想象你走进一家银行，柜台后的柜员并不认识你，但她悄悄记住了你签名的力度、笔画的走势——下次有人模仿你的签名来取钱，她一眼就能看出端倪。击键动力学做的事，和这位细心的柜员如出一辙：它不看你输入了什么，而看你怎么输入。 每个人敲键盘都有自己独特的节奏——有人按键如蜻蜓点水，一触即松；有人喜欢把键按到底再松开；有人打完一个字母会下意识地停顿一瞬，有人则行云流水一气呵成。这些细节小到你本人都意识不到，却真实地刻在你的肌肉记忆里，像一枚无形的私章，盖在每一次按下与松开之间。更妙的是，这套“签名验证”不需要任何额外硬件，一个普通键盘、一段监听时间戳的软件，就能捕捉到它。于是，你的打字习惯变成了一把钥匙——一把不用掏出来、却几乎无法被偷走的钥匙。

岗位关联

掌握击键动力学，你能在不打扰用户的前提下为系统加上一道“无感”安全防线——登录时防盗号、会话中防接管。这是信息安全与风控工程师极具性价比的一项技能。

目录
  1. 可视化演示
  2. 行为生物特征
  3. 特征提取方法
  4. 按键时长分析
  5. 间隔时间分析
  6. 建模识别方法
  7. 认证应用场景
  8. 持续身份验证
  9. 局限与发展
  10. AI 应用场景
  11. Python 演示
  12. 常见误区
  13. 面试题

可视化演示

展示击键时序特征（驻留时间与间隔时间）的提取过程，以及模板匹配认证与持续验证的滑动窗口检测策略。

本节配有交互动效（进入视口后自动加载，约 3KB）。

击键时序特征提取 驻留时间：按键按下到释放的持续时长 间隔时间：前键释放到后键按下的时间差 两者组合构成独特打字指纹 F = {HD_i, PP_i | i=1..n} 时序特征无需额外硬件即可提取行为生物特征。

行为生物特征

想象你走在沙地上，每个人留下的脚印深浅、步幅、节奏都不一样——有人快步流星，有人踱步沉思。这种“走路的味道”就叫行为特征。指纹、虹膜这类生理特征是天生刻在身上的印章，而笔迹、步态、打字节奏，则是日积月累养成的“小习惯”。击键动力学的出发点特别朴素：既然每个人写字都有独特的笔迹，那每个人敲键盘，是不是也有独特的“敲击笔迹”？

答案是肯定的。你也许从没注意过自己按下一个键要停多久、两个键之间间隔多长，但系统用软件就能悄悄记录这一切。它不看你输入了什么内容，只看你“怎么输入”——按下和松开各自发生在哪一刻。密码验证的是“你知道什么”，而击键动力学验证的是“你是谁”。换句话说，传统认证检查内容，行为认证检查动作。

击键动力学属于行为生物特征（Behavioral Biometric），核心是把一次打字过程转化为一组可比较的数字。每个键的按下（key down）和松开（key up）事件都会打上时间戳，通过对时间戳做差，就能得到数量可观的特征。把这些特征按顺序排列，就得到这份“数字名片”——特征向量：

就像舞蹈老师把一支舞拆解成“四拍一个转身、两拍一次抬腿”的动作清单，击键动力学把一个人的打字习惯浓缩成一份特征向量清单。清单上的每个数字，都是你多年敲键盘练出来的肌肉记忆。

x=(x1,x2,…,xn)\displaystyle \mathbf{x} = \left( x_1, x_2, \dots, x_n \right)
\mathbf{x} 就是“这份打字样本的数字名片”，n 是名片上项目的个数。
  1. 向量与分量\mathbf{x} 用粗体表示一个整体，括号里是所有数值特征的集合，\dots 表示中间还有很多特征未写出。
    x=(x1,x2,…,xn)\displaystyle \mathbf{x} = \left( x_1, x_2, \dots, x_n \right)
  2. 第一维特征x_1 通常是第一个键的按键时长或第一个间隔时间，由时间戳做差得到。
    x1=tup(K1)−tdown(K1)\displaystyle x_1 = t_{\text{up}}(K_1) - t_{\text{down}}(K_1)
  3. 特征总数 nn 是维度个数，n 越大刻画越细致，但比对计算量也越大。
    x∈Rn\displaystyle \mathbf{x} \in \mathbb{R}^{n}

