反詐騙演算法

Ⅰ 人工智慧是如何應用於金融反欺/詐領/域的具體技/術和場景如何

一、什麼是消費金融行業的反欺詐？

說起「反欺詐」，放在三年前提起或許還有很多人感到陌生，這種主要面向企業級的應用，通常深藏在銀行、保險等金融行業的內部系統中，亦或者是各大互聯網公司安全系統中，說起來總帶著幾分神秘感。

近些年，隨著「互聯網 金融」的迅速壯大，誕生出不少第三方公司，專門為金融機構提供風控和反欺詐服務， 「反欺詐系統」這才在金融科技圈流傳開來。

其實縱觀整個金融服務業，尤其是借貸業，大家都面臨著兩種相同的風險：欺詐風險和信用風險。欺詐風險，主要指的是借貸申請人沒有還款意願；信用風險，主要指的是借貸申請人沒有還款能力。在我國，放貸機構所承受的欺詐風險遠超過信用風險。

對於這種情況，Maxent（猛獁反欺詐）的創始人張克曾說過："金融是一個'刀口舔血'的行業，風控是生命線。沒有好的風控，金融機構很難生存下去。所以，金融業反欺詐的風控需求一直很強勁。"

二、數據 技術能否滿足反欺詐系統？

面對形形色色的欺詐份子和欺詐手段，如何解決欺詐風險，成為眾多借貸公司的頭號問題。反欺詐作為一個業務，流程包括三個步驟：

1、檢測（Detect）。 從技術層面來看，利用演算法，自動檢測異常，從數據層面來看，建立黑名單，及時發現風險；
2、響應（Response）。對異常行為採取阻斷一次交易、拉黑或者其他方式；
3、預防（Prevention）。將異常行為收錄入黑名單等，固化成規則，如果下次再有行為觸碰到規則，系統會進行預設的響應。
舉一個例子，銀行的反欺詐方法是建立基於專家經驗的規則體系，其運作模式是：將遇到的每一次欺詐的行為特點記錄下來形成「規則」，下次再遇到此類行為規則體系會自動做出人工介入或拉黑的響應。

但是，通過黑名單進行反欺詐檢測會隨著時間的推移失效，失效的速度可能會很快。因為黑名單的記錄是基於之前發生的欺詐行為數據，欺詐份子的手段和技術不斷迭代更新時，並沒有一種有效的途徑去預測或預防下一次將會發生怎樣的欺詐行為。

消費信貸的普遍特點是小額、分散，互聯網消費信貸還具有高並發特點，單單使用傳統的專家規則體系是很難對抗互聯網消費信貸中的欺詐的，整個行業都在等待一種新的技術跟專家規則體系協同作戰，這時，有人提到了人工智慧。

三、人工智慧與反欺詐

說起人工智慧，美國政府曾發布過一份報告（美國總統行政辦公室和白宮科技政策辦公室，《為人工智慧的未來做好准備（Preparing for the Future of Artificial Intelligence）》）做出解釋，「一些人將人工智慧寬泛地定義為一種先進的計算機化系統，能夠表現出普遍認為需要智能才能有的行為。其他人則將人工智慧定義為一個不管在真實環境下遭遇何種情況，都能合理解決復雜問題或者採取合理行動以達成目標的系統。」簡單來說，人工智慧讓機器更加智能，使機器能夠最大化自身的價值。

人工智慧最重要的技術手段之一，就是機器學習。我們很容易聯想到前段時間谷歌AlphaGo大勝圍棋名家李世石的事情，這件事充分展現了大數據雲時代機器學習的強大實力，機器學習也是人工智慧近期取得的很多進展和商業應用的基礎。

機器學習在反欺詐運用上同樣十分流行，Forrester在其2015年的欺騙報告中曾指出，機器學習是一項阻止欺騙的發生，同時能保證快速決定的機制。如果說專家系統旨在模仿人類專家遵循的規則，識別拉黑曾經發生過欺詐行為，那麼人工智慧中的機器學習則依靠統計學方式自行尋找能夠在實踐中發揮功效的決策流程，分析大數據，進而預測用戶行為。

