引言：从“看见”到“理解”的认知跃迁

当数十架乃至上百架无人机从多个方向同时涌向一座机场、一场大型活动或一处军事设施时，传统的防御体系陷入了一个根本性的困境：它们能够“看见”目标，却难以“理解”威胁。

雷达屏幕上密密麻麻的光点、光电系统中纷乱交织的轨迹、射频侦测设备捕捉到的跳频信号——这些海量数据汇聚到指挥中心，却无法回答一个最关键的问题：这群无人机到底要干什么？ 是侦察试探，还是饱和攻击？是分进合击，还是声东击西？

这正是人工智能在反蜂群作战中的核心价值所在。AI不是简单地“看见”目标，而是要“理解”意图；不是被动地响应威胁，而是要主动地预见威胁。从图神经网络的群体特征提取，到混合专家模型的动态决策优化，再到生成式AI的持续学习进化——算法正在成为驱散“蜂群迷雾”的那束光。

本文将系统解析人工智能如何在低空威胁识别与决策中发挥核心作用，揭示从感知到认知、从响应到预见的智能化跃迁路径。

一、蜂群威胁的本质：为什么传统方法失效

1.1 蜂群作战的核心特征

无人机蜂群不是简单的一群无人机，而是具备以下核心特征的新型作战系统：

数量优势与饱和攻击。蜂群的第一个特征是“多”。通过大量低成本无人机同时压上，消耗防御方的拦截资源，最终实现突防。传统防空系统的火力通道有限，同时处理的目标数通常在个位数至两位数，当蜂群规模达到百架级，系统瞬间过载。

去中心化与抗毁性。蜂群的第二个特征是“散”。与传统集中式指挥不同，蜂群采用去中心化架构，没有单一的“指挥节点”可打击。即使部分无人机被击落，剩余无人机仍能重组队形、继续执行任务。这种“打不死”的特性，使其战场生存能力远超单机系统。

智能协同与任务分工。蜂群的第三个特征是“智”。侦察型、干扰型、攻击型、诱饵型无人机可混编协同，自动分配任务。SkyRadar的研究系统梳理了蜂群可能呈现的多种作战模式：自适应侦察采样、饱和式突防、分合围剿、通信探测、欺骗诱饵等。识别这些模式，本身就是巨大的技术挑战。

1.2 传统威胁识别的三大局限

面对蜂群，传统威胁识别方法陷入三重困境：

局限一：个体视角，忽略群体特征。北京理工大学的研究团队指出，传统方法“主要关注单目标在离散时刻的属性”，导致“无法有效捕捉整个蜂群在时间序列上的集体特征信息”。当防御系统只盯着每一个光点，却忽视了光点之间的结构关系，就永远无法理解蜂群的战术意图。

局限二：规则预设，无法应对未知。传统安全控制系统“通常依赖预设规则和算法”，在动态环境中面临挑战，“因为难以识别复杂多变的威胁而导致安全决策适应性差、协同效率低”。面对新型蜂群战术，规则系统瞬间失效。

局限三：响应滞后，错失决策窗口。中国移动研究院与北京理工大学的研究显示，传统架构面临“资源约束下的决策延迟”和“实时响应能力不足”等问题。从探测到决策的漫长链条，使防御始终落后于攻击。

二、意图识别：用AI“读懂”蜂群在想什么

防御的最高境界，不是等敌人发起攻击再反应，而是提前预判敌人要做什么。AI驱动的意图识别技术，正是实现这一跃迁的关键。

2.1 从个体特征到群体结构

北京理工大学提出的端到端蜂群意图识别方法，代表了这一领域的前沿突破。该方法的核心理念是：蜂群的意图不是个体行为的简单叠加，而是群体结构的涌现结果。

研究团队首先利用无人机之间的距离威胁系数和角度威胁系数，构建蜂群的图结构表示。在这个动态图中，每个无人机是一个节点，无人机之间的空间关系和通信关系形成边。这种图结构能够完整保留蜂群的拓扑特征——是集中式指挥（一个高连通度的中心节点），还是分布式协同（节点间局部连接）。

在此基础上，团队开发了融合图注意力网络（GAT）、新型图池化策略和长短期记忆网络（LSTM）的深度学习框架。图注意力网络提取每一时刻的空间结构特征，图池化策略将整个蜂群压缩为固定维度的向量表示，LSTM则捕捉这些特征随时间演化的时序模式。通过这种“空间-时间”联合建模，系统能够准确推断蜂群的集体意图。

2.2 从运动特征到战术模式

SkyRadar的研究进一步细化了从多传感器数据推断蜂群意图的技术路径：

运动学特征提取：从光电/红外图像和雷达轨迹中，计算每架无人机的速度向量、机间距离、质心方差、分合事件及其持续时间。这些特征是区分不同战术模式的关键信号——自适应侦察采样会呈现协同成像轨迹，饱和攻击则表现为高密度均匀分布。

