本文研究的是开放集（open-set）恶意软件家族识别任务中的拒识（rejection）问题：模型既要对训练集中出现过的已知家族正确分类，又要把训练中从未出现过的家族样本判定为「未知」并拒绝归类。作者针对基于函数调用图（FCG）的恶意软件家族识别流程，检验一个具体假设：在已有的图神经网络（GNN，具体为 GIN）嵌入之外，额外引入 Louvain 社区划分的摘要特征，是否能够提供增量式的未知家族拒识信息。为排除「结构特征只是变相编码了图的规模与通用拓扑」这一混杂因素，作者构造了维度匹配的通用拓扑（generic topology）基线，并利用仅含已知家族的训练数据，把社区特征对通用拓扑做残差化（residualization），再用最近原型（nearest-prototype）打分。实验使用经过去重与冲突审计的 FCG-MFD 语料，设置了 5 个留出家族（held-out families）和 3 个优化随机种子，以保证结论的稳健性。结果是否定性的：残差社区特征无法产生稳定的留出家族拒识能力。具体表现为——不同家族上的排序效应方向相反（说明效果不可泛化）；在 95% 未知召回率（unknown recall）这一操作点上，每一个留出家族的假阳性率都变差；用验证集拟合出的阈值只能拒绝 4.48% 的未知样本，远不足以支撑实际部署。另一方面，已接受样本的已知类宏 F1 在每一个家族上都有提升，但由于只有 5 个独立的家族单元，精确双侧符号翻转检验的最小可达 p 值为 0.0625，统计上无法确证。此外，该社区得分仍与图的规模相关，而简单分类器不确定性在排序、高召回拒识和 OSCR 指标上均表现更好。作者由此得出结论：在这种 GIN/FCG-MFD 设定下，社区增强的原型只是改变了已知类的几何结构，并未创造出稳定的未知类判别边界；并建议图开放集评估应同时报告匹配拓扑对照、可操作阈值以及留出家族分析。适合关注机器学习安全、恶意软件家族分类与开放集识别评测方法的研究者与安全工程实践者阅读。

本文针对无线设备射频指纹识别（RF fingerprinting, RFF）在实际部署中面临的跨环境开放集识别问题，提出了一种改进的OpenMax框架 C$^2$T-OpenMax。射频指纹识别利用发射机硬件固有的细微缺陷实现设备身份认证，但现实环境多变，且实际系统中常出现训练阶段未见过的新设备（开放集），因此需要模型既能泛化到新环境，又能正确拒绝未知类。数据增强是提升环境泛化能力的常用手段，但作者观察到，数据增强可能使已知类别的表征变得分散且置信度偏低，从而扭曲了OpenMax方法中基于类统计（如均值激活向量和Weibull分布拟合）的建模质量。为此，论文提出两个核心模块：一是中心约束学习（center constrained learning），通过约束特征向类中心聚拢，提升类内紧凑性，使类级表征更适合基于距离的统计建模；二是置信度引导的尾部建模（confidence-guided tail modeling），在估计均值激活向量和拟合Weibull分布时，仅保留被正确分类且具有高置信度的logits，以减少模糊边界样本带来的偏差。两个模块协同工作，既能保留数据增强的泛化收益，又能优化表征几何结构和OpenMax的构造质量。实验基于公开的WiFi CSI数据集，结果表明C$^2$T-OpenMax在8个位置组中的7个组上取得最高开放集准确率，并在所有测试的开放度水平上，AUROC和OSCR指标均优于所有基线。在最大开放度设置下，相比增强OpenMax基线，准确率提升12.31%，AUROC提升0.0887，OSCR提升0.0856。本文的核心贡献在于揭示了增强与OpenMax建模之间的冲突，并提出一种无需额外标注即可缓解该问题的通用框架，适用于开放集无线设备认证场景。适合无线安全、设备指纹识别、开放集识别方向的研究人员阅读。

该论文针对射频指纹识别（RFFI）在高开放性场景下的实际部署难题展开研究。在真实环境中，RFFI 系统不仅要识别已注册的授权设备，还需要拒绝从未见过的未知设备，且训练阶段往往只能使用少量带标签的已知设备类别，这种约束被称为高开放性 RFFI 问题。现有开集识别方法通常依赖在大量且多样化的已知设备类别上学习到的特征空间，难以适用于训练类别较少、开放程度较高的实际场景。为解决该问题，作者提出 HoRFFI 框架，仅需少量带标签的训练设备即可实现可扩展的设备识别与未知设备拒绝。HoRFFI 的核心创新是一种基于相似性增强的变分信息瓶颈（SVIB）监督机制，它通过特征空间增强和聚类操作提取样本间相似性信息，为嵌入空间的正则化提供额外监督，从而降低编码器对训练类别多样性的依赖，学习到更具迁移性的嵌入表示。实验在公开的 LoRa 和 Wi-Fi 数据集上进行，结果表明，与性能最优的基线方法相比，HoRFFI 在新类别（novel-class）准确率上分别取得 0.112 和 0.288 的绝对提升，AUC 分别提升 0.029 和 0.060，证明了该方法在高开放性设备识别任务中的有效性。该研究为无线设备认证、物联网安全、物理层安全等场景提供了一种可在低资源训练条件下工作的开集识别思路。适合对射频指纹识别、开集识别、物理层安全以及嵌入式设备认证感兴趣的蓝队安全研究人员阅读。