该论文针对工业物联网（IIoT）中广泛采用的100BASE-TX以太网物理层设备认证问题，提出了一种物理层指纹空间容量分析方法。物理层指纹识别（PLF）利用发射信号中与设备相关的特征进行终端身份验证，但100BASE-TX物理层指纹可支持的可区分空间及其容量边界此前尚不明确。为此，作者提出了一种非线性与冲激响应模型（NAIM），用以刻画100BASE-TX发射波形中与设备相关的波形差异：非线性分量描述稳态电平偏差，冲激响应分量描述电平跳变时的过渡响应。该模型综合考虑了发射机波形要求、噪声与模数转换（ADC）量化决定的观测分辨率，以及目标误码率（BER）对指纹空间约束。在NAIM模型下，推导出100BASE-TX终端的指纹空间容量约为2.96×10^10个可区分状态。实验中，作者在两种线缆条件下从48块网卡（NIC）采集信号，根据器件间差异和器件内差异估计了高斯等效经验容量。在5米线缆条件下，经验容量与闭集识别结果一致对三种NIC型号进行排序，且更大的经验容量对应更高的识别准确率。结果表明，该容量分析可为IIoT中的物理层指纹识别提供部署前评估。该方法为物理层安全认证提供了理论容量界，有助于指导实际系统设计中对指纹特征空间与可分性的判断。适合网络安全研究人员、工业物联网安全工程师以及物理层安全与设备认证领域的从业者阅读。

在工业物联网（IIoT）环境中，信任管理对于保障系统安全至关重要，尤其是面对资源受限的设备。传统信任模型往往忽略网络质量波动的影响，导致信任收敛缓慢且评估不准确。本文提出一种动态信任管理方案——信任收敛加速（TCA）方法，该方法集成机器学习（ML）以加速在恶劣网络条件下的信任收敛。TCA模型基于关键网络指标预测信任收敛所需的时间单位数，并动态调整信任模型中的转移概率以提升收敛速度。通过基于IEEE 802.11标准的真实Wi-Fi信道条件仿真框架，实验证明TCA方法在挑战性条件下可将信任收敛时间最多减少28.6%。此外，该方案在存在恶意节点的场景中表现出弹性，提高了信任评估的准确性。本工作为动态工业环境中的IIoT系统提供了可扩展、自适应的信任框架，确保在不同网络条件下具有稳健的性能。

该论文提出了一种名为Q-FE的量子原生6G远边缘架构，旨在解决超密集工业物联网（IIoT）数字孪生场景下的安全与延迟挑战。当前架构依赖集中式云或移动边缘计算（MEC）服务器进行数字孪生计算，导致往返延迟过高，且使用易受量子攻击的经典公钥密码。Q-FE通过三个协同设计组件应对这些问题： 1. 微数字孪生（μDTs）与6G基站和高能力端点共存，减少通信跳数； 2. 跨层后量子密钥交换模块将CSIDH-512同源密钥材料直接嵌入MAC层控制帧，利用其紧凑密钥（≤64字节）避免数据包分片，相比ML-KEM/Kyber-1024降低62%的MAC层开销； 3. 异步联邦学习（AFL）协议由MEC节点上的轻量级DAG智能合约管理，消除落后者瓶颈，防止模型投毒和女巫攻击，且不暴露原始数据。 基于NS-3和PySyft的端到端仿真表明：Q-FE将P99.9超可靠低延迟通信（URLLC）维持在0.78 ms，全局模型收敛速度比同步联邦学习提升31%；协议复杂度为每轮O(N log R)；μDT切换迁移在模拟的10^4个事件中平均完成时间为1.9±0.3 ms。形式化威胁模型证实其对量子窃听、模型投毒和女巫攻击具有韧性。该工作适合网络架构、后量子密码和联邦学习领域的研究者阅读。