本文提出了 PriSrv+，一个面向现代无线网络（如 5G、IoT）和资源受限环境的增强隐私与可用性的服务发现协议。无线服务发现是设备动态发现并通信的基础过程，但现有方案在隐私保护、表达力、可扩展性和效率上存在不足。PriSrv+ 建立在 NDSS'24 发布的 PriSrv 之上，旨在解决后者的关键限制，同时保持与 mDNS、BLE、Wi-Fi 等广泛使用的无线协议兼容。其核心创新是首次提出的快速且表达力强的匹配加密方案（FEME），支持无界属性宇宙下的表达性访问控制，允许任意字符串作为属性，大幅增强了服务发现的灵活性，同时保障消息和属性的强隐私。与 PriSrv 相比，PriSrv+ 优化了密码学运算，加密速度提升 7.62 倍，解密速度提升 6.23 倍，密文尺寸减少 87.33%；通信开销方面，服务广播降低 87.33%，匿名相互认证降低 86.64%。形式化安全证明确认了 FEME 和 PriSrv+ 的安全性，并在多平台上的大量评估表明其性能、可扩展性和效率优于现有最先进协议。本文面向无线安全、应用密码学和 IoT 隐私保护领域的研究人员与工程师，提供了一种兼顾隐私与可用性的实用服务发现解决方案。

该论文针对基于深度神经网络（DNN）的无线通信系统面临的安全威胁展开系统性研究。近年来，DNN被广泛应用于无线通信的关键环节，如OFDM系统的信道估计与解码、端到端自编码器系统设计、无线电信号分类以及信号认证等任务。然而，DNN本身存在对抗样本脆弱性，这可能使无线系统受到攻击并导致功能失效。作者提出一种生成鲁棒对抗样本的方法，以满足无线场景中的特殊约束。具体而言，该方法将对抗扰动生成建模为一个优化问题，该优化问题融入了不同无线系统特有的领域约束（如功率限制、频谱掩蔽、误码率影响等），从而能够生成满足以下关键特性的无线对抗扰动：一是可在线实时应用，无需预先知道目标信号；二是与自然无线噪声不可区分，具有隐蔽性；三是对抗去除机制具有鲁棒性，即使通信双方部署了防御措施，扰动依然有效。作者通过大量实验验证了攻击性能，并与现有针对DNN无线系统的攻击方法进行了对比。结果表明，在通信双方采用合理防御机制的情况下，所提出的攻击方法仍显著优于现有攻击，这揭示了基于DNN的无线通信系统在面对对抗攻击时的脆弱性。该研究对在鲁棒无线通信中采用DNN的可行性提出了质疑，并为无线AI安全领域提供了重要的警示。适合无线通信安全研究人员、DNN鲁棒性研究者以及关注物理层安全的工程师阅读。

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。

本文提出WhiteNet，一个用于鲁棒识别重叠IEEE 802.11信号的深度学习框架，重点解决信道变化导致的性能下降问题。现有基于I/Q样本的深度学习方法在训练和部署信道条件差异大时精度急剧下降。WhiteNet的核心是频谱白化预处理，基于物理原理抑制频率选择性衰落，同时保留协议判别特征。为了减少对多发射机空中捕获数据的依赖，作者设计了一个合成重叠混合器，包含物理准确的每发射机信道和共享接收机信号链，用于预训练而无需大量现场数据采集。在公开的空中IEEE 802.11数据上，WhiteNet在未见信道条件下显著缩小了精度差距，同时使用比现有技术少7.7倍的参数，并可选择蒸馏为紧凑变体以在功耗受限的边缘设备上实现粗粒度频谱感知。实验证明了方法的有效性。

