Paper Study · INFOCOM 2026

IEEE INFOCOM 2026 论文学习记录

NOVA · FedGraph-ID · MIROS 的问题、方法、创新与不足

逐篇分析 · 公式卡片 · 实验规模 · 科研机会

整理日期：2026-09-09
学习记录更新：2026-09-11

带 MathJax 渲染的 HTML 版本：INFOCOM2026_论文学习记录_MathJax.html

阅读依据：

学习记录说明

这份文档不是简单的论文摘要，而是按照“问题—思路—创新—不足—改进—实验规模”的框架，把三篇论文拆成可以反复阅读的学习材料。后续每读完一部分，都可以继续往这里补充。

当前学习进度

论文 全文状态 学习状态 下一步
NOVA 已有完整 10 页 PDF 已完成第一轮全文通读和带问题分析 进入第二讲：公式、消融实验和真实实验数字
FedGraph-ID 已有完整 10 页 PDF 已完成第一轮全文通读和带问题分析 进入逐段精读：图构建、GCN、HYDRA、实验口径
MIROS 暂无合法公开全文 已根据摘要、元数据和公开解读做初步分析 通过人大图书馆获取 IEEE 全文后再补齐方法细节

推荐读法

每篇论文建议读三遍：

  1. 第一遍只看骨架：题目、摘要、引言、贡献列表、结论。先回答“它要解决什么问题，为什么重要”。
  2. 第二遍看方法和证据：重点读系统模型、核心公式、算法框图和实验设计。回答“它怎么做，凭什么说有效”。
  3. 第三遍带批判读：看基线、消融、参数敏感性、失败案例和作者自己承认的局限。回答“它哪里还不够，我能怎么改进”。

老师的三个问题

读每一篇时都问同样三件事：

  1. 它要解决什么问题，为什么这个问题重要？
  2. 它的核心思路和主要创新是什么？
  3. 它有什么不足，可以如何改进？

一、先看三篇论文的分工

论文 解决的核心问题 为什么重要 核心思路 最醒目的创新
NOVA 单架无人机如何只依靠一个地面 UWB 标签，完成高精度、低基础设施依赖的末端定位和降落 GPS 精度不够，固定 UWB 基站和视觉标记部署成本高；末端配送需要米级甚至亚米级精度 把无人机当成“移动锚点”，一边规划有观测价值的轨迹，一边联合估计无人机自身轨迹和标签位置 DOP/HDOP 驱动的主动轨迹规划 + UWB/INS 联合优化 + 两段式下降消歧
MIROS 如何追踪小型、远距离、非合作、会逃避监管的无人飞行器 低空安防、反无人机、机场和园区周界需要稳定发现并定位非合作目标；单雷达、单相机和单视角融合都会受遮挡、距离和视场限制 用 OODA 循环把雷达、PTZ 相机和多视角数据组织起来，主动预测目标未来可达范围并让相机“迎上去看” 基于动力学预测的多云台主动协同感知 + 抽象绑定式多视角雷达-视觉融合
FedGraph-ID 无人机网络如何在保护数据隐私的同时，对网络入侵进行分布式检测，并抵抗被攻陷无人机上传的恶意模型 无人机网络是安全关键系统；集中式 IDS 有隐私和单点故障问题；普通联邦学习在 Byzantine 客户端面前会崩溃 把网络流构造成带时间窗口的通信图，用 GCN 做本地检测，再用两阶段鲁棒聚合器 HYDRA 过滤和加权模型更新 滑动窗口图构建 + Pivot-Krum/MAD 过滤 + 信任加权聚合

一句话概括三者的关系：

NOVA 管“单机精准到达”，MIROS 管“多传感器主动看见”，FedGraph-ID 管“多机协同但不被内鬼带偏”。

二、NOVA：Navigation Optimization via UWB-Assisted Iterative Path Planning for UAV Delivery

（1）它要解决什么问题，为什么重要？

NOVA 面向的是无人机配送中的 last-meter delivery，也就是包裹交接前的最后一段精确定位和降落。

论文指出，可靠末端交付通常要求定位误差不大于约 1.5 米，但 GPS 在城市、遮挡和复杂环境中误差较大；固定 UWB 基站、声学着陆系统、视觉标记或专用停机坪虽然能提高精度，却需要额外基础设施、预先部署，或者存在隐私和计算成本问题。

