ऑनलाइन धोखाधड़ी का व्यवसायों पर व्यापक प्रभाव पड़ता है और नए खाता धोखाधड़ी और खाता अधिग्रहण को रोकने और संदिग्ध भुगतान लेनदेन को रोकने के लिए एक प्रभावी एंड-टू-एंड रणनीति की आवश्यकता होती है। धोखाधड़ी की घटना के समय के करीब धोखाधड़ी का पता लगाना धोखाधड़ी का पता लगाने और रोकथाम प्रणाली की सफलता की कुंजी है। सिस्टम को यथासंभव प्रभावी ढंग से धोखाधड़ी का पता लगाने में सक्षम होना चाहिए और अंत-उपयोगकर्ता को जितनी जल्दी हो सके सचेत करना चाहिए। उपयोगकर्ता तब आगे के दुरुपयोग को रोकने के लिए कार्रवाई करना चुन सकता है।
इस पोस्ट में, हम वास्तविक समय में ऑनलाइन लेनदेन धोखाधड़ी का पता लगाने के लिए एक सर्वर रहित दृष्टिकोण दिखाते हैं। हम दिखाते हैं कि आप इस दृष्टिकोण को विभिन्न डेटा स्ट्रीमिंग और इवेंट-संचालित आर्किटेक्चर पर कैसे लागू कर सकते हैं, वांछित परिणाम और धोखाधड़ी को रोकने के लिए की जाने वाली कार्रवाइयों के आधार पर (जैसे उपयोगकर्ता को धोखाधड़ी के बारे में सचेत करना या अतिरिक्त समीक्षा के लिए लेन-देन को फ़्लैग करना)।
यह पोस्ट तीन आर्किटेक्चर लागू करती है:
धोखाधड़ी वाले लेनदेन का पता लगाने के लिए, हम अमेज़ॅन फ्रॉड डिटेक्टर का उपयोग करते हैं, जो पूरी तरह से प्रबंधित सेवा है जो आपको संभावित धोखाधड़ी गतिविधियों की पहचान करने और अधिक ऑनलाइन धोखाधड़ी को तेजी से पकड़ने में सक्षम बनाती है। पिछले डेटा के आधार पर Amazon फ्रॉड डिटेक्टर मॉडल बनाने के लिए देखें नई अमेज़ॅन धोखाधड़ी डिटेक्टर सुविधाओं के साथ ऑनलाइन लेनदेन धोखाधड़ी का पता लगाएं। आप भी उपयोग कर सकते हैं अमेज़न SageMaker मालिकाना धोखाधड़ी का पता लगाने वाले मॉडल को प्रशिक्षित करने के लिए। अधिक जानकारी के लिए, देखें Amazon SageMaker के साथ धोखाधड़ी भुगतान का पता लगाने को प्रशिक्षित करें.
स्ट्रीमिंग डेटा निरीक्षण और धोखाधड़ी का पता लगाना/रोकथाम
यह आर्किटेक्चर Amazon Fraud Detector का उपयोग करके रीयल-टाइम किनेसिस डेटा स्ट्रीम डेटा निरीक्षण और धोखाधड़ी का पता लगाने और रोकथाम को सक्षम करने के लिए लैम्ब्डा और स्टेप फ़ंक्शंस का उपयोग करता है। यदि आप उपयोग करते हैं तो वही आर्किटेक्चर लागू होता है Apache Kafka के लिए Amazon प्रबंधित स्ट्रीमिंग (Amazon MSK) डेटा स्ट्रीमिंग सेवा के रूप में। यह पैटर्न रीयल-टाइम धोखाधड़ी का पता लगाने, सूचना देने और संभावित रोकथाम के लिए उपयोगी हो सकता है। इसके लिए उदाहरण उपयोग के मामले भुगतान प्रसंस्करण या उच्च मात्रा में खाता निर्माण हो सकते हैं। निम्नलिखित आरेख समाधान वास्तुकला को दर्शाता है।
इस कार्यान्वयन में प्रक्रिया का प्रवाह इस प्रकार है:
- हम वित्तीय लेन-देन को किनेसिस डेटा स्ट्रीम में शामिल करते हैं। डेटा का स्रोत एक ऐसी प्रणाली हो सकती है जो इन लेन-देन को उत्पन्न करती है- उदाहरण के लिए, ई-कॉमर्स या बैंकिंग।
- लैम्ब्डा फ़ंक्शन बैचों में लेनदेन प्राप्त करता है।
- लैम्ब्डा फ़ंक्शन बैच के लिए स्टेप फ़ंक्शंस वर्कफ़्लो प्रारंभ करता है।
- प्रत्येक लेन-देन के लिए, वर्कफ़्लो निम्नलिखित क्रियाएं करता है:
- एक में लेन-देन जारी रखें अमेज़ॅन डायनेमोडीबी तालिका.
