该论文针对低轨（LEO）卫星星座（如 Starlink、Kuiper）作为全球低延迟通信骨干所面临的路由/链路洪泛攻击（LFA）风险，提出了 HYDRA 建模与优化框架。研究背景是 LEO 星座具有可预测运动、时变拓扑、依赖星间与星地链路等特性，攻击者可能利用这些特性拥塞关键网络瓶颈；但已有工作（如 ICARUS）未量化 LEO 网络对定向破坏的弹性。HYDRA 将 LFA 变体形式化为僵尸网络最小化问题：在给定目标地理区域间通信阻断的前提下，求解所需的最小活跃僵尸节点子集及其流量分配。在相同隐蔽性约束下，HYDRA 达到与 ICARUS 相同的定向阻断效果，但使用的僵尸节点数量减少 34%，攻击总流量减少 23%。此外，在拓扑动态演化过程中，HYDRA 保持持续攻击成功率超过 97%。论文还评估了五种缓解策略——路由多样化、入口流量监管、基于距离的流量约束、源端限速和僵尸网络消耗——展示它们如何降低攻击成功率并提升网络对定向破坏的弹性。该工作为 LEO 星座的安全设计与弹性评估提供了量化工具，适合卫星网络运营者、网络空间安全研究者及关键基础设施防御者阅读。

随着低地球轨道（LEO）卫星通信系统在通信、导航与遥感等领域的重要性不断提升，针对复杂动态空间环境的智能网络攻击检测需求日益迫切。与传统的网络入侵检测不同，卫星系统产生的数据具有显著的多源异构特征：既包括射频（RF）链路的信号信息，也涵盖星载硬件状态与轨道运行参数。然而，现有研究大多直接沿用地面网络入侵数据集，或对单条观测独立建模，因而难以捕捉 LEO 卫星特有的、具有时间依赖性的攻击行为。本文基于新近发布的卫星专用数据集 UNSW-IoTSAT，对基于深度学习的网络攻击检测展开系统性研究。作者重点考察能够保留硬件、轨道与射频信息的结构化学习架构，包括子系统融合的多层感知机（Subsystem-Fusion MLP），以及一种分层多模态 Transformer，后者可同时建模跨子系统交互关系与时间演化过程。论文还评估了防泄漏的行级与时序实验设置，并开展跨卫星泛化实验，以刻画模型架构与评估协议如何共同影响卫星攻击检测效果。实验结果显示，结构化多模态建模与严格评测具有重要价值，其中分层 Transformer 在防泄漏评估协议下最高达到 91.66% 的准确率与 85.63% 的宏 F1 值。

该论文针对低地球轨道（LEO）卫星互联网面临的安全威胁，特别是卫星冒充和信号欺骗问题，提出并构建了一个真实的基准数据集 IriSig-Spoof。LEO 卫星通信已成为关键基础设施，但其开放无线链路易受攻击。射频指纹（RFF）技术通过利用发射机硬件 imperfections 在接收信号中的表现来提供潜在防御，然而现有卫星 RFF 方法的可靠性难以评估，原因是缺乏支持时间、开放集和跨场景评估的统一数据集与基准。IriSig-Spoof 数据集包含从 66 颗卫星在 32 天内收集的 517 万条真实 Iridium 消息，以及通过软件定义无线电（SDR）在室内和室外环境中生成的欺骗信号。论文建立了三个基准任务：时间鲁棒性评估、带未知信号拒绝的开放集 RFF 识别、跨场景欺骗检测。实验采用多尺度注意力卷积神经网络（MACNN），结果显示时间鲁棒性在不同配置下有所差异，最佳配置达到 97.75% 的平均跨日准确率；开放集评估中 MACNN 的 AUROC 达到 0.9715，但有效的未知信号拒绝并不必然保证可靠的身份分配；跨场景实验揭示了低误报率下的差异。IriSig-Spoof 为评估时间变化和攻击条件变化下鲁棒 RFF 方法提供了可复现的基础。该研究是首个针对真实卫星 RFF 的综合性开放基准，对卫星安全、信号认证和物理层安全研究具有重要价值。适合卫星通信安全研究者、物理层安全工程师以及关注射频指纹识别和欺骗检测的学术人员阅读。