کلاهبرداری آنلاین تأثیر گستردهای بر کسبوکارها دارد و نیازمند یک استراتژی مؤثر سرتاسری برای شناسایی و جلوگیری از کلاهبرداری حسابهای جدید و تصاحب حسابها و توقف تراکنشهای پرداخت مشکوک است. کشف تقلب نزدیک به زمان وقوع تقلب، کلید موفقیت سیستم تشخیص و پیشگیری از تقلب است. این سیستم باید بتواند تا حد امکان تقلب را به طور موثر تشخیص دهد و همچنین در اسرع وقت به کاربر نهایی هشدار دهد. سپس کاربر می تواند اقدامی را برای جلوگیری از سوء استفاده بیشتر انتخاب کند.
در این پست، ما یک رویکرد بدون سرور برای شناسایی تقلب در تراکنش های آنلاین در زمان تقریباً واقعی را نشان می دهیم. ما نشان میدهیم که چگونه میتوانید این رویکرد را در معماریهای مختلف جریان داده و رویداد محور اعمال کنید، بسته به نتیجه مورد نظر و اقداماتی که باید برای جلوگیری از تقلب انجام دهید (مانند هشدار دادن به کاربر در مورد کلاهبرداری یا پرچمگذاری تراکنش برای بررسی بیشتر).
این پست سه معماری را پیاده سازی می کند:
برای شناسایی تراکنشهای متقلبانه، ما از Amazon Fraud Detector استفاده میکنیم، یک سرویس کاملاً مدیریت شده که به شما امکان میدهد فعالیتهای بالقوه کلاهبرداری را شناسایی کنید و کلاهبرداری آنلاین بیشتری را سریعتر کشف کنید. برای ساخت یک مدل آشکارساز تقلب آمازون بر اساس داده های گذشته، مراجعه کنید با ویژگیهای جدید آشکارساز تقلب آمازون، کلاهبرداری معاملات آنلاین را شناسایی کنید. شما همچنین می توانید استفاده کنید آمازون SageMaker برای آموزش یک مدل تشخیص تقلب اختصاصی. برای اطلاعات بیشتر مراجعه کنید آموزش تشخیص پرداخت های تقلبی با Amazon SageMaker.
بازرسی جریانی داده ها و کشف/جلوگیری از تقلب
این معماری از توابع Lambda و Step برای فعال کردن بازرسی جریان داده Kinesis در زمان واقعی و شناسایی و پیشگیری از تقلب با استفاده از آشکارساز تقلب آمازون استفاده می کند. در صورت استفاده از معماری مشابه نیز صدق می کند آمازون پخش جریانی را برای آپاچی کافکا مدیریت کرد (Amazon MSK) به عنوان یک سرویس جریان داده. این الگو می تواند برای کشف تقلب در زمان واقعی، اطلاع رسانی و پیشگیری بالقوه مفید باشد. موارد استفاده مثال برای این می تواند پردازش پرداخت یا ایجاد حساب با حجم بالا باشد. نمودار زیر معماری راه حل را نشان می دهد.
جریان فرآیند در این پیاده سازی به شرح زیر است:
- ما تراکنش های مالی را وارد جریان داده های Kinesis می کنیم. منبع دادهها میتواند سیستمی باشد که این تراکنشها را ایجاد میکند - برای مثال، تجارت الکترونیک یا بانک.
- تابع Lambda تراکنش ها را به صورت دسته ای دریافت می کند.
- تابع Lambda گردش کار توابع مرحله را برای دسته شروع می کند.
- برای هر تراکنش، گردش کار اقدامات زیر را انجام می دهد:
- ادامه معامله در یک آمازون DynamoDB جدول.
- با ... تماس بگیر Amazon Fraud Detector API با استفاده از اقدام GetEventPrediction. API یکی از نتایج زیر را برمیگرداند: تأیید، مسدود کردن یا بررسی.