- बुलाएं अमेज़न धोखाधड़ी डिटेक्टर एपीआई GetEventPrediction क्रिया का उपयोग करना। API निम्न में से कोई एक परिणाम देता है: स्वीकृत करें, अवरोधित करें, या जाँच करें।
- DynamoDB तालिका में लेन-देन को धोखाधड़ी भविष्यवाणी परिणामों के साथ अद्यतन करें।
- परिणामों के आधार पर, निम्न में से कोई एक क्रिया करें:
- उपयोग कर सूचना भेजें अमेज़न सरल अधिसूचना सेवा (Amazon SNS) Amazon Fraud Detector से ब्लॉक या जांच प्रतिक्रिया के मामले में।
- स्वीकृत प्रतिक्रिया के मामले में लेनदेन को आगे की प्रक्रिया करें।
यह दृष्टिकोण आपको वास्तविक समय में संभावित धोखाधड़ी लेनदेन पर प्रतिक्रिया करने की अनुमति देता है क्योंकि आप प्रत्येक लेनदेन को डेटाबेस में संग्रहीत करते हैं और आगे की प्रक्रिया से पहले इसका निरीक्षण करते हैं। वास्तविक कार्यान्वयन में, आप अतिरिक्त समीक्षा के लिए अधिसूचना चरण को एक ऐसी कार्रवाई से बदल सकते हैं जो आपकी व्यावसायिक प्रक्रिया के लिए विशिष्ट है—उदाहरण के लिए, किसी अन्य धोखाधड़ी का पता लगाने वाले मॉडल का उपयोग करके लेन-देन का निरीक्षण करें, या मैन्युअल समीक्षा करें।
धोखाधड़ी का पता लगाने/रोकथाम के लिए स्ट्रीमिंग डेटा संवर्धन
कभी-कभी, आपको संभावित कपटपूर्ण डेटा को फ़्लैग करने की आवश्यकता हो सकती है लेकिन फिर भी इसे संसाधित करना होगा; उदाहरण के लिए, जब आप आगे के विश्लेषण के लिए लेन-देन संग्रहीत कर रहे हों और धोखाधड़ी का पता लगाने वाले मॉडल को लगातार ट्यून करने के लिए अधिक डेटा एकत्र कर रहे हों। एक उदाहरण उपयोग मामला दावा प्रसंस्करण है। दावा प्रसंस्करण के दौरान, आप सभी दावों के दस्तावेज़ एकत्र करते हैं और फिर उन्हें धोखाधड़ी पहचान प्रणाली के माध्यम से चलाते हैं। तब किसी दावे को संसाधित करने या अस्वीकार करने का निर्णय लिया जाता है—जरूरी नहीं कि यह वास्तविक समय में हो। ऐसे मामलों में, स्ट्रीमिंग डेटा संवर्धन आपके उपयोग के मामले में बेहतर हो सकता है।
यह आर्किटेक्चर अमेज़ॅन फ्रॉड डिटेक्टर और का उपयोग करके रीयल-टाइम किनेसिस डेटा फ़ायरहोज़ डेटा संवर्धन को सक्षम करने के लिए लैम्ब्डा का उपयोग करता है Kinesis डेटा Firehose डेटा परिवर्तन.
