Η διαδικτυακή απάτη έχει εκτεταμένο αντίκτυπο στις επιχειρήσεις και απαιτεί μια αποτελεσματική στρατηγική από άκρο σε άκρο για τον εντοπισμό και την πρόληψη νέων απάτης λογαριασμών και εξαγορών λογαριασμών, καθώς και τη διακοπή ύποπτων συναλλαγών πληρωμών. Ο εντοπισμός της απάτης πιο κοντά στη στιγμή της απάτης είναι το κλειδί για την επιτυχία ενός συστήματος εντοπισμού και πρόληψης απάτης. Το σύστημα θα πρέπει να είναι σε θέση να ανιχνεύει την απάτη όσο το δυνατόν πιο αποτελεσματικά και να ειδοποιεί τον τελικό χρήστη το συντομότερο δυνατό. Ο χρήστης μπορεί στη συνέχεια να επιλέξει να λάβει μέτρα για να αποτρέψει περαιτέρω κατάχρηση.
Σε αυτήν την ανάρτηση, δείχνουμε μια προσέγγιση χωρίς διακομιστή για την ανίχνευση διαδικτυακής απάτης συναλλαγών σε σχεδόν πραγματικό χρόνο. Δείχνουμε πώς μπορείτε να εφαρμόσετε αυτήν την προσέγγιση σε διάφορες αρχιτεκτονικές ροής δεδομένων και συμβάντων, ανάλογα με το επιθυμητό αποτέλεσμα και τις ενέργειες που πρέπει να ληφθούν για την πρόληψη της απάτης (όπως ειδοποίηση του χρήστη σχετικά με την απάτη ή επισήμανση της συναλλαγής για πρόσθετο έλεγχο).
Αυτή η ανάρτηση υλοποιεί τρεις αρχιτεκτονικές:
Για τον εντοπισμό δόλιων συναλλαγών, χρησιμοποιούμε το Amazon Fraud Detector, μια πλήρως διαχειριζόμενη υπηρεσία που σας δίνει τη δυνατότητα να εντοπίζετε πιθανές δόλιες δραστηριότητες και να εντοπίζετε περισσότερες διαδικτυακές απάτες πιο γρήγορα. Για να δημιουργήσετε ένα μοντέλο Amazon Fraud Detector που βασίζεται σε δεδομένα του παρελθόντος, ανατρέξτε στο Εντοπίστε διαδικτυακή απάτη συναλλαγών με νέες δυνατότητες ανιχνευτή απάτης Amazon. Μπορείτε επίσης να χρησιμοποιήσετε Amazon Sage Maker για την εκπαίδευση ενός αποκλειστικού μοντέλου ανίχνευσης απάτης. Για περισσότερες πληροφορίες, ανατρέξτε στο Εκπαιδεύστε τον εντοπισμό δόλιας πληρωμής με το Amazon SageMaker.
Έλεγχος δεδομένων ροής και εντοπισμός/πρόληψη απάτης
Αυτή η αρχιτεκτονική χρησιμοποιεί Λειτουργίες Lambda και Step για να ενεργοποιήσει την επιθεώρηση ροής δεδομένων Kinesis σε πραγματικό χρόνο και τον εντοπισμό και την πρόληψη απάτης χρησιμοποιώντας το Amazon Fraud Detector. Η ίδια αρχιτεκτονική ισχύει αν χρησιμοποιείτε Amazon Managed Streaming για το Apache Kafka (Amazon MSK) ως υπηρεσία ροής δεδομένων. Αυτό το μοτίβο μπορεί να είναι χρήσιμο για ανίχνευση απάτης σε πραγματικό χρόνο, ειδοποίηση και πιθανή πρόληψη. Παραδείγματα περιπτώσεων χρήσης για αυτό θα μπορούσαν να είναι η επεξεργασία πληρωμών ή η δημιουργία λογαριασμού μεγάλου όγκου. Το παρακάτω διάγραμμα απεικονίζει την αρχιτεκτονική λύσης.
Η ροή της διαδικασίας σε αυτήν την υλοποίηση έχει ως εξής:
- Εισάγουμε τις οικονομικές συναλλαγές στη ροή δεδομένων Kinesis. Η πηγή των δεδομένων θα μπορούσε να είναι ένα σύστημα που δημιουργεί αυτές τις συναλλαγές—για παράδειγμα, ηλεκτρονικό εμπόριο ή τραπεζικές συναλλαγές.
