Az online csalás széles körben érinti a vállalkozásokat, és hatékony, teljes körű stratégiát igényel az új fiókcsalások és számlafelvásárlások észlelésére és megelőzésére, valamint a gyanús fizetési tranzakciók leállítására. A csalás felderítési és megelőzési rendszerének sikere szempontjából kulcsfontosságú, hogy a csalás előfordulásának időpontjához közelebb kerüljön felderítésre. A rendszernek képesnek kell lennie arra, hogy a lehető leghatékonyabban észlelje a csalást, és a lehető leggyorsabban riassza a végfelhasználót. A felhasználó ezután dönthet úgy, hogy lépéseket tesz a további visszaélések megelőzése érdekében.
Ebben a bejegyzésben egy szerver nélküli megközelítést mutatunk be az online tranzakciós csalások közel valós időben történő észlelésére. Megmutatjuk, hogyan alkalmazhatja ezt a megközelítést különböző adatfolyam- és eseményvezérelt architektúrákban, a kívánt eredménytől és a csalás megelőzésére irányuló intézkedésektől függően (például figyelmeztetheti a felhasználót a csalásra, vagy megjelölheti a tranzakciót további felülvizsgálat céljából).
Ez a bejegyzés három architektúrát valósít meg:
A csalárd tranzakciók felderítésére az Amazon Fraud Detectort használjuk, amely egy teljes körűen felügyelt szolgáltatás, amely lehetővé teszi a potenciálisan csalárd tevékenységek azonosítását és a több online csalás gyorsabb felderítését. Az Amazon Fraud Detector modell múltbeli adatok alapján történő felépítéséhez lásd: Észlelje az online tranzakciós csalásokat az Amazon Fraud Detector új funkcióival. Használhatod is Amazon SageMaker szabadalmazott csalásfelderítési modell betanítására. További információkért lásd: Tanítsd meg a csaló fizetések észlelését az Amazon SageMaker segítségével.
Streaming adatok ellenőrzése és csalás felderítése/megelőzése
Ez az architektúra Lambda és Step Functions funkciókat használ, hogy lehetővé tegye a valós idejű Kinesis adatfolyam-adatellenőrzést, valamint a csalások felderítését és megelőzését az Amazon Fraud Detector segítségével. Ugyanez az architektúra érvényes, ha használja Amazon által kezelt adatfolyam az Apache Kafka számára (Amazon MSK) adatfolyam-szolgáltatásként. Ez a minta hasznos lehet a valós idejű csalásfelderítéshez, értesítéshez és az esetleges megelőzéshez. Erre példa lehet a fizetések feldolgozása vagy a nagy volumenű fiók létrehozása. A következő ábra a megoldás architektúráját mutatja be.
A folyamat menete ebben a megvalósításban a következő:
- A pénzügyi tranzakciókat beépítjük a Kinesis adatfolyamba. Az adatok forrása egy olyan rendszer lehet, amely ezeket a tranzakciókat generálja – például e-kereskedelem vagy banki szolgáltatások.
- A Lambda funkció kötegekben fogadja a tranzakciókat.
- A Lambda funkció elindítja a lépésfüggvények munkafolyamatát a köteghez.
- A munkafolyamat minden egyes tranzakciónál a következő műveleteket hajtja végre:
- Fenntartja a tranzakciót egy Amazon DynamoDB táblázat.
- Hívja a Amazon Fraud Detector API a GetEventPrediction művelet használatával. Az API a következő eredmények egyikét adja vissza: jóváhagyás, blokkolás vagy vizsgálat.
- Frissítse a tranzakciót a DynamoDB táblában a csalás előrejelzési eredményeivel.
- Az eredmények alapján hajtsa végre a következő műveletek egyikét:
- Értesítés küldése a használatával Amazon Simple Notification Service (Amazon SNS) blokkolás esetén, vagy vizsgálja ki az Amazon Fraud Detector válaszát.
- Jóváhagyó válasz esetén dolgozza tovább a tranzakciót.
Ez a megközelítés lehetővé teszi, hogy valós időben reagáljon a potenciálisan csalárd tranzakciókra, miközben minden tranzakciót adatbázisban tárol, és megvizsgálja azokat a további feldolgozás előtt. A tényleges megvalósítás során a további felülvizsgálathoz szükséges értesítési lépést lecserélheti egy olyan műveletre, amely kifejezetten az Ön üzleti folyamatára vonatkozik – például megvizsgálhatja a tranzakciót valamilyen más csalásészlelési modell segítségével, vagy manuálisan ellenőrizheti.
