Interneti-pettusel on ettevõtetele laialdane mõju ja see nõuab tõhusat täielikku strateegiat uute kontopettuste ja konto ülevõtmiste tuvastamiseks ja ärahoidmiseks ning kahtlaste maksetehingute peatamiseks. Pettuste avastamine pettuse toimumise ajale on pettuste avastamise ja ennetamise süsteemi edu võtmeks. Süsteem peaks suutma pettusi võimalikult tõhusalt tuvastada ja lõppkasutajat võimalikult kiiresti hoiatada. Seejärel saab kasutaja edasise kuritarvitamise vältimiseks midagi ette võtta.
Selles postituses näitame serverivaba lähenemisviisi veebitehingute pettuste tuvastamiseks peaaegu reaalajas. Näitame, kuidas saate seda lähenemisviisi rakendada erinevatele andmevoogedastus- ja sündmustepõhistele arhitektuuridele, olenevalt soovitud tulemusest ja pettuse ärahoidmiseks võetavatest toimingutest (nt kasutaja teavitamine pettusest või tehingu märgistamine täiendavaks ülevaatamiseks).
See postitus rakendab kolme arhitektuuri:
Pettustehingute tuvastamiseks kasutame Amazon Fraud Detectorit – täielikult hallatavat teenust, mis võimaldab teil tuvastada potentsiaalselt petturlikke tegevusi ja tabada kiiremini rohkem võrgupettusi. Varasematel andmetel põhineva Amazoni pettusedetektori mudeli loomiseks vaadake jaotist Tuvastage veebitehingute pettused Amazoni pettusedetektori uute funktsioonidega. Võite ka kasutada Amazon SageMaker õpetada välja patenteeritud pettuste tuvastamise mudel. Lisateabe saamiseks vaadake Treenige Amazon SageMakeriga petturlike maksete tuvastamist.
Voogesitusandmete kontroll ja pettuste avastamine/ennetamine
See arhitektuur kasutab lambda- ja sammufunktsioone, et võimaldada reaalajas Kinesise andmevoo andmete kontrollimist ning pettuste tuvastamist ja ennetamist Amazoni pettusedetektori abil. Kui kasutate, kehtib sama arhitektuur Amazoni hallatav voogesitus Apache Kafka jaoks (Amazon MSK) andmete voogedastusteenusena. See muster võib olla kasulik reaalajas pettuste tuvastamiseks, teavitamiseks ja võimalikuks ennetamiseks. Selle näideteks võivad olla maksete töötlemine või suuremahuline konto loomine. Järgnev diagramm illustreerib lahenduse arhitektuuri.
Protsessi käik selles teostuses on järgmine:
- Sisestame finantstehingud Kinesise andmevoogu. Andmete allikaks võib olla süsteem, mis neid tehinguid genereerib (nt pood või pangandus).
- Lambda funktsioon võtab tehingud vastu partiidena.
- Lambda funktsioon käivitab partii jaoks Step Functions töövoo.
- Iga tehingu puhul teostab töövoog järgmisi toiminguid.
- Jätkake tehing an Amazon DynamoDB tabelis.
- Helistage Amazon Fraud Detector API kasutades toimingut GetEventPrediction. API tagastab ühe järgmistest tulemustest: kinnita, blokeeri või uuri.
- Värskendage tehingut DynamoDB tabelis pettuste prognoosimise tulemustega.
- Tulemuste põhjal tehke üks järgmistest toimingutest:
- Saatke teatis kasutades Amazoni lihtne teavitusteenus (Amazon SNS) blokeerimise korral või uurige Amazon Fraud Detectori vastust.
- Heakskiitva vastuse korral töötlege tehingut edasi.
See lähenemisviis võimaldab teil reageerida potentsiaalselt petturlikele tehingutele reaalajas, kui salvestate iga tehingu andmebaasi ja kontrollite seda enne edasist töötlemist. Tegelikkuses võite täiendava ülevaatuse teavitamise etapi asendada teie äriprotsessi spetsiifilise toiminguga – näiteks kontrollida tehingut mõne muu pettuse tuvastamise mudeli abil või viia läbi käsitsi ülevaatus.
