侧信道分析通过提取加密设备运行时的功耗、电磁辐射等物理信息恢复密钥，是密码模块安全评估的关键技术手段。深度学习技术凭借强大的特征提取能力在该领域广泛应用，但新兴网络架构的适用性仍需系统评估。胶囊网络作为创新架构，已在图像识别中得到应用且表现较好，但在侧信道分析任务中应用较少。研究胶囊网络在侧信道分析中的适用性问题，设计轻量化胶囊网络模型架构，采用穷举式超参数搜索，以引导度（Leading Degree，LD）为核心指标确定最优配置；基于ASCAD数据集，在相同实验参数下与卷积神经网络（Convolutional Neural Network，CNN）模型进行对比。实验结果表明，胶囊网络在汉明重量（Hamming Weight，HW）与恒等（Identity，ID）泄露模型下的LD指标仅为CNN的59%~75%，收敛速度慢、稳定性差，且参数量高达CNN的5~50倍，导致时空开销显著增加。性能差异源于胶囊网络的空间语义优化目标与侧信道分析的时序模式挖掘需求不匹配，其动态路由机制对局部时序特征敏感性不足，高参数量在有限数据下会扩大泛化误差上界，加剧过拟合风险。上述结果与分析验证了胶囊网络与侧信道分析任务的固有失配性，未来可通过探索新方法，进一步探讨胶囊网络在侧信道分析任务中的适用性。

为系统化探索网络协议实现的输入和状态空间，并自动化挖掘HTTP协议中的安全漏洞，提出了一种大语言模型驱动的网络协议逆向与安全测试方法LRPT。该方法主要针对网络设备的HTTP协议，通过构建以DeepSeek模型为核心的智能代理系统，对抓取的少量流量进行语义解析和协议报文格式推断；然后基于推断的协议格式生成模糊测试请求发送至服务器并捕获响应；代理系统分析响应迭代扩展协议输入和状态空间；在此基础上，系统自主生成易触发安全缺陷的测试用例，检测潜在安全漏洞。实验结果表明，该方法在仅有少量流量样本的HTTP协议场景下，能够探索协议中更多的请求类型与参数组合，并在家庭路由器上发现了10个安全漏洞。这一结果验证了大语言模型在网络协议安全测试中的有效性，为协议分析与漏洞挖掘提供了新的智能手段。

随着无人机集群在应急响应、智能侦察与协同作战等领域的广泛应用，其身份认证技术面临通信链路暴露、计算复杂度高与伪冒欺骗攻击等多重挑战。基于PUF（Physical Unclonable Function）硬件指纹特征的身份认证技术通过利用芯片制造过程中微结构的随机性生成唯一且不可复制的响应，实现无需存储密钥、无需依赖外部可信根、资源开销低、响应实时生成的轻量身份认证。但其需要依赖额外硬件或侵入式操作，无法直接应用于小微型商用无人机平台。针对以上挑战，本文面向通用小微型无人机平台，提出一种多模块物理熵源PUF协同生成方法，该方法充分利用模数转换器（ADC）、脉宽调制器（PWM）、实时时钟（RTC）、浮点运算单元（FPU）等无人机机载硬件模块作为物理熵源输入，结合跨层残差连接的自监督特征融合编码器，用于提取各硬件模块中的稳定特征，通过残差通路保留各熵源的关键辨识信息，生成具有稳定性和区分性的挑战响应对，该方法能有效缓解单模块PUF稳定性不足、熵强度偏低和抗建模攻击能力弱有限等问题；针对传统认证方案依赖中心节点、易受单点故障影响的问题，设计一种基于拓展挑战响应对的分布式身份认证协议，该协议以PUF响应所提供的唯一性与不可克隆性为信任基础，实现无人机节点间点对点去中心化的身份认证。实验结果表明，本文提出的PUF响应生成方法在抵御机器学习建模攻击方面表现优异，明显优于传统PUF方案；随后采用Dolev-Yao攻击模型，利用形式化验证工具Scyther对基于PUF的分布式身份认证过程进行了建模与分析。结果显示，在多轮攻击模拟下，认证协议未暴露任何可行的攻击路径。