反诈骗算法

Ⅰ 人工智能是如何应用于金融反欺/诈领/域的具体技/术和场景如何

一、什么是消费金融行业的反欺诈？

说起“反欺诈”，放在三年前提起或许还有很多人感到陌生，这种主要面向企业级的应用，通常深藏在银行、保险等金融行业的内部系统中，亦或者是各大互联网公司安全系统中，说起来总带着几分神秘感。

近些年，随着“互联网 金融”的迅速壮大，诞生出不少第三方公司，专门为金融机构提供风控和反欺诈服务， “反欺诈系统”这才在金融科技圈流传开来。

其实纵观整个金融服务业，尤其是借贷业，大家都面临着两种相同的风险：欺诈风险和信用风险。欺诈风险，主要指的是借贷申请人没有还款意愿；信用风险，主要指的是借贷申请人没有还款能力。在我国，放贷机构所承受的欺诈风险远超过信用风险。

对于这种情况，Maxent（猛犸反欺诈）的创始人张克曾说过："金融是一个'刀口舔血'的行业，风控是生命线。没有好的风控，金融机构很难生存下去。所以，金融业反欺诈的风控需求一直很强劲。"

二、数据 技术能否满足反欺诈系统？

面对形形色色的欺诈份子和欺诈手段，如何解决欺诈风险，成为众多借贷公司的头号问题。反欺诈作为一个业务，流程包括三个步骤：

1、检测（Detect）。 从技术层面来看，利用算法，自动检测异常，从数据层面来看，建立黑名单，及时发现风险；
2、响应（Response）。对异常行为采取阻断一次交易、拉黑或者其他方式；
3、预防（Prevention）。将异常行为收录入黑名单等，固化成规则，如果下次再有行为触碰到规则，系统会进行预设的响应。
举一个例子，银行的反欺诈方法是建立基于专家经验的规则体系，其运作模式是：将遇到的每一次欺诈的行为特点记录下来形成“规则”，下次再遇到此类行为规则体系会自动做出人工介入或拉黑的响应。

但是，通过黑名单进行反欺诈检测会随着时间的推移失效，失效的速度可能会很快。因为黑名单的记录是基于之前发生的欺诈行为数据，欺诈份子的手段和技术不断迭代更新时，并没有一种有效的途径去预测或预防下一次将会发生怎样的欺诈行为。

消费信贷的普遍特点是小额、分散，互联网消费信贷还具有高并发特点，单单使用传统的专家规则体系是很难对抗互联网消费信贷中的欺诈的，整个行业都在等待一种新的技术跟专家规则体系协同作战，这时，有人提到了人工智能。

三、人工智能与反欺诈

说起人工智能，美国政府曾发布过一份报告（美国总统行政办公室和白宫科技政策办公室，《为人工智能的未来做好准备（Preparing for the Future of Artificial Intelligence）》）做出解释，“一些人将人工智能宽泛地定义为一种先进的计算机化系统，能够表现出普遍认为需要智能才能有的行为。其他人则将人工智能定义为一个不管在真实环境下遭遇何种情况，都能合理解决复杂问题或者采取合理行动以达成目标的系统。”简单来说，人工智能让机器更加智能，使机器能够最大化自身的价值。

人工智能最重要的技术手段之一，就是机器学习。我们很容易联想到前段时间谷歌AlphaGo大胜围棋名家李世石的事情，这件事充分展现了大数据云时代机器学习的强大实力，机器学习也是人工智能近期取得的很多进展和商业应用的基础。

机器学习在反欺诈运用上同样十分流行，Forrester在其2015年的欺骗报告中曾指出，机器学习是一项阻止欺骗的发生，同时能保证快速决定的机制。如果说专家系统旨在模仿人类专家遵循的规则，识别拉黑曾经发生过欺诈行为，那么人工智能中的机器学习则依靠统计学方式自行寻找能够在实践中发挥功效的决策流程，分析大数据，进而预测用户行为。

国外已有科技人士对人工智能领域表示了高度关注，谷歌CEO桑达尔·皮查伊表示：“机器学习是一项颠覆性的核心技术，它促使我们重新思考我们做一切事情的方式。我们将这项技术应用于我们的所有产品，包括搜索、广告、YouTube或者Google Play。我们还处于发展初期，但你们终会看到我们将机器学习系统应用到所有领域。”

国内，金融科技公司京东金融也在投身于这场科技浪潮，以它为例，来看看人工智能在消费金融领域是如何实现反欺诈的。

四、从京东金融看人工智能的反欺诈实践

京东消费金融目前有两大核心模型体系，既有专家规则体系，又应用了人工智能，两大模型体系中与反欺诈直接相关的是“司南”和“天盾系统”：

1、数据驱动的模型体系——“四大发明”
2、技术驱动的风控体系——“四重天”