Voogedastusandmete rikastamine pettuste tuvastamiseks/vältimiseks
Mõnikord peate võib-olla märgistama potentsiaalselt petturlikud andmed, kuid siiski neid töötlema; Näiteks kui salvestate tehingud edasiseks analüüsiks ja kogute rohkem andmeid pettuste tuvastamise mudeli pidevaks häälestamiseks. Kasutusjuhtumi näide on nõuete töötlemine. Nõuete töötlemise ajal kogute kokku kõik nõuete dokumendid ja seejärel käivitate need läbi pettuste tuvastamise süsteemi. Seejärel tehakse otsus nõude töötlemise või tagasilükkamise kohta – mitte tingimata reaalajas. Sellistel juhtudel võib andmete voogesituse rikastamine teie kasutusjuhtumiga paremini sobida.
See arhitektuur kasutab Lambdat, et võimaldada reaalajas Kinesis Data Firehose'i andmete rikastamist, kasutades Amazon Fraud Detectorit ja Kinesis Data Firehose'i andmete teisendus.
See lähenemisviis ei rakenda pettuste ennetamise samme. Edastame rikastatud andmed an Amazoni lihtne salvestusteenus (Amazon S3) kopp. Andmeid tarbivad allteenused saavad pettuste tuvastamise tulemusi oma äriloogikas kasutada ja vastavalt tegutseda. Seda arhitektuuri illustreerib järgmine diagramm.
Protsessi käik selles teostuses on järgmine:
- Sisestame finantstehingud Kinesis Data Firehose'i. Andmete allikaks võib olla süsteem, mis neid tehinguid genereerib, näiteks e-kaubandus või pangandus.
- Lambda funktsioon võtab tehingud vastu partiidena ja rikastab neid. Iga partii tehingu puhul teostab funktsioon järgmisi toiminguid:
- Helistage Amazon Fraud Detector API-le, kasutades toimingut GetEventPrediction. API tagastab ühe kolmest tulemusest: kinnita, blokeeri või uuri.
- Värskendage tehinguandmeid, lisades pettuste tuvastamise tulemused metaandmetena.
- Tagastage värskendatud tehingute partii Kinesis Data Firehose'i tarnevoogu.
- Kinesis Data Firehose edastab andmed sihtkohta (meie puhul S3 ämbrisse).
Selle tulemusena on meil S3 ämbris andmed, mis ei sisalda mitte ainult algandmeid, vaid ka Amazoni pettusedetektori vastust iga tehingu metaandmetena. Saate neid metaandmeid kasutada oma andmeanalüütikalahendustes, masinõppemudeli koolitusülesannetes või visualiseerimistes ja armatuurlaudades, mis tarbivad tehinguandmeid.
Sündmuste andmete kontroll ja pettuste avastamine/ennetamine
Kõik andmed ei jõua teie süsteemi voona. Sündmuspõhiste arhitektuuride puhul saate siiski järgida sarnast lähenemisviisi.
See arhitektuur kasutab sammufunktsioone, et võimaldada EventBridge'i sündmuste reaalajas kontrollimist ja pettuste tuvastamist/ennetamist Amazoni pettusedetektori abil. See ei peata potentsiaalselt petturliku tehingu töötlemist, vaid märgib tehingu täiendavaks ülevaatamiseks. Avaldame rikastatud tehingud sündmuste siinis, mis erineb sellest, kuhu sündmuste töötlemata andmed avaldatakse. Nii saavad andmete tarbijad olla kindlad, et kõik sündmused sisaldavad pettuste tuvastamise tulemusi metaandmetena. Seejärel saavad tarbijad metaandmeid kontrollida ja metaandmete põhjal oma reegleid rakendada. Näiteks sündmustepõhises e-kaubanduse rakenduses võib tarbija tellimust mitte töödelda, kui tehingu puhul eeldatakse, et tegemist on pettusega. See arhitektuurimuster võib olla kasulik ka pettuste tuvastamiseks ja ärahoidmiseks uue konto loomisel või konto profiili muutmisel (nt aadressi, telefoninumbri või kontoprofiilis oleva krediitkaardi muutmisel). Järgnev diagramm illustreerib lahenduse arhitektuuri.