國外已有科技人士對人工智慧領域表示了高度關注，谷歌CEO桑達爾·皮查伊表示：「機器學習是一項顛覆性的核心技術，它促使我們重新思考我們做一切事情的方式。我們將這項技術應用於我們的所有產品，包括搜索、廣告、YouTube或者Google Play。我們還處於發展初期，但你們終會看到我們將機器學習系統應用到所有領域。」

國內，金融科技公司京東金融也在投身於這場科技浪潮，以它為例，來看看人工智慧在消費金融領域是如何實現反欺詐的。

四、從京東金融看人工智慧的反欺詐實踐

京東消費金融目前有兩大核心模型體系，既有專家規則體系，又應用了人工智慧，兩大模型體系中與反欺詐直接相關的是「司南」和「天盾系統」：

1、數據驅動的模型體系——「四大發明」
2、技術驅動的風控體系——「四重天」

△來源：零壹財經

天盾系統應用了人工智慧，是白條賬戶的風控安全大腦。主要用途是預測用戶是否有欺詐風險，對賬戶進行分析來給予不同等級的防範處理。

天盾系統借鑒了交易監控系統的經驗，針對注冊、登錄、激活、支付、修改信息等全流程，基於賬戶歷史行為模式、賬戶關系網路、當前操作行為和設備環境，評估賬戶安全等級、環境安全等級、行為安全等級，防範賬戶被盜、撞庫（指黑客通過收集互聯網已泄露的用戶和密碼信息，生成對應的字典表，嘗試批量登陸其他網站後，得到一系列可以登錄的用戶賬戶）、惡意攻擊等風險，實現全流程風險監控，形成反欺詐網路，極大地增加了惡意用戶作案成本。

京東金融既有內部生態體系產生的數據，也有不斷擴充的外部數據，覆蓋面廣、維度多、實時更新，這為人工智慧反欺詐奠定了強有力的基礎。通過自動化風控系統，實現全流程風險監控，欺詐惡意份子作案成本不斷提高。目前，京東金融風控系統累計攔截疑似欺詐申請數十萬起，攔截高風險訂單數億元。

五、人工智慧反欺詐的未來

人工智慧將不斷加強金融領域的智能化和反欺詐，通過人工智慧技術反欺詐，將是未來發展的大趨勢：

首先，欺詐者的行為在某些維度上與非欺詐者一定是有差異的，一個人如果偽造一部分信息，尚且比較容易，但是要偽造全部信息，一來十分非常困難，二來成本非常高。通過技術，將這種異樣捕捉起來，進而識別用戶的真正意圖；

其次，商業市場變化很大，銀行等大型機構僅僅利用自身的反欺詐團隊人手和技術，專業水平有限，很難跟上外部變化，必定需要專業的第三方服務；

最後，反欺詐並不是單一的技術，它具有多元化的特點，市場上很難出現一家機構能將所有技術都做得很精，舉一個例子：美國一家大型銀行平均會使用30家反欺詐機構的技術，而電商平均會採用7家反欺詐機構的技術。大量的市場需求，促進反欺詐更進一步的發展。

可以大膽預測，未來，會有更多的金融科技公司將把在消費金融服務的數據、機器學習等實踐經驗對外輸出，促進人工智慧在反欺詐領域的應用。而這，就是檸檬一直在做的事，致力於提供消費金融領域大數據風控技術和綜合解決方案，為金融企業提供個性化和產品化的大數據風控解決方案，通過資源整合，讓金融機構提升風控效率、降低風控成本。