- تراکنش را در جدول DynamoDB با نتایج پیش بینی کلاهبرداری به روز کنید.
- بر اساس نتایج، یکی از اقدامات زیر را انجام دهید:
- با استفاده از اعلان ارسال کنید سرویس اطلاع رسانی ساده آمازون (Amazon SNS) در صورت مسدود کردن یا بررسی پاسخ آمازون Fraud Detector.
- در صورت پاسخ تایید تراکنش را بیشتر پردازش کنید.
این رویکرد به شما اجازه میدهد تا زمانی که هر تراکنش را در یک پایگاه داده ذخیره میکنید و قبل از پردازش بیشتر آن را بازرسی میکنید، به تراکنشهای بالقوه تقلبی در زمان واقعی واکنش نشان دهید. در اجرای واقعی، میتوانید مرحله اعلان را برای بررسی بیشتر با اقدامی که مختص فرآیند کسبوکارتان است جایگزین کنید - برای مثال، تراکنش را با استفاده از مدلهای دیگر کشف تقلب بررسی کنید یا یک بازبینی دستی انجام دهید.
جریان غنی سازی داده ها برای کشف / جلوگیری از تقلب
گاهی اوقات، ممکن است لازم باشد داده های بالقوه جعلی را علامت گذاری کنید، اما همچنان آنها را پردازش کنید. به عنوان مثال، زمانی که تراکنش ها را برای تجزیه و تحلیل بیشتر و جمع آوری داده های بیشتر برای تنظیم مداوم مدل تشخیص تقلب ذخیره می کنید. نمونه مورد استفاده، پردازش ادعاها است. در طول رسیدگی به ادعاها، شما تمام اسناد ادعاها را جمع آوری می کنید و سپس آنها را از طریق یک سیستم تشخیص تقلب اجرا می کنید. سپس تصمیمی برای پردازش یا رد یک ادعا گرفته می شود - نه لزوماً در زمان واقعی. در چنین مواردی، غنیسازی دادههای جریانی ممکن است مناسبتر با مورد استفاده شما باشد.
این معماری از لامبدا برای فعال کردن غنیسازی دادههای Kinesis Data Firehose در زمان واقعی با استفاده از آشکارساز تقلب آمازون استفاده میکند. Kinesis Data Firehose تبدیل داده.
این رویکرد مراحل پیشگیری از تقلب را اجرا نمی کند. ما داده های غنی شده را به یک سرویس ذخیره سازی ساده آمازون سطل (Amazon S3). سرویسهای پاییندستی که دادهها را مصرف میکنند، میتوانند از نتایج کشف تقلب در منطق کسبوکار خود استفاده کنند و بر اساس آن عمل کنند. نمودار زیر این معماری را نشان می دهد.
جریان فرآیند در این پیاده سازی به شرح زیر است:
- ما تراکنش های مالی را در Kinesis Data Firehose وارد می کنیم. منبع داده ها می تواند سیستمی باشد که این تراکنش ها را ایجاد می کند، مانند تجارت الکترونیک یا بانک.
- یک تابع Lambda تراکنش ها را به صورت دسته ای دریافت می کند و آنها را غنی می کند. برای هر تراکنش در دسته، تابع اقدامات زیر را انجام می دهد:
- با استفاده از اقدام GetEventPrediction، Amazon Fraud Detector API را فراخوانی کنید. API یکی از سه نتیجه را برمیگرداند: تأیید، مسدود کردن یا بررسی.
- با افزودن نتایج کشف تقلب به عنوان ابرداده، داده های تراکنش را به روز کنید.
- دسته ای از تراکنش های به روز شده را به جریان تحویل Kinesis Data Firehose برگردانید.
- Kinesis Data Firehose داده ها را به مقصد (در مورد ما، سطل S3) تحویل می دهد.