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。

本文(题为《AirSnitch: Demystifying and Breaking Client Isolation in Wi-Fi Networks》)针对Wi-Fi网络中的客户端隔离(client isolation)机制展开系统研究。客户端隔离是无线局域网中一项重要的安全功能,旨在阻止同一网络中的客户端之间直接通信,从而防止横向攻击。然而,该研究揭示,尽管客户端隔离被广泛部署,但攻击者仍可通过多种方式绕过或破坏该机制。论文首先对客户端隔离的实现进行了系统化梳理,分析了不同厂商和不同协议版本下的隔离逻辑,指出了其中的设计缺陷与实现漏洞。随后,作者提出了一种名为AirSnitch的攻击方法,该方法利用了Wi-Fi标准中的某些设计特性以及客户端和接入点之间的状态不一致性,能够在启用客户端隔离的网络中实现客户端间的通信,从而打破隔离边界。作者通过实验验证了该攻击在多种常见设备上的有效性,并讨论了其对现有安全防护的冲击。本文的主要贡献包括:对客户端隔离机制首次进行深入的实证分析,揭示其脆弱性;提出并验证了AirSnitch攻击;并给出了针对该问题的防御思考。该研究适合无线安全研究者、网络协议开发者以及企业网络安全运维人员阅读,有助于理解客户端隔离的真实安全边界并改进相关安全策略。

本文针对下一代无线网络中通信系统需要同时保障高数据速率、效率和安全性这一核心需求，提出了一种基于贝叶斯引导的协作强化学习波束赋形框架，用于在存在恶意攻击者的动态无线环境中实现联合波束成形与安全感知决策。作者首先基于3GPP标准构建了无攻击场景下的系统模型，并以穷举搜索作为参考基准以获取最优波束配置。随后，在引入攻击者并考虑不同网络扩展规模的条件下评估所提框架。实验结果表明，基于强化学习的方法（Q-learning 和 SARSA）在总信道容量、攻击者检测准确率和性能稳定性方面均一致优于随机选择策略；其中 Q-learning 在检测精度与计算效率之间取得了最佳平衡。整体而言，该框架为对抗性无线环境下的联合波束赋形与安全决策提供了一种稳定、可扩展且有效的解决方案。

该论文提出了一种利用集成感知与通信（ISAC）技术辅助生成信道知识地图（CKM）的方法，并将其应用于物理层认证（PLA）。ISAC能够通过通信信号获取环境信息，论文利用这一能力重建多个接收机周围物体的布局。然后对重建的环境应用射线追踪，推断不同发射机位置下的传播信道，从而构建CKM。在PLA阶段，系统利用从网络层获得的合法发射机的近似位置信息，将接收信号估计的信道与CKM中对应的信道数据进行比对，以验证发射机位置，抵御从不同位置冒充合法设备的攻击。论文评估了ISAC引起的CKM重建误差以及接收端信道估计噪声对PLA性能的影响，重点分析了虚警概率和漏检概率。通过使用文献中的ISAC数据集进行验证，实验结果表明所提方法在合理误差范围内能够有效实现位置验证。该工作为无线通信中的物理层安全提供了一种新思路，尤其适用于物联网和未来6G网络中需要轻量级认证的场景。

本论文针对无线自编码器通信系统中对抗攻击的不可检测性、攻击性和适应性难题，提出了一种基于深度学习的智能攻击框架。在存在多个攻击者的复杂场景下，多路并行攻击产生的累积泄漏干扰（CLI）会显著增加攻击被检测到的风险，同时动态环境使得固定攻击策略难以保持稳定效果。为解决这些问题，论文首先设计了一种基于深度神经网络的发射功率控制机制，通过调节多个攻击者的发射功率来减少干扰泄漏，从而提升攻击的隐蔽性。其次，为了增强攻击效果和稳定性，论文进一步开发了条件生成对抗攻击（CGAA）。该攻击利用生成对抗网络结构：生成器以攻击信道信息为条件输入，生成扰动信号，使受攻击接收信号尽可能接近干净接收信号，从而误导判别器；判别器则在相同条件下区分两者。通过对抗训练，生成器能够学习产生自适应扰动信号，在不同信道条件下保持高效攻击性能。仿真结果表明，所提框架在攻击不可检测性、攻击性和适应性方面均优于基准方案。该研究揭示了无线自编码器通信系统在面对智能自适应攻击时的脆弱性，为设计更加鲁棒的无线通信系统提供了反面对抗性启示。

