網際網路反欺詐體系中的常用方法

反欺詐的方法多種多樣，目前網際網路反欺詐體系中常用的方法有信譽庫、專家規則、機器學習等。

信譽庫

信譽庫即傳統的黑白名單，通過内部積累、外部擷取的各種人員、手機号、裝置、IP等黑白名單對欺詐行為進行辨識，是一種實施簡單、成本較低的反欺詐手段。與此同時，信譽庫也存在着準确度低、覆寫面窄的缺陷和不足，僅可作為網際網路反欺詐的第一道過濾網使用。

規則系統

規則系統是目前較為成熟的反欺詐方法和手段，主要是基于反欺詐政策人員的經驗和教訓來制定反欺詐規則。當使用者的操作請求和操作行為觸發了反欺詐規則時，即被認定為欺詐行為并啟動攔截，常見的如各種聚集度規則等。

規則系統的優勢在于實作較為簡單、可解釋性強，但也存在缺陷，即規則系統具有嚴重的滞後性，無法及時應對新出現的欺詐手段和方法，往往需要付出巨大的代價之後才能總結教訓、提煉出新的規則。此外，由于人腦的限制，規則系統隻能使用一個或幾個次元的參數進行計算，往往存在較大的誤報率。

規則系統嚴重依賴于專家經驗和教訓，不同決策人員制定的規則系統效果也往往存在較大差異，是以規則系統隻能作為網際網路反欺詐的應急手段和最後防線。

機器學習

機器學習是近年來才出現的一種新興的反欺詐方法，目前已經取得了一定的效果，最為常見的如芝麻信用評分等。

機器學習反欺詐是通過機器學習，将使用者各個次元的資料和特征，與欺詐建立關聯，并計算出欺詐發生的機率。

常見的機器學習方法包括有監督機器學習和無監督機器學習兩種：

有監督機器學習是目前較為成熟的一種方法。其基本思路是通過對曆史上出現的欺詐行為進行标記，利用邏輯回歸等機器學習算法，對海量使用者行為特征和标簽進行分類，發現欺詐行為共有的使用者行為特征，并輸出使用者的欺詐分值和機率。

由于網際網路欺詐行為多樣，很難徹底區分欺詐行為與正常行為，是以有監督機器學習的最大難點在于如何準确擷取大量的欺詐行為标記。

無監督機器學習是近年來出現的一種新興思路，迄今為止尚未出現較為成熟和經過實踐驗證的解決方案。

與有監督機器學習方法相比，無監督機器學習方法不需要預先标記欺詐行為，而是通過對所有使用者行為的各次元資料和标簽進行聚類，找出與大多數使用者和行為差異較大的使用者行為，并予以攔截。

理論上，基于無監督機器學習的反欺詐方法可以幫助反欺詐人員脫離被動防守的局面。但是由于無監督機器學習算法對于資料的廣度、深度都有着極其高的要求，是以無監督機器學習算法的效果仍需等待實踐的檢驗。

雖然欺詐行為變化多端，但是欺詐動機和目的卻萬變不離其宗，是以隻要抓住了欺詐行為是為了牟利這個根本原因，就能在此基礎上設定重重防線杜絕欺詐行為的發生。

不同的反欺詐團隊可以将同樣的反欺詐方法發揮出截然不同的效果。如果反欺詐方法運用得好，就可以在準确攔截欺詐行為、避免欺詐損失的同時，讓正常使用者完全無感覺。反之，若對欺詐方法等使用不當，則可能使正常使用者被折磨得苦不堪言，欺詐者卻依然如入無人之境。

是以，結合客戶的業務場景和反欺詐需求，綜合使用各類反欺詐方法和手段，實作企業綜合利益最大化，将是每一個反欺詐團隊永遠的追求。

相關文章

網際網路欺詐，金錢利益下的汩汩惡意

面對網際網路上的汩汩惡意，如何建構反欺詐體系？

智能反欺詐算法概覽

數字金融反欺詐技術名詞表

數字金融欺詐行為名詞表

基于個人信用評分的模組化分析和授信決策