△来源：零壹财经

天盾系统应用了人工智能，是白条账户的风控安全大脑。主要用途是预测用户是否有欺诈风险，对账户进行分析来给予不同等级的防范处理。

天盾系统借鉴了交易监控系统的经验，针对注册、登录、激活、支付、修改信息等全流程，基于账户历史行为模式、账户关系网络、当前操作行为和设备环境，评估账户安全等级、环境安全等级、行为安全等级，防范账户被盗、撞库（指黑客通过收集互联网已泄露的用户和密码信息，生成对应的字典表，尝试批量登陆其他网站后，得到一系列可以登录的用户账户）、恶意攻击等风险，实现全流程风险监控，形成反欺诈网络，极大地增加了恶意用户作案成本。

京东金融既有内部生态体系产生的数据，也有不断扩充的外部数据，覆盖面广、维度多、实时更新，这为人工智能反欺诈奠定了强有力的基础。通过自动化风控系统，实现全流程风险监控，欺诈恶意份子作案成本不断提高。目前，京东金融风控系统累计拦截疑似欺诈申请数十万起，拦截高风险订单数亿元。

五、人工智能反欺诈的未来

人工智能将不断加强金融领域的智能化和反欺诈，通过人工智能技术反欺诈，将是未来发展的大趋势：

首先，欺诈者的行为在某些维度上与非欺诈者一定是有差异的，一个人如果伪造一部分信息，尚且比较容易，但是要伪造全部信息，一来十分非常困难，二来成本非常高。通过技术，将这种异样捕捉起来，进而识别用户的真正意图；

其次，商业市场变化很大，银行等大型机构仅仅利用自身的反欺诈团队人手和技术，专业水平有限，很难跟上外部变化，必定需要专业的第三方服务；

最后，反欺诈并不是单一的技术，它具有多元化的特点，市场上很难出现一家机构能将所有技术都做得很精，举一个例子：美国一家大型银行平均会使用30家反欺诈机构的技术，而电商平均会采用7家反欺诈机构的技术。大量的市场需求，促进反欺诈更进一步的发展。

可以大胆预测，未来，会有更多的金融科技公司将把在消费金融服务的数据、机器学习等实践经验对外输出，促进人工智能在反欺诈领域的应用。而这，就是柠檬一直在做的事，致力于提供消费金融领域大数据风控技术和综合解决方案，为金融企业提供个性化和产品化的大数据风控解决方案，通过资源整合，让金融机构提升风控效率、降低风控成本。

Ⅱ 如何构建一个反电信网络诈骗基础模型

金融服务机构认为欺诈事件是经营的必要成本之一，基于此，金融机构主要关注如何降低欺诈事件带来的损失。当前金融服务行业的欺诈热点有三个，分别是洗钱、合规和内部金融欺诈。比起之前，欺诈者更倾向于通过秉承以往有效的集团犯罪形式，向金融服务机构的系统漏洞发起攻击。很多金融机构在新产品刚上线的头几天，就被欺诈者迅速攻破，导致这类企业承受巨大经济损失。同时，基于合规考虑和欺诈攻击扩展速度，金融类机构必须摒弃欺诈成本预算这个观念。与之相反，金融类机构必须考虑主动投资反欺诈的技术手段、防控工具和策略，从而达到有效预防欺诈的效果，减少欺诈带来的风险损失和资本损失。
在欺诈者眼中，网贷行业是个大蛋糕。如今，不管是线下的贷款中介代办包装还是线上的盗号刷单等类似的黑产从业者，都盯上了在线贷款。反欺诈能否做好，是网贷行业的一条生死线。
首先简单普及下行业知识。欺诈模式可以分为一方欺诈和三方欺诈：一方欺诈通常指申请者包装自己信息且贷款后没有还款意愿造成违约，三方欺诈指欺诈分子借用冒用他人身份或协助他人伪造申请信息进行骗贷。三方欺诈通常以团伙作案的形式出现，给网贷机构造成的损失十分严重。而且，团伙欺诈往往会有意识地分析网贷机构的反欺诈策略，不断升级欺诈手段，仿佛病毒变种一般，如果缺乏有效手段，就很容易被他们攻破反欺诈系统。
对于欺诈团伙，目前行之有效的是采用大数据手段进行防范，下面重点介绍下数据科学在识别三方欺诈中的一个应用：“关系网络发现”用于识别组团进件。

