物理网络系统带来了检测与即时响应方面的新威胁与挑战。本研究探讨了如何利用图神经网络（GNN）来增强由网络入侵与无人驾驶航空器（UAV）组成的物理网络系统中的网络安全与无人机管理。通过在图神经网络的底层结构理解之间建立桥梁，本研究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的启动。基于仿真的案例研究创建了旨在触发无人机响应的网络攻击模型，证明了基于图的学习有助于态势感知、蜂群协调与自适应机动。根据性能评估，该方法实现了94.2%的检测率、平均接收者操作特征曲线下面积（ROC-AUC）0.955以及平均响应时间1.4秒。对比实验表明，在相同情境下，所提出的GraphSAGE网络比图卷积网络（GCN）和图注意力网络（GAT）更为有效。这些发现证明，图神经网络可用于动态网络物理系统中的入侵防范与响应。

关键词：图神经网络（GNN）；网络安全；无人机智能；以色列-伊朗冲突；入侵检测；自主防御系统

图. 基于图神经网络的入侵检测与无人机蜂群响应架构

现代战争的面貌正在经历根本性的变革。传统战场已超越物理地域，延伸至网络空间——在这里，冲突如今以代码、算法与自主系统的形式展开[1]。在这个混合战争时代，网络攻击与无人机、自主载具等物理资产的结合日益普遍，为国家防御体系带来了一系列全新挑战[2]。这种双域冲突环境要求具备同时在网络与物理域中运作的创新性解决方案[3]。以色列-伊朗冲突正是这一发展趋势的典型例证。两国均参与了高调的网络行动，包括针对伊朗核设施的“震网”（Stuxnet）蠕虫病毒[4]、以色列对伊朗基础设施的网络攻击[5]，以及伊朗对以色列关键系统的报复性网络攻击[6]。与此同时，双方均加大了无人机在监视、侦察与定点打击中的使用力度。这些无人机在受争议的环境中运行，缺乏GPS信号，因而容易受到干扰、欺骗以及网络物理攻击[7]。

尽管网络安全与无人机技术均取得了进展，但这些系统往往是孤立发展的。入侵检测系统（IDS）通常采用基于规则或统计异常检测的方法，无法泛化至未知威胁，也无法捕捉网络中的结构性依赖关系[8]。同样，无人机蜂群智能主要针对空间轨迹优化或目标跟踪而设计，很少或根本没有整合实时网络威胁情报。这种脱节给在协同网络物理威胁下运行的关键任务系统带来了严重局限[9]。这种孤立方法对于现代军事应用而言根本不足——在网络攻击可直接影响物理行为（如干扰无人机信号、GPS欺骗或命令注入），且物理响应可能需要通过网络威胁检测自动触发的环境中，迫切需要能够解释网络物理交互、检测异常并在两个域间协调响应行动的统一系统[10]。

图神经网络为应对这一挑战提供了有效解决方案。与传统机器学习模型不同，这些网络通过建模节点的属性及其之间的关系，专门设计用于从图结构数据中学习[11]。这一能力使其非常适合网络安全应用[12]、通信网络[13]以及数据蜂群协调[14]等场景。

图神经网络在网络物理防御系统中最重要的优势之一是其可扩展性与适应性。图卷积网络、图注意力网络和GraphSAGE等模型能够进行局部消息传递计算，适应图结构的瞬时变化[15]。这对于以动态拓扑为特征的军事环境至关重要，例如调整编队的无人机蜂群或在敌对地形中导航的移动传感器网络。此外，GNN可以在归纳式环境中运行，使已学习的模型能够泛化到先前未见过的图实例——这在不可预测或敌对的战场条件下是一项关键能力[16]。

在网络安全领域，GNN已被证明极为有效。它们通过学习自然系统行为的模式并在图级别识别异常，无需事先解码消息格式或特定攻击签名，即可实现协议无关的入侵检测[17]。这使得能够及早检测针对自主平台中控制局域网（CAN）总线或无人机CAN（UAVCAN）等关键组件的消息欺骗、命令注入或信号操纵。随着网络物理军事资产日益在超视距（BVLOS）条件下运行并依赖网络通信，实时保护关键控制路径已成为战略必需[18]。

此外，GNN有助于在战场图表示的基础上创建自主决策智能体[19]。例如，借助战术边缘设备对态势感知图（如威胁、友军、资源和地形）进行建模，并通过强化学习和智能体间协作训练基于GNN的策略。这类应用拓展了人工智能驱动的任务自主边界，缩短了决策时间，并在争议空间中最大化生存能力[20]。GNN是军事网络物理系统人工智能架构的核心要素，为高置信度防御行动提供了数学公式、计算效率和规模支撑[21]。随着数据驱动和自主冲突日益常态化，GNN将在空中、陆地、海上、网络和太空等多个战线促进智能协调、强大安全和战略优势方面发挥核心作用[22]。

在以色列-伊朗敌对行动的背景下，图神经网络已成为增强现代网络物理军事系统（特别是无人驾驶航空器）网络安全与作战自主性的关键赋能技术。无人机目前在情报收集、精确打击和电子战中发挥着关键作用，但它们对控制器局域网总线及其面向无人机的变体UAVCAN等轻量级通信协议的日益依赖，使其面临重大网络脆弱性[23]。这些协议虽然对于实时系统内部通信而言成本效益高且高效，但从未考虑过对抗性威胁的设计，缺乏加密、认证或消息完整性验证等基本安全机制。这使得它们容易遭受欺骗、恶意消息注入和远程命令劫持等复杂攻击——这些威胁已不再是理论上的，而是在冲突地区无人机被拦截或操纵的高调事件中得到了证实[24]。

本文提出了一种创新且集成的基于图神经网络的框架，将入侵检测与自主无人机协调紧密整合在一个统一架构中。我们的框架使入侵检测系统能够从网络化系统的拓扑和行为属性中学习，准确检测恶意活动，并对无人机发起实时反制措施。系统中的无人机组件作为一个受GNN启发的蜂群运行，能够根据不断变化的威胁态势调整飞行路径、组织协同防御并执行规避机动。为了验证我们的方法，我们基于以色列-伊朗网络无人机对抗开发了一个仿真案例研究。在该场景中，GNN检测一系列网络攻击，模拟节点入侵和链路中断，进而触发基于无人机蜂群的响应。每架无人机在图中的智能体角色，通过已学习的GNN策略更新其位置和任务。该仿真展示了我们的系统如何在争议环境中增强态势感知、自动威胁消除和决策时间。

该系统在四个关键维度上进行评估：（i）入侵检测准确性，衡量系统正确分类健康节点与受损节点的能力；（ii）威胁消除率，指被检测到的威胁中被无人机成功拦截或消除的比例；（iii）响应时间，表示从威胁检测到启动反制措施之间的延迟；（iv）蜂群效率与凝聚力，评估无人机在规避和交战行动中保持协调的能力。

本研究将图神经网络定位为多域战争中的战略工具，并倡导将其应用于关键的实时防御应用中。通过基于图的智能学习连接网络与物理域，向着适应21世纪冲突现实的自主集成国家安全体系迈出了关键一步。