特征提取方法

学过一支舞的人都知道，老师不会只观察你跳一遍就下结论。她会让你反复跳，然后注意到：“你似乎总是在第三拍微微停顿。”特征提取做的正是这件事——从多次打字数据中提炼出稳定出现的规律，而不是被某一次的偶然抖动带偏。

系统采集的原始数据是“键名 + 按下/松开 + 时间戳”的事件流。直接拿原始事件做比对既不高效也不公平，因为每次打字总有快慢波动。因此要先做特征提取：把原始事件转成“按键时长 + 间隔时间”这样的基础特征，再用统计手段压掉随机噪声。

对同一个用户，通常采集若干次输入会话，然后对每个特征计算均值和标准差。均值代表“典型习惯”，标准差代表“稳定程度”：

舞者反复练习同一支舞，动作才会稳定；一个人长期用同一台电脑打字，节奏也会收敛到某个“舒适区”。均值加标准差这对搭档，就是系统眼里的“你通常怎么打、到底有多稳定”。

xˉi=1N∑k=1Nxi(k),σi=1N∑k=1N(xi(k)−xˉi)2\displaystyle \bar{x}_i = \frac{1}{N}\sum_{k=1}^{N} x_i^{(k)}, \qquad\sigma_i = \sqrt{\frac{1}{N}\sum_{k=1}^{N}\left(x_i^{(k)} - \bar{x}_i\right)^2}
均值告诉你“通常多快”，标准差告诉你“每次差多少”。标准差越小，这个特征越值得信任。
  1. 采集样本x_i^{(k)} 是第 k 次输入会话中第 i 个特征的取值，N 是总会话数。
    xi(k),k=1,2,…,N\displaystyle x_i^{(k)}, \quad k = 1, 2, \dots, N
  2. 计算均值把所有采样值加起来除以 N，得到该特征的典型取值。
    xˉi=1N∑k=1Nxi(k)\displaystyle \bar{x}_i = \frac{1}{N}\sum_{k=1}^{N} x_i^{(k)}
  3. 计算标准差先求每个样本与均值的差的平方，再取平均、开根号，得到波动幅度。
    σi=1N∑k=1N(xi(k)−xˉi)2\displaystyle \sigma_i = \sqrt{\frac{1}{N}\sum_{k=1}^{N}\left(x_i^{(k)} - \bar{x}_i\right)^2}

按键时长分析

有人敲键盘像蜻蜓点水，指尖一触即松；有人像盖章，总要压实那么一瞬才放心。这种“按下去之后停留多久”的习惯，是最直观、最容易提取的击键特征——按键时长（hold time）。

系统给每个按键事件记录两个时刻：按下瞬间和松开瞬间。这两个时刻做差，就是一个键“被按住”的总时长。这个数字看似微不足道，却带着强烈的个人色彩，而且极难被刻意伪装成另一个人。