制定反欺诈策略存在一个基本的假设，即“骗子的朋友是骗子”的概率更大，且我们要对不良的贷款中介要进行识别。因为中介骗子会帮很多还款意愿不强的人通过提供虚假、伪造、包装申请信息的方式进行骗贷，同时还会教申请人如何应对。通过中介（或者本身就是团伙）进行集中贷款申请的风险非常高，是一种常见的欺诈类型，分析发现社交网络分析和其他交叉检验方法能有效识别上述欺诈模式。

我们定义用户和用户之间如果共用某些核心信息，那么他们之间就存在紧密联系，这些核心信息可以是手机设备、电话号码、身份证、银行卡号、邮箱等。以这些信息作为点，信息之间的关系作为边就可以构造出类似下面的图网络：

如上图，图中有两个用户通过手机申请贷款，一个放款成功，一个放款失败，通过用户申请中提供的信息，将其核心信息构建成一个网络图，可以看到两个用户一共关联到3个手机号，3部手机设备，两个用户是通过一个公用的手机设备联系起来的。上图的真实业务场景是尾号979的用户来申请时，发现与其强相关的用户已经成功放款，并且通过图上的关系已经申请调查出尾号979的用户是之前放款用户的配偶，若批准尾号979的贷款申请则将增加两人整体负债，所以最终审判拒绝掉了这笔贷款申请。

上面是一个简单例子，真实业务中欺诈与反欺诈是道高一尺魔高一丈的博弈过程，简单的反欺诈策略很容易被真正的欺诈分子发现并规避，简单策略的效果会不断下降。事实上欺诈很难被完全解决，反欺诈的一个重要思路就是不断的提高欺诈分子作弊的成本，并且保证策略准确性情况下使反欺诈策略更智能并且更复杂。

这种思路下同样是通过社交网络反欺诈，我们需要更全面地描述每个用户之间的关系，用户之间关系的定义也不止是上述这些强关系，还包括很多弱关系，比如用户间打过电话，用户间是同一单位，用户家庭住址在同一区域，用户之前是QQ好友等，这些更多的关系与关系的叠加很容易出现下面类似的用户间非常复杂的关联网络。

构建图的同时，对每个点还可以赋予不同的属性，这些属性可以用于后续的特征工程提取。举个例子，对图中用户身份证类型的顶点，可以设置多个属性，如是否黑名单、用户资产、是否有房。后续特征工程中就可以根据顶点属性衍生出具体的特征，如一度关联的身份证是黑名单的顶点个数。用户关系网络图构建的最终目的是提升欺诈团伙的识别准确度以及实现自动化的反欺诈决策，即提升欺诈识别的效果和效率。我们希望通过社交网络挖掘出用户更多的特征用于反欺诈模型和策略的训练，所以对于这种复杂的用户关系网络图，接下来我们要进行两件事，其一，用户特征提取；其二，点属性标签的补全。

用户特征提取
每个用户都可以通过手机、身份证等关键信息点，获取单个用户网络的连通图（事实上对10亿级节点的图的查询效率已经非常低了，在实时决策的场景下需要通过算法优化来解决响应时间的问题，比如图入库的锁问题，异常点的查询超时）。对每个点计算其在图中常用的属性特征，比如度、接近中心度、page rank中心度、betweenness中心度。这个过程可以看作是对给定用户，通过图数据进行特征工程。大部分策略和模型的效果往往由特征工程的质量决定，甚至特征工程方法也成了各家公司不可泄露的核心内容，数据算法工程师的苦逼日子也由此开始……举几个例子，除了简单的点中心度相关的直接特征还能直接想到非常多的特征，比如用户n度关联点的关联手机号数、用户关联到的设备号占所有关联点的比例、用户关联的黑名单身份证号数等等。上述举例的特征计算大部分可以实现标准化，通过开发单独特征工程模型实现上万特征的衍生计算。这样能极大提升模型开发的效率。

点属性标签的补全

在策略分析和特征计算中，我们需要很多点的标签属性，比如对某一身份证是否是黑名单，身份证是否有房，身份证是否信用卡额度超过3万等等。但是实际上往往对于大部分用户标签属性是缺失的，比如用户申请到一半就流失了，用户最终放弃了，我们都没法准确收集这些标签。怎么办？我们通过图相关的社群发现算法进行标签补全，比如最常用标签传播算法LPA(Lable PropagationAlgorithm)，还有类似的算法，比如SLPA、HANP、DCLP等等。

