人脸认证系统需要具备强大的防欺骗模块，因为攻击者可能通过伪造授权用户的图像来欺骗系统。目前大多数先进的人脸防欺骗方法依赖于优化的网络架构和训练目标，以缓解训练用户与测试用户之间存在的分布差异问题。然而，在实际在线应用场景中，用户历史数据中蕴含着宝贵的信息，可被用于缓解这种分布偏移。为此，我们提出OAP（在线自适应个性化，Online Adaptive Personalization）：一种轻量级解决方案，能够利用未标注数据在线动态调整模型。OAP可无缝集成到绝大多数现有防欺骗方法之上，且无需存储原始生物特征图像。在SiW数据集上的实验评估表明，OAP在单视频场景和持续学习场景下均能有效提升现有方法的识别性能，其中持续学习场景通过交替插入伪造视频与真实活体视频来模拟实际欺骗攻击。此外，我们还开展了消融实验，以验证所提出方案中各项设计选择的有效性。