该论文聚焦 6G 非地面网络（NTN，含卫星、高空平台等空中节点）中的物理层认证（PLA）难题。NTN 链路存在严重多普勒频移、长传播时延和快变信道，导致训练与部署环境之间出现分布漂移，使传统集中式深度学习和单特征认证方案泛化能力差、在未见环境中性能骤降。作者提出 SAFA-MZ（面向多区域网络的安全自适应认证框架），一个基于因果元学习的分布式物理层认证（DPLA）方案。其核心设计包含四部分：第一，构造多特征指纹，将空间、到达角、合并器、子空间以及多普勒-时延等异构物理层特征与多个空中节点的测量结果进行自适应分布式融合；第二，建立结构因果模型（SCM），显式刻画设计选择、环境因素、提取特征与认证结果之间的因果关系，为后续不变性学习提供依据；第三，采用模型无关元学习（MAML）结合不变风险最小化（IRM）与因果一致性正则化，使模型仅需少量带标签样本即可快速适应新的 NTN 环境；第四，提出两阶段认证机制，先执行本地识别，仅在必要时才激活基于到达时间差（TDOA）的图注意力网络（GAT）定位，从而显著降低回传链路开销。仿真结果表明，SAFA-MZ 在不同环境下达到 92% 的认证准确率和 96% 的 AUC，优于集中式深度学习和单特征基线方案。论文属于方法/仿真验证型研究，未涉及真实网络部署或在野攻击数据。