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。

该论文针对低地球轨道（LEO）卫星互联网面临的安全威胁，特别是卫星冒充和信号欺骗问题，提出并构建了一个真实的基准数据集 IriSig-Spoof。LEO 卫星通信已成为关键基础设施，但其开放无线链路易受攻击。射频指纹（RFF）技术通过利用发射机硬件 imperfections 在接收信号中的表现来提供潜在防御，然而现有卫星 RFF 方法的可靠性难以评估，原因是缺乏支持时间、开放集和跨场景评估的统一数据集与基准。IriSig-Spoof 数据集包含从 66 颗卫星在 32 天内收集的 517 万条真实 Iridium 消息，以及通过软件定义无线电（SDR）在室内和室外环境中生成的欺骗信号。论文建立了三个基准任务：时间鲁棒性评估、带未知信号拒绝的开放集 RFF 识别、跨场景欺骗检测。实验采用多尺度注意力卷积神经网络（MACNN），结果显示时间鲁棒性在不同配置下有所差异，最佳配置达到 97.75% 的平均跨日准确率；开放集评估中 MACNN 的 AUROC 达到 0.9715，但有效的未知信号拒绝并不必然保证可靠的身份分配；跨场景实验揭示了低误报率下的差异。IriSig-Spoof 为评估时间变化和攻击条件变化下鲁棒 RFF 方法提供了可复现的基础。该研究是首个针对真实卫星 RFF 的综合性开放基准，对卫星安全、信号认证和物理层安全研究具有重要价值。适合卫星通信安全研究者、物理层安全工程师以及关注射频指纹识别和欺骗检测的学术人员阅读。

本文针对射频指纹（Radio Frequency Fingerprint, RFF）无线设备认证技术缺乏基础理论支撑的问题，提出了一个通用理论框架。当前RFF认证虽已在多种数据集和场景下被广泛研究，但学界尚未从理论上解释RFF为何能作为可靠的设备身份，以及其工作机制如何保证认证可信性，这严重阻碍了该技术的实际部署。为此，作者将RFF建模与认证属性分析相结合，构建了一个端到端的理论框架。在RFF建模层面，文章系统阐述了RFF沿“发射机-信道-接收机”链路被诱导、演化并被观测的完整过程，明确了RFF产生的物理机理与观测模型；在认证属性分析层面，框架定义了评估RFF可信度的四个关键属性：唯一性、稳定性、可区分性和不可伪造性，并建立了RFF形成演化过程与这些属性之间的对应关系。通过将物理层特征与安全属性紧密关联，该框架为理解RFF认证在实际场景中为何可信、如何实现可信提供了坚实的理论依据。此外，文章还基于框架洞见探讨了通信与认证协同设计的问题，为后续系统设计指明了方向。本文的主要贡献在于首次整合了RFF建模与认证属性分析，提出了通用性强的理论框架，填补了该领域基础理论的空白。适合无线安全研究者、设备认证系统设计者以及标准化工作参与者阅读。

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。

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。