该论文研究的是以 LLM 为核心的智能体化无人机蜂群（LLM-Centric Agentic UAV Swarms）在「感知—推理接口」处面临的完整性风险，并首次对该接口的纵深防御做了完整实现与量化评估。研究背景是：LLM 越来越多地被用于无人机集群的任务调度，例如数据采集调度——模型读取结构化的传感器上报（sensor reports），再决定下一步访问哪一台传感器。此类系统中，攻击者无需修改模型权重、也无需入侵无人机本体，只要悄悄篡改这些结构化上报的内容，就能间接改变模型的决策，把蜂群重定向到攻击者期望的目标上。作者指出，针对这一接口的防御此前多停留在架构层面的设想，极少被真正实现或评测。为此，作者实现了五层纵深防御：第一层检查上报的来源/出处（provenance）是否可信；第二层检查其数值是否满足物理可行性约束；第三层检查其是否与蜂群几何关系（swarm geometry）和服务历史（service history）所预测的结果一致；第四层检查据此生成的调度方案是否导致某些传感器被「饿死」（长期得不到访问）；第五层是兜底机制——当上述检查失败时，把控制权交给一个忽略可疑输入的确定性调度器。评测方法上，作者让每一层都面对一个「足以击败其前一层」的强对手；对三个输入侧防御层，作者用闭式解（closed form）推导出上报在被该层察觉之前可被扭曲的最大幅度，并且这些阈值完全由部署参数事先确定，不依赖任何攻击样本。在三十组配对仿真运行中，预测边界与实测边界吻合。论文还强调「攻击检测」与「攻击响应」应相互分离这一既有原则，并量化了在该接口上忽视这一区分的代价：当系统拒绝一份上报时，会以最近一次被接受的上报替代它，这虽然阻止了攻击者控制无人机调度，但相较无防御系统，两种检测器分别带来 79% 与 74% 的累计成本上升；而其中的安全检查层本身不检测任何攻击，却仍将攻击导致的成本降低 37.5%。论文适合研究 LLM 智能体安全、多智能体/机器人系统安全以及关键基础设施 CPS 防御的研究者与工程团队阅读。