论文针对的是企业级 Wi-Fi 认证中一个长期存在的结构性弱点：基于凭据的 EAP（可扩展认证协议）认证只能验证“凭据是否正确”，无法区分凭据的合法持有者与窃取/冒用凭据的攻击者。作者提出用物理层欺骗（Physical Layer Deception, PLD）作为对传统凭据认证的补充手段：在一条主信道上传输一个具有欺骗性的“主对象”，同时在另一条次级信道上以差异化可靠性传输一个用于恢复的“恢复对象”，只有真正掌握物理层条件的合法设备才能正确完成恢复。此前 PLD 相关研究基本停留在物理层或链路模型仿真层面，本文的贡献在于把 PLD 的激活/去激活机制改造成一个可用于认证判定的“门限”，并指出这带来一个认证特有的设计约束：如果一次尝试中所有 PLD 轮次都处于非激活状态，就没有任何恢复路径可被检验，因此不能简单沿用原有的单一激活标志设计。 为此，作者提出了一种“批处理式 PLD 再验证步骤”，并将其嵌入企业 Wi-Fi 的 TEAP / RADIUS / IEEE 802.11 认证链路中，在开源 hostap 2.12 代码库上完成了服务器、接入点（AP）与终端设备三端的端到端实现。设计上，每一次认证尝试包含三个轮次，且至少有一个轮次处于激活状态，并且不依赖专门的激活标志位来指示，从而避免标志位被攻击者观测或伪造。 实验部分共进行了四组测试、合计 1593 次认证尝试，评估内容包括：批处理恢复行为的实际表现、对已实现的一种“携带凭据的朴素攻击者”的拒绝效果（30 次尝试全部被拒绝）、成功路径的延迟测量，以及在两种建模的恢复机制下，分别采用一个、两个、三个激活轮次时的安全性—可靠性权衡。评估直接作用于协议栈与软件 MAC 层行为，并在软件恢复模型下分析了“知情攻击者”以及“不断重试的攻击者”的表现。整体上，该工作把 PLD 从物理层理论模型推进到了可运行的协议集成原型，为企业 Wi-Fi 提供了一条与凭据认证正交的再验证思路，但其安全强度仍依赖物理层信道差异性假设与恢复模型的建模精度。

该论文研究"带密钥调制"(keyed modulation)在密钥复用场景下的安全性缺陷。传统上，密钥调制的安全性论证依赖两点：密钥空间足够大，以及无密钥接收机的误码率足够高。作者指出，当密钥被重复使用、且波形存在谐波耦合时，这套论证会失效。研究对象是相位键控傅里叶曲线星座(phase-keyed Fourier-curve constellation)：其中 $k$ 个音调(tone)共享同一个数据参数，因此各音调之间存在确定的整数(谐波)关系。作者证明，谐波索引之间的整数关系会产生"数据自消"的混合矩(mixed moments)——即对接收到的多个音调的高阶统计量做组合后，数据项相互抵消，只剩与密钥相关的相位信息泄露。论文用"模关系格"(modular relation lattice)刻画究竟哪些密钥字符会被暴露：对于连续谐波，三阶矩即可恢复相对相位，四阶矩在相关系数非零时(作者评估的所有配置均满足)可把密钥完整恢复至"循环重标号"意义下，即密钥等价类。基于此，作者提出非数据辅助的关系矩估计器(non-data-aided relation-moment estimator)，把上述泄露转化为一种攻击方法，其显著特点是完全不需要枚举密钥空间。在规则 $(3,6)$ LDPC 编码链路上，每个 168 符号码字复用一个密钥时，中等噪声水平下窃听者的块误码率低于 $0.04$；在预设的 0.1 妥协判据下，12 个工作点中有 11 个被攻破。作者也评估了两种缓解手段：切向人工噪声(tangent artificial noise)与不含四阶以下整数关系的谐波集——二者在中等复用长度下能抬高窃听者实测误码率，但无法消除"单码字级别"的可破解性。最后给出密钥刷新成本：在中等噪声、$2^{128}$ 协议密钥的网格上，等长刷新调度若要维持窃听者块误码率 95% 置信下界高于 0.9，至少需要每个信息比特消耗 1.52 个新鲜密钥比特，即数据上一字一密(OTP)熵率的 1.52 倍。这意味着安全复用对密钥消耗的要求反过来超过了 OTP，削弱了密钥调制在密钥效率上的优势。适合物理层安全、无线密钥调制、编码链路安全评估方向的研究者与安全架构师阅读。