Protsessi käik selles teostuses on järgmine:
- Avaldame finantstehingud EventBridge'i sündmuste siinis. Andmete allikaks võib olla süsteem, mis neid tehinguid genereerib (nt pood või pangandus).
- EventBridge'i reegel käivitab sammufunktsioonide töövoo.
- Step Functions töövoog võtab tehingu vastu ja töötleb seda järgmiste sammudega.
- Helistage Amazon Fraud Detector API-le, kasutades
GetEventPrediction
tegevust. API tagastab ühe kolmest tulemusest: kinnita, blokeeri või uuri. - Värskendage tehinguandmeid, lisades pettuste tuvastamise tulemused.
- Kui tehingu pettuse ennustamise tulemus blokeeritakse või uuritakse, saatke Amazon SNS-i kaudu teade edasiseks uurimiseks.
- Rikastatud andmete saamiseks avaldage värskendatud tehing EventBridge siinis.
- Helistage Amazon Fraud Detector API-le, kasutades
Nagu Kinesis Data Firehose'i andmete rikastamise meetodi puhul, ei takista see arhitektuur petturlike andmete jõudmist järgmise sammuni. See lisab algsele sündmusele pettuse tuvastamise metaandmed ja saadab teateid potentsiaalselt petturlike tehingute kohta. Võib juhtuda, et rikastatud andmete tarbijad ei võta oma otsustesse kaasa äriloogikaid, mis kasutavad pettuste tuvastamise metaandmeid. Sel juhul saate muuta astmefunktsioonide töövoogu nii, et see ei suunaks selliseid tehinguid sihtsiinile ja suunaks need eraldi sündmuste siinile, mida kasutab eraldi kahtlaste tehingute töötlemise rakendus.
Täitmine
Iga selles postituses kirjeldatud arhitektuuri jaoks leiate AWS-i serverita rakendusmudel (AWS SAM) mallid, juurutamise ja testimise juhised näidiste hoidla.
Järeldus
Selles postituses tutvustati erinevaid meetodeid, et rakendada reaalajas pettuste tuvastamise ja ennetamise lahendust Amazoni masinõpe teenused ja serverita arhitektuurid. Need lahendused võimaldavad avastada pettusi pettuse toimumise ajale lähemal ja sellele võimalikult kiiresti reageerida. Rakenduse paindlikkus Step Functions'i abil võimaldab reageerida olukorrale kõige sobivamal viisil ning kohandada ka ennetussamme minimaalsete koodimuudatustega.
Rohkem serverita õpperessursse leiate aadressilt Serverita maa.
Autoritest
Veda Raman on Marylandis asuv masinõppe lahenduste vanemspetsialist. Veda teeb koostööd klientidega, et aidata neil luua tõhusaid, turvalisi ja skaleeritavaid masinõpperakendusi. Veda on huvitatud sellest, et aidata klientidel masinõppe jaoks kasutada serverita tehnoloogiaid.
Giedrius Praspaliauskas on Californias asuv serverita lahenduste vanemspetsialist. Giedrius teeb koostööd klientidega, et aidata neil kasutada serverita teenuseid skaleeritavate, tõrketaluvate, suure jõudlusega ja kulutõhusate rakenduste loomiseks.
- SEO-põhise sisu ja PR-levi. Võimenduge juba täna.
- Platoblockchain. Web3 metaversiooni intelligentsus. Täiustatud teadmised. Juurdepääs siia.