Adatfolyam-gazdagítás a csalások felderítésére/megelőzésére
Néha előfordulhat, hogy meg kell jelölnie a potenciálisan csalárd adatokat, de továbbra is feldolgozza azokat; például amikor a tranzakciókat további elemzés céljából tárolja, és több adatot gyűjt a csalásészlelési modell folyamatos hangolásához. Egy példa a felhasználási eset a követelések feldolgozása. A követelések feldolgozása során Ön összegyűjti az összes követelési dokumentumot, majd futtatja azokat egy csalásfelderítő rendszeren. Ezután döntés születik a követelés feldolgozásáról vagy elutasításáról – nem feltétlenül valós időben. Ilyen esetekben a streaming adatok gazdagítása jobban illeszkedhet az Ön használati esetéhez.
Ez az architektúra a Lambda segítségével valós idejű Kinesis Data Firehose adatdúsítást tesz lehetővé az Amazon Fraud Detector és Kinesis Data Firehose adattranszformáció.
Ez a megközelítés nem hajt végre csalásmegelőzési lépéseket. Dúsított adatokat szállítunk egy Amazon egyszerű tárolási szolgáltatás (Amazon S3) vödör. Az adatokat fogyasztó downstream szolgáltatások üzleti logikájukban felhasználhatják a csalásfelderítési eredményeket, és ennek megfelelően járhatnak el. A következő diagram ezt az architektúrát szemlélteti.
A folyamat menete ebben a megvalósításban a következő:
- A pénzügyi tranzakciókat a Kinesis Data Firehose-ba töltjük be. Az adatok forrása egy olyan rendszer lehet, amely ezeket a tranzakciókat generálja, például e-kereskedelem vagy banki szolgáltatások.
- A Lambda függvény kötegekben fogadja a tranzakciókat és gazdagítja azokat. A kötegben lévő minden egyes tranzakciónál a funkció a következő műveleteket hajtja végre:
- Hívja az Amazon Fraud Detector API-t a GetEventPrediction művelettel. Az API három eredmény egyikét adja vissza: jóváhagyás, letiltás vagy vizsgálat.
- Frissítse a tranzakciós adatokat a csalásészlelési eredmények metaadatként történő hozzáadásával.
- A frissített tranzakciók kötegét küldje vissza a Kinesis Data Firehose kézbesítési adatfolyamba.
- A Kinesis Data Firehose adatokat szállít a célállomásra (esetünkben az S3 vödör).
Ennek eredményeként az S3 tárolóban olyan adatok vannak, amelyek nemcsak az eredeti adatokat, hanem az Amazon Fraud Detector válaszát is metaadatként tartalmazzák az egyes tranzakciókhoz. Ezeket a metaadatokat használhatja adatelemzési megoldásaiban, gépi tanulási modell betanítási feladataiban vagy tranzakciós adatokat fogyasztó vizualizációkban és irányítópultokban.
Eseményadatok ellenőrzése és csalások felderítése/megelőzése
Nem minden adat érkezik folyamként a rendszerébe. Eseményvezérelt architektúrák esetén azonban továbbra is követhet hasonló megközelítést.
Ez az architektúra a Step Functions segítségével valós idejű EventBridge-esemény-ellenőrzést és csalásészlelést/megelőzést tesz lehetővé az Amazon Fraud Detector segítségével. Nem állítja le a potenciálisan csalárd tranzakció feldolgozását, inkább megjelöli a tranzakciót további felülvizsgálatra. A bővített tranzakciókat egy olyan eseménysínen tesszük közzé, amely eltér attól, amelyen a nyers eseményadatokat közzéteszik. Így az adatok fogyasztói biztosak lehetnek abban, hogy minden esemény metaadatként tartalmazza a csalásfelderítési eredményeket. A fogyasztók ezt követően megtekinthetik a metaadatokat, és a metaadatok alapján saját szabályaikat alkalmazhatják. Például egy eseményvezérelt e-kereskedelmi alkalmazásban a fogyasztó dönthet úgy, hogy nem dolgozza fel a rendelést, ha az előrejelzés szerint csalárd tranzakció. Ez az architektúra-minta hasznos lehet az új fiók létrehozása során vagy a fiókprofil megváltoztatásakor (például a cím, telefonszám vagy a fiókprofilban tárolt hitelkártya megváltoztatásakor) történő csalások észlelésére és megelőzésére. A következő ábra a megoldás architektúráját mutatja be.
