随着无人机（UAV）在关键任务中的应用日益广泛，针对无人机入侵检测系统（UAVIDS）的安全防护变得至关重要。近日，研究人员针对最新的 UAVIDS-2025 数据集，提出了一套结合可解释人工智能（XAI）与深度统计分析的检测框架，旨在解决关键系统中的黑盒模型信任问题。
该研究引入了“机制可解释性”（Mechanistic Interpretability）的概念，通过对多种模型进行广泛测试，包括树集成模型（Tree-ensembles）、深度神经网络（DNN）、混合堆叠模型以及最新的表格神经网络集成。在分层 10 折交叉验证中，XGBoost 模型表现最为优异。研究人员随后利用 Shapley 加性解释（SHAP）对该模型进行了全局和局部特征分析，揭示了不同攻击手段如何通过模拟正常流量来实施渗透，并精准定位了误报发生的具体环节。
为了进一步挖掘预测失误的深层原因，研究团队采用了严谨的统计分析流程。通过对比小提琴图和核密度估计（KDE）曲线，并结合 Westfall-Young 多重比较排列检验、KDE 带宽优化以及 Jensen-Shannon 距离，研究成功识别了 UAVIDS-2025 中 Wormhole 和 Blackhole 攻击产生误报的真实诱因。研究指出，这些攻击在特征空间的“密度支持交集”（Density Support Intersection）是导致检测挑战的核心所在。这一成果不仅提供了高鲁棒性的检测模型，也为无人机网络安全提供了深入的统计洞察，有效澄清了攻击的隐蔽本质。