- Allikas: https://aws.amazon.com/blogs/machine-learning/real-time-fraud-detection-using-aws-serverless-and-machine-learning-services/
- :on
- 100
- 28
- 7
- a
- Võimalik
- MEIST
- kuritarvitamise
- vastavalt
- konto
- tegu
- tegevus
- meetmete
- tegevus
- Täiendavad lisad
- aadress
- Lisab
- Häire
- Materjal: BPA ja flataatide vaba plastik
- võimaldab
- Amazon
- Amazoni pettusedetektor
- analytics
- ja
- Apache
- API
- taotlus
- rakendused
- kehtima
- lähenemine
- asjakohane
- heaks kiitma
- arhitektuur
- AS
- AWS
- Pangandus
- põhineb
- BE
- enne
- on
- Parem
- Blokeerima
- ehitama
- buss
- äri
- ettevõtted
- by
- California
- CAN
- kaart
- juhul
- juhtudel
- maadlus
- muutma
- Vaidluste lahendamine
- muutuv
- Vali
- nõudma
- nõuete
- lähemale
- kood
- koguma
- Kollektsioneerimine
- Läbi viima
- pidevalt
- tarbima
- tarbitud
- tarbija
- Tarbijad
- kuluefektiivne
- võiks
- loomine
- krediit
- krediitkaart
- Kliendid
- andmed
- Andmete analüüs
- andmete rikastamine
- andmebaas
- otsus
- otsused
- tarnima
- annab
- tarne
- Olenevalt
- kasutuselevõtu
- kirjeldatud
- soovitud
- sihtkoht
- Detection
- erinev
- dokumendid
- Ei tee
- Ära
- ajal
- iga
- pood
- Tõhus
- tõhusalt
- tõhus
- võimaldama
- võimaldades
- Lõpuks-lõpuni
- rikastatud
- sündmus
- sündmused
- näide
- kiiremini
- fail
- finants-
- leidma
- sobima
- lipud
- Paindlikkus
- voog
- järgima
- Järel
- järgneb
- eest
- pettus
- pettuste avastamine
- PETTUSTE ENNETAMINE
- pettusega
- Alates
- täielikult
- funktsioon
- funktsioonid
- edasi
- genereerib
- Olema
- aitama
- aidates
- suure jõudlusega
- Kuidas
- aga
- HTML
- HTTPS
- i
- identifitseerima
- mõju
- rakendada
- täitmine
- tööriistad
- in
- sisaldama
- hõlmab
- info
- juhised
- huvitatud
- uurima
- uurimine
- IT
- Võti
- Kinesis Data Firehose
- õppimine
- Finantsvõimendus
- nagu
- masin
- masinõpe
- juhitud
- käsiraamat
- Maryland
- Metaandmed
- meetod
- meetodid
- minimaalne
- mudel
- rohkem
- kõige
- tingimata
- Vajadus
- Uus
- järgmine
- teade
- teated
- number
- of
- on
- ONE
- Internetis
- et
- originaal
- Muu
- Tulemus
- enda
- minevik
- Muster
- makse
- maksete töötlemine
- maksetehingud
- täitma
- täidab
- telefon
- Platon
- Platoni andmete intelligentsus
- PlatoData
- võimalik
- post
- potentsiaal
- potentsiaalselt
- ennustada
- ennustus
- vältida
- ennetada
- Ennetamine
- protsess
- Protsessid
- töötlemine
- profiil
- varaline
- avaldama
- avaldatud
- panema
- kiiresti
- pigem
- Töötlemata
- jõuda
- Reageerima
- reaalne
- reaalajas
- saab
- asendama
- Vajab
- Vahendid
- vastus
- kaasa
- Tulemused
- Tulu
- läbi
- liinidel
- Eeskiri
- eeskirjade
- jooks
- Sam
- sama
- skaalautuvia
- kindlustama
- vanem
- eri
- Serverita
- teenus
- Teenused
- peaks
- näitama
- sarnane
- lihtne
- olukord
- So
- lahendus
- Lahendused
- mõned
- allikas
- spetsialist
- konkreetse
- algab
- Samm
- Sammud
- Veel
- Peatus
- ladustamine
- salvestada
- Strateegia
- oja
- streaming
- Voogesituse teenus
- edu
- selline
- kahtlane
- süsteem
- tabel
- Võtma
- ülesanded
- Tehnoloogiad
- malle
- Testimine
- et
- .
- Allikas
- oma
- Neile
- Need
- kolm
- Läbi
- aeg
- et
- Rong
- koolitus
- tehing
- Tehingud
- ajakohastatud
- kasutama
- kasutage juhtumit
- Kasutaja
- eri
- visiit
- kõndis
- Tee..
- laialt levinud
- koos
- töötab
- sa
- Sinu
- sephyrnet