WPA3 引入的 SAE（对等实体同时认证）协议通过 Dragonfly 握手，能够抵御针对预共享密钥（PSK）的离线字典攻击，并为会话密钥提供前向保密，解决了传统 WPA2 四步握手易被离线爆破的问题。然而 SAE 在握手过程中需要对密码元素（PE, Password Element）进行大量迭代推导，计算代价很高，使接入点（AP）在处理大量伪造握手请求时容易耗尽 CPU，形成拒绝服务（DoS）风险。本文针对该问题提出一种具有弹性的 SAE 架构改造，包含三个核心机制：第一，引入非对称资源成本模型，将 PE 的迭代发现过程从 AP 转移到客户端侧，使 AP 在握手期间保持固定的计算负载，从而消除攻击者可放大的 CPU 开销；第二，为抑制暴力枚举与重放尝试，采用慢路径密钥派生机制，使用可调成本 KDF（如 PBKDF2 或 Argon2），并让请求方（supplicant）承担刻意增加的处理延迟，提高攻击者单位时间内的尝试成本；第三，引入基于票据（ticket）的重认证机制，对已认证过的合法设备绕过昂贵的完整 SAE 交换，实现快速重连，同时在对抗条件下仍保持系统可用性。论文通过实验验证，该架构在不影响合法终端正常网络访问的前提下，显著降低了 SAE 相关的 DoS 风险，为 WPA3 部署中的可用性与安全性平衡提供了可落地的改进路径。

本文针对已部署无线设备的硬件完整性核验问题展开研究。定期巡检之所以必要，是因为未授权的硬件替换往往保留原有通信功能、凭证与逻辑身份，使设备在协议层面看起来完全正常，异常设备因此极难被发现。传统做法是在受控测量条件下采集射频指纹（RFF），比对设备是否仍与登记时的硬件状态一致。但论文指出两类局限：一是当替换硬件与合法硬件高度相似时，RFF 的特征分离度不足；二是仅在单一观测方向上构造的极化指纹（PF），会遗漏随空间变化而非均匀的极化差异。为此，作者提出空频极化指纹（SFPF），把复极化响应在多频率与多观测方向上进行联合表征，传统 PF 被证明只是 SFPF 在固定方向上的一个切片。论文从硬件相关的模态激励、定向远场辐射以及极化投影三个环节推导了 SFPF 的形成机理，并通过一阶灵敏度分析说明：同一硬件变化在不同频率与不同方向引起的响应幅度并不相同，这从理论上支撑了联合空频采集的必要性。电磁仿真验证了这种非均匀的空频灵敏度，并显示在相同观测预算下，SFPF 相比 PF 在归一化距离、Fisher 分数以及类间/类内比上分别提升 17.7%、45.8% 和 11.3%。实测实验表明，在 0–20 dB 的范围内 SFPF 一致优于 RFF 与 PF；在 15–20 dB 的较好信噪条件下，SFPF 对异常设备的检测达到 87.3–90.4% 的 F1 分数和 85.4–95.5% 的 AUROC。该工作面向物理层设备身份核验，适合无线安全、物联网资产管理与硬件供应链完整性方向的读者。

该论文研究车联网 V2X 毫米波通信中按降雨感知选择载波频段所带来的安全风险。背景是，联网车辆使用毫米波侧链路满足协同驾驶所需的数据速率，而新兴设计会根据感知到的降雨量从多个候选频段中选择载波。论文指出，这种天气感知本身构成攻击面：攻击者只需伪造降雨输入，无需在信道上发射任何信号，就能决定受害车辆的载波频率，并借此控制其通信范围。作者在 MilliCar（ns-3 仿真模块）中评估该攻击，该模块以真实 3GPP NR V2X 载波运行所选频段，并考虑逐频段传播、波束成形和阻塞。实验显示，把频段强制提升到 73 GHz 时，八车队列的可靠通信范围维持在 38 米，而诚实基线可将其翻倍到 82 米；把频段强制降低到 5 GHz 时，长距离接收率仍可维持 97%，但传输块大小塌缩到三分之一，长距离时延翻四倍达到 12.5 毫秒。随后作者实现并评估了该机制所暗示的防御方法：由于雨衰随距离线性增长而路径损耗随距离对数增长，接收端可将测量 SINR 与上报天气所预测的衰减进行对比，从而在 1.5 秒内以 98% 的概率标记“强制升频”攻击，误报率为 1%，并可通过重新选频将长距离接收率从 60% 恢复到 75%。但同一检测对“强制降频”在结构上失效，因为 5 GHz 回退频段几乎不受降雨影响。论文还测试了平流雨胞场景，使局部降雨率从 15 毫米/小时摆动到 81 毫米/小时，上述结果保持不变。结论是，天气感知频段选择必须依赖经过认证的气象输入；物理交叉检查只能覆盖该威胁的一半。