A folyamat menete ebben a megvalósításban a következő:
- A pénzügyi tranzakciókat egy EventBridge eseménybuszon tesszük közzé. Az adatok forrása egy olyan rendszer lehet, amely ezeket a tranzakciókat generálja – például e-kereskedelem vagy banki szolgáltatások.
- Az EventBridge szabály elindítja a Step Functions munkafolyamatot.
- A Step Functions munkafolyamat fogadja a tranzakciót, és a következő lépésekkel dolgozza fel:
- Hívja az Amazon Fraud Detector API-t a
GetEventPrediction
akció. Az API három eredmény egyikét adja vissza: jóváhagyás, letiltás vagy vizsgálat. - Frissítse a tranzakciós adatokat a csalásészlelési eredmények hozzáadásával.
- Ha a tranzakciós csalás előrejelzésének eredménye blokkolt vagy kivizsgálás, küldjön értesítést az Amazon SNS segítségével további vizsgálat céljából.
- Tegye közzé a frissített tranzakciót az EventBridge buszon a gazdagított adatokért.
- Hívja az Amazon Fraud Detector API-t a
Akárcsak a Kinesis Data Firehose adatdúsítási módszernél, ez az architektúra nem akadályozza meg, hogy a csalárd adatok elérjék a következő lépést. Csalásészlelési metaadatokat ad hozzá az eredeti eseményhez, és értesítéseket küld a potenciálisan csalárd tranzakciókról. Előfordulhat, hogy a bővített adatok fogyasztói nem vesznek figyelembe olyan üzleti logikákat, amelyek csalásfelderítési metaadatokat használnak döntéseikben. Ebben az esetben módosíthatja a Step Functions munkafolyamatot úgy, hogy az ne helyezze az ilyen tranzakciókat a célbuszra, hanem egy külön eseménybuszra irányítsa őket, amelyet egy különálló gyanús tranzakciókat feldolgozó alkalmazás használja fel.
Implementáció
Az ebben a bejegyzésben leírt architektúrák mindegyikéhez megtalálható AWS szerver nélküli alkalmazásmodell (AWS SAM) sablonok, telepítési és tesztelési utasítások a mintatár.
Következtetés
Ez a bejegyzés különböző módszereket mutatott be a valós idejű csalásfelderítési és -megelőzési megoldás megvalósításához Amazon gépi tanulás szolgáltatások és szerver nélküli architektúrák. Ezek a megoldások lehetővé teszik, hogy a csalás bekövetkezésének időpontjához közelebb kerüljön észlelésre, és a lehető leggyorsabban intézkedjen. A Step Functions segítségével történő megvalósítás rugalmassága lehetővé teszi, hogy a helyzetnek legmegfelelőbb módon reagáljon, és minimális kódmódosítással módosítsa a megelőzési lépéseket.
További kiszolgáló nélküli tanulási forrásokért látogasson el ide Szerver nélküli föld.
A szerzőkről
Veda Raman a marylandi székhelyű gépi tanulási megoldások vezető specialistája. A Veda együttműködik az ügyfelekkel, hogy segítsen nekik hatékony, biztonságos és méretezhető gépi tanulási alkalmazások kialakításában. A Veda érdekelt abban, hogy segítse ügyfeleit a szerver nélküli technológiák kihasználásában a gépi tanuláshoz.
Giedrius Praspaliauskas a kaliforniai székhelyű szerver nélküli megoldások vezető specialistája. A Giedrius együttműködik az ügyfelekkel, hogy segítsen nekik a szerver nélküli szolgáltatásokat kihasználni méretezhető, hibatűrő, nagy teljesítményű, költséghatékony alkalmazások létrehozásához.
- SEO által támogatott tartalom és PR terjesztés. Erősödjön még ma.
- Platoblockchain. Web3 metaverzum intelligencia. Felerősített tudás. Hozzáférés itt.
