1.基于区块链技术的无人机飞行权限管理方法，其特征在于，该方法包括：

构建区块链网络，预部署与无人机飞行权限管理业务对应的多个智能合约，将接收的飞行权限经智能合约进行合规性校验后，加密存储至区块链；

将经过知识蒸馏的学生模型部署到边缘计算设备，用于飞行前风险预测和飞行中异常飞行识别，其中，教师模型为多模态动态网络结构模型，用于融合无人机飞行记录、气象因子数据和空域拥堵度多源异构历史数据，学习飞行风险评估知识，在通过构建的教师‑学生异构知识蒸馏框架，将学习的飞行风险评估知识迁移至学生模型；

无人机起飞前，接收飞行申请，调用智能合约进行合规性验证，验证通过，获取实时气象数据和许可空域拥堵情况结合飞行申请，调用部署在边缘计算设备上的学生模型，执行飞行前风险预测，获取飞行风险等级，满足飞行要求，调用智能合约对飞行申请与链上权限记录进行匹配性验证，验证后生成加密飞行许可，并将许可信息及其哈希值存储至区块链；

无人机执行飞行任务期间，持续采集飞行数据、气象数据和空域拥堵情况，引入异常评分多模型组合机制辅助学生模型动态识别异常飞行行为，检测到异常行为，触发调用智能合约执行预警响应机制；

无人机降落后，将采集的飞行数据、路径轨迹、执行时间与飞行申请内容进行比对核验，生成完整的飞行记录，并加密处理后存储至链下存储系统，计算飞行记录哈希值，调用智能合约对上链数据进行格式校验，校验后并将飞行记录哈希值、链下存储索引和相关访问凭证写入区块链，实现无人机飞行任务的全流程权限管理。

2.如权利要求1所述的基于区块链技术的无人机飞行权限管理方法，其特征在于，构建区块链网络，包括：基于联盟链架构，采用适宜的共识算法搭建区块链网络，定义节点角色及其权限；

预部署与无人机飞行权限管理业务对应的多个智能合约，调用智能合约校验飞行权限的合规性；

将飞行权限信息制作成标注数据包，通过哈希算法计算标准数据包的哈希值，将标准数据包加密存储在独立的链下存储系统，将数据包哈希值、链下存储位置、访问凭证和交易哈希写入区块链的区块记录中；

在独立的链下存储系统中建立三级复合键索引表，一级键为无人机身份信息的哈希前缀，二级键为飞行记录，三级键为时间范围，通过三级复合键定位到链上的交易哈希，从链上记录获取链下数据访问信息。

3.如权利要求1所述的基于区块链技术的无人机飞行权限管理方法，其特征在于，教师模型为多模态动态网络结构模型，用于融合无人机飞行记录、气象因子数据和空域拥堵度多源异构历史数据，学习飞行风险评估知识，在通过构建的教师‑学生异构知识蒸馏框架，将学习的飞行风险评估知识迁移至学生模型,包括：定义多模态动态网络结构模型中的无人机节点，基于历史数据获取无人机飞行记录，并基于飞行记录提取无人机节点特征，静态特征包括起降点、历史任务类型、历史任务飞行时间和历史异常事件，动态特征为将历史飞行轨迹按照预设时间间隔采样，生成的历史飞行轨迹时间序列，其包含每个时间点的空间位置，空间位置包括无人机在该时间点的地理坐标及飞行高度；

定义多模态动态网络结构模型中的气象节点，气象节点的静态特征为许可飞行空域内各气象监测点的地理位置，基于历史飞行任务起始时间前12小时窗口，提取与无人机历史飞行轨迹相关联的气象监测点的历史气象趋势特征序列，同时识别并记录异常气象的类型、发生时间和持续时间，形成异常气象时序特征序列，将上述两个特征序列与无人机历史飞行轨迹时间序列对齐，生成与无人机历史飞行轨迹时间序列同步的历史气象趋势特征序列和历史异常气象序列，为气象节点的动态特征；

