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。

射频指纹识别（RFFP）通过利用发射信号中嵌入的硬件特有缺陷来实现设备身份认证，近年来备受关注。然而，现有方法大多忽略了一个关键问题：设备温度（受内部和环境影响）会显著改变射频指纹特征，导致分类性能大幅下降。本文首次系统研究了温度对RFFP精度的影响，并提出了一种温度感知的RFFP学习框架。该框架将设备温度信息明确纳入特征提取和分类器训练过程，通过多任务学习或特征融合策略使模型学会忽略温度引起的偏差，从而提升对温度变化的鲁棒性。作者在真实蓝牙低功耗（BLE）数据集上进行了广泛评估，该数据集包含多个设备在不同温度和环境条件下的发射信号。实验表明，所提温度感知方法在分类准确率上持续优于多种基线（如温度归一化、数据增强等），尤其在未见过的温度和环境下，准确率提升显著。核心贡献包括：（1）率先揭示温度对RFFP性能的深远影响；（2）提出有效的温度感知框架；（3）建立公开的包含温度标签的BLE数据集。该工作适用于研究射频指纹安全性、设备认证、物联网物理层安全的研究人员和工程师，为构建更可靠的无线设备认证系统提供了新思路。