- Η συνάρτηση Λάμδα λαμβάνει τις συναλλαγές σε παρτίδες.
- Η συνάρτηση Lambda ξεκινά τη ροή εργασίας Step Functions για την παρτίδα.
- Για κάθε συναλλαγή, η ροή εργασιών εκτελεί τις ακόλουθες ενέργειες:
- Διατήρηση της συναλλαγής σε ένα Amazon DynamoDB πίνακα.
- Τηλεφώνησε στο Amazon Fraud Detector API χρησιμοποιώντας την ενέργεια GetEventPrediction. Το API επιστρέφει ένα από τα ακόλουθα αποτελέσματα: έγκριση, αποκλεισμός ή διερεύνηση.
- Ενημερώστε τη συναλλαγή στον πίνακα DynamoDB με αποτελέσματα πρόβλεψης απάτης.
- Με βάση τα αποτελέσματα, εκτελέστε μία από τις ακόλουθες ενέργειες:
- Στείλτε μια ειδοποίηση χρησιμοποιώντας Υπηρεσία απλών ειδοποιήσεων Amazon (Amazon SNS) σε περίπτωση αποκλεισμού ή διερεύνηση απάντησης από το Amazon Fraud Detector.
- Επεξεργαστείτε περαιτέρω τη συναλλαγή σε περίπτωση απάντησης έγκρισης.
Αυτή η προσέγγιση σάς επιτρέπει να αντιδράτε στις δυνητικά δόλιες συναλλαγές σε πραγματικό χρόνο καθώς αποθηκεύετε κάθε συναλλαγή σε μια βάση δεδομένων και την επιθεωρείτε πριν από την περαιτέρω επεξεργασία. Στην πραγματική εφαρμογή, μπορείτε να αντικαταστήσετε το βήμα ειδοποίησης για πρόσθετο έλεγχο με μια ενέργεια που είναι συγκεκριμένη για την επιχειρηματική σας διαδικασία—για παράδειγμα, επιθεωρήστε τη συναλλαγή χρησιμοποιώντας κάποιο άλλο μοντέλο ανίχνευσης απάτης ή πραγματοποιήστε μη αυτόματο έλεγχο.
Εμπλουτισμός δεδομένων ροής για εντοπισμό/πρόληψη απάτης
Μερικές φορές, μπορεί να χρειαστεί να επισημάνετε πιθανά δόλια δεδομένα αλλά να τα επεξεργάζεστε. για παράδειγμα, όταν αποθηκεύετε τις συναλλαγές για περαιτέρω αναλύσεις και συλλέγετε περισσότερα δεδομένα για συνεχή συντονισμό του μοντέλου ανίχνευσης απάτης. Ένα παράδειγμα περίπτωσης χρήσης είναι η επεξεργασία αξιώσεων. Κατά την επεξεργασία των αξιώσεων, συλλέγετε όλα τα έγγραφα αξιώσεων και στη συνέχεια τα εκτελείτε μέσω ενός συστήματος ανίχνευσης απάτης. Στη συνέχεια λαμβάνεται μια απόφαση επεξεργασίας ή απόρριψης μιας αξίωσης — όχι απαραίτητα σε πραγματικό χρόνο. Σε τέτοιες περιπτώσεις, ο εμπλουτισμός δεδομένων ροής μπορεί να ταιριάζει καλύτερα στην περίπτωση χρήσης σας.
Αυτή η αρχιτεκτονική χρησιμοποιεί Lambda για να ενεργοποιήσει τον εμπλουτισμό δεδομένων Kinesis Data Firehose σε πραγματικό χρόνο χρησιμοποιώντας το Amazon Fraud Detector και Μετασχηματισμός δεδομένων Kinesis Data Firehose.
Αυτή η προσέγγιση δεν εφαρμόζει βήματα πρόληψης της απάτης. Παραδίδουμε εμπλουτισμένα δεδομένα σε ένα Απλή υπηρεσία αποθήκευσης Amazon (Amazon S3) κάδος. Οι μεταγενέστερες υπηρεσίες που καταναλώνουν τα δεδομένα μπορούν να χρησιμοποιήσουν τα αποτελέσματα ανίχνευσης απάτης στις επιχειρηματικές τους λογικές και να ενεργήσουν ανάλογα. Το παρακάτω διάγραμμα απεικονίζει αυτήν την αρχιτεκτονική.