动态频谱共享（DSS）是下一代无线系统的关键，但现有方案如频谱接入系统（SAS）依赖集中式管理员，暴露敏感操作元数据且缺乏加密交易问责性。尽管SAS管理员（如Google）引入了按需付费定价模型，但随着DSS向更开放和大规模的频谱市场演进，这些方法仍面临隐私和问责挑战。本文提出SpexPay，一个隐私保护且可审计的按需付费频谱使用框架，能在不泄露用户身份的情况下实施细粒度、与使用量挂钩的支付。SpexPay集成BBS+可验证凭证、不可链接会话假名和选择性披露证明，实现隐私保护访问授权，同时利用基于Solidity的智能合约实现自动且不可否认的托管结算。系统仅在链上记录假名使用证据和哈希链计量数据，实现强不可链接性，同时保持可验证的问责性和可审计性。完整原型展示了低端到端延迟（约150毫秒）和适中的链上成本（约603K gas或约0.9美元），表明SpexPay在实际DSS部署中是可行的。还在Raspberry Pi 5上评估了用户端密码操作，以评估可扩展性和对边缘级硬件的适配性。代码和工件公开可用。

本文研究了语义通信（SemCom）在多址接入信道（MAC）中的无线后门攻击与防御问题。语义通信旨在超越传统比特级恢复，保留语义信息并支持面向任务的信息传输。当两个发射器通过共享无线信道向一个公共接收器发送语义信息时，接收器需要联合重建并分类两个发射器的语义。攻击者利用训练阶段，通过发射低功率触发器波形（over-the-air）将其注入共享接收信号中，形成后门。测试阶段，当攻击者再次发射相同触发器时，接收器会错误分类/重建被攻击发射器的语义，但另一个发射器的推理几乎不受影响，实现选择性攻击。为此，作者提出了一种触发器感知的防御机制，通过在训练过程中使用含有触发器的无线观测样本进行鲁棒训练，使模型能够正确识别并忽略触发器的影响。实验结果表明，共享接入的语义通信系统容易受到选择性的无线后门攻击，而所提出的触发感知鲁棒训练能有效保护语义推理的正确性。该工作揭示了多用户语义推理场景中的新安全漏洞，并提供了可操作的防御方法，对无线网络安全、机器学习安全以及语义通信的实际部署具有重要参考价值。

该论文是一篇关于结构化格及其在安全领域应用的综述。欧几里得格是几何数论中的重要对象，具有丰富的数学结构，例如通过数域扩张构造。特别地，圆滑格（well-rounded lattices）与几何中的最密球堆积问题、θ函数最小化以及著名的Minkowski和Woods猜想密切相关。除了数学理论意义外，格在现代密码学和无线通信安全中扮演着核心角色。本文系统性地调查了各类结构化格（如理想格、循环格等）的构造方法，并重点讨论了它们在格基密码（如NTRU、LWE等）和安全无线通信（如物理层安全、编码方案）中的最新应用。文章旨在激发数学家及相关社区对格、数论、密码学和无线通信交叉领域的兴趣。对于安全从业者，理解结构化格有助于把握抗量子密码的发展趋势和潜在效率提升方案。

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。

现有利用Wi-Fi信道状态信息（CSI）的击键窃听攻击需要破解Wi-Fi硬件，但由于硬件紧凑性，这种破解可行性正在下降。本文提出WiKI-Eve，一种无需破解硬件的新型击键窃听攻击。WiKI-Eve利用最新Wi-Fi硬件提供的波束赋形反馈信息（BFI），该信息从智能手机以明文形式发送到接入点（AP），因此任何处于监听模式的Wi-Fi设备都可以窃听。针对现有击键推理方法泛化能力有限的问题，WiKI-Eve采用对抗学习方案，使其推理能够泛化到未见场景。实验表明，WiKI-Eve对单个击键的推理准确率达到88.9%，对移动应用（如微信）密码窃取的top-10准确率达到65.8%。该工作揭示了新一代Wi-Fi硬件普及带来的新型侧信道威胁，对移动设备隐私安全构成挑战。

该论文研究了现代移动设备中多种无线技术（如蓝牙、Wi-Fi、LTE）之间的共存接口安全问题。这些技术通常由独立的无线芯片实现，有时被封装为组合芯片，但共享天线、频谱等硬件资源。为了最大化网络性能，共存接口被设计用于协调不同芯片的数据包发送，避免碰撞。然而，论文指出，这些硬连线的共存接口缺乏明确的安全边界，导致芯片间隔离不足。作者针对博通、赛普拉斯和硅实验室等公司的芯片（部署在数十亿设备中）实现了实际共存攻击。具体而言，他们演示了如何利用蓝牙芯片通过共存接口直接提取Wi-Fi网络密码，并操纵Wi-Fi芯片上的流量。这种攻击跨越芯片边界，实现了一种新型的横向权限提升。作者已负责任地向厂商披露漏洞，但由于共存接口的硬件设计缺陷，现有硬件仅能发布部分修复，彻底解决需要从底层重新设计无线芯片。论文的核心贡献包括：揭示共存接口的通用安全漏洞、提出并验证了跨芯片攻击方法、以及强调了硬件层级安全设计的重要性。适合无线安全研究人员、芯片设计工程师和移动设备安全分析师阅读。

