1. 引言

2. 技术背景

2.1 在线考试核心需求

• 身份验证：确保考生为本人（人脸识别、活体检测）。
• 防作弊监控：
  • 切屏/多任务检测（防止查资料）
  • 摄像头实时人脸检测（防止替考、多人出现）
  • 加速度传感器检测异常移动（防止他人协助）
  • 禁止截屏/录屏（防止题目外泄）
• 自动判卷：
  • 客观题（单选/多选/判断）自动比对答案
  • 主观题（简答）结合 NLP/OCR 初筛评分
• 数据安全：试题与答案加密传输与存储，防篡改。

2.2 鸿蒙技术优势

• 原生安全：TEE 可信执行环境存储密钥，敏感数据不暴露给应用层。
• 实时传感器：加速度、陀螺仪、光线传感器可用于检测异常行为。
• AI 能力：ML Kit 提供人脸检测、活体检测、文本识别（OCR）与 NLP 模型。
• 分布式能力：监考老师端可实时接收多考生监控数据（分布式数据同步）。
• 权限细粒度控制：可动态禁止截屏、禁止应用切换。

3. 应用使用场景

4. 原理解释

4.1 防作弊监控原理

1. 人脸检测：定时（如每5秒）调用Camera Kit捕获画面，使用ML Kit FaceDetector检测人脸位置与数量，异常（无人脸/多张人脸）记为作弊风险。
2. 活体检测：通过眨眼、摇头动作判断是否为真人（防止照片作弊）。
3. 切屏监控：监听visibilitychange与应用切换事件，超过设定次数自动提交试卷。
4. 加速度监控：检测设备突然大幅移动（如传递纸条）触发警告。
5. 禁止截屏/录屏：通过Window设置secure属性，阻止系统截屏；监听accessibility事件拦截录屏。
6. 分布式监考：考生的监控事件（如切屏、多人脸）实时同步到教师端，形成监考大屏。

4.2 自动判卷原理

• 客观题：本地存储标准答案（加密），考生提交后逐题比对，计分。
• 主观题（简答）：
  1. 使用ML Kit OCR将手写/打字答案转为文本。
  2. 使用NLP相似度模型（如余弦相似度）与参考答案比对，给出初评分数。
  3. 人工复审高亮可疑答案。
• 口语/听力：音频转文本 + 发音准确度评分模型。

5. 核心特性

• 实时人脸检测与活体检测（防替考）
• 多维度切屏/多任务/加速度监控（防作弊）
• 禁止截屏/录屏（防题目泄漏）
• 客观题自动判卷（秒级出分）
• 主观题 OCR+NLP 初评（辅助人工）
• 分布式监考数据共享（教师实时大屏）
• 全链路数据加密（TLS+AES+TEE）

6. 原理流程图

6.1 防作弊监控流程

flowchart TD
A[考试开始] --> B[启动摄像头人脸检测]
B --> C[定时抓帧+ML Kit检测人脸数量]
C --> D{人脸正常?}
D -- 异常 --> E[记录作弊风险+教师端报警]
D -- 正常 --> F[继续监控]
F --> G[监听切屏/多任务事件]
G --> H{切屏次数超阈值?}
H -- 是 --> I[自动提交试卷]
H -- 否 --> F
G --> J[加速度传感器监测异常移动]
J --> K{异常?}
K -- 是 --> E
K -- 否 --> F

6.2 自动判卷流程

flowchart TD
A[考生提交试卷] --> B[客观题逐题比对答案]
B --> C[计算客观题得分]
A --> D[主观题OCR转文本]
D --> E[NLP相似度评分]
E --> F[主观题得分]
C --> G[总分=客观+主观]
F --> G
G --> H[成绩加密存储+分布式同步至教师端]