Η ροή της διαδικασίας σε αυτήν την υλοποίηση έχει ως εξής:
- Ενσωματώνουμε τις οικονομικές συναλλαγές στο Kinesis Data Firehose. Η πηγή των δεδομένων θα μπορούσε να είναι ένα σύστημα που δημιουργεί αυτές τις συναλλαγές, όπως το ηλεκτρονικό εμπόριο ή οι τραπεζικές συναλλαγές.
- Μια συνάρτηση Λάμδα λαμβάνει τις συναλλαγές σε παρτίδες και τις εμπλουτίζει. Για κάθε συναλλαγή στη δέσμη, η συνάρτηση εκτελεί τις ακόλουθες ενέργειες:
- Καλέστε το Amazon Fraud Detector API χρησιμοποιώντας την ενέργεια GetEventPrediction. Το API επιστρέφει ένα από τα τρία αποτελέσματα: έγκριση, αποκλεισμός ή διερεύνηση.
- Ενημερώστε τα δεδομένα συναλλαγών προσθέτοντας αποτελέσματα ανίχνευσης απάτης ως μεταδεδομένα.
- Επιστρέψτε τη δέσμη των ενημερωμένων συναλλαγών στη ροή παράδοσης Kinesis Data Firehose.
- Το Kinesis Data Firehose παραδίδει δεδομένα στον προορισμό (στην περίπτωσή μας, τον κάδο S3).
Ως αποτέλεσμα, έχουμε δεδομένα στον κάδο S3 που περιλαμβάνει όχι μόνο τα αρχικά δεδομένα αλλά και την απόκριση του Amazon Fraud Detector ως μεταδεδομένα για καθεμία από τις συναλλαγές. Μπορείτε να χρησιμοποιήσετε αυτά τα μεταδεδομένα στις λύσεις ανάλυσης δεδομένων, σε εργασίες εκπαίδευσης μοντέλων μηχανικής εκμάθησης ή σε οπτικοποιήσεις και πίνακες εργαλείων που καταναλώνουν δεδομένα συναλλαγών.
Επιθεώρηση δεδομένων συμβάντων και εντοπισμός/πρόληψη απάτης
Δεν έρχονται όλα τα δεδομένα στο σύστημά σας ως ροή. Ωστόσο, σε περιπτώσεις αρχιτεκτονικών που βασίζονται σε συμβάντα, μπορείτε ακόμα να ακολουθήσετε μια παρόμοια προσέγγιση.
Αυτή η αρχιτεκτονική χρησιμοποιεί Λειτουργίες Βήματος για να ενεργοποιήσει την επιθεώρηση συμβάντων EventBridge σε πραγματικό χρόνο και τον εντοπισμό/πρόληψη απάτης με χρήση του Amazon Fraud Detector. Δεν σταματά την επεξεργασία της δυνητικά δόλιας συναλλαγής, αλλά επισημαίνει τη συναλλαγή για επιπλέον έλεγχο. Δημοσιεύουμε εμπλουτισμένες συναλλαγές σε ένα λεωφορείο συμβάντων που διαφέρει από αυτό στο οποίο δημοσιεύονται τα μη επεξεργασμένα δεδομένα συμβάντων. Με αυτόν τον τρόπο, οι καταναλωτές των δεδομένων μπορούν να είναι σίγουροι ότι όλα τα συμβάντα περιλαμβάνουν αποτελέσματα ανίχνευσης απάτης ως μεταδεδομένα. Οι καταναλωτές μπορούν στη συνέχεια να επιθεωρήσουν τα μεταδεδομένα και να εφαρμόσουν τους δικούς τους κανόνες με βάση τα μεταδεδομένα. Για παράδειγμα, σε μια εφαρμογή ηλεκτρονικού εμπορίου που βασίζεται σε συμβάντα, ένας καταναλωτής μπορεί να επιλέξει να μην επεξεργαστεί την παραγγελία εάν αυτή η συναλλαγή προβλέπεται ότι είναι δόλια. Αυτό το μοτίβο αρχιτεκτονικής μπορεί επίσης να είναι χρήσιμο για τον εντοπισμό και την αποτροπή απάτης κατά τη δημιουργία νέου λογαριασμού ή κατά τις αλλαγές προφίλ λογαριασμού (όπως αλλαγή της διεύθυνσης, του αριθμού τηλεφώνου ή της πιστωτικής κάρτας στο αρχείο στο προφίλ του λογαριασμού σας). Το παρακάτω διάγραμμα απεικονίζει την αρχιτεκτονική λύσης.
