Los Vehículos Aéreos No Tripulados (VANT) se están utilizando cada vez más en infraestructuras críticas, defensa y aplicaciones civiles, y enfrentan nuevas amenazas de ciberseguridad. En este trabajo, presentamos una nueva arquitectura híbrida de aprendizaje profundo que combina Mamba, Redes de Kolmogorov-Arnold (KAN) y Redes Neuronales Líquidas para la detección de ciberataques en tiempo real en sistemas de VANT. El modelo propuesto Mamba-KAN-Líquido (MKL) integra el mecanismo de espacio de estado selectivo de Mamba para el modelado de dependencia temporal, las funciones de activación aprendibles de KAN para la representación de características y las capacidades de adaptación dinámica de las redes líquidas para la detección de anomalías en tiempo real. Evaluaciones extensivas en CIC-IDS2017, CSE-CIC-IDS2018 y conjuntos de datos sintéticos de telemetría de VANT demuestran que nuestro modelo logra tasas de detección que superan el 95% en seis escenarios de ataque diferentes, incluyendo suplantación de GPS (97.3%), interferencia de red (95.8%), ataques de hombre en el medio (96.2%), manipulación de sensores (94.7%), DDoS (98.1%) y ataques de día cero (89.4%). El modelo cumple con los requisitos de procesamiento en tiempo real con un tiempo de inferencia promedio de 47.3 ms para un tamaño de lote de muestra de 32, lo que lo hace adecuado para su implementación práctica en plataformas de VANT con recursos limitados.