定义多模态动态网络结构模型中的空域节点，空域节点的静态特征为许可飞行空域按空间‑高度结合划分的网格单元，基于无人机历史飞行轨迹，在24小时滚动滑动窗口内，统计每个网格单元在各时间段内的拥堵度，利用时序建模方法提取其空域拥堵趋势特征，形成覆盖多个时间点的空域拥堵趋势时序特征序列；将该序列与无人机飞行轨迹的时间序列对齐，生成与无人机历史飞行轨迹时间同步的历史空域拥堵趋势特征序列，为空域节点的动态特征；

构建包含无人机节点、气象节点和空域节点的多模态动态网络结构模型，设定节点间空间边、气象影响边与任务关联边，通过强化学习法对该网络模型进行训练，建立各类节点间的时空依赖关系，得到无人机节点的时空风险特征表示；

将训练完成的多模态动态网络结构模型作为教师模型，生成用于飞行风险判别的伪标签和风险评分向量；

将IsolationForest模型作为学生模型，通过异构知识蒸馏机制，将教师模型中的伪标签和风险评分向量迁移至学生模型，完成学生模型的构建。

4.如权利要求3所述的基于区块链技术的无人机飞行权限管理方法，其特征在于，生成与无人机历史飞行轨迹时间序列同步的历史气象趋势特征序列和历史异常气象序列，包括：基于历史数据，获取每个无人机的历史飞行任务，设定其任务起始时间前12小时的时间窗口，提取窗口内各气象监测点的气象因子时序数据，对提取的气象因子时序数据进行标准化处理，气象因子包括风速、风向、温度、降水及能见度；

根据每个无人机的历史飞行轨迹时间序列中各时间点对应的空间位置，结合各气象监测点的监测范围，筛选覆盖该空间位置的气象监测点，多个气象监测点覆盖同一位置，选取与该空间位置最近的气象监测点，建立气象监测点与无人机的历史飞行轨迹时间序列中各时间点的对应关联关系；

将与无人机的历史飞行轨迹时间序列中各时间点相关联的气象监测点的气象因子时序数据输入LSTM时序模型中，提取每一时间点的气象因子变化趋势嵌入向量，生成每个相关联气象监测点的历史气象趋势特征序列；

为每类气象因子设定异常判断阈值，遍历相关联气象监测点的气象因子时序数据，标记异常气象，记录异常气象类型、发生时间和持续时间，构建相关联气象监测点的历史异常气象序列；

将每个相关联气象监测点的历史气象时序趋势特征与历史异常气象时序特征按时间对齐至无人机历史飞行轨迹时间序列，形成与无人机历史飞行轨迹时间序列同步的历史气象趋势特征序列和历史异常气象序列。

5.如权利要求3所述的基于区块链技术的无人机飞行权限管理方法，其特征在于，生成与无人机历史飞行轨迹时间同步的历史空域拥堵趋势特征序列，包括：将许可飞行空域在空间维度与高度维度进行划分，构建空间‑高度结合的网格结构，每个网格单元对应一个维度、经度与高度层；

根据设置的24小时滚动滑动窗口，统计每个窗口内各个网格单元中出现的无人机数量，并计算窗口步长内无人机平均出现频率，得到每个网格单元在各时间段内的拥堵度，形成不同窗口内每个网格单元的历史拥堵度时间序列；

将每个网格单元对应的历史拥堵度时间序列输入LSTM网络，提取拥堵随时间变化的趋势，得到每个网格单元的历史拥堵趋势特征序列；

根据无人机历史飞行轨迹时间序列中每个时间点的空间位置，定位其所属网格单元，将该网格单元的历史拥堵趋势特征序列按时间对齐至无人机历史飞行轨迹时间序列，生成与无人机历史飞行轨迹时间同步的历史空域拥堵趋势特征序列。