यह दृष्टिकोण कपट निवारण कदमों को लागू नहीं करता है। हम एक को समृद्ध डेटा प्रदान करते हैं अमेज़न सरल भंडारण सेवा (अमेज़न S3) बाल्टी। डेटा का उपभोग करने वाली डाउनस्ट्रीम सेवाएं अपने व्यापार तर्क में धोखाधड़ी का पता लगाने के परिणामों का उपयोग कर सकती हैं और तदनुसार कार्य कर सकती हैं। निम्नलिखित आरेख इस वास्तुकला को दिखाता है।
इस कार्यान्वयन में प्रक्रिया का प्रवाह इस प्रकार है:
- हम किनेसिस डेटा फ़ायरहोज़ में वित्तीय लेन-देन करते हैं। डेटा का स्रोत एक ऐसी प्रणाली हो सकती है जो इन लेन-देन को उत्पन्न करती है, जैसे ई-कॉमर्स या बैंकिंग।
- एक लैम्ब्डा फ़ंक्शन बैचों में लेनदेन प्राप्त करता है और उन्हें समृद्ध करता है। बैच में प्रत्येक लेनदेन के लिए, फ़ंक्शन निम्नलिखित क्रियाएं करता है:
- GetEventPrediction क्रिया का उपयोग करके Amazon Fraud Detector API को कॉल करें। एपीआई तीन परिणामों में से एक देता है: स्वीकृत, ब्लॉक या जांच।
- धोखाधड़ी का पता लगाने वाले परिणामों को मेटाडेटा के रूप में जोड़कर लेन-देन डेटा अपडेट करें।
- अद्यतन किए गए लेन-देन के बैच को Kinesis डेटा फ़ायरहोज़ डिलीवरी स्ट्रीम पर लौटाएँ।
- Kinesis Data Firehose गंतव्य तक डेटा पहुंचाता है (हमारे मामले में, S3 बकेट)।
नतीजतन, हमारे पास S3 बकेट में डेटा है जिसमें न केवल मूल डेटा शामिल है बल्कि प्रत्येक लेनदेन के लिए मेटाडेटा के रूप में अमेज़ॅन फ्रॉड डिटेक्टर प्रतिक्रिया भी शामिल है। आप इस मेटाडेटा का उपयोग अपने डेटा विश्लेषण समाधान, मशीन लर्निंग मॉडल प्रशिक्षण कार्यों या विज़ुअलाइज़ेशन और डैशबोर्ड में कर सकते हैं जो लेनदेन डेटा का उपभोग करते हैं।
घटना डेटा निरीक्षण और धोखाधड़ी का पता लगाने/रोकथाम
आपके सिस्टम में सभी डेटा स्ट्रीम के रूप में नहीं आते हैं। हालाँकि, घटना-संचालित आर्किटेक्चर के मामले में, आप अभी भी एक समान दृष्टिकोण का पालन कर सकते हैं।
यह आर्किटेक्चर अमेज़ॅन फ्रॉड डिटेक्टर का उपयोग करके रियल-टाइम इवेंटब्रिज इवेंट निरीक्षण और धोखाधड़ी का पता लगाने/रोकथाम को सक्षम करने के लिए स्टेप फ़ंक्शंस का उपयोग करता है। यह संभावित कपटपूर्ण लेन-देन के संसाधन को बंद नहीं करता है, बल्कि यह एक अतिरिक्त समीक्षा के लिए लेन-देन को फ़्लैग करता है। हम समृद्ध लेन-देन को एक ईवेंट बस में प्रकाशित करते हैं जो उस बस से भिन्न होता है जिस पर अपरिष्कृत ईवेंट डेटा प्रकाशित किया जा रहा है। इस तरह, डेटा के उपभोक्ता सुनिश्चित हो सकते हैं कि सभी घटनाओं में मेटाडेटा के रूप में धोखाधड़ी का पता लगाने वाले परिणाम शामिल हैं। उपभोक्ता