Η ροή της διαδικασίας σε αυτήν την υλοποίηση έχει ως εξής:
- Δημοσιεύουμε τις οικονομικές συναλλαγές σε ένα λεωφορείο εκδηλώσεων EventBridge. Η πηγή των δεδομένων θα μπορούσε να είναι ένα σύστημα που δημιουργεί αυτές τις συναλλαγές—για παράδειγμα, ηλεκτρονικό εμπόριο ή τραπεζικές συναλλαγές.
- Ο κανόνας EventBridge ξεκινά τη ροή εργασίας Step Functions.
- Η ροή εργασίας Step Functions λαμβάνει τη συναλλαγή και την επεξεργάζεται με τα ακόλουθα βήματα:
- Καλέστε το Amazon Fraud Detector API χρησιμοποιώντας το
GetEventPrediction
δράση. Το API επιστρέφει ένα από τα τρία αποτελέσματα: έγκριση, αποκλεισμός ή διερεύνηση. - Ενημερώστε τα δεδομένα συναλλαγών προσθέτοντας αποτελέσματα ανίχνευσης απάτης.
- Εάν το αποτέλεσμα της πρόβλεψης απάτης συναλλαγών είναι αποκλεισμός ή διερεύνηση, στείλτε μια ειδοποίηση χρησιμοποιώντας το Amazon SNS για περαιτέρω έρευνα.
- Δημοσιεύστε την ενημερωμένη συναλλαγή στο δίαυλο EventBridge για εμπλουτισμένα δεδομένα.
- Καλέστε το Amazon Fraud Detector API χρησιμοποιώντας το
Όπως και στη μέθοδο εμπλουτισμού δεδομένων Kinesis Data Firehose, αυτή η αρχιτεκτονική δεν εμποδίζει τα δόλια δεδομένα να φτάσουν στο επόμενο βήμα. Προσθέτει μεταδεδομένα ανίχνευσης απάτης στο αρχικό συμβάν και στέλνει ειδοποιήσεις για πιθανές δόλιες συναλλαγές. Μπορεί οι καταναλωτές των εμπλουτισμένων δεδομένων να μην περιλαμβάνουν επιχειρηματικές λογικές που χρησιμοποιούν μεταδεδομένα εντοπισμού απάτης στις αποφάσεις τους. Σε αυτήν την περίπτωση, μπορείτε να αλλάξετε τη ροή εργασίας Step Functions, ώστε να μην τοποθετεί τέτοιες συναλλαγές στο λεωφορείο προορισμού και να τις δρομολογεί σε ξεχωριστό δίαυλο συμβάντων που θα καταναλωθεί από μια ξεχωριστή εφαρμογή επεξεργασίας ύποπτων συναλλαγών.
Εκτέλεση
Για καθεμία από τις αρχιτεκτονικές που περιγράφονται σε αυτήν την ανάρτηση, μπορείτε να βρείτε Μοντέλο εφαρμογής χωρίς διακομιστή AWS (AWS SAM) πρότυπα, οδηγίες ανάπτυξης και δοκιμής στο αποθήκη δειγμάτων.
Συμπέρασμα
Αυτή η ανάρτηση περιηγήθηκε σε διάφορες μεθόδους για την εφαρμογή μιας λύσης εντοπισμού και πρόληψης απάτης σε πραγματικό χρόνο Εκμάθηση μηχανών του Αμαζονίου υπηρεσίες και αρχιτεκτονικές χωρίς διακομιστή. Αυτές οι λύσεις σάς επιτρέπουν να εντοπίζετε την απάτη πιο κοντά στη στιγμή της απάτης και να ενεργείτε σχετικά με αυτήν το συντομότερο δυνατό. Η ευελιξία της υλοποίησης με χρήση των Λειτουργιών Βήματος σάς επιτρέπει να αντιδράτε με τον πιο κατάλληλο τρόπο για την περίσταση και επίσης να προσαρμόζετε τα βήματα πρόληψης με ελάχιστες αλλαγές κώδικα.