记 K_i 为第 i 个被按下的键，t_down(K_i) 为按下时刻，t_up(K_i) 为松开时刻，则按键时长为：

盖章的人和点水的人，看似都在签名，笔尖停留的力道却完全不同。键盘上，“蜻蜓点水”和“盖章”之间的距离，就藏在 H(K_i) 这毫厘之差里。

H(Ki)=tup(Ki)−tdown(Ki)\displaystyle H(K_i) = t_{\text{up}}(K_i) - t_{\text{down}}(K_i)
一个键的按住时长，就是它从“被按下”到“被松开”之间度过的毫秒数。
  1. 记录两个时刻t_down 是手指触键的瞬间，t_up 是手指离键的瞬间，按下必然先于松开。
    tdown(Ki)<tup(Ki)\displaystyle t_{\text{down}}(K_i) < t_{\text{up}}(K_i)
  2. 做差得时长松开时刻减去按下时刻，结果通常以毫秒为单位。
    H(Ki)=tup(Ki)−tdown(Ki)\displaystyle H(K_i) = t_{\text{up}}(K_i) - t_{\text{down}}(K_i)
  3. 符号含义H 取 hold（按住）的首字母，下标 K_i 指明这是第 i 个键的时长。
    H:Ki↦毫秒\displaystyle H: K_i \mapsto \text{毫秒}

间隔时间分析

打字不只有“按住多久”，还有“键与键之间的呼吸”。有人打完一个键会下意识地顿一顿，像朗读时在逗号处换气；有人则行云流水，像背诵课文一样一气呵成。这些停顿就是击键动力学的另一半素材——间隔时间。

同样是两个键连续输入，可以定义多种间隔方式。最常用的是“前后两次按下的时间差”——它把上一个键的按住时长和键间空隙都包含进去，是一个完整的节奏单元，类似音乐里的“音符加休止符”。

记 K_i 与 K_{i+1} 为两次相邻击键，则按下到按下的间隔（key-to-key latency）为：

朗读时的换气点和换气长短，是每个人独特的“语感”；键盘上的停顿点和停顿长短，则是每个人独特的“手感”。间隔时间特征，把这种手感变成了可以比对的数字。

L(Ki,Ki+1)=tdown(Ki+1)−tdown(Ki)\displaystyle L(K_i, K_{i+1}) = t_{\text{down}}(K_{i+1}) - t_{\text{down}}(K_i)
L 的每个值都等于“上一键按住时长 + 键间空隙”，因此同时携带时长与停顿两重信息。
  1. 相邻击键K_i 与 K_{i+1} 表示连续输入的相邻两个键。
    Ki,  Ki+1\displaystyle K_i, \; K_{i+1}
  2. 两次按下时刻t_down(K_i) 与 t_down(K_{i+1}) 分别是两次按键落下的时间点。
    tdown(Ki)<tdown(Ki+1)\displaystyle t_{\text{down}}(K_i) < t_{\text{down}}(K_{i+1})
  3. 做差得间隔后一次按下减去前一次按下，得到包含时长与停顿的完整节奏单元。
    L(Ki,Ki+1)=tdown(Ki+1)−tdown(Ki)\displaystyle L(K_i, K_{i+1}) = t_{\text{down}}(K_{i+1}) - t_{\text{down}}(K_i)

建模识别方法

教导主任认学生笔迹，靠的是常年积累的“眼熟”：他脑子里存着每个学生的作业模板，拿到新字迹就在心里对照——“这一捺太飘，不像小张写的。”击键识别也是这样：先存下你的模板，再把新输入拿来对照打分。

有了特征向量之后，识别问题就变成了“比较两个向量有多像”。早期系统常用统计模板法：把多次输入的特征均值存为模板，用距离度量比对；后来的系统也用机器学习分类器，从大量正负样本中学习边界。无论哪种，核心都是定义一个相似度或距离函数。

