面向工业物联网设备的自适应射频指纹认证
本文探讨了将 RF 指纹技术与密码学和零信任安全措施相结合以保障无线网络中数据隐私、机密性和完整性的可行性，并综述了 RF 指纹技术的历史、应用、相关的深度学习算法，并探讨了该领域未来的发展方向。
Jan, 2022
本文提出了一种基于设备指纹技术的模型，能够在网络设备中区分物联网设备和非物联网设备，并能针对每个设备进行唯一识别，通过使用随机森林分类器和不同数据集的实验证明，该方法能够在分辨物联网和非物联网设备方面达到 99.8% 以上的准确率，并在分类个体设备方面达到 97.6% 以上的准确率，可有效帮助运营商提高网络安全性和防止未经授权的访问。
Jan, 2023
设计了一种利用设备行为指纹、分布式共识机制和区块链技术的新型分布式信任模型，以在与网络中的对象进行交互之前评估其可信度，并描述了与该模型相关的安全模型及对其准确性和性能进行的测试。
Oct, 2023
本文提出了一种基于联邦学习算法的无线电频率指纹算法，采用模型转移和适应策略以及在卷积层之间引入密集连接，强化了学习精度并降低了模型复杂度，实现了通信高效和隐私保护，通过从一个信道条件转移学习模型并将其适应于其他信道条件，可以高度准确地预测在环境漂移下的指纹识别率，这种算法在现实世界数据集上的实验表明，相较于基准算法，本文提出的算法可以提高预测性能至多 15%。
Feb, 2023
Radio Frequency Fingerprinting 通过 Deep Learning 技术实现 IoT 设备的认证，提出了一种基于设备硬件级别制造缺陷的无线认证平台 SignCRF，可以在动态环境下精准识别 LoRa 和 WiFi 设备。
Mar, 2023
通过分析无线设备在物理层中的固有硬件缺陷，基于射频指纹（Radio Frequency Fingerprinting，RFF）技术可以在制造过程中对无线设备进行认证。该文探讨了机器学习和深度学习在 RFF 系统中提取和学习特征的能力以及在真实场景中运行该系统所面临的挑战，同时讨论了当前存在的问题以及未来的研究方向。
Oct, 2023
本文提出 DeepRadioID，一个系统，其无需重新训练深度学习模型即可优化基于深度学习的无线电指纹识别算法的准确性，实验结果显示其在三种情况下分别增加了 35％，50％和 58％的指纹识别准确性，并在 100 个设备数据集上实现了 27％的改进。
Apr, 2019
使用基于监督机器学习的设备指纹模型，仅利用通信流量特征（或隐含标识符）来识别网络连接的物联网设备，达到了对 22 个智能家居物联网设备进行分类的 98% 准确率，从而提高网络安全性。
Feb, 2024
本文提出了一种基于行为、生理和混合粗粒度分钟级生物识别数据的隐式可穿戴设备用户认证机制，并在超过 400 名 Fitbit 用户的健康研究中进行了分析。经我们分析，使用该机制，用户的平均准确率可达 93％，具有相等的错误率为 0.05。同时，混合生物识别比其他生物识别数据表现更好，而行为生物识别在非久坐阶段也没有显着影响。
Jul, 2019