它重点处理三个相互耦合的困难：

  1. Flip ambiguity（翻转歧义）
    UWB 只给出“距离”这个标量。单个锚点只能把目标限制在一个球面或圆环上，无人机直线飞行时，很多位置都满足同样的距离约束，系统无法判断目标到底在轨迹的哪一侧。

  2. 复合误差与反馈放大
    无人机既要用 INS/IMU 估计自己，又要用自己的估计位置去反推标签位置。IMU 漂移会污染标签估计；错误的标签估计又会指导无人机往错误方向飞，形成“自己错 → 目标错 → 导航更错”的反馈回路。

  3. 高空飞行导致的水平定位不敏感
    当无人机在高空接近标签时，3D 距离主要由垂直高度差贡献。UWB 的测距噪声会被放大到水平方向，导致无人机越接近目标，水平定位反而越不稳定。

为什么重要：

（2）核心思路和主要创新

NOVA 的核心不是“多放几个 UWB 锚点”，而是让无人机在飞行过程中 主动制造有利于观测的几何条件，同时把“估计标签位置”和“修正无人机轨迹”放在一个闭环里。

论文把过程分成三个阶段：

阶段一：Initial Phase，先制造空间多样性

无人机先做一次垂直下降，再沿与目标估计方向近似正交的方向水平飞行，收集具有不同视角的 UWB、IMU 和气压计数据。

这样做的动机来自 Fisher Information Matrix：当两次观测方向与目标方向接近正交时，定位信息量最大。虽然真实标签位置未知，但“沿估计目标方向的垂直方向飞行”是一个可行的近似。

这一阶段得到的是一个粗略的标签位置估计。

阶段二：Mid-Flight Phase，边飞边规划、边估计

这是 NOVA 最关键的部分，包含两个交替进行的模块。

第一，DOP-based Trajectory Planning。

每个决策时刻，无人机在当前位置周围生成一组候选航点，然后选择代价最低的航点：

\[ L(p)=\lambda \cdot \text{normalized travel cost}+(1-\lambda)\cdot \text{HDOP} \]

前一项希望少绕路，后一项希望新位置能提供更好的几何观测条件。论文中 \(\lambda=0.7\)，也就是更偏向效率，但仍保留定位增益。

第二，Joint Optimization。

无人机轨迹和标签位置交替优化。轨迹修正的目标函数同时包含：

其中轨迹修正使用了一种 reliability-based EMA filter：比较 INS 速度与 UWB 径向速度，如果二者一致，就更相信 INS；如果不一致，就降低 INS 的权重，利用 UWB 抵抗长期漂移。

标签位置则通过带分段长度归一化的最小二乘/多边定位来更新，并用 ADAM 优化。论文特别指出，直线飞行中的冗余测量会放大噪声，因此按每段 2D 路径长度归一化，而不是简单把全部测量等权相加。

阶段三：Final Phase，两段式下降消歧

当水平距离足够近时，无人机进行两次不同高度的下降，并利用两个高度上的 3D 距离差估计水平距离：

\[ D_{3D}^2=D_{2D}^2+H^2 \]

两次下降之间再做一次与估计目标方向正交的横向移动，得到两个可能的目标候选点，最后用整段飞行轨迹和测距历史选择残差更小的那个。

主要创新可以概括为：

  1. 把无人机当作移动锚点，而不是要求固定 UWB 基站。
  2. 主动规划轨迹以改善可观测性，而不是只按最短路径飞向目标。
  3. 联合优化无人机轨迹和标签位置，正面处理 INS 漂移与标签估计之间的反馈放大。
  4. 用可靠性 EMA 和分段归一化抑制噪声。
  5. 用两段式下降解决高空水平不敏感和最终翻转歧义。

