语言复杂度对击键动力学身份认证效能的影响及优化策略研究

本研究针对语言复杂度如何影响击键动力学(KD)身份认证系统性能这一关键问题，来自多机构的研究团队通过160名志愿者的实验数据，对比分析了12种异常检测算法在简单文本与复杂文本中的表现。结果显示，基于简单文本的KD系统以2.48%的等错误率(EER)显著优于复杂文本(2.98%)，其中尺度曼哈顿(Scaled Manhattan)算法表现突出，结合软生物特征(soft biometric)后性能进一步提升。该研究为优化移动端KD身份认证系统提供了重要理论依据。

　　

这项研究深入探讨了语言复杂度对击键动力学(Keystroke Dynamics, KD)身份认证系统的影响。科研团队采用160名受试者的实验数据，系统比较了高频输入文本与低频复杂文本在12种异常检测算法中的表现差异。令人振奋的是，简单文本条件下的KD系统展现出更优异的认证精度，其等错误率(Equal Error Rate, EER)低至2.48%，较复杂文本条件下的2.98%有显著提升。

研究亮点在于：尺度曼哈顿(Scaled Manhattan)异常检测算法表现最为突出，当结合软生物特征(soft biometric)数据时，系统性能得到进一步优化。这些发现不仅证实了文本复杂度是影响KD认证精度的关键因素，更为开发具有语言适应性的智能身份认证系统提供了创新思路。该成果对提升移动设备安全认证的可靠性和普适性具有重要指导价值。