WiFinger 提出了一种针对高噪声 Wi-Fi 环境下物联网(IoT)设备事件流量的细粒度指纹识别方法。智能家居等 IoT 环境容易遭受隐私推断攻击，攻击者通过分析加密网络流量的模式来推断设备状态甚至人员活动。现有攻击大多依赖机器学习技术，但在无线流量上表现不佳，因为 Wi-Fi 嗅探具有高噪声和数据包丢失的特点。此外，这些方法通常针对区分分块的 IoT 事件流量样本，无法有效同时跟踪多个并发事件。WiFinger 将流量模式分类问题转化为子序列匹配问题，通过引入高效算法解决了高时间复杂度，同时保持了高准确率。该方法还降低了对训练样本量的依赖，使得未来更新指纹更加轻量，减少了人工成本。实验在多种实际威胁模型下评估，WiFinger 的平均召回率达到 89%，而对比方法仅为 49% 和 46%，同时在各种 IoT 事件上几乎零误报。该研究揭示了无线层加密流量的隐私风险，并展示了传统分类方法在无线环境中的局限性。核心贡献包括：将序列匹配引入物联网流量指纹识别，针对噪声和多事件场景设计了新机制，并显著降低了样本需求。该工作对理解无线流量隐私泄露途径和设计相应防御措施具有参考价值。