本文针对指纹识别中重叠摩擦脊线（overlapped friction ridge patterns）的分离问题提出了一种基于扩散模型（diffusion model）的新型流水线方法。在犯罪现场提取的潜指纹以及活体扫描场景中，传感器上残留的指纹会污染后续采集，导致出现重叠指纹，这是法医鉴定和生物识别中的常见难题。现有分离方法要么依赖基于规则的取向场（orientation field）补全，需要较强的领域知识；要么直接训练端到端深度神经网络，但未能充分利用指纹的领域特性。本文作者将重叠指纹分离问题形式化为图像修复（inpainting）任务，并采用多阶段渐进式学习策略来训练扩散模型。具体而言，该方法以预训练的稳定扩散（Stable Diffusion）模型为起点，逐步融合指纹先验知识，增强对部分指纹的补全能力，最终提出了一种“重叠感知修复”（overlap-aware inpainting）机制，利用多通道条件（multi-channel conditioning）的扩散修复模型分别重建每个分量指纹。实验在两个公共数据集上验证了方法的有效性，结果表明重建出的分量指纹能够以极高概率与其配对指纹（mated counterparts）匹配成功。该研究的主要贡献包括：1）首次将扩散模型系统性地应用于重叠指纹分离；2）设计了一种渐进式训练策略，使模型能够逐步学习领域特定知识；3）提出的重叠感知修复方案能有效处理重叠区域的信息干扰。该工作适合从事指纹识别、图像修复、生成模型与生物识别交叉领域的研究人员阅读，也为法医指纹分析自动化提供了新的技术思路。

本文提出一种名为FPLogger的新型侧信道攻击，通过电磁（EM）侧信道恢复智能手机屏下指纹传感器的指纹信息。随着屏下指纹传感器在新型智能手机中的广泛采用，作者发现用户在解锁过程中按压传感器时会辐射出电磁波，这些电磁波可以被攻击者捕获并用于重构用户的指纹图像。FPLogger首先利用高灵敏度电磁探头采集按下指纹传感器时发出的EM辐射信号，然后通过信号处理将EM信号映射为二维指纹图像，并进一步生成3D指纹片段，用于欺骗智能手机的指纹认证系统。作者在5款商用智能手机（涵盖光学和超声波两种屏下指纹技术）上进行了全面评估。实验结果显示，恢复的指纹图像与原始指纹具有较高的相似度；在50次端到端欺骗攻击中，FPLogger针对5款不同智能手机的成功率分别为top-1 24%和top-3 54%。该研究揭示了屏下指纹传感器的一个新安全漏洞，表明EM侧信道可用于绕过生物识别认证，对移动设备安全构成威胁。本文适合移动安全研究人员、生物识别安全工程师以及对侧信道攻击感兴趣的学者阅读。

5G网络在提供低延迟、高吞吐量和海量连接的同时，其控制平面仍面临多种安全威胁。其中，无线资源控制（RRC）信令风暴是一种特别有效且难以缓解的拒绝服务（DoS）攻击。恶意用户设备（UE）通过发送大量RRC信令，旨在耗尽下一代基站（gNB）的资源，阻止合法UE建立连接。现有的防御措施通常仅限于检测、仅通过数值模拟进行评估，且无法区分高负载网络条件和攻击；多数方法还假设静态配置，不考虑移动性。本文首先利用OpenAirInterface（OAI）5G协议栈评估了信令风暴攻击的可行性。然后，作者提出了StormShield，一种作为xApp在O-RAN近实时RAN智能控制器（RIC）上实现的攻击检测与缓解技术。它通过对恶意UE进行指纹识别并在gNB资源耗尽前将其阻断。作者在OTA测试平台上进行了原型验证，使用OAI、NVIDIA Aerial以及两种不同的gNB设置：一种采用USRP X410软件定义无线电（SDR）和8.1功能拆分，另一种采用商用富士康射频单元（RU）和7.2功能拆分。实验结果表明，StormShield能有效防止gNB资源耗尽，平均检测精度达到97.6%，从攻击开始到识别的平均时间为106.5毫秒。该工作为5G RAN提供了实用的实时信令风暴防御方案。