در نتیجه، دادههایی در سطل S3 داریم که نه تنها دادههای اصلی، بلکه پاسخ آشکارساز تقلب آمازون را نیز به عنوان ابرداده برای هر یک از تراکنشها شامل میشود. میتوانید از این ابرداده در راهحلهای تجزیه و تحلیل دادهها، وظایف آموزش مدل یادگیری ماشین، یا تجسمها و داشبوردهایی که دادههای تراکنش را مصرف میکنند، استفاده کنید.
بازرسی داده های رویداد و کشف/جلوگیری از تقلب
همه داده ها به صورت جریانی وارد سیستم شما نمی شوند. با این حال، در مورد معماری های رویداد محور، هنوز هم می توانید رویکرد مشابهی را دنبال کنید.
این معماری از توابع مرحله برای فعال کردن بازرسی رویداد رویداد Bridge در زمان واقعی و تشخیص/جلوگیری از تقلب با استفاده از آشکارساز تقلب آمازون استفاده میکند. پردازش تراکنش بالقوه جعلی را متوقف نمی کند، بلکه تراکنش را برای بررسی بیشتر علامت گذاری می کند. ما تراکنشهای غنیشده را در گذرگاه رویدادی منتشر میکنیم که با اتوبوسی که دادههای رویداد خام در آن منتشر میشود، متفاوت است. به این ترتیب، مصرفکنندگان دادهها میتوانند مطمئن شوند که همه رویدادها شامل نتایج کشف تقلب به عنوان ابرداده میشوند. سپس مصرف کنندگان می توانند ابرداده ها را بررسی کرده و قوانین خود را بر اساس ابرداده اعمال کنند. به عنوان مثال، در یک برنامه تجارت الکترونیک مبتنی بر رویداد، یک مصرف کننده می تواند تصمیم بگیرد که در صورتی که این تراکنش تقلبی باشد، سفارش را پردازش نکند. این الگوی معماری همچنین میتواند برای شناسایی و جلوگیری از کلاهبرداری در ایجاد حساب جدید یا در طول تغییرات نمایه حساب (مانند تغییر آدرس، شماره تلفن یا کارت اعتباری موجود در پرونده در نمایه حساب) مفید باشد. نمودار زیر معماری راه حل را نشان می دهد.
جریان فرآیند در این پیاده سازی به شرح زیر است:
- ما تراکنش های مالی را در گذرگاه رویداد EventBridge منتشر می کنیم. منبع دادهها میتواند سیستمی باشد که این تراکنشها را ایجاد میکند - برای مثال، تجارت الکترونیک یا بانک.
- قانون EventBridge گردش کار توابع Step را شروع می کند.
- گردش کار Step Functions تراکنش را دریافت کرده و با مراحل زیر پردازش می کند:
- با استفاده از API آشکارساز تقلب آمازون تماس بگیرید
GetEventPrediction
عمل. API یکی از سه نتیجه را برمیگرداند: تأیید، مسدود کردن یا بررسی. - با افزودن نتایج کشف تقلب، داده های تراکنش را به روز کنید.
- اگر نتیجه پیشبینی تقلب در تراکنش بلوک یا بررسی شد، برای بررسی بیشتر با استفاده از Amazon SNS اعلان ارسال کنید.
- تراکنش به روز شده را برای داده های غنی شده در گذرگاه EventBridge منتشر کنید.
- با استفاده از API آشکارساز تقلب آمازون تماس بگیرید
همانطور که در روش غنیسازی دادههای Kinesis Data Firehose، این معماری مانع از رسیدن دادههای تقلبی به مرحله بعدی نمیشود. متادیتای تشخیص تقلب را به رویداد اصلی اضافه میکند و اعلانهایی درباره تراکنشهای بالقوه جعلی ارسال میکند. ممکن است مصرفکنندگان دادههای غنیشده، منطقهای تجاری را که از فرادادههای تشخیص تقلب در تصمیمگیریهای خود استفاده میکنند، لحاظ نکنند. در آن صورت، میتوانید گردش کار Step Functions را تغییر دهید تا چنین تراکنشهایی را در گذرگاه مقصد قرار ندهد و آنها را به یک اتوبوس رویداد جداگانه هدایت کند تا توسط یک برنامه پردازش تراکنشهای مشکوک جداگانه مصرف شود.