तब मेटाडेटा का निरीक्षण कर सकते हैं और मेटाडेटा के आधार पर अपने स्वयं के नियम लागू कर सकते हैं। उदाहरण के लिए, एक घटना-संचालित ई-कॉमर्स एप्लिकेशन में, यदि इस लेन-देन को कपटपूर्ण होने का अनुमान लगाया जाता है, तो एक उपभोक्ता आदेश को संसाधित नहीं करने का विकल्प चुन सकता है। यह आर्किटेक्चर पैटर्न नया खाता बनाने या खाता प्रोफ़ाइल परिवर्तनों के दौरान धोखाधड़ी का पता लगाने और रोकने के लिए भी उपयोगी हो सकता है (जैसे कि आपके खाते की प्रोफ़ाइल में फ़ाइल पर अपना पता, फ़ोन नंबर या क्रेडिट कार्ड बदलना)। निम्नलिखित आरेख समाधान वास्तुकला को दर्शाता है।
इस कार्यान्वयन में प्रक्रिया का प्रवाह इस प्रकार है:
- हम वित्तीय लेन-देन को EventBridge ईवेंट बस में प्रकाशित करते हैं। डेटा का स्रोत एक ऐसी प्रणाली हो सकती है जो इन लेन-देन को उत्पन्न करती है- उदाहरण के लिए, ई-कॉमर्स या बैंकिंग।
- EventBridge नियम स्टेप फ़ंक्शंस वर्कफ़्लो प्रारंभ करता है।
- स्टेप फ़ंक्शंस वर्कफ़्लो लेनदेन प्राप्त करता है और इसे निम्न चरणों के साथ संसाधित करता है:
- Amazon Fraud Detector API का उपयोग करके कॉल करें
GetEventPrediction
कार्य। एपीआई तीन परिणामों में से एक देता है: स्वीकृत, ब्लॉक या जांच। - धोखाधड़ी का पता लगाने वाले परिणामों को जोड़कर लेन-देन डेटा अपडेट करें।
- यदि लेन-देन धोखाधड़ी भविष्यवाणी परिणाम ब्लॉक या जांच है, तो आगे की जांच के लिए अमेज़न एसएनएस का उपयोग करके एक सूचना भेजें।
- समृद्ध डेटा के लिए अपडेट किए गए लेन-देन को EventBridge बस में प्रकाशित करें।
- Amazon Fraud Detector API का उपयोग करके कॉल करें
जैसा कि किनेसिस डेटा फ़ायरहोज़ डेटा संवर्धन पद्धति में है, यह आर्किटेक्चर कपटपूर्ण डेटा को अगले चरण तक पहुँचने से नहीं रोकता है। यह मूल घटना में धोखाधड़ी का पता लगाने वाला मेटाडेटा जोड़ता है और संभावित धोखाधड़ी वाले लेनदेन के बारे में सूचनाएं भेजता है। ऐसा हो सकता है कि समृद्ध डेटा के उपभोक्ता व्यावसायिक तर्कों को शामिल न करें जो अपने निर्णयों में धोखाधड़ी का पता लगाने वाले मेटाडेटा का उपयोग करते हैं। उस स्थिति में, आप स्टेप फ़ंक्शंस वर्कफ़्लो को बदल सकते हैं ताकि यह ऐसे लेन-देन को गंतव्य बस में न रखे और उन्हें एक अलग ईवेंट बस में भेज दे ताकि एक अलग संदिग्ध लेनदेन प्रसंस्करण एप्लिकेशन द्वारा उपभोग किया जा सके।
कार्यान्वयन
इस पोस्ट में वर्णित प्रत्येक आर्किटेक्चर के लिए, आप पा सकते हैं AWS सर्वर रहित अनुप्रयोग मॉडल (AWS SAM) टेम्प्लेट, परिनियोजन और परीक्षण निर्देश नमूना भंडार.