最经典的度量是欧氏距离。设当前输入的特征向量为 \mathbf{x}，模板为 \mathbf{x}'，则：

教导主任把作业本叠在模板上透光比照，偏离一分就看出一分；欧氏距离就是这套“叠纸比照”的数学工具。距离近的像本人，距离远的像冒名顶替者。

D(x,x′)=∑i=1n(xi−xi′)2\displaystyle D(\mathbf{x}, \mathbf{x}') = \sqrt{\sum_{i=1}^{n}\left(x_i - x'_i\right)^2}
D 越小，说明当前输入与模板越接近；D 越大，说明节奏对不上号。
  1. 两个向量\mathbf{x} 是当前输入的特征，\mathbf{x}' 是系统里存好的模板特征。
    x=(x1,…,xn),x′=(x1′,…,xn′)\displaystyle \mathbf{x} = (x_1, \dots, x_n), \quad \mathbf{x}' = (x'_1, \dots, x'_n)
  2. 逐维求差平方每一维的差值取平方，既消除正负抵消，又放大明显偏差。
    (xi−xi′)2\displaystyle \left(x_i - x'_i\right)^2
  3. 求和开方把 n 个平方和起来再开根号，压缩成一维的距离值。
    D=∑i=1n(xi−xi′)2\displaystyle D = \sqrt{\sum_{i=1}^{n}\left(x_i - x'_i\right)^2}

认证应用场景

拿到了“打字签名”，怎么把它变成一扇门？最自然的用法是：在你输密码的那一刻，系统一边验证密码正确性，一边偷偷把你的击键节奏和模板比对。你输密码的整个过程，既是“答题”，又是“签名”。

认证需要一个明确的裁决规则：相似度多高才算通过？引入一个可调的判定阈值 θ，匹配得分 S 高于 θ 放行、低于 θ 拦截。调 θ 就像调门禁的灵敏度——调太严，本人偶尔失误会被挡在门外；调太松，冒名者容易蒙混过关。

认证决策可写为分段函数：

门卫大叔查工牌时，还会多看你一眼——工牌是真的，人却对不上号。击键认证就是这样“多看你一眼”的门卫：它不改变你输密码的习惯，却让盗号者即使拿到密码，也会因为动作对不上而被礼貌地拦下。典型场景包括远程办公平台的登录增强、网银转账时的风控叠加。

decision={accept,S(x,x′)≥θreject,S(x,x′)<θ\displaystyle \text{decision} =\begin{cases}\text{accept}, & S(\mathbf{x}, \mathbf{x}') \ge \theta \\\text{reject}, & S(\mathbf{x}, \mathbf{x}') < \theta\end{cases}
S 越高越像本人。θ 是管理员手里那个“把握到底要多足”的旋钮。
  1. 得到相似度S 由距离 D 换算而来（如 S = 1 - D/D_max），取值通常在 0 到 1 之间。
    S(x,x′)∈[0,1]\displaystyle S(\mathbf{x}, \mathbf{x}') \in [0, 1]
  2. 设置阈值θ 是预设的判定线，代表系统允许的最小相似度。
    θ∈[0,1]\displaystyle \theta \in [0, 1]
  3. 分段裁决相似度不低于 θ 则接受，否则拒绝。
    accept:S≥θ,reject:S<θ\displaystyle \text{accept}: S \ge \theta, \quad \text{reject}: S < \theta

持续身份验证

登录只是第一道门。真正的安全高手想得更远：万一你登录后去倒咖啡，有人趁虚而入操作你的电脑呢？持续身份验证的思路是“全程盯防”——从你登录到注销，系统一直在暗中用你的打字节奏确认“操作者还是不是刚才那个人”。

与一次性登录认证不同，持续验证不等待某个“提交”时刻，而是把最近的输入切成一个个滑动窗口，每个窗口单独与模板比对。如果某个窗口的偏差骤然变大，就触发异常告警。

异常程度常用标准化的偏差分数衡量。设当前窗口内第 i 个特征的观测值为 x_i，模板中该特征的均值和标准差分别为 μ_i 和 σ_i，则：

教练不会因为你一个踉跄就吹哨停赛，但连续几步都踉跄，他一定会喊暂停。持续验证也是这个道理：单个窗口的小偏差可以被容忍，一旦异常分数持续越线，系统就锁定会话并请求重新认证，防住“人离座、会话被接管”这类真实风险。