图结构与时序建模：构建随时间演变的图结构，计算图度量指标（度分布、聚类系数、中介中心性）。一个持续存在的高连通度节点意味着集中式指挥，而大量低度节点与局部连接则指向分布式协同。将这些图特征输入图神经网络（GNN）和时间序列模型（LSTM/Transformer），系统可学习出蜂群战术模式与观测特征之间的映射关系。

可操作意图推断：当系统以高置信度推断出“敌方正在实施自适应侦察”或“即将发起饱和攻击”时，即可提前调整防御部署——针对侦察蜂群，部署光学遮挡和诱饵信号；针对饱和攻击，分配拦截资源并准备反制蜂群。

2.3 从识别到理解的跨越

真正的智能，不仅是识别意图，更是理解意图背后的战术逻辑。基于Transformer-ResNeXt-SE结构的无人机集群网络安全态势评估方法（TransReSE），通过多尺度卷积核高效提取数据特征，提升了态势评估的准确性。研究者指出，通过评估蜂群网络态势的价值和威胁级别，可以“做出更快、更有效的决策，并主动分配资源来防御无人机集群网络攻击”。

三、智能决策：在资源约束下优化响应

识别意图只是第一步，真正的考验在于如何基于识别结果做出最优决策。在蜂群攻击场景中，防御资源永远是有限的，如何分配这些资源应对数量占优的威胁，是AI决策的核心命题。

3.1 LLM-LCSA：云边端协同的智能决策架构

中国移动研究院与北京理工大学联合提出的LLM分层协同安全架构（LLM-LCSA），代表了这一方向的前沿探索。该架构的核心创新在于“云-边-端”三层协同：

• 端侧轻量级LLM：部署在每架防御无人机上，实时处理本地传感器数据，独立完成初步威胁检测和紧急响应。即使通信链路中断，端侧AI仍能保障单机生存能力。

• 边侧中型LLM：部署在区域节点（如地面站或有人机），负责多机数据融合、局部态势生成和战术决策。边侧LLM集成了混合专家模型（MoEs）智能算法，通过动态激活与当前威胁最相关的专家模型，提升复杂威胁识别的准确性和动态适应性。

• 云侧基础LLM：部署在后方指挥中心，汇聚全域数据，生成全局态势，并通过联邦学习持续优化模型参数，再将更新后的模型分发至各边缘节点。

仿真结果显示，相比传统方法，LLM-LCSA将威胁检测准确率平均提升7.92%，系统总响应时间降低44.52%，并实现了闲时资源调度。

3.2 资源感知的多目标优化

在资源约束下做出最优决策，是智能决策的另一核心挑战。LLM-LCSA构建了资源感知的多目标优化模型，综合考虑专家推荐成本和多维资源消耗，引入松弛变量管理资源冲突，设计多维度置信评估机制和反馈调整模块，实现了资源约束下的最优决策生成。

在分合围剿场景中，SkyRadar的研究建议采用分布式跟踪融合：将本地传感器分配给各子蜂群跟踪节点，使用一致性滤波器和混合整数线性规划（MILP）动态重新分配拦截资源。这种“分-合”动态调整能力，是应对复杂蜂群战术的关键。

3.3 从预编程到自适应学习

传统防御系统“依赖预设规则”，在动态环境中适应性差。AI驱动的决策系统则实现了从“预编程”到“自适应学习”的跃升。无线电工程的研究综述指出，未来无人机集群智能反制将采用非线性动态与人工智能理论描述对抗模型，并通过多智能体强化学习等方法实现策略的持续优化。

四、持续进化：生成式AI与联邦学习的双重驱动

蜂群战术在不断进化，防御体系必须能够同步进化。生成式AI和联邦学习，正是实现这种“持续进化”的两大引擎。

4.1 生成式AI：预演未知威胁

SHIELD系统（Swarm-Enabled Hierarchical Intelligent Edge Defense）提出的分层边缘智能防御架构，将生成式AI（GenAI）作为核心组件。其工作机制是：

合成场景生成：云端的生成式AI持续生成合成攻击场景，模拟未见过的威胁类型——包括GPS欺骗、协同网络攻击、传感器干扰组合等新型威胁。

模型持续训练：这些合成数据与真实数据结合，用于持续训练和更新全局防御模型，确保防御体系“保持领先于可能采用新颖未来攻击向量的对手”。

边缘部署更新：更新后的模型通过联邦学习分发至边缘节点，使整个防御体系能够“动态适应新兴威胁”。

4.2 联邦学习：隐私保护下的群体智能

无人机蜂群的防御面临一个根本矛盾：一方面需要汇聚全域数据训练全局模型，另一方面要保护各作战单元的隐私和数据安全。联邦学习正是破解这一矛盾的关键。

SHIELD系统采用分层联邦学习架构：

• 边缘层：每架无人机基于本地数据训练本地模型，仅上传模型更新（而非原始数据），保护作战隐私

• 雾层：区域节点聚合本地更新，形成局部模型，同时充当云边之间的安全中继

• 云层：全局模型在云端持续优化，再通过雾层分发至各边缘节点

当与云端长期断开时，SHIELD可切换至集群内P2P协作模式，由同集群无人机共享实时观测信息、协同实施本地响应。这种“断网生存”能力，使防御体系在极端环境中仍能保持韧性。