针对行业发展的最新情况，算话征信推出的反欺诈云服务现已完成全面升级，依据其提供的欺诈评级以及欺诈判断的补充信息，信贷机构再结合各自已有的欺诈策略同时部署应用，就能实现欺诈防范效果最优化。在此前各合作机构的运行过程中，算话反欺诈云服务已建立了信贷行业反欺诈联盟，在实现行业联防联控、打击欺诈团伙多机构流窜攻击等方面取得了理想效果。

据统计，算话反欺诈云服务上线运行的6个多月中，已为70余家合作机构的数百万信贷申请提供欺诈预警服务，协助信贷机构发现欺诈损失数千万元。

在原有基础上，算话反欺诈云服务的三大产品优势将更加明显，即海量的征信资源数据、卓越的关系网络算法、优异的中文模糊匹配功能，算话反欺诈云服务能够以卓越算法行之有效地建立起关系网络，这是因为我们使用直接基于“点”和“线”存储的图形化建模方式，结合DMR网络关系发现算法，极大提升了欺诈关系发现能力和效率。系统具有欺诈关系网络发现无延迟、实时探测计算、覆盖每笔欺诈申请等特点；更重要的是定义了多重关联关系，以此挖掘团伙案件的潜在关联，使其无处遁形。

Ⅲ 腾讯天御反欺诈什么意思

天御反欺诈是腾讯推出的识别欺诈风险的系统。

相关介绍：

天御反欺诈全称为天御借贷反欺诈，专注于识别银行、证券、互金、P2P 等金融行业的欺诈风险。通过腾讯云的人工智能和机器学习能力，准确识别恶意用户与行为，解决客户在支付、借贷、理财、风控等业务环节遇到的欺诈威胁，帮助客户提升风险识别能力，降低企业损失。

(3)反诈骗算法扩展阅读

天御反欺诈的借贷反欺诈服务会在用户申请借贷时发起检测，精准识别虚假信息申请、冒用身份申请、高危用户申请、机构代办、多头借贷、组团骗贷等互联网金融风险，帮助客户提升反欺诈识别能力。支持对手机号、银行卡、设备、邮箱等信息的检测，输出风险欺诈分及风险详情。

融行业风控的反欺诈系统多使用评分卡模型和集成模型两种风控技术。评分卡模型使用逻辑回归算法对数据进行训练，线上实时响应时间快，但需要进行大量且复杂的特征工程工作才能得到较理想结果。

而集成模型运用迭代算法，通过对模型残差的不断修正进而达到更精准的预测，通常比评分卡模型具备更高的准确度。

Ⅳ 金融反欺诈解决方案怎么做

告诉你一下，随着互联网金融业务的不断发展，每时每刻互联网上流动的资金规模已经达到令人难以想象的地步，保障交易安全，降低网络欺诈行为的重要性将日渐突显，市场对于风险管控和信用评估服务等业务有着强劲的需求，打击欺诈行为，保障网络交易安全将是互联网金融业务的基础。
阿尔法象系统结合当前网络黑产的欺诈特征，基于机器学习模型、大数据关联分析和多样智能算法，通过OCR识别、四要素验证等方式的身份识别，以及黑名单筛选、身份真实性判断、行为异常检测、多头共债检测、团伙欺诈识别等技术手段，信贷业务提供贷前、贷中、贷后全流程反欺诈服务。全方位大数据技术扫描去黑，筑立坚固的反欺诈防护盾。目前拥有100万+黑名单数据，反欺诈规则100+条。多条规则交叉验证，让欺诈无处遁形。

Ⅳ 为什么建立反欺诈模型

金融服务机构认为欺诈事件是经营的必要成本之一，基于此，金融机构主要关注如何降低欺诈事件带来的损失。当前金融服务行业的欺诈热点有三个，分别是洗钱、合规和内部金融欺诈。比起之前，欺诈者更倾向于通过秉承以往有效的集团犯罪形式，向金融服务机构的系统漏洞发起攻击。很多金融机构在新产品刚上线的头几天，就被欺诈者迅速攻破，导致这类企业承受巨大经济损失。同时，基于合规考虑和欺诈攻击扩展速度，金融类机构必须摒弃欺诈成本预算这个观念。与之相反，金融类机构必须考虑主动投资反欺诈的技术手段、防控工具和策略，从而达到有效预防欺诈的效果，减少欺诈带来的风险损失和资本损失。

在欺诈者眼中，网贷行业是个大蛋糕。如今，不管是线下的贷款中介代办包装还是线上的盗号刷单等类似的黑产从业者，都盯上了在线贷款。反欺诈能否做好，是网贷行业的一条生死线。