论文报告的实验结果：

（3）不足与可改进方向

不足一：场景和对象仍然很窄。

论文主要验证单无人机、单个静止 UWB 标签、室外相对开阔场景。没有验证多标签、移动标签、多无人机协同、动态障碍物或密集城市环境。

改进方向：

不足二：对 UWB 和 INS 的假设较强。

系统依赖 UWB 测距质量和初始 GPS 近似，非视距、多径、遮挡和丢包会显著影响效果。公园场景的轨迹开销明显升高，说明通信条件变化会破坏固定探索策略。论文中的 IMU 噪声和风扰动主要在仿真中测试，真实恶劣环境验证不足。

改进方向：

不足三：轨迹规划目标仍是启发式的。

HDOP 是一个几何可观测性指标，但它不能完整表达信息增益、能量消耗、风扰、飞行安全和通信约束。\(\lambda\) 和多个 EMA 参数也依赖离线贝叶斯优化。

改进方向：

不足四：系统实现和部署边界还不够清楚。

真实实验使用了专有飞控 GUI 和 OCR 提取的伪 INS，计算在机外服务器完成。论文没有充分报告通信延迟、掉线、服务器故障、机载算力、功耗和长期可靠性。

改进方向：

不足五：没有考虑安全和对抗问题。

UWB 标签可能被欺骗、干扰或替换，GPS 初始化也可能被 spoofing。论文把标签视为可信目标。

改进方向：

三、FedGraph-ID：A Federated Graph Learning Framework for Intrusion Detection in UAV Networks Under Adversarial Settings

（1）它要解决什么问题，为什么重要？

FedGraph-ID 面向无人机网络中的入侵检测。它针对三类问题：

  1. 集中式 IDS 的隐私和单点故障问题
    把原始网络流量集中到地面服务器，会泄露敏感任务数据，也容易形成单点故障。

  2. 普通联邦学习忽略网络拓扑和时间演化
    很多 FL-IDS 把每条网络流当作独立的扁平特征向量，丢掉通信节点之间的图结构，也忽略攻击在多跳、多个时间窗口中的演化。

  3. Byzantine 客户端会破坏全局模型
    被攻陷的无人机可以上传缩放梯度、翻转符号或随机权重。普通 FedAvg 在恶意客户端比例升高时会严重退化，论文声称现有方法在超过约 30% 恶意客户端时可能完全失效。

  4. 缺少无人机专用数据集
    现有 IDS 数据集多来自企业或数据中心网络，不能充分反映 UAV mesh 网络的高移动性、路由协议和专用攻击。

为什么重要：

（2）核心思路和主要创新

FedGraph-ID 由三部分组成：本地图检测器、鲁棒聚合器 HYDRA、同步联邦训练流程。

第一部分：滑动窗口构图

把连续网络流按时间切成有重叠的窗口。每个窗口内：

这样做的直觉是：DDoS、Sybil、黑洞、泛洪等攻击往往不是单条流异常，而是“某个节点或某个子图的行为模式异常”。重叠窗口则让系统保留一定的时间连续性。

第二部分：本地 GCN 检测器

每个无人机在本地图上训练一个两层 GCN：

\[ H^{(1)}=\sigma(\tilde{A}XW^{(0)}) \]

\[ H^{(2)}=\tilde{A}H^{(1)}W^{(1)} \]

其中 \(\tilde{A}\) 是加入自环并归一化后的邻接矩阵。最后用全局平均池化和 softmax 做二分类。GCN 通过邻居聚合捕捉多跳通信关系，比把流量压成扁平向量更适合发现结构性攻击。

第三部分：HYDRA 两阶段鲁棒聚合

Stage A：Pivot-Krum Filtering。

服务器计算所有客户端模型之间的两两欧氏距离，对每个客户端计算 Krum 分数：它到最近的 \(k\) 个邻居的距离之和。分数最小的客户端被选为 pivot。然后计算其他客户端到 pivot 的距离中位数和 MAD，把距离超过阈值的更新过滤掉。

Stage B：Trust-Aware Aggregation。

对保留下来的客户端：

  1. 计算相对上一轮全局模型的参数增量；
  2. 用坐标中位数和 MAD 做自适应裁剪；
  3. 根据客户端历史行为更新信任分数；
  4. 用信任分数对裁剪后的更新做加权平均。

