Aunque los métodos de aprendizaje profundo (DL) son efectivos para detectar ataques de protocolo que involucran drones en redes no terrestres de sexta generación (6G), clasificar ataques novedosos e identificar secuencias anómalas sigue siendo un desafío. Los procesos de captura internos y los resultados de coincidencia de los modelos de DL son útiles para abordar estos problemas. Los principales desafíos implican obtener esta información interna de los métodos de detección de anomalías basados en DL, utilizar esta información interna para establecer nuevas clasificaciones para ataques de protocolo no descubiertos y rastrear la entrada de vuelta a las secuencias de protocolo anómalas. Por lo tanto, en este artículo, proponemos un método interpretable de clasificación e identificación de anomalías para los protocolos de 6G NTN. Diseñamos un marco de detección de anomalías interpretable para los protocolos de 6G NTN. En particular, introducimos técnicas de inteligencia artificial explicable (XAI) para obtener información interna, incluidos los resultados de coincidencia y el proceso de captura, y diseñamos un enfoque colaborativo que involucra diferentes métodos de detección para utilizar esta información interna. También diseñamos un método de clasificación autoevolutivo para el marco interpretable propuesto para clasificar ataques de protocolo no descubiertos. Los enfoques de detección de reglas y de referencia se hacen transparentes y trabajan sinérgicamente para extraer y aprender de las características de huella de los ataques de protocolo no descubiertos. Además, proponemos un método en línea para identificar secuencias de protocolo anómalas; este enfoque de identificación intrínsecamente interpretable se basa en un modelo de red neuronal profunda (DNN) de dos capas. Los resultados de la simulación muestran que los métodos de clasificación e identificación propuestos pueden utilizarse de manera efectiva para clasificar ataques de protocolo no descubiertos e identificar secuencias de protocolo anómalas, con una precisión que aumenta en un máximo del 32.8% y al menos un 26%, respectivamente, en comparación con la de los métodos existentes.