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。

本文提出 QUASAR，据作者所知这是首个面向 X 波段合成孔径雷达（SAR）卫星物理层认证（PLA）的量子-经典混合架构。X 波段 SAR 卫星（8-12 GHz）在灾害响应、环境监测和军事侦察中至关重要，但缺乏与密码学机制正交的物理层认证。现有 PLA 系统通常基于射频指纹，多局限于 sub-6 GHz 频段，且依赖经典深度学习，难以充分拟合卫星硬件特有的 IQ 相位非线性特征。QUASAR 将 CNN 频谱图编码器与变分量子电路（VQC）融合，形成混合神经网络，用于 X 波段 SAR 信号的物理层认证。该方案有两个显著特点：（1）数据效率显著优于经典机器学习，仅需 10% 的训练数据即可达到经典基线的准确率——而数据收集恰是 PLA 中最耗时的环节；（2）在相同数据预算下，其分类准确率超过经典基线。作者在三种对抗场景下测试了 QUASAR：重放攻击、精心构造的 IQ 注入和星载欺骗。QUASAR 分别拒绝了 89.7%、94.1% 和 81.3% 的欺骗传输，建立了首个面向卫星星座的量子增强物理层分类器。论文详细描述了框架和支撑结果，展示了物理层认证的新研究方向。适合对卫星通信安全、量子机器学习与物理层安全交叉领域感兴趣的读者。

本文针对室内环境中移动设备的物理层认证（PLA）问题，提出了一种基于信道知识地图（CKM）的认证机制。传统的PLA方法依赖于测量值的时间一致性或建模其演化，但在室内多径传播和遮挡条件下，设备移动会导致这些假设失效。本文利用多个接入点（AP）从接收信号中估计主信道路径损耗（PL）和到达角（AoA），并将其与先前通过CKM收集的邻近位置数据进行比较。CKM通过射线追踪技术获得，用于描述室内环境的信道特性。认证判决基于当前测量值与CKM中邻近位置的匹配程度。在安全分析中，考虑了随机攻击和最优攻击两种场景。数值结果表明，在代表性室内场景下，该PLA方法能够有效认证移动设备。本文的主要贡献包括：将CKM引入PLA领域，解决了移动设备在室内环境的认证难题；提供了全面的安全性分析，验证了方法的鲁棒性；通过射线追踪仿真证明了可行性。适合无线通信安全、物理层安全研究人员阅读。