论文使用的关键参数是 \(\lambda=2.5\)、\(\beta=3.0\)、\(\gamma=0.9\)、\(\tau_T=0.1\)。实验比较了 FedAvg、Krum、坐标中位数和 HYDRA，攻击方式是 sign-flipping，恶意客户端比例从 0% 到 50%。

主要创新可以概括为：

  1. 把联邦入侵检测从扁平特征推进到时序通信图。
  2. 把 Krum 的全局距离思想改造成 Pivot-Krum + MAD 过滤。
  3. 把统计裁剪和历史信任结合起来，而不是只用一种鲁棒聚合规则。
  4. 构建了 UAV 专用 UAVIDS-2025 数据集，并公开数据/代码。

（3）实验结果，以及引用时必须注意的地方

论文的表格给出了几个重要结果：

引用时要注意摘要和表格的口径不一致。

论文摘要写的是“96.29% detection precision”和“92.21% precision with up to 50% Byzantine clients”，但正文表格中：

因此，如果做汇报或写综述，建议直接引用表格，不要照抄摘要中的指标表述。这个不一致本身也是论文可以质疑的地方。

（4）不足与可改进方向

不足一：所谓的“时序图”时间建模仍然偏弱。

论文用滑动窗口构造多个图快照，但每个快照分别输入 GCN，没有显式的 RNN、Transformer 或时序图网络来建模窗口之间的状态演化。重叠窗口只能提供一定的时间连续性，不能保证真正学到攻击的时序依赖。

改进方向：

不足二：图构建和节点定义过于简化。

节点只按 IP 地址定义，边只有二值存在关系，没有端口、协议、流持续时间、包间隔等边特征。面对 NAT、IP 伪装、加密流量、移动拓扑和 IP 频繁变化时，图结构可能不稳定。论文说建模的是 directed graph，但 GCN 使用的是对称式归一化，这在有向图上的理论一致性也值得讨论。

改进方向：

不足三：攻击类型和威胁模型不够丰富。

实验主要使用 sign-flipping 攻击。虽然威胁模型写了 omniscient coordination、model manipulation 和 adaptive behavior，但没有系统测试：

改进方向：

不足四：鲁棒性和性能指标存在“绝对值不高”的问题。

在 UAVIDS-2025、\(\alpha=50\%\) 时，HYDRA 的 accuracy 只有 66.89%，AUC 约 0.72。它比基线好，但距离“安全关键系统可直接部署”还有明显差距。所谓“79 个 F1 点的提升”是 CICIDS-2017 在恶意客户端导致基线完全崩溃时的极端对比，不能当作普遍场景下的性能提升。

改进方向：

不足五：隐私保护并不彻底。

联邦学习只上传模型更新，不等于绝对隐私安全。论文没有使用差分隐私、安全聚合或更新压缩，模型更新仍可能泄露客户端数据信息；服务器也仍然是一个集中式信任点。

改进方向：

不足六：缺少组件消融和系统开销分析。

HYDRA 包含 Pivot-Krum、MAD 过滤、坐标中位数裁剪、历史信任加权等多个模块，但论文没有充分展示每个模块单独贡献多少；也没有系统报告计算、通信和内存开销。

改进方向：

四、MIROS：Elusive Unauthorized AAV Positioning by Multi-View Radar-Vision Cognitive Fusion

说明：以下内容基于 IEEE 摘要、公开解读和会议元数据。没有获得论文全文，因此部分实现细节和实验结论只能视为“待核实”，不能代替原文阅读。

（1）它要解决什么问题，为什么重要？

MIROS 面向的是 非合作、未经授权的小型自主飞行器（AAV）定位。这类目标有几个特点：

为什么重要：

（2）核心思路和主要创新

根据公开摘要和解读，MIROS 的核心是把传统“先观测、后融合”的流程，改造成 Observe-Orient-Decide-Act（OODA）认知闭环。

第一，雷达先给出候选状态

雷达提供目标的候选三维位置、速度和飞行朝向。系统结合无人机动力学，估计未来一段时间内目标可能到达的范围，而不是把雷达给出的一个点当作精确位置。

第二，PTZ 相机主动寻找“相遇时刻”