该论文聚焦 6G 非地面网络（NTN，含卫星、高空平台等空中节点）中的物理层认证（PLA）难题。NTN 链路存在严重多普勒频移、长传播时延和快变信道，导致训练与部署环境之间出现分布漂移，使传统集中式深度学习和单特征认证方案泛化能力差、在未见环境中性能骤降。作者提出 SAFA-MZ（面向多区域网络的安全自适应认证框架），一个基于因果元学习的分布式物理层认证（DPLA）方案。其核心设计包含四部分：第一，构造多特征指纹，将空间、到达角、合并器、子空间以及多普勒-时延等异构物理层特征与多个空中节点的测量结果进行自适应分布式融合；第二，建立结构因果模型（SCM），显式刻画设计选择、环境因素、提取特征与认证结果之间的因果关系，为后续不变性学习提供依据；第三，采用模型无关元学习（MAML）结合不变风险最小化（IRM）与因果一致性正则化，使模型仅需少量带标签样本即可快速适应新的 NTN 环境；第四，提出两阶段认证机制，先执行本地识别，仅在必要时才激活基于到达时间差（TDOA）的图注意力网络（GAT）定位，从而显著降低回传链路开销。仿真结果表明，SAFA-MZ 在不同环境下达到 92% 的认证准确率和 96% 的 AUC，优于集中式深度学习和单特征基线方案。论文属于方法/仿真验证型研究，未涉及真实网络部署或在野攻击数据。

该论文针对 5G NR 网络中通过侧信道实现用户追踪的研究。此前已有工作利用弱运营商配置泄露网络参数（如无线网络临时标识符 RNTI 或加扰因子 N_ID），或者通过低效的暴力破解方式解析下行控制信息（DCI），从而实现对用户的识别、实时活动分类和指纹追踪，影响数十亿 5G 用户以及部署私有 5G 网络的企业。本文提出一种新型技术，利用代数结构来逆向 DCI 的加扰过程，并完整集成到一个开源的端到端二进制 DCI 嗅探流水线中。该方法完全被动，不依赖任何侧信道泄漏，能够为后续攻击（如实时用户跟踪）提供支持输入，并支持自动检测所使用的控制信道配置。作者通过针对 srsRAN、OpenAirInterface5G 以及两家商用厂商部署的测量活动，验证了该方法的鲁棒性和性能。实验表明，在信噪比（SNR）低于有效通信预期值的条件下，其块错误率低于 1%，同时在参考样本上的处理速度显著快于此前提出的被动暴力破解方法。论文的核心贡献包括：提出一种基于代数结构的高效 DCI 去加扰算法，绕过了对 N_ID 或 RNTI 侧信道泄漏的依赖；实现了完整的开源 DCI 嗅探工具链；并通过多厂商实测证明了其通用性与有效性。需要注意的是，该研究揭示了 5G 标准设计中的隐私风险，即物理层控制信令结构本身可能导致用户被追踪，即使运营商配置正确也难以防护，因此对 5G 安全研究者、运营商和标准制定者具有重要参考价值。

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。

该论文研究 WiFi 波束赋形（beamforming）反馈机制中的明文传输隐私泄露问题。在 IEEE 802.11 标准中，客户端设备（如手机、笔记本电脑）需要向接入点发送波束赋形反馈矩阵（beamforming feedback matrix），以帮助 AP 进行信道适配和空间复用。论文指出，这些反馈矩阵以明文形式传输，且包含与物理空间位置强相关的信道状态信息（CSI），攻击者通过被动监听这些明文反馈，即可提取用户设备的方向、移动状态甚至室内位置等敏感信息。核心方法包括：分析波束赋形反馈的标准字段与物理层映射关系，设计针对性的特征提取和位置推断算法，并在真实环境中采集多种设备（不同天线配置、不同 WiFi 标准）的数据进行验证。实验结果表明，即使仅利用明文反馈中的有限信息，攻击者也能以较高精度推断用户位置和活动状态，且无需建立与目标设备的连接，完全隐蔽。主要贡献在于：首次系统性地揭示波束赋形反馈的隐私风险，提出一种低成本、被动式的侧信道攻击框架，并讨论现有防护手段（如加密反馈、反馈矩阵降噪、随机化）的不足。适合关注无线物理层安全、隐私增强技术、WiFi 协议安全的蓝队安全研究者、协议设计者及隐私工程师阅读。

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。

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。