7. 环境准备

7.1 开发环境

• DevEco Studio​ v4.0+（Stage 模型，API 10+）
• HarmonyOS SDK​ API 10+（需权限：ohos.permission.CAMERA、ohos.permission.MICROPHONE、ohos.permission.ACTIVITY_MOTION、ohos.permission.DISTRIBUTED_DATASYNC）
• 测试设备：支持鸿蒙 3.0+ 的手机/平板/智慧屏（需登录同一华为账号用于分布式监考）
• 依赖库：
  • @ohos.multimedia.camera（相机）
  • @ohos.ai.ml（ML Kit 人脸、OCR、NLP）
  • @ohos.sensor（加速度）
  • @ohos.distributedData（分布式数据）

7.2 权限配置（module.json5）

"requestPermissions": [
  { "name": "ohos.permission.CAMERA", "reason": "用于人脸检测", "usedScene": {"when": "inuse"} },
  { "name": "ohos.permission.MICROPHONE", "reason": "用于口语考试", "usedScene": {"when": "inuse"} },
  { "name": "ohos.permission.ACTIVITY_MOTION", "reason": "检测异常移动", "usedScene": {"when": "inuse"} },
  { "name": "ohos.permission.DISTRIBUTED_DATASYNC", "reason": "监考数据同步", "usedScene": {"when": "always"} }
]

8. 实际详细代码实现

8.1 人脸检测与活体检测服务

// AntiCheatService.ets
import camera from '@ohos.multimedia.camera';
import ml from '@ohos.ai.ml';
import sensor from '@ohos.sensor';

export class AntiCheatService {
  private faceDetector: ml.FaceDetector | null = null;
  private accelerometer: sensor.Accelerometer | null = null;
  private switchCount: number = 0;
  private maxSwitch: number = 3;
  private riskScore: number = 0;

  async init() {
    // 初始化人脸检测器
    this.faceDetector = ml.FaceDetector.create();
    // 初始化加速度传感器
    this.accelerometer = sensor.getSingleSensor(sensor.SensorTypeId.ACCELEROMETER) as sensor.Accelerometer;
    this.accelerometer.on('data', this.onAccelerometerData.bind(this));
    // 监听切屏
    visibilityChangeListener();
  }

  // 定时抓帧检测人脸
  async captureAndDetect(): Promise<void> {
    const cameraManager = camera.getCameraManager();
    const cameras = cameraManager.getSupportedCameras();
    if (cameras.length === 0) return;
    const cameraInput = cameraManager.createCameraInput(cameras[0]);
    const session = cameraManager.createSession(0);
    session.beginConfig();
    session.addInput(cameraInput);
    // 这里简化处理，实际应配置预览/拍照输出
    session.commitConfig();
    await session.start();
    // 模拟抓帧（实际应从Surface获取图像）
    const image = await this.mockCaptureImage();
    const faces = await this.faceDetector?.detect(image);
    if (!faces || faces.length === 0) {
      this.riskScore += 10;
      this.reportRisk("无人脸");
    } else if (faces.length > 1) {
      this.riskScore += 20;
      this.reportRisk("多人脸");
    }
    await session.stop();
  }

  private mockCaptureImage(): Promise<image.PixelMap> {
    // 实际应使用Camera的PhotoOutput获取PixelMap
    return Promise.resolve(null as any);
  }

  private onAccelerometerData(data: sensor.AccelerometerResponse) {
    const { x, y, z } = data;
    const acceleration = Math.sqrt(x*x + y*y + z*z);
    if (acceleration > 15) { // 剧烈移动
      this.riskScore += 15;
      this.reportRisk("异常移动");
    }
  }

  private visibilityChangeListener() {
    // 监听应用可见性变化
    window.on('visibilityChange', (state) => {
      if (state === 'hidden') {
        this.switchCount++;
        if (this.switchCount >= this.maxSwitch) {
          this.autoSubmit();
        }
      }
    });
  }

  private reportRisk(msg: string) {
    // 上报监考端
    console.log(`风险: ${msg}, 分数: ${this.riskScore}`);
    // 实际应调用DistributedData同步到教师端
  }

  private autoSubmit() {
    console.log("切屏超限，自动交卷");
    // 调用交卷逻辑
  }
}

8.2 自动判卷服务

// AutoGradingService.ets
import ml from '@ohos.ai.ml';

export class AutoGradingService {
  private correctAnswers: Map<string, string> = new Map([
    ["Q1", "A"], ["Q2", "B"], ["Q3", "C"]
  ]);

