随着互联网技术的普及和蓬勃发展,信息安全的重要性日益凸显,针对信息安全的威胁也与日俱增,从而给网络信息安全带来了新的挑战。作为保证网络环境安全的门户,验证码技术的研究具有十分重要的理论价值和现实意义。与此同时,验证码破解技术日趋成熟,越来越多的研究者探究新型验证码技术以防御攻击。本文主要研究一种基于用户使用鼠标行为特征的新型验证码技术。不同于传统的图片验证码对用户识别能力的判断,行为式验证码采用双重认证:第一重是图像的匹配;第二重是根据对人机交互时鼠标轨迹进行的行为特征提取和鉴别来区分人机。本文的具体研究内容如下:(1)对用户使用鼠标完成拖动验证生成的行为轨迹进行建模分析,基于鼠标动力学、信息熵及符号化时间序列分析等理论进行特征提取。提取的特征不仅包括时间、采样点处的位移偏移量等静态特征,还包括信息熵、拖动速度等动态特征。为了提高特征的鲁棒性,需进行特征离散化。此外,利用相对熵衡量提取的行为特征在两类样本分布上的差异性,从而选取有效区分人机的特征。(2)提取的特征可以从各个角度表达用户的行为特征,但由于其维数较高,导致识别的时间复杂度大。本文采用主成分分析法将输入空间映射到低维特征空间,在降低维度的同时,保留了有效信息。为了得到最具判别能力的特征,采用线性判别分析进一步提取特征子空间,并建立行为判别模型来区分人机。(3)本文采用支持向量机(SVM)进行人机区分。针对人机难以区分的问题,初步使用One-Class SVM算法进行异常检测。针对参数的选取对SVM识别率的影响问题,本文利用提取的鼠标行为特征数据进行研究。实验结果表明,核参数γ和误差项惩罚参数C的设定很大程度上影响SVM的分类效果。(4)针对SVM存在分类偏差的问题,本文从黎曼几何的角度出发,在满足Mercer定理的前提下,对SVM的高斯核采用保角变换进行修正,并通过多次迭代训练分类模型。在本文行为特征数据上进行实验,结果表明,修正后的核函数可以提高分类准确率,并且减少支持向量的数目。改进的模型具有较好的泛化能力,并且在保证人类识别率的基础上提高了机器的封禁率。