该论文提出了一种名为 VIGIL（Verifying Identity via Gated Intermittent Likelihoods for Continuous Biometric Authentication）的连续多模态身份认证框架，旨在解决现有连续认证方案在信号质量差时无法有效区分持久攻击者与合法用户的问题。VIGIL 的核心贡献包括：1）可配置的跨模态融合机制，允许对每种生物特征模态进行独立加权，使操作员能够根据场景选择不同的融合策略；2）改进的时间融合方法，采用双状态状态转移机（STM）与单向转移矩阵，以更准确地建模用户行为的时间动态；3）三区域验证决策模型，当证据不确定时支持多轮验证，并结合自适应收缩验证窗口，在保证合法用户体验的同时缩短入侵检测时间。实验通过单调衰减、回流消除以及分析评估验证了该框架相对于现有方法的优势。该研究适用于需要高安全性且不影响用户体验的持续身份认证场景，如企业网络访问控制、移动设备解锁等。

该论文提出了一种基于BERT日志分析的连续行为认证框架，用于在移动端和零信任系统中实现用户-设备上下文的持续验证。传统认证仅在登录时确认身份，后续会话缺乏持续检查。作者利用Android系统日志（logcat）作为非侵入式信号，设计了一套完整流程：首先将日志流解析为事件模板和动态变量；然后预训练一个领域自适应的BERT编码器学习Android日志语法；接着微调三个专家模型分别处理网络/设备身份、电池状态变化时序和Wi-Fi拓扑结构。通过对数空间融合三个专家的置信度得分，并采用5近邻距离分类器生成正常性评分，最终传递给策略决策点（PDP）进行风险感知的访问控制。实验使用正常轨迹、注入的异常以及良性Wi-Fi扰动数据，结果显示该多专家BERT日志分析能够有效检测语义、电池时序和拓扑偏差，同时保持低于1%的假阳性率（FPR）。结论表明Android系统日志是一种实用的无传感器信号，可用于持续认证和用户-设备上下文保障。

该论文提出了一种名为 AuthentiSense 的可扩展行为生物特征身份验证方案，专门针对移动平台设计。传统的一次性身份验证技术（如密码、指纹、面部识别）存在被窃取或模仿的风险，且一旦设备解锁后无法持续保护用户隐私。为弥补这一缺陷，基于行为生物特征的连续身份验证方法应运而生。然而，现有方案要么无法动态适应用户基数的变化（即用户无关性差），需要重新训练模型，要么难以在数百万用户规模下高效运行。AuthentiSense 通过引入少样本学习技术（具体为孪生网络 Siamese Network）解决了这些挑战。该系统仅利用用户与移动应用交互时产生的运动模式数据（加速度计、陀螺仪、磁力计），无需人工特征工程或大量训练数据。该方法的核心创新在于其用户无关性：模型无需针对新增用户重新训练，只需少量行为样本（例如 3 个样本）即可完成注册和验证，从而支持大规模用户场景。论文通过系统性测量实验评估了多个参数的影响，包括身份验证所需的交互时间（仅需 1 秒）以及 n-shot 验证（与注册样本的比较次数）对识别性能的影响。令人瞩目的是，在 few-shot 设置下（每个用户仅 3 个样本），AuthentiSense 的 F1 分数高达 97%，误接受率（FAR）为 0.023，误拒绝率（FRR）为 0.057。该方案实现了高精度、低延迟和可扩展性，为移动设备上的连续身份验证提供了一种实用且高效的新途径。

该论文研究了基于腕戴式设备的连续身份认证问题，提出了一种利用低频光电容积脉搏波（PPG）信号的实用方案。传统上，心电图（ECG）信号虽具有高区分性，但其侵入性传感和间断采集限制了实际应用；而PPG信号可实现非侵入式连续采集，易于集成到智能手表等可穿戴设备中。然而，以往研究大多依赖高频PPG（如75-500 Hz）和复杂深度学习模型，导致能效和计算开销大，难以在低功耗现实系统中部署。本研究首次在智能手表（We-Be Band）上实现了基于低频（25 Hz）多通道PPG的连续认证系统，采用双向长短期记忆网络（Bi-LSTM）结合注意力机制，从短时（4秒）4通道PPG窗口中提取身份特异性特征。在公开数据集PTTPPG和自建We-Be数据集（26名受试者）上的评估表明，系统平均测试准确率达88.11%，宏F1分数0.88，误接受率（FAR）0.48%，误拒绝率（FRR）11.77%，等错误率（EER）2.76%。相比512 Hz和128 Hz采样率，25 Hz系统分别降低传感器功耗53%和19%，且认证性能未显著下降。进一步实验发现，当采样率降至20 Hz时性能急剧下降而功耗节省极少，因此25 Hz被视为实用下界。此外，仅用静息数据训练的模型在运动状态下失效，而包含活动多样性数据的训练能提升跨生理状态的鲁棒性。该工作为可穿戴设备实现低功耗、连续、非侵入式身份认证提供了可行方案，对物联网安全和人机交互领域具有参考价值。