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。

该论文研究了移动设备（如智能手机和智能手表）通过蓝牙低功耗（BLE）协议持续广播信标所带来的位置跟踪风险。虽然应用层采用了加密匿名机制来防止恶意监听者直接识别用户，但攻击者可以利用设备发射信号中固有的物理层（PHY）硬件缺陷进行指纹识别，从而绕过匿名保护。作者通过大规模实地测试，分析了影响BLE物理层指纹识别稳定性的多种因素，包括BLE芯片组硬件设计差异、发射功率水平、热条件变化以及低成本无线电（可用于广泛部署以捕获原始物理层信号）的局限性。研究在数百个不受控的BLE设备上评估了这些因素对指纹识别准确性的影响，结果表明物理层识别是一种可行但有时不可靠的跟踪手段。论文的主要贡献在于系统性地量化了物理层指纹识别在真实场景中的可行性与局限性，为移动设备隐私保护和无线跟踪防御提供了实证依据。适合移动安全研究人员、隐私保护工程师以及蓝牙协议栈开发者阅读。