Ⅱ 如何構建一個反電信網路詐騙基礎模型

金融服務機構認為欺詐事件是經營的必要成本之一，基於此，金融機構主要關注如何降低欺詐事件帶來的損失。當前金融服務行業的欺詐熱點有三個，分別是洗錢、合規和內部金融欺詐。比起之前，欺詐者更傾向於通過秉承以往有效的集團犯罪形式，向金融服務機構的系統漏洞發起攻擊。很多金融機構在新產品剛上線的頭幾天，就被欺詐者迅速攻破，導致這類企業承受巨大經濟損失。同時，基於合規考慮和欺詐攻擊擴展速度，金融類機構必須摒棄欺詐成本預算這個觀念。與之相反，金融類機構必須考慮主動投資反欺詐的技術手段、防控工具和策略，從而達到有效預防欺詐的效果，減少欺詐帶來的風險損失和資本損失。
在欺詐者眼中，網貸行業是個大蛋糕。如今，不管是線下的貸款中介代辦包裝還是線上的盜號刷單等類似的黑產從業者，都盯上了在線貸款。反欺詐能否做好，是網貸行業的一條生死線。
首先簡單普及下行業知識。欺詐模式可以分為一方欺詐和三方欺詐：一方欺詐通常指申請者包裝自己信息且貸款後沒有還款意願造成違約，三方欺詐指欺詐分子借用冒用他人身份或協助他人偽造申請信息進行騙貸。三方欺詐通常以團伙作案的形式出現，給網貸機構造成的損失十分嚴重。而且，團伙欺詐往往會有意識地分析網貸機構的反欺詐策略，不斷升級欺詐手段，彷彿病毒變種一般，如果缺乏有效手段，就很容易被他們攻破反欺詐系統。
對於欺詐團伙，目前行之有效的是採用大數據手段進行防範，下面重點介紹下數據科學在識別三方欺詐中的一個應用：「關系網路發現」用於識別組團進件。

制定反欺詐策略存在一個基本的假設，即「騙子的朋友是騙子」的概率更大，且我們要對不良的貸款中介要進行識別。因為中介騙子會幫很多還款意願不強的人通過提供虛假、偽造、包裝申請信息的方式進行騙貸，同時還會教申請人如何應對。通過中介（或者本身就是團伙）進行集中貸款申請的風險非常高，是一種常見的欺詐類型，分析發現社交網路分析和其他交叉檢驗方法能有效識別上述欺詐模式。

我們定義用戶和用戶之間如果共用某些核心信息，那麼他們之間就存在緊密聯系，這些核心信息可以是手機設備、電話號碼、身份證、銀行卡號、郵箱等。以這些信息作為點，信息之間的關系作為邊就可以構造出類似下面的圖網路：

如上圖，圖中有兩個用戶通過手機申請貸款，一個放款成功，一個放款失敗，通過用戶申請中提供的信息，將其核心信息構建成一個網路圖，可以看到兩個用戶一共關聯到3個手機號，3部手機設備，兩個用戶是通過一個公用的手機設備聯系起來的。上圖的真實業務場景是尾號979的用戶來申請時，發現與其強相關的用戶已經成功放款，並且通過圖上的關系已經申請調查出尾號979的用戶是之前放款用戶的配偶，若批准尾號979的貸款申請則將增加兩人整體負債，所以最終審判拒絕掉了這筆貸款申請。

上面是一個簡單例子，真實業務中欺詐與反欺詐是道高一尺魔高一丈的博弈過程，簡單的反欺詐策略很容易被真正的欺詐分子發現並規避，簡單策略的效果會不斷下降。事實上欺詐很難被完全解決，反欺詐的一個重要思路就是不斷的提高欺詐分子作弊的成本，並且保證策略准確性情況下使反欺詐策略更智能並且更復雜。

這種思路下同樣是通過社交網路反欺詐，我們需要更全面地描述每個用戶之間的關系，用戶之間關系的定義也不止是上述這些強關系，還包括很多弱關系，比如用戶間打過電話，用戶間是同一單位，用戶家庭住址在同一區域，用戶之前是QQ好友等，這些更多的關系與關系的疊加很容易出現下面類似的用戶間非常復雜的關聯網路。