zi=∣xi−μi∣σi\displaystyle z_i = \frac{\left| x_i - \mu_i \right|}{\sigma_i}
z_i 表示“这次打法和平时差了几个标准差”。超过 3 就相当可疑——就像你平时跳三步一停的舞，突然变成狂奔。
  1. 当前观测值x_i 来自最新滑动窗口内多个样本的平均。
    xi=1M∑j=1Mxi(j)\displaystyle x_i = \frac{1}{M}\sum_{j=1}^{M} x_i^{(j)}
  2. 模板统计量μ_i 与 σ_i 是建档时算好的平均习惯与波动水平。
    μi=xˉi,σi>0\displaystyle \mu_i = \bar{x}_i, \quad \sigma_i > 0
  3. 标准化偏差差值的绝对值除以标准差，得到无量纲的异常分数。
    zi=∣xi−μi∣σi\displaystyle z_i = \frac{\left| x_i - \mu_i \right|}{\sigma_i}

局限与发展

再优雅的舞步也有状态起伏：感冒了跳得有气无力，换了双不合脚的鞋也会踉跄。击键动力学同样不完美——疲劳、焦虑、输入法切换、键盘更换，都会让特征发生漂移，冒名者也可能通过反复观察和训练来模仿。

评判一个认证系统，业内看两个核心指标：误接受率（FAR，把冒名者放了进来）和误拒绝率（FRR，把本人挡在门外）。它们像跷跷板的两端：调严阈值，FAR 下降但 FRR 上升；调松阈值，反之亦然。工程师想找的，是两者交叉的那个平衡点。

这个平衡点称为等错误率（EER），定义为令两种错误率恰好相等时的阈值：

没有万能的舞者，但聪明的教练会同时看节奏、重心、表情多个信号综合判断。击键动力学的未来也不是单打独斗，而是与指纹、人脸、行为环境等多模态信息“合舞”，再加上模板在线更新，让那道看不见的防线越来越聪明。

EER={θ  :  FAR(θ)=FRR(θ)}\displaystyle \text{EER} = \left\{ \theta \;:\; \text{FAR}(\theta) = \text{FRR}(\theta) \right\}
EER 越低，系统越“能分清真假”。优秀击键系统的 EER 通常在 2% 到 10% 之间。
  1. 两种错误率FAR(θ) 是阈值为 θ 时冒名者被放行的比例，FRR(θ) 是本人被误拒的比例。
    FAR(θ),  FRR(θ)∈[0,1]\displaystyle \text{FAR}(\theta), \; \text{FRR}(\theta) \in [0, 1]
  2. 寻找交叉点让两者相等的阈值 θ，就是系统最平衡的工作点。
    FAR(θ)=FRR(θ)\displaystyle \text{FAR}(\theta) = \text{FRR}(\theta)
  3. 等错误率取值把该点的错误率记为 EER，它越低越好。
    EER=FAR(θ∗)=FRR(θ∗)\displaystyle \text{EER} = \text{FAR}(\theta^*) = \text{FRR}(\theta^*)

AI 应用场景

远程登录的无声二因素认证

阶段：特征提取与身份匹配

解决的问题：传统密码认证只管“输入内容是否正确”，无法区分是本人还是拿到密码的盗号者。击键动力学在用户输密码时同步记录按键节奏，与历史模板比对，作为隐性第二因素，不增加用户任何操作负担。

具体案例：某远程办公平台在公司电脑上启用击键认证。员工小张的账号密码泄露后，攻击者异地登录时输入的节奏与模板偏差巨大，系统在密码正确的情况下仍触发二次验证并要求重置密码，成功拦截了一次真实入侵。

