射频指纹识别（RFFP）通过利用发射信号中嵌入的硬件特有缺陷来实现设备身份认证，近年来备受关注。然而，现有方法大多忽略了一个关键问题：设备温度（受内部和环境影响）会显著改变射频指纹特征，导致分类性能大幅下降。本文首次系统研究了温度对RFFP精度的影响，并提出了一种温度感知的RFFP学习框架。该框架将设备温度信息明确纳入特征提取和分类器训练过程，通过多任务学习或特征融合策略使模型学会忽略温度引起的偏差，从而提升对温度变化的鲁棒性。作者在真实蓝牙低功耗（BLE）数据集上进行了广泛评估，该数据集包含多个设备在不同温度和环境条件下的发射信号。实验表明，所提温度感知方法在分类准确率上持续优于多种基线（如温度归一化、数据增强等），尤其在未见过的温度和环境下，准确率提升显著。核心贡献包括：（1）率先揭示温度对RFFP性能的深远影响；（2）提出有效的温度感知框架；（3）建立公开的包含温度标签的BLE数据集。该工作适用于研究射频指纹安全性、设备认证、物联网物理层安全的研究人员和工程师，为构建更可靠的无线设备认证系统提供了新思路。

本文提出了一种新型的无监督目标模仿攻击框架，旨在欺骗射频指纹（RFFP）识别系统。RFFP通过分析硬件特有的缺陷来识别设备，但现有攻击往往假设攻击者能完全访问合法（受害者）RFFP分类器。本文考虑更现实的场景：攻击者使用完全不同的收发器硬件，且无法访问受害者分类器。框架首先利用无监督学习准确估计目标设备的硬件缺陷，然后结合基于信号处理的方法生成高保真对抗信号，从而复制目标设备的射频签名。实验在蓝牙低功耗（BLE）设备测试平台上进行，评估了视距（LoS）和非视距（NLoS）两种实际部署场景。结果表明，即使在严格的访问限制下，所提攻击仍非常有效，目标攻击成功率比现有基线提高超过80%。此外，还分析了跨域泛化、信号表示不匹配和分类器多样性对攻击效果的影响，凸显了攻击的鲁棒性。该研究揭示了RFFP系统在面对现实世界攻击时的脆弱性，对无线安全领域具有重要警示意义。

本文对射频指纹识别（RFF）领域进行了批判性的历史分析，而非传统的文献综述。研究覆盖了从1993年至2026年的发展历程，围绕该领域的主要概念范式转变展开。首先，早期基于瞬态的方法将发射机开启行为、意外调制和硬件非线性视为主要指纹来源；随后，数字通信时代将关注点转向稳态损伤和从信号中提取的工程特征；机器学习阶段标准化了特征提取、降维和监督分类的工作流程；深度学习阶段则通过从原始IQ样本中学习表征显著提升了性能并扩展了应用空间。论文不仅列出了方法和最佳实践的年表，还重点审视了推动这些转变的假设变化和持续存在的局限性。核心挑战包括信道依赖性、接收器灵敏度、数据集真实感不足、跨域泛化能力差、开放集识别和对抗鲁棒性。通过将三十多年的工作组织成连贯的叙事，本文阐明了RFF的演变，识别了持久限制，并指出了实现可靠实际部署所需的关键研究方向。本文适合无线安全、物联网安全、物理层安全等领域的研究人员和从业者阅读。