定义
行为生物识别属于生物识别认证与反欺诈检测的子领域，它分析的是人与数字设备交互的方式，而非人本身是谁的物理特征。传统生物识别——指纹扫描、人脸识别、虹膜识别——依赖的是静态生理特征。行为生物识别则捕捉动态的、会话级别的模式：按键的节奏、鼠标移动的弧线与加速度、施加在触控屏上的压力、滚动手势之间的微小停顿。这些模式由人体神经肌肉系统所产生，呈现出自动化脚本难以惟妙惟肖复现的特有随机性。
该技术的雏形可追溯至 1970 年代用于身份认证的按键动力学研究，但 BioCatch、NeuroID、ThreatMetrix（现为 LexisNexis Risk Solutions）、HUMAN Security 等公司部署的现代系统，则是借助在数十亿条已标注会话上训练的机器学习分类器，实时输出机器人概率评分。
行为生物识别如何运作
行为生物识别 SDK 通常以 JavaScript 库的形式嵌入网页，在浏览器层面被动记录交互事件。该库监听 DOM 事件——mousemove、mousedown、mouseup、keydown、keyup、touchstart、touchmove、scroll——并以毫秒精度捕获其时间戳与坐标。
系统从这些原始事件流中提取特征。对按键动力学而言，相关特征包括按住时长（按键被按下的持续时间）、飞行时长（释放上一个键到按下下一个键的间隔），以及在重复字符序列中输入节奏的变异性。对鼠标移动而言，系统会衡量速度、加速度、轨迹曲率，以及人类手部动作中固有的微小颤动。对移动设备的触控操作而言，特征包括手指接触面积、压力分布、滑动速度曲线，以及触点角度。
这些特征会被送入分类模型，与两个参考分布进行比对：一个是人类会话的群体模型，另一个是已知机器人会话的群体模型。模型输出一个概率得分，有时还附带类别标签（人类、机器人、脚本化或远程控制工具）。该得分被传给应用层，用于决定是否允许此次交互、要求附加验证，或将该会话标记以待人工审核。
NIST 术语表将生物识别定义为基于生理或行为特征对个体进行的自动化识别，这把行为生物识别牢牢地纳入了已有的身份核验科学体系之中。
您会在哪里遇到它
行为生物识别已嵌入主要金融机构、电商平台与认证服务的反欺诈层。在竞赛与投票领域，它作为企业级反欺诈平台的后台组件出现，也内嵌于诸如 reCAPTCHA v3 之类的服务中——后者将交互信号纳入风险评分模型。它同样部署在防范机器人批量建号的注册流程中，以及防范成本不菲的高价值表单提交场景中。
移动端 App 嵌入行为生物识别 SDK，可在整个用户会话中分析触控交互，而非仅在表单提交那一刻取样。这种纵向分析能够发现”会话开头是真人，后续却把设备转交给自动化脚本”的情形。
实际示例
某全国性杂志举办的”年度最佳本地企业”评选嵌入了某反欺诈厂商的行为生物识别 SDK。在 24 小时内，SDK 标记出 1200 笔疑似机器人投票，依据是按键间隔均匀得不像话、鼠标轨迹呈数学般平滑的曲线、缺少人类运动控制所应有的微小颤动。被标记票数被暂存隔离，等待人工复核。
某流媒体平台的粉丝投票颁奖礼在账号创建环节集成了行为生物识别。SDK 识别出 800 个账号注册过程中，姓名与邮箱字段填写时按键停留时间近乎为零、按键间隔时间也几乎为零——这是程序化填表的典型特征。这些账号被搁置等候邮箱验证后才允许参与投票。
某高校研究实验室发布对照研究，比较真人在真实触屏上完成投票表单的行为生物画像，与 iOS 模拟器上运行 XCTest 自动化脚本所生成的画像。模拟器画像呈现完美线性的滑动速度与恒定的触控压力——校方的检测模型以 97% 的准确率正确将这两类信号判定为自动化。
相关概念
行为生物识别与浏览器指纹互为补充，后者考察的是设备环境的静态特征，而非动态交互模式。两者结合能同时提供设备身份信号与会话行为信号。reCAPTCHA v3 在其评分流水线中整合了行为信号，可视为同类原理的实际应用。异常检测描述的则是在流量层运转的统计层——行为生物识别面向单个会话，异常检测则同时审视成千上万个会话的整体规律。
局限与注意事项
行为生物识别系统是概率性的，而非确定性的。误报——将真实人类用户错判为机器人——发生率虽低但并非为零，尤其在使用辅助输入设备（如屏幕键盘或眼动控制器）、患有运动障碍或以非母语输入的用户身上更易出现。可访问性方面的考量要求：使用行为生物识别的平台必须为交互模式偏离群体基线的用户提供替代验证通道。