金融交易的风控叠加

阶段：实时打分与阈值决策

解决的问题：网银转账时，即使账号密码都正确，也可能是诈骗分子在操作。通过计算最近一段输入的节奏异常分数，可在交易确认前拦下可疑操作，比事后追款主动得多。

具体案例：某银行 App 将击键动力学嵌入转账界面，用户输入金额和密码时后台实时打分。一旦分数超过阈值，自动追加人脸识别验证，上线三个月成功拦截多起电信诈骗转账，拦截金额超千万元。

企业内网的持续身份监控

阶段：滑动窗口异常检测与持续验证

解决的问题：员工登录后离开工位，恶意人员趁虚而入。传统方案靠锁屏策略，但总有疏漏。击键动力学在会话中持续监测，发现节奏突变即锁定会话，让“接管电脑”变得极难。

具体案例：某科技公司部署持续验证系统后，检测到会话中的打字节奏与登录者模板显著不符时，自动锁定屏幕并要求重新认证，彻底杜绝了“离开座位被接管”的内部风险事件。

Python 演示

python59 行
# -*- coding: utf-8 -*-"""击键动力学演示: 提取特征, 建立模板, 匹配身份"""import mathimport random  def generate_input(hold_base, latency_base, noise=0.03):    """模拟一次打字输入, 返回 (按键时长, 间隔时间) 特征列表"""    return [(h + random.gauss(0, noise), l + random.gauss(0, noise))            for h, l in zip(hold_base, latency_base)]  def build_template(sessions):    """把多次输入的特征逐维取平均, 得到个人打字模板"""    n = len(sessions[0])    return [        (sum(s[i][0] for s in sessions) / len(sessions),         sum(s[i][1] for s in sessions) / len(sessions))        for i in range(n)    ]  def match_score(features, template):    """用欧氏距离计算匹配度, 距离越近得分越高"""    if len(features) != len(template):        return 0.0    dist = math.sqrt(sum((f[0] - t[0]) ** 2 + (f[1] - t[1]) ** 2                         for f, t in zip(features, template)))    return max(0.0, min(1.0, 1.0 - dist / 5.0))  def verify(user_input, template, threshold=0.8):    """根据阈值做出接受或拒绝的认证决策"""    score = match_score(user_input, template)    decision = "通过" if score >= threshold else "拒绝"    return score, decision  if __name__ == "__main__":    # 用户A的习惯: 按键较久, 键间隔较快    alice_hold = [0.12, 0.10, 0.14, 0.11, 0.13, 0.12]    alice_latency = [0.28, 0.31, 0.25, 0.30, 0.27, 0.29]     # 用三次会话建立模板    sessions = [generate_input(alice_hold, alice_latency) for _ in range(3)]    alice_template = build_template(sessions)     # 本人再次输入    alice_try = generate_input(alice_hold, alice_latency)    score_a, decision_a = verify(alice_try, alice_template)     # 冒名者输入(节奏明显不同)    imposter_hold = [0.09, 0.08, 0.10, 0.09, 0.11, 0.10]    imposter_latency = [0.42, 0.45, 0.38, 0.40, 0.39, 0.41]    imposter_try = generate_input(imposter_hold, imposter_latency)    score_b, decision_b = verify(imposter_try, alice_template)     print("本人输入 匹配度: %.2f -> %s" % (score_a, decision_a))    print("冒名输入 匹配度: %.2f -> %s" % (score_b, decision_b))
目的：完整演示了击键动力学的三个核心环节——生成模拟输入、建立个人模板、用欧氏距离做匹配决策。
  1. return [(h + random.gauss(0, noise), l + random.gauss(0, noise)) for h, l in zip(hold_base, latency_base)]每次打字都在个人基准值上叠加随机噪声，模拟真实波动。
  2. (sum(s[i][0] for s in sessions) / len(sessions), ...)对所有会话的同一维特征取平均，均值就是“典型习惯”模板。
  3. dist = math.sqrt(sum((f[0] - t[0]) ** 2 + (f[1] - t[1]) ** 2 for f, t in zip(features, template)))欧氏距离，把所有维度的差异汇总成一个数。
  4. return max(0.0, min(1.0, 1.0 - dist / 5.0))把距离夹逼到 0~1 区间，距离越近匹配度越高。
  5. decision = "通过" if score >= threshold else "拒绝"越过阈值才放行，这就是认证裁决逻辑。