Για περισσότερους πόρους εκμάθησης χωρίς διακομιστή, επισκεφθείτε Γη χωρίς διακομιστή.
Σχετικά με τους Συγγραφείς
Βέντα Ραμάν είναι Senior Specialist Solutions Architect για μηχανική μάθηση με έδρα το Maryland. Η Veda συνεργάζεται με πελάτες για να τους βοηθήσει να αρχιτεκτονήσουν αποτελεσματικές, ασφαλείς και επεκτάσιμες εφαρμογές μηχανικής εκμάθησης. Η Veda ενδιαφέρεται να βοηθήσει τους πελάτες να αξιοποιήσουν τεχνολογίες χωρίς διακομιστές για Μηχανική Εκμάθηση.
Giedrius Praspaliauskas είναι Senior Specialist Solutions Architect για serverless με έδρα στην Καλιφόρνια. Η Giedrius συνεργάζεται με πελάτες για να τους βοηθήσει να αξιοποιήσουν υπηρεσίες χωρίς διακομιστή για να δημιουργήσουν επεκτάσιμες, ανεκτικές σε σφάλματα, υψηλής απόδοσης και οικονομικά αποδοτικές εφαρμογές.
- SEO Powered Content & PR Distribution. Ενισχύστε σήμερα.
- Platoblockchain. Web3 Metaverse Intelligence. Ενισχύθηκε η γνώση. Πρόσβαση εδώ.
- πηγή: https://aws.amazon.com/blogs/machine-learning/real-time-fraud-detection-using-aws-serverless-and-machine-learning-services/
- :είναι
- 100
- 28
- 7
- a
- Ικανός
- Σχετικα
- κατάχρηση
- αναλόγως
- Λογαριασμός
- Πράξη
- Ενέργειες
- ενεργειών
- δραστηριοτήτων
- Πρόσθετος
- διεύθυνση
- Προσθέτει
- Ειδοποίηση
- Όλα
- επιτρέπει
- Amazon
- Ανιχνευτής απάτης Amazon
- analytics
- και
- Apache
- api
- Εφαρμογή
- εφαρμογές
- Εφαρμογή
- πλησιάζω
- κατάλληλος
- εγκρίνω
- αρχιτεκτονική
- AS
- AWS
- Τράπεζες
- βασίζονται
- BE
- πριν
- είναι
- Καλύτερα
- Αποκλεισμός
- χτίζω
- λεωφορείο
- επιχείρηση
- επιχειρήσεις
- by
- Καλιφόρνια
- CAN
- κάρτα
- περίπτωση
- περιπτώσεις
- πάλη
- αλλαγή
- Αλλαγές
- αλλαγή
- Επιλέξτε
- ισχυρισμός
- αξιώσεις
- πιο κοντά
- κωδικός
- συλλέγουν
- Συλλέγοντας
- Διεξαγωγή
- συνεχώς
- καταναλώνουν
- καταναλώνεται
- καταναλωτής
- Καταναλωτές
- αποδοτική
- θα μπορούσε να
- δημιουργία
- μονάδες
- πιστωτική κάρτα
- Πελάτες
- ημερομηνία
- Δεδομένα Analytics
- εμπλουτισμός δεδομένων
- βάση δεδομένων
- απόφαση
- αποφάσεις
- παραδώσει
- παραδίδει
- διανομή
- Σε συνάρτηση
- ανάπτυξη
- περιγράφεται
- επιθυμητή
- προορισμός
- Ανίχνευση
- διαφορετικές
- έγγραφα
- Όχι
- Μην
- κατά την διάρκεια
- κάθε
- ηλεκτρονικού εμπορίου
- Αποτελεσματικός
- αποτελεσματικά
- αποτελεσματικός
- ενεργοποιήσετε
- ενεργοποίηση
- από άκρη σε άκρη
