本文针对 Fitbit Versa 智能手表开展数字取证分析，聚焦 Android 与 iOS 平台下的数据提取能力对比。Fitbit Versa 是 Fitbit 系列中最受欢迎的型号，其在健身追踪、健康监测和日常使用中积累了大量个人数据，这些数据正越来越多地被用作刑事案件的证据。然而，针对可穿戴设备的取证研究仍然有限，尤其是缺乏对证据识别和提取方法的系统性探索。作者使用业界常用的移动取证工具 Cellebrite UFED 和 MSAB XRY，在搭载 Android 9 和 iOS 12 的设备上对 Fitbit Versa 分别进行逻辑提取和物理提取，系统比较了两种工具在不同平台下的数据恢复能力。论文详细讨论了可恢复的数据库和数据类型，包括应用数据、健康记录、位置信息、消息等，并对比了不同提取与分析技术的覆盖范围，为调查人员提供了数据可用性的全面视图。此外，作者通过设计测试实例，将实际记录数据与计划数据进行比对，验证了各数据类型的准确性。结果表明，某些数据类型（如步数、心率、睡眠记录等）具有高度可验证的准确性，这些数据在司法鉴定过程中可作为可靠证据。该研究为可穿戴设备取证提供了清晰的调查范围和数据重要性评估，填补了 Fitbit 设备取证研究的部分空白，对数字取证调查员、司法鉴定人员和执法机构具有参考价值。

该论文针对物联网(IoT)可穿戴设备中日益突出的隐私与安全问题，提出了一种基于延迟的物理不可克隆函数(PUF)的低功耗、低开销硬件安全解决方案。可穿戴设备（如智能手表、健康监测设备）持续收集并传输位置、心率等敏感个人信息，但受限于资源（能量、计算能力），传统软件加密方案难以高效部署。论文重点分析了两类PUF架构：Arbiter PUF和混合振荡器仲裁器(HOA) PUF，并评估它们在IoT环境中的适用性。Arbiter PUF通过比较两条路径的延迟差异生成密钥，功耗约为25μW；HOA PUF结合振荡器与仲裁器技术，功耗仅2.7μW，显著更低。实验结果显示，两种架构均能在极小的功率开销下为密钥生成提供鲁棒的安全保障，特别适合资源受限的可穿戴设备场景。该研究为IoT硬件安全提供了一种轻量级替代方案，有助于抵御物理克隆和侧信道攻击。适合硬件安全工程师、物联网开发者及关注低功耗安全方案的研究人员阅读。

该论文首次系统性地研究了针对可穿戴设备（如智能眼镜）上视觉-语言模型（VLM）的物理提示注入攻击。作者指出，随着VLM被部署在人脸朝向的可穿戴设备上，物理环境中的恶意文本（如广告牌、海报上的敌意文字）可以作为间接提示注入的视觉通道，劫持VLM的行为。这类攻击不仅能中断设备的正常任务（如视觉问答、场景描述），还能引导模型生成粗俗、偏见甚至虚假的输出。研究团队在超过200个真实环境中使用AI眼镜拍摄照片，识别出6种代表性的物理注入提示威胁向量，并在12个VLM模型上评估。结果显示，攻击在模拟和真实环境中分别达到高达96%和60%的成功率，模型表现出对环境中文本的过度信任，忽略实际视觉上下文并产生完全相反的摘要或指令。为应对这一威胁，作者提出了两种针对性的防御策略：基于掩码的外部过滤器和基于语义向量的内部检测器，有效降低了攻击成功率和安全影响。