  // 客观题判分
  gradeObjective(submission: Map<string, string>): number {
    let score = 0;
    for (const [qid, ans] of submission) {
      if (this.correctAnswers.get(qid) === ans) {
        score += 10; // 每题10分
      }
    }
    return score;
  }

  // 主观题OCR+NLP评分
  async gradeSubjective(image: image.PixelMap, refAnswer: string): Promise<number> {
    // OCR识别
    const ocrResult = await ml.TextRecognition.recognize(image);
    const similarity = this.cosineSimilarity(ocrResult.text, refAnswer);
    return Math.round(similarity * 20); // 满分20
  }

  private cosineSimilarity(a: string, b: string): number {
    // 简化实现：词频向量余弦相似度
    const freqA = this.getFreq(a);
    const freqB = this.getFreq(b);
    const keys = new Set([...Object.keys(freqA), ...Object.keys(freqB)]);
    let dot = 0, normA = 0, normB = 0;
    for (const k of keys) {
      const va = freqA[k] || 0;
      const vb = freqB[k] || 0;
      dot += va * vb;
      normA += va * va;
      normB += vb * vb;
    }
    return dot / (Math.sqrt(normA) * Math.sqrt(normB) || 1);
  }

  private getFreq(text: string): Record<string, number> {
    const freq: Record<string, number> = {};
    for (const word of text.split(/\W+/)) {
      if (word) freq[word.toLowerCase()] = (freq[word.toLowerCase()] || 0) + 1;
    }
    return freq;
  }
}

8.3 考试页面（防作弊+答题）

// ExamPage.ets
import { AntiCheatService } from '../service/AntiCheatService';
import { AutoGradingService } from '../service/AutoGradingService';

@Entry
@Component
struct ExamPage {
  @State answer: Map<string, string> = new Map();
  private antiCheat = new AntiCheatService();
  private grader = new AutoGradingService();

  aboutToAppear() {
    this.antiCheat.init();
    // 定时人脸检测
    setInterval(() => {
      this.antiCheat.captureAndDetect();
    }, 5000);
  }

  build() {
    Column() {
      Text("在线考试")
        .fontSize(24).margin(20)
      // 单选题示例
      Radio({ group: 'q1' })
        .checked(this.answer.get("Q1") === "A")
        .onChange(v => this.answer.set("Q1", "A"))
      Radio({ group: 'q1' }).checked(this.answer.get("Q1") === "B").onChange(v => this.answer.set("Q1", "B"))
      // 交卷按钮
      Button("交卷")
        .onClick(() => this.submit())
    }
  }

  submit() {
    const scoreObj = this.grader.gradeObjective(this.answer);
    console.log("客观题得分:", scoreObj);
    // 主观题略
  }
}

9. 运行结果与测试步骤

9.1 运行结果

• 启动考试后摄像头每5秒检测人脸，无人脸/多人脸触发风险上报。
• 切屏超过3次自动交卷。
• 交卷后客观题秒级出分，主观题OCR+NLP给出参考分。

9.2 测试步骤

1. 启动App，授权相机、传感器权限。
2. 进入考试页，切换应用观察是否计数并报警。
3. 用手遮挡摄像头，观察风险日志。
4. 提交答卷，检查客观题得分正确性。
5. 模拟主观题拍照上传，检查OCR识别与评分。

10. 部署场景

• 学校机房：鸿蒙平板+智慧屏监考大屏。
• 居家考试：手机/平板+分布式监考（教师实时看数据）。
• 企业培训：成绩加密同步HR系统。

11. 疑难解答

12. 未来展望与技术趋势

• 多模态防作弊：结合声纹、眼动追踪。
• 区块链存证：考试成绩与监控数据上链，防篡改。
• 联邦学习：跨机构联合优化作弊检测模型，保护隐私。
• 实时AI监考：教师端实时AI分析风险等级，自动预警。

13. 总结