6.如权利要求3所述的基于区块链技术的无人机飞行权限管理方法，其特征在于，多模态动态网络结构模型，包括：构建多模态动态网络结构模型，如下：

将历史飞行轨迹时间序列按时间维度划分为多个连续时间切片，在每个时间切片中构建对应的静态网络图，每个静态网络图由节点和边构成，节点包括无人机节点、气象节点和空域节点，边包括空间边、气象影响边和任务关联边，空间边用来连接空间上相邻的节点，获取相邻节点区域空域拥堵趋势，其边权重由节点间地理距离的倒数与其所处空域单元的历史空域拥堵趋势特征序列联合计算获得，其中，相邻的节点包括无人机节点与无人机节点、无人机节点与空域节点和空域节点与空域节点；

气象影响边用来连接气象节点与其监测范围内的无人机节点，其边权重通过计算气象节点气象时序趋势特征与对应无人机位置时间点的气象因子匹配程度加权确定，任务关联边用来连接相同任务类型或相似任务类型的无人机节点，其边权重结合任务类型之间的语义相似度和任务执行时间的接近程度计算获得；

连接相邻时间切片中的相同节点，形成时间边，用于建模时间演化关系；

在每个时间切片中，通过图注意力网络对每个静态网络图的各类节点执行类型感知的注意力聚合，学习各类型节点表示，并通过时间边实现各类节点表示在时间维度上的传播，同时引入节点状态演化机制，获得每个历史时间切片内无人机节点的时空特征表示，完成整个多模态动态网络结构模型的构建。

7.如权利要求3所述的基于区块链技术的无人机飞行权限管理方法，其特征在于，完成学生模型的构建，包括：将训练完成的多模态动态网络结构模型作为教师模型，输入历史多模态数据，提取无人机节点的时空特征表示，通过分类头输出正常、异常飞行的概率分布，通过阈值筛选高置信度伪标签作为初始异常样本，同时，通过回归头输出风险评分向量，量化各风险维度的贡献；

将高置信度伪标签作为强监督样本，采用标签传播算法对低置信度样本进行特征相似性传播，生成扩展异常样本，结合原始特征和风险评分向量构建完整的半监督训练集，其中，原始特征来源于构建多模态动态网络结构模型为各节点所提取的特征序列；

引入特征适配器，将风险评分向量映射到学生模型的特征空间，基于正常、异常飞行的概率分布生成软标签，通过KL散度损失保留软标签不确定性信息，指导学生模型学习更丰富的决策边界，同时，通过风险评分对IsolationForest的训练样本权重进行调整，使模型在训练过程中优先关注高风险样本，通过联合损失函数优化学生模型参数，完成知识蒸馏，得到蒸馏后的参数；

在基于半监督训练集和蒸馏参数训练IsolationForest模型过程中，引入三级递进的样本选择机制以扩展训练样本集，该机制包括三个阶段：首先，将初始异常样本作为核心异常样本，其次，将扩展异常样本作为补充的异常样本，最后，在模型训练过程中动态识别路径长度短且风险评分高的样本，作为动态异常样本纳入训练；

在扩展的训练样本集上，IsolationForest模型优先选择高风险特征维度进行节点分裂，同时引入基于风险评分的路径长度惩罚机制，对异常样本施加与其风险评分成正比的惩罚权重，训练模型的异常检测性能；

将训练好的学生模型经量化压缩后部署至边缘设备，完成学生模型的构建。

8.如权利要求1所述的基于区块链技术的无人机飞行权限管理方法，其特征在于，执行飞行前风险预测，获取飞行风险等级，包括：从飞行申请中提取预飞行任务类型、飞行路径、飞行时间及起降点，构成静态任务参数；