निष्कर्ष
यह पोस्ट वास्तविक समय धोखाधड़ी का पता लगाने और रोकथाम समाधान का उपयोग करने के लिए विभिन्न तरीकों से चला अमेज़ॅन मशीन लर्निंग सेवाओं और सर्वर रहित आर्किटेक्चर. ये समाधान आपको धोखाधड़ी होने के समय के करीब धोखाधड़ी का पता लगाने और उस पर जल्द से जल्द कार्रवाई करने की अनुमति देते हैं। स्टेप फ़ंक्शंस का उपयोग करके कार्यान्वयन का लचीलापन आपको इस तरह से प्रतिक्रिया करने की अनुमति देता है जो स्थिति के लिए सबसे उपयुक्त है और न्यूनतम कोड परिवर्तनों के साथ रोकथाम के चरणों को भी समायोजित करता है।
अधिक सर्वर रहित शिक्षण संसाधनों के लिए, देखें सर्वर रहित भूमि.
लेखक के बारे में
वेद रमणी मैरीलैंड में स्थित मशीन लर्निंग के लिए एक वरिष्ठ विशेषज्ञ समाधान वास्तुकार है। वेदा ग्राहकों को कुशल, सुरक्षित और स्केलेबल मशीन लर्निंग एप्लिकेशन बनाने में मदद करने के लिए उनके साथ काम करती है। वेद मशीन लर्निंग के लिए सर्वर रहित तकनीकों का लाभ उठाने में ग्राहकों की मदद करने में रुचि रखता है।
गिड्रियस प्रस्पलियास्कस कैलिफ़ोर्निया में स्थित सर्वर रहित के लिए एक वरिष्ठ विशेषज्ञ समाधान वास्तुकार है। Giedrius ग्राहकों के साथ काम करता है ताकि उन्हें स्केलेबल, दोष-सहिष्णु, उच्च-प्रदर्शन, लागत प्रभावी अनुप्रयोगों के निर्माण के लिए सर्वर रहित सेवाओं का लाभ उठाने में मदद मिल सके।
- एसईओ संचालित सामग्री और पीआर वितरण। आज ही प्रवर्धित हो जाओ।
- प्लेटोब्लॉकचैन। Web3 मेटावर्स इंटेलिजेंस। ज्ञान प्रवर्धित। यहां पहुंचें।
- स्रोत: https://aws.amazon.com/blogs/machine-learning/real-time-fraud-detection-using-aws-serverless-and-machine-learning-services/
- :है
- 100
- 28
- 7
- a
- योग्य
- About
- गाली
- तदनुसार
- लेखा
- अधिनियम
- कार्य
- कार्रवाई
- गतिविधियों
- अतिरिक्त
- पता
- जोड़ता है
- चेतावनी
- सब
- की अनुमति देता है
- वीरांगना
- अमेज़ॅन फ्रॉड डिटेक्टर
- विश्लेषिकी
- और
- अपाचे
- एपीआई
- आवेदन
- अनुप्रयोगों
- लागू करें
- दृष्टिकोण
- उपयुक्त
- अनुमोदन करना
- स्थापत्य
- AS
- एडब्ल्यूएस
- बैंकिंग
- आधारित
- BE
- से पहले
- जा रहा है
- बेहतर
- खंड
- निर्माण
- बस
- व्यापार
- व्यवसायों
- by
- कैलिफ़ोर्निया
- कर सकते हैं
- कार्ड
- मामला
- मामलों
- कुश्ती
- परिवर्तन
- परिवर्तन
- बदलना
- चुनें
- दावा
- का दावा है
- करीब
- कोड
- इकट्ठा
- एकत्रित
- आचरण
- निरंतर
- उपभोग
- प्रयुक्त
- उपभोक्ता
- उपभोक्ताओं
- प्रभावी लागत
- सका
- निर्माण
- श्रेय
- क्रेडिट कार्ड
- ग्राहक
- तिथि
- डेटा विश्लेषण
- दिनांक संवर्धन
- डाटाबेस
- निर्णय
- निर्णय