首先简单普及下行业知识。欺诈模式可以分为一方欺诈和三方欺诈：一方欺诈通常指申请者包装自己信息且贷款后没有还款意愿造成违约，三方欺诈指欺诈分子借用冒用他人身份或协助他人伪造申请信息进行骗贷。三方欺诈通常以团伙作案的形式出现，给网贷机构造成的损失十分严重。而且，团伙欺诈往往会有意识地分析网贷机构的反欺诈策略，不断升级欺诈手段，仿佛病毒变种一般，如果缺乏有效手段，就很容易被他们攻破反欺诈系统。

对于欺诈团伙，目前行之有效的是采用大数据手段进行防范，下面重点介绍下数据科学在识别三方欺诈中的一个应用：“关系网络发现”用于识别组团进件。

制定反欺诈策略存在一个基本的假设，即“骗子的朋友是骗子”的概率更大，且我们要对不良的贷款中介要进行识别。因为中介骗子会帮很多还款意愿不强的人通过提供虚假、伪造、包装申请信息的方式进行骗贷，同时还会教申请人如何应对。通过中介（或者本身就是团伙）进行集中贷款申请的风险非常高，是一种常见的欺诈类型，分析发现社交网络分析和其他交叉检验方法能有效识别上述欺诈模式。

我们定义用户和用户之间如果共用某些核心信息，那么他们之间就存在紧密联系，这些核心信息可以是手机设备、电话号码、身份证、银行卡号、邮箱等。以这些信息作为点，信息之间的关系作为边就可以构造出类似下面的图网络：

如上图，图中有两个用户通过手机申请贷款，一个放款成功，一个放款失败，通过用户申请中提供的信息，将其核心信息构建成一个网络图，可以看到两个用户一共关联到3个手机号，3部手机设备，两个用户是通过一个公用的手机设备联系起来的。上图的真实业务场景是尾号979的用户来申请时，发现与其强相关的用户已经成功放款，并且通过图上的关系已经申请调查出尾号979的用户是之前放款用户的配偶，若批准尾号979的贷款申请则将增加两人整体负债，所以最终审判拒绝掉了这笔贷款申请。

针对行业发展的最新情况，算话征信推出的反欺诈云服务现已完成全面升级，依据其提供的欺诈评级以及欺诈判断的补充信息，信贷机构再结合各自已有的欺诈策略同时部署应用，就能实现欺诈防范效果最优化。在此前各合作机构的运行过程中，算话反欺诈云服务已建立了信贷行业反欺诈联盟，在实现行业联防联控、打击欺诈团伙多机构流窜攻击等方面取得了理想效果。

据统计，算话反欺诈云服务上线运行的6个多月中，已为70余家合作机构的数百万信贷申请提供欺诈预警服务，协助信贷机构发现欺诈损失数千万元。

在原有基础上，算话反欺诈云服务的三大产品优势将更加明显，即海量的征信资源数据、卓越的关系网络算法、优异的中文模糊匹配功能，算话反欺诈云服务能够以卓越算法行之有效地建立起关系网络，这是因为我们使用直接基于“点”和“线”存储的图形化建模方式，结合DMR网络关系发现算法，极大提升了欺诈关系发现能力和效率。系统具有欺诈关系网络发现无延迟、实时探测计算、覆盖每笔欺诈申请等特点；更重要的是定义了多重关联关系，以此挖掘团伙案件的潜在关联，使其无处遁形。

Ⅵ 互联网金融反欺诈规则引擎从哪些方面定义

1、从央行获取个人征信报告；
2、必须得有一个信用信息系统，要么自建，要么依靠第三方。比如阿尔法象的智能反欺诈系统，它结合当前网络黑产的欺诈特征，基于机器学习模型、大数据关联分析和多样智能算法，通过OCR识别、四要素验证等方式的身份识别，以及黑名单筛选、身份真实性判断、行为异常检测、多头共债检测、团伙欺诈识别等技术手段，全方位大数据技术扫描去黑，筑立坚固的反欺诈防护盾。目前拥有100万+黑名单数据，反欺诈规则100+条。多条规则交叉验证，让欺诈无处遁形。
3、冒名欺诈（非申请人本人的欺诈）
4、合伙欺诈（此类欺诈往往多为复杂）
5、第三方数据对接

Ⅶ 防止电话诈骗算法治吗

防止电话诈骗，这只是防范措施，不是法治。
电信诈骗是指犯罪分子通过电话、网络和短信方式，编造虚假信息，设置骗局，对受害人实施远程、非接触式诈骗，诱使受害人给犯罪分子打款或转账的犯罪行为。
符合上述条件的，都是电信诈骗。
对于电信诈骗的，你们可以向公安机关报案或者举报。

Ⅷ 机器学习用在反欺诈领域的算法模型有哪些