構建圖的同時，對每個點還可以賦予不同的屬性，這些屬性可以用於後續的特徵工程提取。舉個例子，對圖中用戶身份證類型的頂點，可以設置多個屬性，如是否黑名單、用戶資產、是否有房。後續特徵工程中就可以根據頂點屬性衍生出具體的特徵，如一度關聯的身份證是黑名單的頂點個數。用戶關系網路圖構建的最終目的是提升欺詐團伙的識別准確度以及實現自動化的反欺詐決策，即提升欺詐識別的效果和效率。我們希望通過社交網路挖掘出用戶更多的特徵用於反欺詐模型和策略的訓練，所以對於這種復雜的用戶關系網路圖，接下來我們要進行兩件事，其一，用戶特徵提取；其二，點屬性標簽的補全。

用戶特徵提取
每個用戶都可以通過手機、身份證等關鍵信息點，獲取單個用戶網路的連通圖（事實上對10億級節點的圖的查詢效率已經非常低了，在實時決策的場景下需要通過演算法優化來解決響應時間的問題，比如圖入庫的鎖問題，異常點的查詢超時）。對每個點計算其在圖中常用的屬性特徵，比如度、接近中心度、page rank中心度、betweenness中心度。這個過程可以看作是對給定用戶，通過圖數據進行特徵工程。大部分策略和模型的效果往往由特徵工程的質量決定，甚至特徵工程方法也成了各家公司不可泄露的核心內容，數據演算法工程師的苦逼日子也由此開始……舉幾個例子，除了簡單的點中心度相關的直接特徵還能直接想到非常多的特徵，比如用戶n度關聯點的關聯手機號數、用戶關聯到的設備號占所有關聯點的比例、用戶關聯的黑名單身份證號數等等。上述舉例的特徵計算大部分可以實現標准化，通過開發單獨特徵工程模型實現上萬特徵的衍生計算。這樣能極大提升模型開發的效率。

點屬性標簽的補全

在策略分析和特徵計算中，我們需要很多點的標簽屬性，比如對某一身份證是否是黑名單，身份證是否有房，身份證是否信用卡額度超過3萬等等。但是實際上往往對於大部分用戶標簽屬性是缺失的，比如用戶申請到一半就流失了，用戶最終放棄了，我們都沒法准確收集這些標簽。怎麼辦？我們通過圖相關的社群發現演算法進行標簽補全，比如最常用標簽傳播演算法LPA(Lable PropagationAlgorithm)，還有類似的演算法，比如SLPA、HANP、DCLP等等。

針對行業發展的最新情況，算話徵信推出的反欺詐雲服務現已完成全面升級，依據其提供的欺詐評級以及欺詐判斷的補充信息，信貸機構再結合各自已有的欺詐策略同時部署應用，就能實現欺詐防範效果最優化。在此前各合作機構的運行過程中，算話反欺詐雲服務已建立了信貸行業反欺詐聯盟，在實現行業聯防聯控、打擊欺詐團伙多機構流竄攻擊等方面取得了理想效果。

據統計，算話反欺詐雲服務上線運行的6個多月中，已為70餘家合作機構的數百萬信貸申請提供欺詐預警服務，協助信貸機構發現欺詐損失數千萬元。

在原有基礎上，算話反欺詐雲服務的三大產品優勢將更加明顯，即海量的徵信資源數據、卓越的關系網路演算法、優異的中文模糊匹配功能，算話反欺詐雲服務能夠以卓越演算法行之有效地建立起關系網路，這是因為我們使用直接基於「點」和「線」存儲的圖形化建模方式，結合DMR網路關系發現演算法，極大提升了欺詐關系發現能力和效率。系統具有欺詐關系網路發現無延遲、實時探測計算、覆蓋每筆欺詐申請等特點；更重要的是定義了多重關聯關系，以此挖掘團伙案件的潛在關聯，使其無處遁形。

Ⅲ 騰訊天御反欺詐什麼意思

天御反欺詐是騰訊推出的識別欺詐風險的系統。

相關介紹：

天御反欺詐全稱為天御借貸反欺詐，專注於識別銀行、證券、互金、P2P 等金融行業的欺詐風險。通過騰訊雲的人工智慧和機器學習能力，准確識別惡意用戶與行為，解決客戶在支付、借貸、理財、風控等業務環節遇到的欺詐威脅，幫助客戶提升風險識別能力，降低企業損失。