پیاده سازی
برای هر یک از معماری های توضیح داده شده در این پست، می توانید پیدا کنید مدل برنامه بدون سرور AWS (AWS SAM)، دستورالعملهای استقرار و آزمایش در مخزن نمونه.
نتیجه
در این پست روشهای مختلفی برای پیادهسازی راهحل تشخیص و پیشگیری از تقلب در زمان واقعی با استفاده از آن ارائه شد آموزش ماشین آمازون خدمات و معماری های بدون سرور. این راه حل ها به شما این امکان را می دهد که تقلب را نزدیک به زمان وقوع تقلب شناسایی کرده و در سریع ترین زمان ممکن نسبت به آن اقدام کنید. انعطافپذیری پیادهسازی با استفاده از توابع Step به شما امکان میدهد به روشی که مناسبترین حالت را دارد واکنش نشان دهید و همچنین مراحل پیشگیری را با حداقل تغییرات کد تنظیم کنید.
برای منابع آموزشی بدون سرور بیشتر، به سایت مراجعه کنید سرزمین بدون سرور.
درباره نویسنده
ودا رامان یک معمار ارشد راه حل متخصص برای یادگیری ماشین مستقر در مریلند است. ودا با مشتریان همکاری می کند تا به آنها کمک کند تا برنامه های یادگیری ماشینی کارآمد، ایمن و مقیاس پذیر را طراحی کنند. ودا علاقه مند است به مشتریان در استفاده از فناوری های بدون سرور برای یادگیری ماشین کمک کند.
گیدریوس پراسپایوسکاس یک معمار ارشد راه حل متخصص برای بدون سرور مستقر در کالیفرنیا است. Giedrius با مشتریان همکاری می کند تا به آنها کمک کند تا از خدمات بدون سرور برای ساخت برنامه های کاربردی مقیاس پذیر، مقاوم در برابر خطا، با کارایی بالا و مقرون به صرفه استفاده کنند.
- محتوای مبتنی بر SEO و توزیع روابط عمومی. امروز تقویت شوید.
- پلاتوبلاک چین. Web3 Metaverse Intelligence. دانش تقویت شده دسترسی به اینجا.
- منبع: https://aws.amazon.com/blogs/machine-learning/real-time-fraud-detection-using-aws-serverless-and-machine-learning-services/
- :است
- 100
- 28
- 7
- a
- قادر
- درباره ما
- سو استفاده کردن
- بر این اساس
- حساب
- عمل
- عمل
- اقدامات
- فعالیت ها
- اضافی
- نشانی
- می افزاید:
- هوشیار
- معرفی
- اجازه می دهد تا
- آمازون
- ردیاب تقلب آمازون
- علم تجزیه و تحلیل
- و
- آپاچی
- API
- کاربرد
- برنامه های کاربردی
- درخواست
- روش
- مناسب
- تصویب
- معماری
- AS
- AWS
- بانکداری
- مستقر
- BE
- قبل از
- بودن
- بهتر
- مسدود کردن
- ساختن
- اتوبوس
- کسب و کار
- کسب و کار
- by
- کالیفرنیا
- CAN
- کارت
- مورد
- موارد
- کشتی
- تغییر دادن
- تبادل
- متغیر
- را انتخاب کنید
- ادعا
- ادعای
- نزدیک
- رمز
- جمع آوری
- جمع آوری
- رفتار
- به طور مداوم
- مصرف
- مصرف
- مصرف کننده
- مصرف کنندگان
- مقرون به صرفه
- میتوانست
