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。