本文针对空中联邦学习（OTA-FL）系统中的后门攻击漏洞提出了一种两阶段鲁棒聚合防御框架。OTA-FL利用无线信道的叠加特性提升通信效率，但该特性也导致参数服务器无法获取单个客户端的本地更新，从而难以识别和排除被投毒的梯度。此外，在非独立同分布（Non-IID）训练数据下，良性梯度的漂移可能与恶意更新高度相似，进一步加剧了检测难度。为此，作者首先为每个客户端分配一个模态感知的多指标信任分数，根据数据模态（如波形、文本、图像）和模型架构选择最具区分力的指标以捕捉后门更新的特征。基于该分数，参数服务器执行基于信任的多址接入（TBMA），将客户端分为可信、可疑和恶意三类。对于可疑客户端，进一步通过服务器侧的逐层检查和纵向声誉机制进行审查。在多个数据集上的实验表明，该方法能有效抑制多种隐蔽后门攻击（包括有界缩放攻击、欧几里得约束攻击、余弦约束攻击和Neurotoxin），同时保持主任务精度。该研究为OTA-FL的安全部署提供了重要理论支持。

本文探讨了人工智能原生无线网络中模型取证的技术框架、应用场景及案例分析。随着AI深度嵌入无线网络，模型成为影响信号处理、资源调度和网络控制的核心组件，但模型异常、篡改和恶意功能也引入了新的安全风险。作者首先梳理了模型取证的关键问题，包括模型真实性验证、恶意功能识别和问责溯源，并归纳了模型取证的主要类别。接着，阐述了模型取证在AI原生无线网络中的作用，并回顾了代表性应用场景。在案例研究中，以射频指纹识别为例，提出了基于水印认证和后门检测的两条具体工作流程，展示了如何在实践中实现来源认证和恶意行为识别。结果表明，模型取证能为AI原生无线网络中的异常评估、来源追踪和可信运行提供重要支持。最后，作者指出了这一新兴领域未来研究的若干有前景的方向。本文适合无线网络安全、AI安全及模型可解释性领域的研究者和工程师阅读。

本文提出了一种名为 PhantomMotion 的新型攻击方法，针对无线安全监控系统中的运动传感器（如被动红外传感器 PIR）进行激光注入攻击。攻击者通过调制激光器发射特定频率的激光信号，欺骗传感器产生虚假的运动检测信号，从而触发误报警或隐藏真实入侵行为。研究者通过理论分析和实验验证，展示了攻击在多个商用无线监控系统上的有效性，并讨论了潜在的攻击场景和防御对策。该研究揭示了光学传感器面临的新型侧信道攻击风险，对安防系统的物理层安全设计提出了挑战。

该论文探讨了无线安全摄像头在未购买云订阅（即仅使用免费层）时的安全隐患。许多用户为节约成本只购买硬件而不订阅云服务，这导致摄像头在检测到运动时仅发送警报或提供实时流，但录像功能受限。研究者发现，摄像头在响应运动刺激时产生的无线流量模式会泄露其是否正在上传视频或开启实时查看模式。由此，攻击者（如窃贼）可利用此信息识别出那些未录像或未开启实时流的“弱摄像头”，从而在摄像头监控区域内实施犯罪行为而不被记录。论文提出一种名为WeakCamID的非侵入式技术：通过人工制造运动刺激（如在摄像头前移动物体），同时嗅探摄像头周围的无线流量，分析流量模式以推断摄像头的状态（是否录像/实时流）。该方法无需与摄像头交互，仅依赖被动监听。作者对220名用户进行了调查，结果显示所有用户均认为摄像头无论订阅状态如何都能提供一致的安全保障，而WeakCamID打破了这一“常识”。实验在11款主流无线摄像头上进行，平均识别准确率约95%，识别时间不超过19秒。该研究揭示了免费层带来的隐藏风险，并促使厂商和用户重新评估安全摄像头的实际防护能力。