实现高质量、连续且深度覆盖 [7-8]。 其次,利用 RIS 对电磁传播环境的智能重构能力,可动 态优化同频干扰和邻频干扰信道条件,有效抑制多用 户间及多径干扰。 在通感一体场景中,一方面,RIS 更 容易实现超大规模天线阵列,具有较大的天线口径增 益,RIS 可大幅提高高精定位应用的空间分辨能力,降 低传统定位机制中的误差 [9];另一方面,通过协同优化 RIS 中各反射单元的相位响应,能够有效增强目标回

域监视与警用无人机的高效指挥调度。 一是感知层(Sensing Layer)。 感知层作为低空智 联监视系统的基础,包含各类多源传感器网络。 其中, 5G-A 为多元融合感知的重要手段,利用超大规模天线 阵列(Massive MIMO)与联合信号设计,使通信信号同 时携带感知信息,利用反射信号的强度、频率、相位等 特性实现环境感知,频谱资源利用率提升 30%以上 [4], 并结合多站连续组网与跨小区航迹跟踪技术

用的低空雷达，仅能通过多站组网 覆盖进行弥补。 图3.5 5G-A通感基站目标识别技术 感知 数据流 非无人机 无人机 识别引擎 广覆盖：基站易组网，无低空覆盖盲区； 高感知精度：超大规模阵列，米级定位精度； 多模态融合：标准接口可结合多种设备，提供全面解决方案； 智能化：实现AI目标识别和航迹跟踪； 演进能力强：作为3GPP国际标准，具备持续的演进能力，未来演进到6G阶段的通感技术具备更强大的功能和更丰富的

生成与转换的能力，体现了统一建模范式的潜力。GLM[33]及其对话式衍生模型 ChatGLM 则 结合自回归与掩码建模，兼顾理解与生成，在中文问答与对话场景中表现突出。而 Megatron-LM[34]专注于分布式并行训练优化，为超大规模语言模型的高效训练提供了坚实的 工程基础。 （3）基于 Encoder-Decoder 架构的语言模型 Encoder–Decoder 架构与专注于理解的 Encoder-only 模型和偏重生成的 ，主动攻击与被动攻击，被动攻击指攻击者通 过在线社交媒体上传有毒数据到网络上，等待受害者下载使用。而主动攻击则可以通过直接 将有毒数据发送到公共数据集收取器中。随着大模型技术的兴起，针对大模型超大规模的数 据集与自监督预训练，数据中毒攻击可实施性下降。 2.5.3 隐私保护措施 无人机等设备在低空活动中收集的数据，涵盖了个人信息、行为轨迹和建筑图像等多种 敏感信息。随着大模型成为人工智