- उद्धार
- बचाता है
- प्रसव
- निर्भर करता है
- तैनाती
- वर्णित
- वांछित
- गंतव्य
- खोज
- विभिन्न
- दस्तावेजों
- नहीं करता है
- dont
- दौरान
- से प्रत्येक
- ई-कॉमर्स
- प्रभावी
- प्रभावी रूप से
- कुशल
- सक्षम
- समर्थकारी
- शुरू से अंत तक
- समृद्ध
- कार्यक्रम
- घटनाओं
- उदाहरण
- और तेज
- पट्टिका
- वित्तीय
- खोज
- फिट
- झंडे
- लचीलापन
- प्रवाह
- का पालन करें
- निम्नलिखित
- इस प्रकार है
- के लिए
- धोखा
- धोखाधड़ी का पता लगाना
- धोखाधड़ी रोकथाम
- कपटपूर्ण
- से
- पूरी तरह से
- समारोह
- कार्यों
- आगे
- उत्पन्न करता है
- है
- मदद
- मदद
- उच्च कार्य - निष्पादन
- कैसे
- तथापि
- एचटीएमएल
- HTTPS
- i
- पहचान करना
- प्रभाव
- लागू करने के
- कार्यान्वयन
- औजार
- in
- शामिल
- शामिल
- करें-
- निर्देश
- रुचि
- जांच
- जांच
- IT
- कुंजी
- किनेसिस डेटा फायरहोज
- सीख रहा हूँ
- लीवरेज
- पसंद
- मशीन
- यंत्र अधिगम
- कामयाब
- गाइड
- मेरीलैंड
- मेटाडाटा
- तरीका
- तरीकों
- कम से कम
- आदर्श
- अधिक
- अधिकांश
- अनिवार्य रूप से
- आवश्यकता
- नया
- अगला
- अधिसूचना
- सूचनाएं
- संख्या
- of
- on
- ONE
- ऑनलाइन
- आदेश
- मूल
- अन्य
- परिणाम
- अपना
- अतीत
- पैटर्न
- भुगतान
- भुगतान प्रक्रिया
- भुगतान लेनदेन
- निष्पादन
- प्रदर्शन
- फ़ोन
- प्लेटो
- प्लेटो डेटा इंटेलिजेंस
- प्लेटोडाटा
- संभव
- पद
- संभावित
- संभावित
- भविष्यवाणी
- भविष्यवाणी
- को रोकने के
- रोकने
- निवारण
- प्रक्रिया
- प्रक्रियाओं
- प्रसंस्करण
- प्रोफाइल
- मालिकाना
- प्रकाशित करना
- प्रकाशित
- रखना
- जल्दी से
- बल्कि
- कच्चा
- तक पहुंच गया
- प्रतिक्रिया
- वास्तविक
- वास्तविक समय
- प्राप्त
- की जगह
- की आवश्यकता होती है
- उपयुक्त संसाधन चुनें
- प्रतिक्रिया
- परिणाम
- परिणाम
- रिटर्न
- की समीक्षा
- मार्गों
- नियम
- नियम
- रन
- सैम
- वही
- स्केलेबल
- सुरक्षित
- वरिष्ठ
- अलग
- serverless
- सेवा
- सेवाएँ
- चाहिए
- दिखाना
- समान
- सरल
- स्थिति
- So
- समाधान
- समाधान ढूंढे
- कुछ
- स्रोत
- विशेषज्ञ
- विशिष्ट
- शुरू होता है
- कदम
- कदम
- फिर भी
- रुकें
- भंडारण
- की दुकान
- स्ट्रेटेजी
- धारा
- स्ट्रीमिंग
- स्ट्रीमिंग सेवा
- सफलता
- ऐसा
- संदेहजनक
- प्रणाली
- तालिका
- लेना
- कार्य
- टेक्नोलॉजीज
- टेम्पलेट्स
- परीक्षण
- कि
- RSI
- स्रोत
- लेकिन हाल ही
- उन
- इन
- तीन
- यहाँ
- पहर
- सेवा मेरे
- रेलगाड़ी
- प्रशिक्षण
- ट्रांजेक्शन
- लेनदेन
- अद्यतन
- उपयोग
- उदाहरण
- उपयोगकर्ता
- विभिन्न
- भेंट
- चला
- मार्ग..
- बड़े पैमाने पर
- साथ में
- कार्य
- आप
- आपका
- जेफिरनेट