(3)反詐騙演算法擴展閱讀

天御反欺詐的借貸反欺詐服務會在用戶申請借貸時發起檢測，精準識別虛假信息申請、冒用身份申請、高危用戶申請、機構代辦、多頭借貸、組團騙貸等互聯網金融風險，幫助客戶提升反欺詐識別能力。支持對手機號、銀行卡、設備、郵箱等信息的檢測，輸出風險欺詐分及風險詳情。

融行業風控的反欺詐系統多使用評分卡模型和集成模型兩種風控技術。評分卡模型使用邏輯回歸演算法對數據進行訓練，線上實時響應時間快，但需要進行大量且復雜的特徵工程工作才能得到較理想結果。

而集成模型運用迭代演算法，通過對模型殘差的不斷修正進而達到更精準的預測，通常比評分卡模型具備更高的准確度。

Ⅳ 金融反欺詐解決方案怎麼做

告訴你一下，隨著互聯網金融業務的不斷發展，每時每刻互聯網上流動的資金規模已經達到令人難以想像的地步，保障交易安全，降低網路欺詐行為的重要性將日漸突顯，市場對於風險管控和信用評估服務等業務有著強勁的需求，打擊欺詐行為，保障網路交易安全將是互聯網金融業務的基礎。
阿爾法象系統結合當前網路黑產的欺詐特徵，基於機器學習模型、大數據關聯分析和多樣智能演算法，通過OCR識別、四要素驗證等方式的身份識別，以及黑名單篩選、身份真實性判斷、行為異常檢測、多頭共債檢測、團伙欺詐識別等技術手段，信貸業務提供貸前、貸中、貸後全流程反欺詐服務。全方位大數據技術掃描去黑，築立堅固的反欺詐防護盾。目前擁有100萬+黑名單數據，反欺詐規則100+條。多條規則交叉驗證，讓欺詐無處遁形。

Ⅳ 為什麼建立反欺詐模型

金融服務機構認為欺詐事件是經營的必要成本之一，基於此，金融機構主要關注如何降低欺詐事件帶來的損失。當前金融服務行業的欺詐熱點有三個，分別是洗錢、合規和內部金融欺詐。比起之前，欺詐者更傾向於通過秉承以往有效的集團犯罪形式，向金融服務機構的系統漏洞發起攻擊。很多金融機構在新產品剛上線的頭幾天，就被欺詐者迅速攻破，導致這類企業承受巨大經濟損失。同時，基於合規考慮和欺詐攻擊擴展速度，金融類機構必須摒棄欺詐成本預算這個觀念。與之相反，金融類機構必須考慮主動投資反欺詐的技術手段、防控工具和策略，從而達到有效預防欺詐的效果，減少欺詐帶來的風險損失和資本損失。

在欺詐者眼中，網貸行業是個大蛋糕。如今，不管是線下的貸款中介代辦包裝還是線上的盜號刷單等類似的黑產從業者，都盯上了在線貸款。反欺詐能否做好，是網貸行業的一條生死線。

首先簡單普及下行業知識。欺詐模式可以分為一方欺詐和三方欺詐：一方欺詐通常指申請者包裝自己信息且貸款後沒有還款意願造成違約，三方欺詐指欺詐分子借用冒用他人身份或協助他人偽造申請信息進行騙貸。三方欺詐通常以團伙作案的形式出現，給網貸機構造成的損失十分嚴重。而且，團伙欺詐往往會有意識地分析網貸機構的反欺詐策略，不斷升級欺詐手段，彷彿病毒變種一般，如果缺乏有效手段，就很容易被他們攻破反欺詐系統。

對於欺詐團伙，目前行之有效的是採用大數據手段進行防範，下面重點介紹下數據科學在識別三方欺詐中的一個應用：「關系網路發現」用於識別組團進件。

制定反欺詐策略存在一個基本的假設，即「騙子的朋友是騙子」的概率更大，且我們要對不良的貸款中介要進行識別。因為中介騙子會幫很多還款意願不強的人通過提供虛假、偽造、包裝申請信息的方式進行騙貸，同時還會教申請人如何應對。通過中介（或者本身就是團伙）進行集中貸款申請的風險非常高，是一種常見的欺詐類型，分析發現社交網路分析和其他交叉檢驗方法能有效識別上述欺詐模式。

