简易指南：运用AI/ML技术检测实时欺诈行为

wdc

译者 | 核子可乐
审校 | 重楼
随着技术的飞速发展，欺诈检测的重要意义也日益凸显。根据注册欺诈审查师协会（ACFE）公布的数据，全球范围内的欺诈活动给企业造成的损失高达数万亿美元，占年销售总额的近5%。随着欺诈手段愈发老练复杂，企业也开始借助AI与机器学习（ML）等前沿技术辅助分析，探索打击欺诈的新途径。

欺诈现状

当前，随着在线交易数量与速度的持续攀升，欺诈活动也在传统形式之外找到了新的突破口。
当前的主要挑战包括：

• 交易量巨大：金融机构日均交易量超过10万，导致人工审核不具可行性。
  
• 策略变化：欺诈分子不断调整自己的攻击策略，尝试利用社交工程、虚假身份与被盗凭证等形式攫取利益。
  
• 误报泛滥：因过于保守而导致的欺诈检测误报，每年可能导致480亿美元错误拒付，在影响客户信任的同时损害企业声誉。
  

关于行为分析

为了发现异常，行为分析方法着眼于用户动态行为。与传统的静态欺诈检测系统不同，行为分析可以实时检测细微异常，包括奇怪的按键、鼠标移动或者交易模式。以尝试登录过程为例，非正常打字速度可能代表是肉鸡在执行操作。
近期新闻案例：
2024年，某大型零售商使用行为分析发现一个针对其礼品卡系统的欺诈团伙。通过分析交易时间与购买模式，他们标记出可疑活动并避免了超1500万美元的潜在损失。
很明显，行为分析有助于阻止恶意行为，并开始成为广受各行业关注与尝试的一大趋势性技术。
AI/ML为行为分析赋能

1、有监督学习模型

• 此技术使用由已知输入输出对构成的标注数据集。
  
• 使用ML训练模型来预测特定结果，例如涉嫌欺诈的可能性。
  
• 此类技术的常用算法：决策树、随机森林、支持向量机（SVM）与神经网络。
  

案例：某银行使用神经网络分析交易数据，在六个月内将欺诈损失削减达40%。
2、无监督学习模型

• 此技术主要侧重于识别数据中的隐藏模式或分组，并不依赖于标注数据。此技术适用于异常检测、聚类相似行为与降维等场景。不同于依托标注数据实现的有监督学习，此技术专注于识别数据中的隐藏模式或分组。
  
• 此技术的常用算法包括K-means聚类、主成分分析（PCA）以及孤立森林。
  

案例：PayPal使用聚类算法每年监控超9000亿美元的支付活动，通过检测获取指示欺诈风险的异常值。
3、强化学习

• 此技术通过反复试验来学习动态环境中的最佳行为。
  
• 此方法适合依赖自适应策略的实时欺诈检测。根据决策结果，ML训练模型会受到相应奖励或惩罚。
  

案例：某领先电商平台集成了强化学习以优化欺诈检测，成功将误报导致的客户投诉减少了30%。
以视觉方式呈现关键指标

1、异常检测

此技术专注于通过反复试验在动态环境中学习最佳操作。

图表：展示正常交易行为与标记异常的拆线图
异常检测能够识别出与预期行为存在显著偏差的数据模式。这些异常值大多指向重要事件，例如欺诈、系统故障或者数据错误。其中采用机器学习、人工智能及统计数据以实时检测异常活动。
异常检测中的关键步骤

1.定义正常行为：使用历史或行为数据（例如平均交易金额或典型登录时间）建立基准。
2.识别偏差：使用算法检测与基准间的偏差。
3.标记异常：将超过阈值的交易或行为标记为异常，以便进一步调查。
异常检测的实际应用示例

场景：某移动银行应用
1.典型行为：在美国，用户通常每周通过家用设备登录并转账一次。
2.发现异常：同一账户在国外的新设备登录，并尝试执行高价值转账。
3.响应：软件将交易标记为可疑，并启动额外的验证程序。
通过实时分析这些偏差，异常检测可帮助组织快速应对威胁、确保合法用户尽量不受影响。
2、行为热图

行为热图会标记出高/低活动量位置，并以图形方式反映用户交互。在欺诈检测中，其能够识别多个维度（例如应用屏幕、交易类型与地理位置）中的用户行为模式或异常。
示例图表：热图所示为欺诈行为的高风险地区
行为热图的实际应用

1.地理欺诈检测

• 热图会显示出交易活动异常的地区，有助于识别存在高欺诈风险的区域。
  
• 示例：来自特定国家/地区的登录失败量激增，可能代表存在肉鸡攻击。
  

2.应用内行为监控

• 跟踪用户与应用中的哪些部分交互最频繁，因此较少使用功能中的异常活动可能代表恶意行为。
  
• 示例：与账户恢复功能的交互突然增加，可能表明欺诈人士在尝试接管账户。
  

3.交易异常

• 突出显示交易量或频率的模式。
  
• 示例：用户快速连续发起多次高价值交易可能触发欺诈警报。
  

3. 用户流程图

用户流程图直观表示了系统实时检测及响应欺诈行为的分步过程。以下是针对移动应用量身定制的示例。


图表：显示实时行为欺诈检测的流程图——登录尝试、交易行为、异常评分与操作（批准/拒绝）
流程图中的关键步骤

1.用户登录

用户输入用户名、密码或生物特征数据等凭证，同时辅以设备细节信息、打字速度和位置等行为数据。
2.行为分析引擎

包括根据历史数据分析登录模式，而后根据偏差（如新设备、位置等）分配异常评分。
3.风险评估

• 高风险：阻止访问并通知用户或安全团队。
  
• 中风险：提示进行额外验证（例如OTP、安全问题）。
  
• 低风险：继续进入应用仪表板。
  

4. 交易监控

包括各类实时用户操作，如导航模式与交易类型等。
5.异常处理

包括标记异常交易或交互，并暂时阻止高风险活动以供人工审核或用户确认。
6.欺诈防范

• 若证实存在欺诈行为，则撤销交易、冻结账户或通知有关部门。
  
• 若证明合法，则将警报行为通知用户以保持信任。
  

数据支持挑战

潜在挑战包括：

挑战	影响	例子
数据隐私合规	遵守GDPR/CCPA会减慢数据收集速度	欧盟2023年对数据滥用的罚款高达20亿欧元
数据规模	对数百万事件进行实时分析	各大银行每分钟平均处理超百万笔交易
对抗性策略	模仿合法行为的欺诈活动	2023年，信用卡欺诈使用量增长15%

总结

在隐私法规、数量规模以及不断发展的对抗性策略的压力下，组织往往难以发现欺诈行为。为了维护欺诈保护系统的有效性与合法性，必须在合规性、可扩展性与敏捷性之间寻求平衡。
为了有效打击欺诈，企业必须采用AI/ML驱动的行为分析。后续创新可能涵盖生物识别与行为分析混合系统，借以实现强大的欺诈防范能力。
原文标题：AI/ML Techniques for Real-Time Fraud Detection，作者：Milavkumar Shah，Swapnil Patil