多台云台相机根据目标未来可达范围、自身转速和视场，计算何时、往哪个方向转动和变焦，才能让自己的视线与目标可能区域相遇。这样做的价值在于：相机不是被动等待目标进入画面，而是主动调整观测时机和视角。

第三，抽象绑定式多视角融合

每个视角的雷达特征和视觉特征先被映射到统一的抽象空间，再由全局表示反向增强各个局部视角。这样做的好处是：

系统最终输出目标的位置、物理中心和识别置信度。

公开解读中提到的硬件和结果（待全文核实）：

（3）不足与可改进方向

由于没有全文，以下更多是“阅读时应重点核查的问题”，而不是最终定论。

不足一：全文和复现材料不公开。

目前没有找到合法公开的作者版全文，公开解读也提到代码和实验数据未共享。这意味着：

改进方向：

不足二：多目标和非合作对抗场景可能不够充分。

公开信息主要强调单目标追踪。真实低空安防中可能出现多架无人机、鸟群、诱饵、编队和故意规避。单个目标的动力学预测不能直接推广到多目标关联和密集空域。

改进方向：

不足三：环境鲁棒性仍待验证。

公开解读提到实验没有系统覆盖夜间、雨雾、强风和更密集编队；河岸场景还受到鸟类干扰。雷达-视觉融合虽然能互补，但在极端天气和低照度下，视觉分支可能显著退化。

改进方向：

不足四：主动感知策略的计算和部署成本较高。

公开信息显示系统依赖 RTX 3090 服务器和商用 PTZ 云台，云台机械动作和数据传输也占据明显延迟。边缘部署、功耗、长期稳定性和多节点扩展还没有充分证明。

改进方向：

不足五：安全和隐私讨论不足。

低空安防系统本身也可能面对传感器欺骗、雷达干扰、相机遮挡和对抗样本。公开材料没有充分说明系统如何防止这些攻击，也没有讨论公共空间拍摄的隐私合规问题。

改进方向：

不足六：需要更公平的基线和更完整的消融实验。

“相比单模态提升 2.14 倍”“相比单视角跨模态提升 1.25 倍”需要看原文中的具体定义、测试场景和统计显著性。还应核查：

改进方向：

五、三篇论文放在一起看

如果把三篇论文放进“低空智能系统”的完整链路，可以形成这样的对应关系：

  1. NOVA 解决单机执行问题：无人机如何在基础设施受限的条件下，精准到达目标并完成末端交付。
  2. MIROS 解决环境感知问题：地面系统如何用多雷达、多相机主动发现和定位非合作目标。
  3. FedGraph-ID 解决群体安全问题：多架无人机如何在不泄露原始数据的前提下，协同检测入侵并抵抗内部恶意节点。

它们共同指向一个更大的研究问题：

在通信受限、传感器不完美、部分节点可能不可信的低空环境中，如何把“主动感知—精确导航—协同学习—安全决策”连成一个闭环？

这也是三篇论文各自没有完全解决、但很适合继续研究的方向。

六、带去和老师讨论的问题

  1. NOVA：HDOP 只是几何可观测性指标，能不能用 Fisher Information 或信息增益替代，并同时处理电池、风扰和禁飞区约束？
  2. NOVA：如果把单无人机、单标签扩展到多无人机、多标签，集中式联合优化是否还能实时收敛？是否应该改成分布式因子图？
  3. FedGraph-ID：滑动窗口构造的是图快照，但 GCN 本身不建模时间序列。换成时序图神经网络或图 Transformer，是否能在不显著增加通信开销的情况下提升检测？
  4. FedGraph-ID：论文摘要和表格的指标口径不一致，说明鲁棒性结论需要重新核对。若攻击者知道 HYDRA 的规则，信任分数是否还可靠？
  5. MIROS：抽象绑定融合与普通跨模态注意力、对比学习或图融合相比，优势到底来自“抽象绑定”本身，还是来自多视角部署和主动云台控制？
  6. MIROS：如果相机或雷达被遮挡、干扰或欺骗，系统如何判断哪个视角不可信？多视角一致性能否反过来用于异常检测？

