该论文提出并实现了 gr-PHYSEC，一个基于 GNU Radio 的 out-of-tree（OOT）模块，用于在真实无线环境中实时生成物理层对称密钥，以对抗窃听。传统密钥分发依赖预共享秘密或计算复杂度（如公钥密码），在动态、去中心化的场景（例如无人平台、地面机器人编队、临时自组网）中存在密钥分发与管理瓶颈。作者转而利用无线信道的固有随机性——即通信双方之间信道响应的互易性、时变性与空间去相关性——作为密钥熵源。 核心方法上，系统在 Alice 与 Bob 之间进行探测帧（probe）交换，将训练好的神经网络嵌入 GNU Radio 流图中，从接收信号/信道估计中提取可复现的信道特征，而非直接使用原始信道冲激响应；这些特征随后被量化成二进制比特串，再通过 Reed-Solomon 纠错编码完成密钥协商（information reconciliation），纠正双方因噪声、半双工收发时序差异导致的比特不一致，最后用 SHA-512 哈希做隐私放大/一致性校验。生成的会话密钥直接用于数据加密，从而在链路层之上形成不依赖第三方密钥中心的加密通道。 实验部分在佛罗里达大西洋大学 CAAI（Center for Connected Autonomy and AI）的联网机器人测试床上完成，硬件采用 ADALM Pluto 软件定义无线电与 NVIDIA Jetson Orin 边缘计算平台，并搭载于地面机器人平台上进行真实移动场景验证。结果显示密钥不一致率（key disagreement rate）较低、生成密钥随机性良好，并通过 NIST 针对密码学应用的随机/伪随机数发生器测试套件验证。作者认为，该工作展示了 GNU Radio 承载实时 AI 驱动安全方案的能力，推动了软件定义安全通信的边界，并把完整源码开源在 GitHub（C2A2-at-Florida-Atlantic-University/gr-PHYSEC），便于复现与二次开发。

该论文提出了一种名为PriSrv的隐私增强型服务发现协议，旨在解决无线通信中现有服务发现协议隐私保护不足、易泄露设备敏感信息并引发网络攻击的问题。PriSrv允许服务提供者和客户端在建立连接前指定细粒度的认证策略，通过双层匹配架构实现：外层使用公共属性过滤不匹配的实体，内层利用选择性披露的私有属性进行双向认证。作为核心组件，作者提出了基于匿名凭证的匹配加密原语（ACME），能够单步完成双层匹配，实现双向策略控制、选择性属性披露以及多次会话不可链接性。为实例化ACME，设计了快速匿名凭证方案（FAC），提供常量大小的凭证和高效验证。论文展示了PriSrv与EAP、mDNS、BLE、AirDrop等主流无线框架的互操作性，并给出了详细的形式化安全证明和在台式机、笔记本、智能手机、树莓派等平台上的性能评估。结果表明，PriSrv在主流移动设备上可在1秒内完成安全发现，同时提供增强的隐私保障和高可用性。该研究适合对无线网络安全、隐私增强技术及密码协议感兴趣的学术界和工业界读者。

该论文对苹果无线生态系统（包括蓝牙低功耗（BLE）、AWDL和Wi-Fi）的安全性进行了系统分析。研究者发现了多个设计缺陷，使得攻击者能够在未配对的情况下对苹果设备进行跟踪、发起拒绝服务（DoS）攻击以及实施中间人（MitM）攻击。具体而言，利用BLE中的隐私漏洞可以持续跟踪设备；通过操纵AWDL协议可导致网络中断；结合跨协议交互（如Wi-Fi和蓝牙）可实现会话劫持。论文提出了相应的缓解措施，并推动了苹果修复多个漏洞。该研究对iOS和macOS设备用户的隐私与安全具有重要影响，强调了无线协议设计中的安全考虑不足。

本文提出了V-Range，这是首个完全兼容5G标准的安全测距系统。研究背景在于，5G网络为资产跟踪、智能生态系统、自动驾驶等安全关键应用提供了位置信息，但现有3GPP和研究提案均未解决5G安全位置估计的挑战，且已有多种针对定位和测距系统的攻击（如距离篡改攻击）。V-Range的设计目标是在5G新空口（5G-NR）收发器上直接实现安全测距，抵御距离放大和缩小攻击。该方法通过引入物理层和协议层的安全机制，确保测距结果的高精度和低延迟。实验验证在sub-6GHz和毫米波频段上均有效，结果表明攻击者无法在不被高概率检测的情况下将距离误差控制在系统不精确度之外。论文的贡献在于填补了5G安全测距的空白，并提供了可实际部署的方案。

该论文研究了住宅智能设备无线网络流量中的隐私泄露风险，重点关注低技能攻击者（如邻居）能否利用简单工具实施隐私攻击。以往研究多假设攻击者具备专业机器学习知识、标注数据和参考设备，而本文模拟一名“偶然攻击者”：仅使用三台商用Raspberry Pi、Wireshark和基础Python脚本，在真实公寓楼的相邻房间进行为期三周的实验。结果显示，该攻击者能手动识别智能设备类型（如灯泡、电视、冰箱）；通过流量模式区分用户状态（如设备开关）；利用RSSI三角测量穿透墙壁追踪智能手机移动；并成功提取详细的日常作息，包括访客的睡眠模式。研究证明，即使资源有限的普通攻击者（例如邻居）也能对智能家居隐私构成实质性威胁，打破了以往认为只有高级威胁行为者才能实施此类攻击的假设。