本文提出了一种基于多模态侧信道的非视距知识产权盗窃攻击方法，针对增材制造（3D打印）过程中的物理侧信道泄露。现有攻击面临三个挑战：最终G-code重建成功率低、攻击距离有限、依赖专用且显眼的采集设备。作者利用两部智能手机的内置传感器（麦克风和磁力计），在非视距（NLoS）条件下放置于60厘米外，分别采集3D打印机运行时的声学和磁场发射信号。通过多模态信号融合与机器学习处理，成功以98.89%的命令级重建准确率还原出最终对象的G-code指令。该方法在另一台不同环境的3D打印机上进行了迁移性评估，验证了攻击策略的泛化能力。研究揭示了增材制造系统中通过侧信道未授权访问G-code（进而窃取知识产权）的安全脆弱性，强调了部署侧信道缓解措施的必要性。论文主要贡献包括：首次利用商用智能手机在非视距条件下实现高精度G-code重建，突破攻击距离限制，并论证了攻击的跨设备可迁移性。

该论文聚焦于3D打印中G代码（一种用于控制3D打印机的标准指令集）的安全隐患。随着3D打印技术在制造业、医疗和航空航天等领域的普及，G代码的安全性变得至关重要。恶意攻击者可能通过篡改G代码文件或注入恶意指令，导致打印出的物体结构强度不足、尺寸偏差，甚至引发打印机硬件损坏。论文提出了一种系统性的安全分析框架，通过静态分析和动态模拟相结合的方法，检测G代码中的异常模式，例如非预期的温度变化、速度突变或材料挤出异常。作者实现了一个原型工具，并在多种3D打印机和真实G代码数据集上进行评估。实验结果表明，该工具能够有效识别已知的攻击模式（如层高篡改、支撑结构移除），同时误报率较低。此外，论文还讨论了当前3D打印流程中的安全缺口，如缺乏数字签名验证、切片软件易受攻击等，并给出了防御建议，包括引入G代码完整性校验和运行时监控。该研究为3D打印供应链安全提供了重要参考，适合工业安全研究员、制造商以及安全架构师阅读。

该论文是 ACM CCS 研讨会 AMSec'22 的会议报告，聚焦于增材制造（3D 打印）的安全问题。增材制造在航空航天、医疗、国防等关键领域应用日益广泛，但其数字化设计到物理制造的全链条面临独特的安全威胁，如设计文件被篡改、打印过程被干扰、成品质量受攻击等。现有信息安全方案无法直接适用，因为攻击可影响物理输出。论文总结了该领域的主要研究方向：攻击面分析（包括设计文件、打印参数、材料供应链）、防御机制（如加密、数字水印、异常检测）以及跨学科协作的必要性。适合安全研究人员和制造业从业者阅读，以了解该新兴交叉领域的安全挑战与应对思路。