七、论文含金量、创新性与实验规模评估

（1）INFOCOM 的会议含金量

这三篇都是 IEEE INFOCOM 2026 main conference 论文。INFOCOM 是计算机网络和通信领域的顶级会议，属于 CCF 推荐 A 类会议，常与 SIGCOMM、MobiCom 一起被视为网络领域的旗舰会议之一。

根据公开统计，INFOCOM 2026 共收到约 1740 篇投稿，录用 329 篇，录用率约 18.9%。因此：

（2）三篇论文的创新性判断

论文 创新性判断 更准确的位置
NOVA 中等偏上，系统集成创新较强 单锚点 UWB、DOP、IMU/UWB 融合都不是全新概念，但把主动轨迹规划、联合估计和最终下降消歧真正做成闭环，并用真实无人机验证，贡献是成立的
FedGraph-ID 中等，偏应用集成和数据集贡献 GCN、Krum、MAD、信任加权都是已有工具，HYDRA 的贡献主要是组合和改造；UAVIDS-2025 数据集是较实在的增量贡献
MIROS 可能是三篇中故事性最强的，但目前无法完全核实 OODA 主动感知、多 PTZ 协同和抽象绑定融合的组合很有新意，但缺少全文，无法判断理论贡献和消融实验是否足够扎实

一个比较客观的判断是：

这三篇都不是“提出一个全新理论范式”的论文，而是围绕低空系统中的具体问题，做算法组合、系统设计和实验验证。对 INFOCOM 这种网络系统会议来说，这样的创新是合理的；但如果期待它们达到“改变领域方向”的级别，就不应过度解读。

（3）有没有大规模实际实验？

NOVA：有真实无人机实验，但不是大规模。

FedGraph-ID：没有真实无人机网络实验。

MIROS：公开信息显示有较大规模的真实部署，但无法由全文核实。

（4）综合结论

八、关键公式卡片

（1）NOVA

无人机自身位置

\[ \mathbf{p}_{\mathrm{INS}}(t)=\left(\int v_x(t)\,dt,\ \int v_y(t)\,dt,\ h_{\mathrm{barometer}}(t)\right) \]

含义：水平位置由 IMU 积分得到，垂直高度使用气压计，因为气压计在高度测量上通常比 IMU 积分更稳定。

UWB 测距模型

\[ D_{\mathrm{UWB}}(t)=D_{3D}(t)+\varepsilon_d \]

\[ D_{3D}(t)=\left\|\mathbf{p}_{\mathrm{UAV}}(t)-\mathbf{p}_{\mathrm{tag}}\right\|_2 \]

含义：UWB 给出的是含噪声的三维距离，而不是方向。

水平距离与高度差的关系

\[ D_{3D}^{2}=D_{2D}^{2}+\Delta H^{2} \]

\[ \Delta D_{2D}\approx\frac{\sqrt{D_{2D}^{2}+\Delta H^{2}}}{D_{2D}}\,\varepsilon_d \]

含义：当 \(\Delta H\) 很大、\(D_{2D}\) 很小时，同样大小的测距噪声 \(\varepsilon_d\) 会被放大成更大的水平定位误差。

DOP 航点选择

\[ L(\mathbf{p})=\lambda\cdot\text{normalized travel cost}+(1-\lambda)\cdot\mathrm{HDOP} \]

含义：前一项控制绕路成本，后一项控制几何观测质量。论文中 \(\lambda=0.7\)。

轨迹与标签联合优化

\[ J=\sum_{t}\left[\left\|\hat{\mathbf{p}}_{\mathrm{UAV}}(t)-\mathbf{p}_{\mathrm{INS}}(t)\right\|_2^{2} +\alpha\left(\left\|\hat{\mathbf{p}}_{\mathrm{UAV}}(t)-\hat{\mathbf{p}}_{\mathrm{tag}}\right\|_2-D_{\mathrm{UWB}}(t)\right)^{2}\right] \]

