传统欺诈检测方案正在失效 中小企业如何做好反欺诈?

经过分析,发现造假团队会通过虚拟机、模拟器、改码手机等手段降低成本,制造虚假数据。目前,造假团队的技术也已经炉火纯青,不仅设备信息可以被篡改,连用户留存、在线时长等用户行为数据都能被造假以满足开发者的KPI。造假现象长期存在,导致移动开发者推广的成本提高、无法获得有价值的真实用户、基础数据出现超过 90% 的造假情况,开发者无法根据数据做出正确的决策,甚至有很多初创企业因此丧失竞争力被动出局。

传统欺诈检测方案正在失效

相比APP注册到激活刷量,还有更大危害的欺诈现象发生在我们身边:如金融领域,越来越多的银行、保险和证券依靠互联网拓展新业务,在线评估用户的信用,依据用户的行为轨迹和使用习惯、背景信息展开金融服务。如果这些用户的信息虚假,或者是成为“肉鸡”、被利用,只需少量的用户就能给金融企业带来不可估量的损失。

当前,国内外欺诈行为已经形成“黑产”,是一条利益紧密关联的产业链。在这条产业链中,有专门负责注册、负责“养号”;有专门负责提供终端机器,提供云服务模拟真实IP地址;还有负责寻找“买家”,发起攻击;还有寻找企业漏洞,随时准备“薅羊毛”等等。

很明显,在如此激烈的对抗中,传统欺诈检测方案 -- 包括依托黑白名单、信誉库、设备指纹的过滤机制,通过人工规则筛查账户的规则系统,甚至是兴起还不算太久以有监督机器学习为核心的风控模型,在面对新型攻击手段时,实在有些难以招架。

传统欺诈检测方案正在失效 中小企业如何做好反欺诈?

吴中·DataVisor中国区总经理

无监督机器学习-超越规则引擎和有监督机器学习

吴中表示,反欺诈技术领域科划分为三大阶段:

  • 规则系统。人工创建规则,判定欺诈行为。
  • 技术信号源。第二代是基于上代规则基础上,引入更多信号源,如黑白名单、设备指纹等;
  • 第三代,以AI为核心。该阶段划分为有监督学习算法和无监督学习算法两个方向。

传统有监督学习算法需事先对大量数据进行归类和扫描,训练出可以用来进行发欺诈检测的模型。问题在于,欺诈行为并非一成不变,而是动态演变的,模型的效果难以保障。而无监督学习算法也是建立在对大量数据的学习和训练中,但学习的过程不需要大量标签,通过用户的细微关联就可以对欺诈行为进行判断。 基于无监督学习算法的产品和解决方案可以针对变化多端的群体欺诈行为,为这些企业提供最先进的反欺诈检测服务。当然,在实际应用中,两者不是割裂的,而是相互补充。很多解决方案中,这两者的算法均有,都是建立在大数据平台之上。不过针对当前网络欺诈的趋势而言,无监督学习算法更加具有优势。

DataVisor推出UML Essentials新产品 降低成长型企业反欺诈门槛

作为在线欺诈和金融犯罪检测服务的领先企业,DataVisor致力于利用最先进的人工智能技术, 尤其是无监督学习算法以及大数据应用,最大程度保护用户和企业。

吴中介绍,DataVisor无监督反欺诈机器学习解决方案依托最新的人工智能技术,能在没有训练数据的情况下检测攻击,并且能做到提前检测。该解决方案有三个关键组件:无监督机器学习(UML)引擎,自动规则引擎和全球智能信誉库。

当前,越来越多的成长型企业对反欺诈服务有了强烈的需求。Datavisor基于多年技术积累以及对行业的深刻理解,为了让成长型企业享受更为灵活低成本的反欺诈服务,并在2018年4月27日正式发布了UML Essentials。

UML Essentials 依托于Datavisor 独有的无监督机器学习引擎以及海量数据处理平台,将Datavisor在UA、大规模注册、反洗钱等安全领域内多年的行业积累转化为开箱即用的SaaS服务, 打造了一款强大、灵活、低成本的人工智能反欺诈产品。

相关推荐