4.3 从被动响应到主动防御

生成式AI与联邦学习的结合，使防御体系从“被动响应”跃升为“主动防御”。正如SHIELD研究者所言：“SHIELD利用GenAI生成的预测模型预见潜在威胁，并在攻击发生前通过更新防御机制主动加固无人机”。这种“预见即防御”的能力，将彻底改变蜂群攻防的博弈规则。

五、实战图景：从实验室到真实战场

5.1 仿真验证：从模拟到实战

LLM-LCSA架构通过仿真验证了其有效性。SHIELD系统同样强调训练数据的双重来源：真实世界数据和生成式AI产生的合成数据。研究者指出，初始阶段优先使用真实数据“确保模型立足于实际运行条件和已知威胁”，然后逐步引入合成数据“模拟现实中不常遇到的罕见威胁场景”。

SkyRadar的SkySim高保真物理仿真器，可生成标注的蜂群行为（分合围剿、AOS采样、饱和攻击）和多传感器合成数据（EO/IR、SAR、雷达回波、RF发射），用于训练和验证“图神经网络+DSP”的意图识别管道。

5.2 从单机智能到群体智能

未来蜂群对抗的核心，不是单机AI的比拼，而是群体智能的博弈。无线电工程的研究综述指出，无人机集群智能反制技术的发展方向包括：

• 集群脆弱性分析：从不同维度剖析集群的薄弱环节

• 智能反制算法：适用于反制集群的AI算法体系

• 体系化对抗：从单点对抗走向系统对系统、集群对集群

5.3 持续存在的挑战

尽管取得了一系列突破，AI在蜂群防御中的应用仍面临严峻挑战：

• 数据依赖：深度学习模型需要大量高质量标注数据，而真实蜂群作战数据获取困难

• 可解释性：AI决策的“黑箱”特性制约了其在安全关键领域的应用

• 对抗攻击：研究表明，通过对无人机外观或通信进行微小修改，可导致深度学习模型误识别

• 实时性要求：边缘部署需在算力受限的平台上实现复杂AI模型的实时推理

六、未来展望：从“发现即摧毁”到“预见即摧毁”

6.1 大语言模型的深度嵌入

LLM-LCSA的研究展示了将大语言模型嵌入无人机集群安全的巨大潜力。研究者指出，大语言模型“通过多模态数据融合和实时决策能力，能有效提升无人机集群在复杂环境中的威胁检测和响应能力”。未来，LLM将成为集群智能的“认知中枢”，而非单纯的信号处理器。

6.2 6G通感算一体化

LLM-LCSA的后续研究方向包括“在6G网络集成和大规模集群环境中的应用潜力”。6G的通感算一体化特性，将使通信、感知、计算深度融合，为AI决策提供更低延迟、更高带宽、更广覆盖的基础设施支撑。

6.3 人机协同决策

在未来相当长一段时间内，AI的自主能力仍将有限，完全由AI主导的蜂群对抗尚难实现。更现实的路径是人机混合协同决策：由人类承担战略决策和异常处置，AI执行具体战术行动并提供决策辅助。正如LLM-LCSA架构所体现的，云边端分层设计本身就为人机协同预留了空间。

七、结语：算法即战力

从北京理工大学的图神经网络意图识别，到LLM-LCSA的云边端协同决策；从SHIELD的生成式AI预演未知威胁，到TransReSE的多尺度态势评估——AI算法正在深刻重构蜂群防御的每一个环节。

这场重构的核心逻辑始终如一：让防御系统从“看见”走向“理解”，从“响应”走向“预见”，从“单机智能”走向“群体智能”。当蜂群用数量优势、去中心化和智能协同发起挑战，AI正在用图神经网络提取群体特征，用混合专家模型优化资源分配，用生成式AI预演未知威胁，用联邦学习实现持续进化。

正如LLM-LCSA研究者所言，这一架构“为无人机集群的安全协同提供了高效、智能、可扩展的解决方案”。在未来的低空战场上，决定胜负的将不再是单纯的“火力优势”，而是算法优势、数据优势和智能优势。

算法，正在成为驱散“蜂群迷雾”的那束光。