- ایجاد
- اعتبار
- کارت اعتباری
- مشتریان
- داده ها
- تجزیه و تحلیل داده ها
- غنی سازی داده ها
- پایگاه داده
- تصمیم
- تصمیم گیری
- ارائه
- ارائه
- تحویل
- بستگی دارد
- گسترش
- شرح داده شده
- مطلوب
- مقصد
- کشف
- مختلف
- اسناد و مدارک
- نمی کند
- آیا
- در طی
- هر
- تجارت الکترونیک
- موثر
- به طور موثر
- موثر
- قادر ساختن
- را قادر می سازد
- پشت سر هم
- غنی شده
- واقعه
- حوادث
- مثال
- سریعتر
- پرونده
- مالی
- پیدا کردن
- مناسب
- پرچم ها
- انعطاف پذیری
- جریان
- به دنبال
- پیروی
- به دنبال آن است
- برای
- تقلب
- کشف تقلب
- جلوگیری از کلاه برداری
- جعلی
- از جانب
- کاملا
- تابع
- توابع
- بیشتر
- تولید می کند
- آیا
- کمک
- کمک
- با عملکرد بالا
- چگونه
- اما
- HTML
- HTTPS
- i
- شناسایی
- تأثیر
- انجام
- پیاده سازی
- پیاده سازی می کند
- in
- شامل
- شامل
- اطلاعات
- دستورالعمل
- علاقه مند
- بررسی
- تحقیق
- IT
- کلید
- کینسیس دیتا فایرهوز
- یادگیری
- قدرت نفوذ
- پسندیدن
- دستگاه
- فراگیری ماشین
- اداره می شود
- کتابچه راهنمای
- مریلند
- متاداده
- روش
- روش
- حداقل
- مدل
- بیش
- اکثر
- لزوما
- نیاز
- جدید
- بعد
- اخطار
- اطلاعیه ها
- عدد
- of
- on
- ONE
- آنلاین
- سفارش
- اصلی
- دیگر
- نتیجه
- خود
- گذشته
- الگو
- پرداخت
- فرایند پرداخت
- معاملات پرداخت
- انجام
- انجام می دهد
- تلفن
- افلاطون
- هوش داده افلاطون
- PlatoData
- ممکن
- پست
- پتانسیل
- بالقوه
- پیش بینی
- پیش گویی
- جلوگیری از
- جلوگیری
- پیشگیری
- روند
- فرآیندهای
- در حال پردازش
- مشخصات
- اختصاصی
- منتشر کردن
- منتشر شده
- قرار دادن
- به سرعت
- نسبتا
- خام
- رسیدن به
- واکنش نشان می دهند
- واقعی
- زمان واقعی
- دریافت
- جایگزین کردن
- نیاز
- منابع
- پاسخ
- نتیجه
- نتایج
- بازده
- این فایل نقد می نویسید:
- مسیرها
- قانون
- قوانین
- دویدن
- سام
- همان
- مقیاس پذیر
- امن
- ارشد
- جداگانه
- بدون سرور
- سرویس
- خدمات
- باید
- نشان
- مشابه
- ساده
- وضعیت
- So
- راه حل
- مزایا
- برخی از
- منبع
- متخصص
- خاص
- شروع می شود
- گام
- مراحل
- هنوز
- توقف
- ذخیره سازی
- opbevare
- استراتژی
- جریان
- جریان
- سرویس جریان
- موفقیت
- چنین
- مشکوک
- سیستم
- جدول
- گرفتن
- وظایف
- فن آوری
- قالب
- تست
- که
- La
- منبع
- شان
- آنها
- اینها
- سه
- از طریق
- زمان
- به
- قطار
- آموزش
- معامله
- معاملات
- به روز شده
- استفاده کنید
- مورد استفاده
- کاربر
- مختلف
- بازدید
- راه می رفت
- مسیر..
- بطور گسترده
- با
- با این نسخهها کار
- شما
- شما
- زفیرنت