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。