- εμπλουτισμένος
- Συμβάν
- εκδηλώσεις
- παράδειγμα
- γρηγορότερα
- Αρχεία
- οικονομικός
- Εύρεση
- ταιριάζουν
- σημαίες
- Ευελιξία
- ροή
- ακολουθήστε
- Εξής
- εξής
- Για
- απάτη
- ανίχνευση απάτης
- ΠΡΟΛΗΨΗ ΤΗΣ ΑΠΑΤΗΣ
- απατηλός
- από
- πλήρως
- λειτουργία
- λειτουργίες
- περαιτέρω
- δημιουργεί
- Έχω
- βοήθεια
- βοήθεια
- υψηλή απόδοση
- Πως
- Ωστόσο
- HTML
- HTTPS
- i
- προσδιορίσει
- Επίπτωση
- εφαρμογή
- εκτέλεση
- υλοποιεί
- in
- περιλαμβάνουν
- περιλαμβάνει
- πληροφορίες
- οδηγίες
- ενδιαφερόμενος
- διερευνήσει
- έρευνα
- IT
- Κλειδί
- Kinesis Data Firehose
- μάθηση
- Μόχλευση
- Μου αρέσει
- μηχανή
- μάθηση μηχανής
- διαχειρίζεται
- Ταχύτητες
- Μέριλαντ
- Μεταδεδομένα
- μέθοδος
- μέθοδοι
- ελάχιστος
- μοντέλο
- περισσότερο
- πλέον
- αναγκαίως
- Ανάγκη
- Νέα
- επόμενη
- κοινοποίηση
- κοινοποιήσεις
- αριθμός
- of
- on
- ONE
- διαδικτυακά (online)
- τάξη
- πρωτότυπο
- ΑΛΛΑ
- Αποτέλεσμα
- δική
- Το παρελθόν
- πρότυπο
- πληρωμή
- επεξεργασία πληρωμών
- συναλλαγές πληρωμής
- Εκτελέστε
- εκτελεί
- τηλέφωνο
- Πλάτων
- Πληροφορία δεδομένων Plato
- Πλάτωνα δεδομένα
- δυνατός
- Θέση
- δυναμικού
- ενδεχομένως
- προβλεπόμενη
- πρόβλεψη
- πρόληψη
- πρόληψη
- Πρόληψη
- διαδικασια μας
- Διεργασίες
- μεταποίηση
- Προφίλ ⬇️
- ιδιόκτητο
- δημοσιεύει
- δημοσιεύθηκε
- βάζω
- γρήγορα
- μάλλον
- Ακατέργαστος
- φθάνοντας
- Αντίδραση
- πραγματικός
- σε πραγματικό χρόνο
- λαμβάνει
- αντικαθιστώ
- Απαιτεί
- Υποστηρικτικό υλικό
- απάντησης
- αποτέλεσμα
- Αποτελέσματα
- Επιστροφές
- ανασκόπηση
- δρομολόγια
- Άρθρο
- κανόνες
- τρέξιμο
- Sam
- ίδιο
- επεκτάσιμη
- προστατευμένο περιβάλλον
- αρχαιότερος
- ξεχωριστό
- Χωρίς διακομιστή
- υπηρεσία
- Υπηρεσίες
- θα πρέπει να
- δείχνουν
- παρόμοιες
- Απλούς
- κατάσταση
- So
- λύση
- Λύσεις
- μερικοί
- Πηγή
- ειδικός
- συγκεκριμένες
- ξεκινά
- Βήμα
- Βήματα
- Ακόμη
- στάση
- χώρος στο δίσκο
- κατάστημα
- Στρατηγική
- μετάδοση
- ροής
- streaming υπηρεσία
- επιτυχία
- τέτοιος
- ύποπτος
- σύστημα
- τραπέζι
- Πάρτε
- εργασίες
- Τεχνολογίες
- πρότυπα
- Δοκιμές
- ότι
- Η
- Η Πηγη
- τους
- Τους
- Αυτοί
- τρία
- Μέσω
- ώρα
- προς την
- Τρένο
- Εκπαίδευση
- συναλλαγή
- Συναλλαγές
- ενημερώθηκε
- χρήση
- περίπτωση χρήσης
- Χρήστες
- διάφορα
- Επίσκεψη
- περπάτησε
- Τρόπος..
- διαδεδομένη
- με
- λειτουργεί
- Εσείς
- Σας
- zephyrnet