该论文针对眼动生物特征识别系统面临的高级呈现攻击（如高清视频重放和实时生成式深度伪造）提出了一种双流挑战-响应协议。当前呈现攻击检测（PAD）框架通常依赖孤立的生理指标（如注视追踪或瞳孔光反射），这些指标易被单独欺骗。作者提出了时空-亮度传感器融合协议，通过将平滑追踪和瞳孔收缩统一到一个同步认证挑战中，构建了一个双流挑战-响应框架。具体地，系统生成一个随机、时变的视觉刺激（在空间轨迹和亮度强度上均变化），并建立一个数学耦合的状态空间似然模型（称为同步矩阵），用于评估平滑追踪延迟和瞳孔收缩延迟之间的连续互相关。基于文献中提取的延迟分布进行蒙特卡洛模拟，结果表明，该方法在理论层面能够区分真实响应和模拟攻击条件，并且当存在非零渲染延迟差距时，多轮挑战设计可提高对生成式深度伪造的检测能力。该工作为下一代动态欺骗防御提供了理论框架，但作者指出人类受试者验证是部署前的必要工作。

本文提出一种名为 A-Live 的被动式活体检测框架。研究背景：传统的活体检测主要用于防止生物特征认证中的展示和重放攻击，但随着生成式AI和自主AI代理的兴起，数字系统需要区分人类用户与非人类实体，活体检测成为基础安全原语。现有方法依赖显式用户交互、专用硬件、容易被逼真欺骗攻击且难以规模化部署。核心方法：A-Live 仅利用商用设备中普遍存在的惯性测量单元（IMU）信号，其关键洞察在于人类运动控制中固有的神经肌肉微运动会在IMU数据中产生微妙但可测量的特征，而以往研究通常视其为噪声。作者设计了轻量级特征提取流水线和紧凑型分类器，可在设备上实时运行，并引入可控的物理微运动平台用于评估对工程化非人类运动的鲁棒性。主要贡献：在包括 Android 和 iOS 设备、自动化及真实用户设置的广泛评估中，A-Live 实现了超过 99.5% 的准确率，误接受率和误拒绝率极低。结果表明，神经肌肉微运动特征可在新兴AI驱动威胁模型下提供可扩展、被动的活体检测基础。适合安全研究人员、生物识别系统设计者及关注 AI 安全的人员阅读。