- Forrás: https://aws.amazon.com/blogs/machine-learning/real-time-fraud-detection-using-aws-serverless-and-machine-learning-services/
- :is
- 100
- 28
- 7
- a
- Képes
- Rólunk
- visszaélés
- Eszerint
- Fiók
- törvény
- Akció
- cselekvések
- tevékenységek
- További
- cím
- Hozzáteszi
- Éber
- Minden termék
- lehetővé teszi, hogy
- amazon
- Amazon csalásészlelő
- analitika
- és a
- Apache
- api
- Alkalmazás
- alkalmazások
- alkalmaz
- megközelítés
- megfelelő
- jóváhagy
- építészet
- AS
- AWS
- Banking
- alapján
- BE
- előtt
- hogy
- Jobb
- Blokk
- épít
- busz
- üzleti
- vállalkozások
- by
- Kalifornia
- TUD
- kártya
- eset
- esetek
- Fogás
- változik
- Változások
- változó
- A pop-art design, négy időzóna kijelzése egyszerre és méretének arányai azok az érvek, amelyek a NeXtime Time Zones-t kiváló választássá teszik. Válassza a
- követelés
- követelések
- közelebb
- kód
- gyűjt
- Gyűjtő
- Magatartás
- állandóan
- fogyaszt
- fogyasztott
- fogyasztó
- Fogyasztók
- költséghatékony
- tudott
- teremtés
- hitel
- hitelkártya
- Ügyfelek
- dátum
- Adatelemzés
- az adatok gazdagítása
- adatbázis
- döntés
- határozatok
- szállít
- szállít
- kézbesítés
- attól
- bevetés
- leírt
- kívánatos
- rendeltetési hely
- Érzékelés
- különböző
- dokumentumok
- Nem
- ne
- alatt
- minden
- e-kereskedelem
- Hatékony
- hatékonyan
- hatékony
- lehetővé
- lehetővé téve
- végtől végig
- dúsított
- esemény
- események
- példa
- gyorsabb
- filé
- pénzügyi
- Találjon
- megfelelő
- zászlók
- Rugalmasság
- áramlási
- következik
- következő
- következik
- A
- csalás
- csalások felderítése
- CSALÁSMEGELŐZÉS
- csaló
- ból ből
- teljesen
- funkció
- funkciók
- további
- generál
- Legyen
- segít
- segít
- nagy teljesítményű
- Hogyan
- azonban
- HTML
- HTTPS
- i
- azonosítani
- Hatás
- végre
- végrehajtás
- munkagépek
- in
- tartalmaz
- magában foglalja a
- információ
- utasítás
- érdekelt
- vizsgálja
- vizsgálat
- IT
- Kulcs
- Kinesis Data Firehose
- tanulás
- Tőkeáttétel
- mint
- gép
- gépi tanulás
- sikerült
- kézikönyv
- Maryland
- Metaadatok
- módszer
- mód
- minimális
- modell
- több
- a legtöbb
- szükségszerűen
- Szükség
- Új
- következő
- bejelentés
- értesítések
- szám
- of
- on
- ONE
- online
- érdekében
- eredeti
- Más
- Eredmény
- saját
- múlt
- Mintás
- fizetés
- fizetésfeldolgozás
- fizetési tranzakciók
- Teljesít
- Előadja
- telefon
- Plató
- Platón adatintelligencia
- PlatoData
- lehetséges
- állás
- potenciális
- potenciálisan
- jósolt
- előrejelzés
- megakadályozása
- megakadályozása
- Megelőzés
- folyamat
- Folyamatok
- feldolgozás
- profil
- szabadalmazott
- közzétesz
- közzétett
- tesz
- gyorsan
- Inkább
- Nyers
- elérése
- Reagál
- igazi
- real-time
- kap
- cserélni
- megköveteli,
- Tudástár
- válasz
- eredményez
- Eredmények
- Visszatér
- Kritika
- útvonalak
- Szabály
- szabályok
- futás
- Sam
- azonos
- skálázható
- biztonság
- idősebb
- különálló
- vagy szerver
- szolgáltatás
- Szolgáltatások
- kellene
- előadás
- hasonló
- Egyszerű
- helyzet
- So
- megoldások
- Megoldások
- néhány
- forrás
- szakember
- különleges
- kezdődik
- Lépés
- Lépései
- Még mindig
- megáll
- tárolás
- tárolni
- Stratégia
- folyam
- folyó
- Streaming szolgáltatás
- siker
- ilyen
- gyanús
- rendszer
- táblázat
- Vesz
- feladatok
- Technologies
- sablonok
- Tesztelés
- hogy
- A
- The Source
- azok
- Őket
- Ezek
- három
- Keresztül
- idő
- nak nek
- Vonat
- Képzések
- tranzakció
- Tranzakciók
- frissítve
- használ
- használati eset
- használó
- különféle
- Látogat
- sétált
- Út..
- széles körben elterjedt
- val vel
- művek
- te
- A te
- zephyrnet