依据飞行路径和起降点，实时采集与其相关联气象监测点的气象因子数据，并实时统计飞行路径经过的许可空域网络单元的拥堵度，气象因子数据和拥堵度形成动态任务参数；

将静态任务参数和动态任务参数特征融合为统一的结构化特征向量，并输入至部署在边缘计算设备上的学生模型中，基于学生模型对融合特征的推理计算，输出连续型的潜在风险评分；

预设风险等级阈值，将其与输出的潜在风险评分进行比较，

当潜在风险评分值大于第一阈值时，判定为高风险，系统自动拒绝飞行申请并调用智能合约将该高风险尝试记录至区块链；

当潜在风险评分介于第二阈值与第一阈值之间时，判定为中风险，提示操作员补充风险缓解措施后重新提交申请；

当评潜在风险评分低于第二阈值时，判定为低风险，进入后续流程。

9.如权利要求1所述的基于区块链技术的无人机飞行权限管理方法，其特征在于，引入异常评分多模型组合机制辅助学生模型动态识别异常飞行行为，包括：无人机执行飞行任务期间，持续采集其飞行轨迹、相关联气象监测点的气象因子数据以及飞行轨迹所经过的许可空域网络单元的拥堵度，将所采集的多源信息融合为统一的结构化特征向量，输入学生模型中，获得当前飞行任务的潜在风险评分；

当前飞行任务的潜在风险评分落在预设的置信区域，触发异常评分多模型组合机制，其中，置信区域为风险评分区间，该区间位于高风险阈值与低风险阈值之间，用于表征学生模型判断存在较高不确定性；

异常评分多模型组合机制包括多个用于风险因子独立评估的子模型，分别对当前飞行任务在不同风险维度上进行评分，其中，风险因子至少包括轨迹偏离程度和任务行为一致性；

基于各风险因子的历史重要性设置其加权系数，对各风险因子评分结果进行加权求和，生成当前任务的融合风险评分；

当融合风险评分超过预设的异常飞行判定阈值，生成异常飞行判定结果，触发智能合约执行响应机制。

10.基于区块链技术的无人机飞行权限管理平台，其特征在于，所述平台用于执行权利要求1‑9任一项所述基于区块链技术的无人机飞行权限方法，包括：区块链网络构建模块，用于构建区块链网络，预部署与无人机飞行权限管理业务对应的多个智能合约，将接收的飞行权限经智能合约进行合规性校验后，加密存储至区块链；

飞行风险预测模块，用于将经过知识蒸馏的学生模型部署到边缘计算设备，用于飞行前风险预测和飞行中异常飞行识别，其中，教师模型为多模态动态网络结构模型，用于融合无人机飞行记录、气象因子数据和空域拥堵度多源异构历史数据，学习飞行风险评估知识，在通过构建的教师‑学生异构知识蒸馏框架，将学习的飞行风险评估知识迁移至学生模型；

飞行前权限匹配模块，用于无人机起飞前，接收飞行申请，调用智能合约进行合规性验证，验证通过，获取实时气象数据和许可空域拥堵情况结合飞行申请，调用部署在边缘计算设备上的学生模型，执行飞行前风险预测，获取飞行风险等级，满足飞行要求，调用智能合约对飞行申请与链上权限记录进行匹配性验证，验证后生成加密飞行许可，并将许可信息及其哈希值存储至区块链；

执行智能合约响应机制模块，用于无人机执行飞行任务期间，持续采集飞行数据、气象数据和空域拥堵情况，引入异常评分多模型组合机制辅助学生模型动态识别异常飞行行为，检测到异常行为，触发调用智能合约执行预警响应机制；

降落后数据区块链存储模块，用于无人机降落后，将采集的飞行数据、路径轨迹、执行时间与飞行申请内容进行比对核验，生成完整的飞行记录，并加密处理后存储至链下存储系统，计算飞行记录哈希值，调用智能合约对上链数据进行格式校验，校验后并将飞行记录哈希值、链下存储索引和相关访问凭证写入区块链，实现无人机飞行任务的全流程权限管理。