我們定義用戶和用戶之間如果共用某些核心信息，那麼他們之間就存在緊密聯系，這些核心信息可以是手機設備、電話號碼、身份證、銀行卡號、郵箱等。以這些信息作為點，信息之間的關系作為邊就可以構造出類似下面的圖網路：

如上圖，圖中有兩個用戶通過手機申請貸款，一個放款成功，一個放款失敗，通過用戶申請中提供的信息，將其核心信息構建成一個網路圖，可以看到兩個用戶一共關聯到3個手機號，3部手機設備，兩個用戶是通過一個公用的手機設備聯系起來的。上圖的真實業務場景是尾號979的用戶來申請時，發現與其強相關的用戶已經成功放款，並且通過圖上的關系已經申請調查出尾號979的用戶是之前放款用戶的配偶，若批准尾號979的貸款申請則將增加兩人整體負債，所以最終審判拒絕掉了這筆貸款申請。

針對行業發展的最新情況，算話徵信推出的反欺詐雲服務現已完成全面升級，依據其提供的欺詐評級以及欺詐判斷的補充信息，信貸機構再結合各自已有的欺詐策略同時部署應用，就能實現欺詐防範效果最優化。在此前各合作機構的運行過程中，算話反欺詐雲服務已建立了信貸行業反欺詐聯盟，在實現行業聯防聯控、打擊欺詐團伙多機構流竄攻擊等方面取得了理想效果。

據統計，算話反欺詐雲服務上線運行的6個多月中，已為70餘家合作機構的數百萬信貸申請提供欺詐預警服務，協助信貸機構發現欺詐損失數千萬元。

在原有基礎上，算話反欺詐雲服務的三大產品優勢將更加明顯，即海量的徵信資源數據、卓越的關系網路演算法、優異的中文模糊匹配功能，算話反欺詐雲服務能夠以卓越演算法行之有效地建立起關系網路，這是因為我們使用直接基於「點」和「線」存儲的圖形化建模方式，結合DMR網路關系發現演算法，極大提升了欺詐關系發現能力和效率。系統具有欺詐關系網路發現無延遲、實時探測計算、覆蓋每筆欺詐申請等特點；更重要的是定義了多重關聯關系，以此挖掘團伙案件的潛在關聯，使其無處遁形。

Ⅵ 互聯網金融反欺詐規則引擎從哪些方面定義

1、從央行獲取個人徵信報告；
2、必須得有一個信用信息系統，要麼自建，要麼依靠第三方。比如阿爾法象的智能反欺詐系統，它結合當前網路黑產的欺詐特徵，基於機器學習模型、大數據關聯分析和多樣智能演算法，通過OCR識別、四要素驗證等方式的身份識別，以及黑名單篩選、身份真實性判斷、行為異常檢測、多頭共債檢測、團伙欺詐識別等技術手段，全方位大數據技術掃描去黑，築立堅固的反欺詐防護盾。目前擁有100萬+黑名單數據，反欺詐規則100+條。多條規則交叉驗證，讓欺詐無處遁形。
3、冒名欺詐（非申請人本人的欺詐）
4、合夥欺詐（此類欺詐往往多為復雜）
5、第三方數據對接

Ⅶ 防止電話詐騙演算法治嗎

防止電話詐騙，這只是防範措施，不是法治。
電信詐騙是指犯罪分子通過電話、網路和簡訊方式，編造虛假信息，設置騙局，對受害人實施遠程、非接觸式詐騙，誘使受害人給犯罪分子打款或轉賬的犯罪行為。
符合上述條件的，都是電信詐騙。
對於電信詐騙的，你們可以向公安機關報案或者舉報。

Ⅷ 機器學慣用在反欺詐領域的演算法模型有哪些