网络信息安全的地位随着互联网技术的普及和蓬勃发展而日益凸显,针对网络信息所发起的网络攻击日益密集,这就给保障网络信息安全的各大门户提出了新的挑战,各大门户均使用人机验证技术来抵御大规模的网络攻击,其中最主要的方案就是验证码技术。随着验证码技术的在各大网站、APP的应用越来越广泛,验证码的破解技术也日趋成熟、低廉,为了防范已经破解验证码技术的网络攻击者,进一步加强网络信息安全,越来越多的研究者开始探究新型的人机验证技术。在这一背景下,本文主要研究在操作鼠标绘制指定轨迹的过程中所产生的生物特征,针对这种生物特征来构造人机识别模型,用以预测提交验证轨迹的是人或是计算机程序。不同于传统的仅依靠对用户模式识别能力的简单判断,加入了生物特征识别的行为式验证码采用双重认证:1)对比用户反馈信息与验证图中隐藏信息的相似程度,目的是判断用户是否对验证图中所示信息具备识别能力;2)根据鼠标在以绘制轨的形式返回验证信息的过程,所产生的生物特征来有效地区分人或者计算机程序。提取了用户的生物特征信息之后如何行之有效地进行人机识别是本文的另一个研究重点,在分析了各类机器学习算法的优缺点之后,本文拟采用支持向量机作为分类模型。在支持向量机的基础理论的研究之后,针对使用支持向量机构建生物特征模型的过程中,不可避免的大规模数据集问题,本文尝试提出一种新的支持向量机加速算法,在去样例加速思想及K-Means算法的启发下,提出在训练支持向量机模型之前采用K-Means算法对训练样本集进行一定比例的缩减,以达到提升支持向量机模型收敛速度的目的。为了验证改进算法的可行性,分别在几个机器学习领域常用的人工数据集上进行了验证实验,实验结果表明,经由K-Means算法缩减后的训练样本集在保持支持向量机模型分类准确率下降程度不大的前提下,仅使用全部训练样本集10%左右的样本数据,就能够达到与使用全部训练样本集训练的支持向量机相近的分类正确率,能够大幅提升支持向量机模型的训练效率和收敛速度,证明了这一改进方案的可行性。最后,将此加速支持向量机算法应用在生物特征的识别,实验结果表明,改进过后的支持向量机模型能够达到快速且有效地进行人机分类的目的,为网络信息安全提供了新的保障。