含义：第一项让轨迹不要偏离 INS 太远，第二项让修正后的轨迹与 UWB 测距一致。

可靠性 EMA 滤波

\[ \mathbf{v}_{\mathrm{LPF}}(t)=\beta_t\mathbf{v}_{\mathrm{INS}}(t)+(1-\beta_t)\mathbf{v}_{\mathrm{LPF}}(t-1) \]

含义：根据 INS 速度和 UWB 径向速度的一致性，动态决定更信任哪一个速度来源。

最终下降估计水平距离

\[ \left(D_{3D}^{(i,1)}\right)^{2}=\left(D_{2D}^{(i)}\right)^{2}+H_i^{2} \]

\[ \left(D_{3D}^{(i,2)}\right)^{2}=\left(D_{2D}^{(i)}\right)^{2}+(H_i+\Delta H)^{2} \]

含义：在两个高度测距，利用高度差解出水平距离，避免高空时水平方向不可观测。

（2）FedGraph-ID

本地目标函数

\[ L_i(\boldsymbol{\theta})=\frac{1}{|\mathcal{D}_i|}\sum_{(\mathbf{G},y)\in\mathcal{D}_i} \ell\left(f_{\boldsymbol{\theta}}(\mathbf{G}),y\right) \]

含义：每架无人机在本地图上训练一个二分类入侵检测模型。

GCN 前向传播

\[ \mathbf{H}^{(1)}=\sigma\!\left(\tilde{\mathbf{A}}\mathbf{H}^{(0)}\mathbf{W}^{(0)}\right) \]

\[ \mathbf{H}^{(2)}=\tilde{\mathbf{A}}\mathbf{H}^{(1)}\mathbf{W}^{(1)} \]

\[ \tilde{\mathbf{A}}=\mathbf{D}^{-1/2}(\mathbf{A}+\mathbf{I})\mathbf{D}^{-1/2} \]

含义：通过邻居聚合学习通信图的局部结构；两层 GCN 可以捕捉多跳关系。

Pivot-Krum 过滤

\[ d_{ij}=\left\|\boldsymbol{\theta}_i-\boldsymbol{\theta}_j\right\|_2 \]

\[ s_i=\sum_{j\in\mathcal{N}_k(i)}d_{ij} \]

\[ p=\arg\min_{i\in[N]}s_i \]

\[ \mathrm{MAD}=\operatorname{median}_{i\in[N]}\left|d_{ip}-\operatorname{median}_{j\in[N]}d_{jp}\right| \]

\[ \tau=\operatorname{median}_{j\in[N]}d_{jp}+\lambda\,\mathrm{MAD} \]

含义：Krum 分数越小，说明该客户端越接近多数更新；以它为 pivot，再用 MAD 把距离过远的更新过滤掉。

信任加权聚合

\[ \Delta\boldsymbol{\theta}_i=\boldsymbol{\theta}_i-\boldsymbol{\theta}_{r-1} \]

\[ \widetilde{\Delta\boldsymbol{\theta}}_i=\operatorname{clip}\left(\Delta\boldsymbol{\theta}_i,\ m-\beta\,\mathrm{MAD}_{\Delta},\ m+\beta\,\mathrm{MAD}_{\Delta}\right) \]

\[ T_i^{r}=\gamma T_i^{r-1}+(1-\gamma)\exp\left(-\frac{\left\|\boldsymbol{\theta}_i^{r-1}-\boldsymbol{\theta}^{r-1}\right\|_2^{2}}{\tau_T}\right) \]

\[ \boldsymbol{\theta}^{r+1}=\boldsymbol{\theta}^{r}+\frac{\sum_{i\in\mathcal{R}}T_i^{r}\widetilde{\Delta\boldsymbol{\theta}}_i}{\sum_{i\in\mathcal{R}}T_i^{r}} \]

含义：先裁剪极端更新，再根据历史一致性给客户端加权，避免单次异常更新直接污染全局模型。

（3）MIROS

MIROS 全文暂未获得，因此这里先记录概念层面的“公式化理解”：

雷达观测 → 候选位置、速度、航向
动力学模型 → 未来可达范围
PTZ 相机 → 寻找视线与可达范围的相遇时刻
抽象绑定 → 多视角异步异构特征融合
定位头 → 物理位置 + 识别置信度

