识别机器人的
触摸行为特征

自动化脚本（Appium / UIAutomator）生成的触摸事件与真人差异显著：点击时长通常不足 5ms，滑动轨迹近乎完美直线，速度恒定，横向无任何抖动。

在下方广告区域点击，或在页面上滑动，右上角评分会即时更新，底部面板展示每个维度的详细得分。

滑动时，系统计算轨迹直线程度（路径长 vs 起终点距离）、速度变异系数（CV < 0.03 判定匀速）、横向抖动的信息熵，以及 scroll 步长的标准差。真人滑动在任何一项上都与脚本存在统计显著差异。

检测公式是：起终点直线距离 ÷ 实际路径总长度。真人用手指在屏幕上滑动时，即使是刻意划直线，路径也会因为手腕转动和手指压力变化产生轻微弧度，这个比值通常在 0.92 到 0.98 之间。

UIAutomator 的 swipe() 方法在内部直接用两点坐标做线性插值，生成的路径比值往往超过 0.999，在像素级别几乎是完美直线。这个差异用肉眼完全看不出来，但数学上一目了然。

变异系数（CV）= 标准差 ÷ 均值，衡量速度的相对波动程度。真人滑动通常从静止加速、中段匀速、末段减速或惯性滑行，CV 一般在 0.15 到 0.45 之间，有明显的节奏感。

脚本生成的滑动由于是按固定时间间隔发出触摸事件，每帧移动距离几乎相同，CV 往往低于 0.03。系统将这个阈值作为"匀速判定线"——低于它意味着速度过于稳定，不符合人类运动规律。

值得注意的是，极慢的刻意滑动也可能触发这个维度，因此单维度异常不会直接判定为机器人，需要结合其他维度的综合评分。

对于一次近似垂直的滑动，"横向抖动"指的是每个触摸采样点偏离起终点连线的垂直距离。将这些距离序列量化后计算 Shannon 信息熵：多样性越高，熵值越大；分布越集中（比如全部接近 0），熵值越低。

真人手指因为握持角度、肌肉微颤，横向偏移通常在 2 到 15 像素之间随机分布，熵值较高。脚本生成的事件坐标严格沿直线分布，横向偏移几乎全为 0，熵值趋近于 0。当熵值低于 0.20 且采样点足够多时，系统给出强烈的机器人信号。

页面滚动时，系统记录每次 scroll 事件触发时 window.scrollY 的变化量。真人滑动因为惯性、手指抬起速度不同，每次滚动步长变化较大，标准差通常超过 10。

自动化脚本（如 Appium 的 scroll() 或 JavaScript 注入的 window.scrollBy(0, 300)）每次调用的步长完全固定，标准差接近 0。这是最容易被忽视、也是最容易暴露的特征之一。

四个滑动维度的分数通过加权融合得出综合可疑度：取所有维度中的最高分（权重 60%）加上均值（权重 40%）。这样设计的原因是：机器人通常在某一个维度上会有极端表现，而真人即使在某项上偶尔数值偏高，也不会所有维度同时异常。

滑动维度的分数会与点击维度（isTrusted、点击时长、触摸压力、落点重复率、触点半径）合并计算，最终评分超过 0.45 即触发机器人警告。阈值可以根据实际业务的误判容忍度调整——广告主对误判容忍度低，可以调高到 0.55；反欺诈场景要求更严格，可以降到 0.35。

纯参数检测存在固有局限：高级对抗脚本（如 Frida Hook 级别的框架）可以在触摸事件注入时加入随机抖动和变速，刻意模拟人类曲线，从而绕过基于统计阈值的检测。

更完整的防御体系通常会在此基础上叠加服务端的 IP 行为序列分析、设备指纹持久化追踪，以及点击间隔的时间序列异常检测。单点防御永远存在绕过空间，纵深防御才是正解。

不过对于绝大多数量产型广告作弊工具来说，它们追求的是规模化低成本，不会为单个页面定制对抗方案。本模块针对的正是这类工业化机器人，在这个场景下检出率可以达到 90% 以上。