常见误区

误区击键动力学是不是要装特殊的键盘或传感器？普通电脑根本没有这种设备，是不是做不了？

正解完全不需要。击键动力学只靠软件监听键盘事件的时间戳，任何普通键盘和笔记本触控键盘都能产生（键名、按下/松开、时刻）数据流。系统只算时间差，不读取输入内容。就像舞蹈老师用手机秒表就能记录你的舞步节奏，不需要专业动作捕捉设备。

为何常见：大家习惯把生物识别等同于指纹仪、虹膜摄像头这类“专有硬件”，忽略了行为特征可以纯靠软件采集。

误区我打字速度很快，节奏感很强，是不是识别准确率一定比别人高？

正解认证准不准取决于“稳定性”而非“速度”。关键看同一个人的多次输入之间方差是否够小。一个慢而稳定的人，特征比快而飘忽的人可靠得多。类比写字：有人字迹工整但写得慢，比写得快却潦草的人更容易被笔迹鉴定师认出。

为何常见：直觉上觉得“独特等于快”，但行为认证真正依赖的是“可重复的一致性”，标准差小才是王道。

误区把每个键按了多久记录下来，不就能识别身份了吗？间隔时间应该无所谓吧？

正解按键时长只是特征的一半。键与键之间的间隔同样携带大量个人节奏信息，而且往往更难被刻意模仿。完整特征向量必须同时包含时长类和间隔类特征，在某些设备上还可以加入敲击力度等信号。只见时长不见间隔，就像只听旋律不看休止符，会丢掉一大半的“音乐感”。

为何常见：按键时长最直观、最容易理解，初学者容易以偏概全，忽略了节奏中“停顿”的分量。

误区既然打字习惯这么独特，以后不用输密码了，直接靠打字节奏识别身份就行。

正解目前击键动力学更适合做增强手段而非完全替代。它本身有误判率，EER 通常在 2% 到 10%，行为还会受情绪、疲劳、设备影响。业界主流做法是“密码 + 击键”多因素融合：密码负责“你知道什么”，击键负责“你怎么输入”，两道关比一道关可靠。

为何常见：技术宣传常放大“无感认证”的美好前景，让人忽略了可靠性的现实约束和误判代价。

面试题

Q1. 击键动力学属于哪一类生物特征？

单选题 · easy

  • A.生理生物特征，如指纹
  • B.行为生物特征，如笔迹← 正确答案
  • C.生化生物特征，如DNA
  • D.物理生物特征，如脸型

答案：B。击键动力学从打字动作的节奏中提取特征，属于后天养成的行为习惯，和笔迹同属行为生物特征；指纹、虹膜、脸型是先天生理特征。就像判断一个人跳舞，看的是动作习惯而不是长相。

Q2. 击键动力学识别身份主要依据什么？

单选题 · easy

  • A.用户输入的内容含义
  • B.键盘的品牌和型号
  • C.按键的时间节奏模式← 正确答案
  • D.密码的复杂程度高低

答案：C。击键动力学不关心输入了什么内容，只统计按键时间戳差值形成的节奏模式，如按键时长和键间隔。就像老师听学生朗读，不在乎读的是什么文章，只在乎断句和语速像不像本人。

Q3. 某个键的按住时长 H(K) 应如何计算？

单选题 · easy

  • A.松开时刻减去按下时刻← 正确答案
  • B.按下时刻减去松开时刻
  • C.按下时刻加上松开时刻
  • D.松开时刻除以按下时刻

答案：A。一个键从按下到松开经历的时间就是按住时长，因此 H = 松开时刻 - 按下时刻。类比盖章：从印泥落在纸上到抬手的时长。其余选项方向相反或运算方式错误。

Q4. 关于键间隔时间特征，下列说法正确的是？

多选题 · mid

  • A.能反映个人的输入停顿节奏← 正确答案
  • B.常用相邻两次按下的差值← 正确答案
  • C.与按键时长属于同一特征
  • D.无法用于身份识别认证

