在6G非地面网络中，强多普勒、长时延和快速信道波动导致分布漂移，使传统物理层认证（PLA）性能下降。为此，本文提出安全自适应多区框架 SAFA‑MZ，利用因果元学习实现分布式 PLA。首先，构建融合空间、角度、组合器、子空间以及多普勒‑时延等多模态特征的指纹，该指纹在多个空中节点之间分布式采集并可随环境自适应。其次，基于结构因果模型（SCM）刻画设计选择、环境因素、特征提取和认证结果之间的因果关系。随后，采用模型无关元学习（MAML）结合不变风险最小化（IRM）和因果一致性正则，使模型能够在仅有少量标记样本的未知 NTN 场景中快速适应。再次，设计两阶段认证流程：本地节点先进行快速识别，仅在需要时激活基于图注意网络（GAT）的到达时间差（TDOA）定位，以降低回程负载。仿真表明，SAFA‑MZ 在多种环境下实现 92% 的准确率和 96% 的 AUC，显著优于集中式深度学习和单特征基线。
点评