等拿到全文后，再补充具体的目标函数、融合损失和复杂度分析。

九、术语速查

术语 中文理解 在这三篇论文中的作用
UWB 超宽带无线测距 NOVA 用 UWB 测无人机到地面标签的距离；MIROS 不使用 UWB
Anchor / Tag 锚点 / 标签 Anchor 是已知或可估计位置的参考点，Tag 是待定位目标
DS-TWR 双边双向测距 NOVA 使用的 UWB 测距方式，可减轻时钟不同步的影响
INS 惯性导航系统 用 IMU、气压计等推算无人机自身位置
IMU 惯性测量单元 提供加速度和角速度，积分后会产生漂移
Multilateration 多边定位 利用多个距离约束估计目标位置
DOP / HDOP 精度衰减因子 / 水平精度衰减因子 衡量观测几何对定位精度的影响，数值越低越好
Flip ambiguity 翻转歧义 单距离约束下，多个对称位置都满足测距结果
EMA 指数滑动平均 NOVA 用可靠性加权 EMA 平滑 INS 速度
ADAM 一种梯度优化算法 NOVA 用来优化非凸的标签位置残差
RTK-GPS 实时动态差分 GPS 厘米级定位，NOVA 用作真实轨迹的离线真值
Monte Carlo 蒙特卡洛实验 通过多次随机仿真评估算法稳定性
Federated Learning 联邦学习 各客户端本地训练，只上传模型更新
Byzantine client 拜占庭客户端 被攻陷后上传恶意模型更新的客户端
GCN 图卷积网络 FedGraph-ID 的本地入侵检测模型
Krum 一种拜占庭鲁棒聚合规则 FedGraph-ID 用 Pivot-Krum 过滤异常更新
MAD 中位数绝对偏差 用来衡量距离分布的异常程度
Non-IID 非独立同分布 不同无人机的数据分布不一致，联邦学习中的常见困难
Secure Aggregation 安全聚合 保护模型更新隐私的机制，FedGraph-ID 尚未使用
Differential Privacy 差分隐私 给更新加噪声以保护数据隐私，FedGraph-ID 尚未使用

十、MIROS 全文获取路径

MIROS 正式版在 IEEE Xplore，需要订阅。建议按以下顺序尝试。

路径一：校园网直接访问

打开 IEEE Xplore 论文页，搜索标题或 DOI：

10.1109/INFOCOM59046.2026.11571625

如果页面显示人大机构访问权限，直接下载 PDF。

路径二：CARSI 校外访问

使用人大图书馆的 IEEE CARSI 入口：

IEEE CARSI 入口

用微人大学工号和密码登录。注意不要同时开启 VPN、EasyConnect 或 WebVPN，图书馆说明这些方式不能重叠使用。

路径三：图书馆代理

  1. 打开 中国人民大学图书馆校外访问说明
  2. 进入 数据库导航
  3. 搜索 IEEE 或 IEEE Xplore
  4. 用微人大身份认证进入，再搜索 MIROS

路径四：原文传递/馆际互借

如果学校订购范围不包含这篇会议论文，可以提交文献传递申请。申请时写清楚：

论文题目：MIROS: Elusive Unauthorized AAV Positioning by Multi-View Radar-Vision Cognitive Fusion
作者：Guangyu Wu, Yuxin Zhao, Haibo Zhou, Yuben Qu, Kai-Kuang Ma
会议：IEEE INFOCOM 2026 - IEEE Conference on Computer Communications
页码：1-10
DOI：10.1109/INFOCOM59046.2026.11571625

图书馆文献传递联系方式：

路径五：联系通讯作者

通讯作者 Yuben Qu（南京航空航天大学）：quyuben@nuaa.edu.cn

邮件中说明自己是人大低空智能方向的学生，正在阅读 INFOCOM 2026 的 MIROS，询问是否可以提供作者版 PDF。

十一、下一步学习计划

NOVA 第二讲

下次重点拆：

然后对照实验：

FedGraph-ID 精读

重点拆：

MIROS 补齐

先通过人大图书馆拿到全文，再重点核查：