于惯性测量单元（IMU）提供的传感器数据，若数据被篡改，无人机将无法维持姿态并坠毁。以往的反无人机研究多采用声波共振干扰IMU内部传感器的机械结构，但该方法受限于传感器类型、型号和制造商，且易被其他未受影响的传感器或廉价塑料屏蔽层防御。本文的核心创新在于：通过EMI信号注入，直接干扰IMU与控制单元之间的通信通道，而非传感器本身。实验发现，对于特定控制单元板，无论使用何种传感器，都存在一个独特的敏感频率，在该频率下EMI信号能极大扭曲传感器数据。与通用电磁脉冲（EMP）攻击相比，该方法功率需求更低，且能减少对附近设备电路的永久性损坏。在真实无人机上的实验验证了该攻击的可行性，能瞬间瘫痪无人机。最后讨论了防御该攻击的实际挑战，例如需要识别并屏蔽敏感频率、加强通信通道的抗干扰能力等。论文的主要贡献包括：提出一种不依赖传感器具体型号的通用攻击方法，发现控制单元板上的敏感频率，并通过实验证明了攻击的有效性。该研究适合无人机安全研究人员、嵌入式系统安全工程师以及反无人机系统开发者阅读。

该研究探讨了在物理网络系统（包括网络入侵和无人机）中，如何利用图神经网络（GNN）辅助网络安全和无人机管理。作者提出了一种集成流程，使入侵检测系统能够学习底层网络结构，识别恶意活动，并促进无人机响应措施。基于模拟案例研究，创建了网络攻击模型以触发无人机响应，结果表明基于图的学习有助于态势感知、群体协调和自适应机动。性能评估显示，该方法检测率达到94.2%，平均ROC曲线下面积（AUC）为0.955，平均响应时间为1.4秒。对比实验表明，所提出的GraphSAGE网络在同一情况下比图卷积网络（GCN）和图注意力网络（GAT）更有效。研究发现证明图神经网络可用于动态网络物理系统的入侵预防和响应。