答案：AB。间隔时间通过相邻两次按下的时间差计算，反映个人停顿节奏，是独立于按键时长的特征维度，可用于身份识别。就像朗读时逗号处的换气长短各人不同。C 把两维特征混为一谈，D 直接否认其价值，均错误。

Q5. 建立个人打字模板时，最常用的统计量是？

单选题 · mid

  • A.单次输入的最大值
  • B.多次输入的均值方差← 正确答案
  • C.随机抽取的一个样本
  • D.所有输入的最小值

答案：B。个人模板由多次输入统计而来，均值刻画典型习惯、方差刻画稳定度，比单次采样可靠得多。因为打字有随机波动，单次最大值、最小值或随机样本都无法代表一个人的整体习惯。

Q6. 下列哪些属于击键动力学的有效特征？

多选题 · mid

  • A.单个按键的按住时长← 正确答案
  • B.相邻按键的间隔时间← 正确答案
  • C.用户在键盘输入的内容
  • D.某些键盘的敲击力度← 正确答案

答案：ABD。按键时长和键间隔是核心特征，部分设备还能采集敲击力度（如压感键盘）；而输入内容属于隐私，且击键动力学明确不读内容，因此 C 不是有效特征。就像只记录舞步节奏，不关心跳的是什么曲目。

Q7. 若系统相似度 S 大于阈值 θ 则接受，调高 θ 会怎样？

单选题 · hard

  • A.误拒绝率降低，误接受率升高
  • B.误接受率降低，误拒绝率升高← 正确答案
  • C.误接受率和误拒绝率同时升高
  • D.误接受率和误拒绝率同时降低

答案：B。θ 是放行的最低相似度。调高 θ 意味着更挑剔，冒名者更难混入，误接受率（FAR）下降；但本人稍有不稳就会被误拒，误拒绝率（FRR）上升。两个指标像跷跷板的两端，此消彼长。

Q8. 关于持续身份验证，下列说法正确的是？

多选题 · hard

  • A.可发现会话中的身份接管← 正确答案
  • B.通过滑动窗口监测打字异常← 正确答案
  • C.能安全地完全替代登录密码
  • D.需要用户频繁输入密码配合

答案：AB。持续验证用滑动窗口切分最近输入并逐一与模板比对，能发现登录后身份被接管的情况，且全程无感无需用户配合；但它存在误判率，不能完全替代密码。就像教练全程盯防，但也不可能百发百中。

Q9. 等错误率（EER）描述的是什么？

单选题 · extreme

  • A.误接受率始终等于零的点
  • B.误接受率等于误拒绝率的点← 正确答案
  • C.误拒绝率始终等于零的点
  • D.准确率达到百分之百的点

答案：B。EER 是让误接受率（FAR）恰好等于误拒绝率（FRR）时对应的错误率。它是权衡“放错人”和“挡错人”后的平衡指标，越低说明系统越好。A、C 是理想但不现实的极端点，D 混淆了准确率与错误率。

Q10. 击键动力学最适合在哪种场景中发挥作用？

单选题 · mid

  • A.替代指纹门禁的物理认证
  • B.作为密码登录的增强防线← 正确答案
  • C.完全替代生物识别设备
  • D.替代所有传统安全措施

答案：B。击键动力学目前最适合作为密码等认证方式的增强叠加，在登录或交易时无感核验动作节奏，而不是替代指纹门禁等需要专用硬件的强认证，更不可能替代所有安全措施。就像查工牌之外还要认人，多一道关更安心。