Penipuan online berdampak luas pada bisnis dan memerlukan strategi end-to-end yang efektif untuk mendeteksi dan mencegah penipuan akun baru dan pengambilalihan akun, serta menghentikan transaksi pembayaran yang mencurigakan. Mendeteksi penipuan lebih dekat dengan waktu terjadinya penipuan adalah kunci keberhasilan sistem deteksi dan pencegahan penipuan. Sistem harus dapat mendeteksi penipuan seefektif mungkin juga mengingatkan pengguna akhir secepat mungkin. Pengguna kemudian dapat memilih untuk mengambil tindakan untuk mencegah penyalahgunaan lebih lanjut.
Dalam postingan ini, kami menunjukkan pendekatan tanpa server untuk mendeteksi penipuan transaksi online hampir secara real time. Kami menunjukkan bagaimana Anda dapat menerapkan pendekatan ini ke berbagai streaming data dan arsitektur berbasis peristiwa, bergantung pada hasil yang diinginkan dan tindakan yang harus dilakukan untuk mencegah penipuan (seperti memberi tahu pengguna tentang penipuan atau menandai transaksi untuk peninjauan tambahan).
Posting ini mengimplementasikan tiga arsitektur:
Untuk mendeteksi transaksi penipuan, kami menggunakan Amazon Fraud Detector, layanan terkelola sepenuhnya yang memungkinkan Anda mengidentifikasi potensi aktivitas penipuan dan menangkap lebih banyak penipuan online dengan lebih cepat. Untuk membangun model Amazon Fraud Detector berdasarkan data sebelumnya, lihat Deteksi penipuan transaksi online dengan fitur Amazon Fraud Detector baru. Anda juga bisa menggunakan Amazon SageMaker untuk melatih model deteksi penipuan eksklusif. Untuk informasi lebih lanjut, lihat Latih deteksi pembayaran penipuan dengan Amazon SageMaker.
Pemeriksaan data streaming dan deteksi/pencegahan penipuan
Arsitektur ini menggunakan Lambda dan Step Functions untuk memungkinkan pemeriksaan data aliran data Kinesis secara real-time serta deteksi dan pencegahan penipuan menggunakan Amazon Fraud Detector. Arsitektur yang sama berlaku jika Anda menggunakan Amazon Managed Streaming untuk Apache Kafka (Amazon MSK) sebagai layanan streaming data. Pola ini dapat berguna untuk deteksi, pemberitahuan, dan potensi pencegahan penipuan secara real-time. Contoh kasus penggunaan untuk ini dapat berupa pemrosesan pembayaran atau pembuatan akun bervolume tinggi. Diagram berikut mengilustrasikan arsitektur solusi.
Alur proses dalam implementasi ini adalah sebagai berikut:
- Kami mencerna transaksi keuangan ke dalam aliran data Kinesis. Sumber data bisa berupa sistem yang menghasilkan transaksi iniโmisalnya, e-niaga atau perbankan.
- Fungsi Lambda menerima transaksi dalam batch.
- Fungsi Lambda memulai alur kerja Step Functions untuk batch.
- Untuk setiap transaksi, alur kerja melakukan tindakan berikut:
- Tetap bertransaksi di an Amazon DynamoDB tabel.
- Sebut API Pendeteksi Penipuan Amazon menggunakan tindakan GetEventPrediction. API menampilkan salah satu hasil berikut: setujui, blokir, atau selidiki.
- Perbarui transaksi di tabel DynamoDB dengan hasil prediksi penipuan.
- Berdasarkan hasil, lakukan salah satu tindakan berikut:
- Kirim pemberitahuan menggunakan Layanan Pemberitahuan Sederhana Amazon (Amazon SNS) jika terjadi pemblokiran atau investigasi tanggapan dari Amazon Fraud Detector.
- Memproses transaksi lebih lanjut jika ada respons persetujuan.
Pendekatan ini memungkinkan Anda bereaksi terhadap transaksi yang berpotensi penipuan secara real time saat Anda menyimpan setiap transaksi dalam database dan memeriksanya sebelum diproses lebih lanjut. Dalam implementasi aktual, Anda dapat mengganti langkah notifikasi untuk peninjauan tambahan dengan tindakan yang khusus untuk proses bisnis Andaโmisalnya, memeriksa transaksi menggunakan beberapa model deteksi penipuan lain, atau melakukan peninjauan manual.
Pengayaan data streaming untuk deteksi/pencegahan penipuan
Terkadang, Anda mungkin perlu menandai data yang berpotensi penipuan tetapi tetap memprosesnya; misalnya, saat Anda menyimpan transaksi untuk analitik lebih lanjut dan mengumpulkan lebih banyak data untuk terus menyempurnakan model deteksi penipuan. Contoh kasus penggunaan adalah pemrosesan klaim. Selama pemrosesan klaim, Anda mengumpulkan semua dokumen klaim dan menjalankannya melalui sistem deteksi penipuan. Keputusan untuk memproses atau menolak klaim kemudian dibuatโtidak harus dalam waktu nyata. Dalam kasus seperti itu, pengayaan data streaming mungkin lebih cocok untuk kasus penggunaan Anda.
Arsitektur ini menggunakan Lambda untuk mengaktifkan pengayaan data Kinesis Data Firehose secara real-time menggunakan Amazon Fraud Detector dan Transformasi data Firehose Data Kinesis.
Pendekatan ini tidak menerapkan langkah-langkah pencegahan penipuan. Kami mengirimkan data yang diperkaya ke an Layanan Penyimpanan Sederhana Amazon (Amazon S3) ember. Layanan hilir yang mengonsumsi data dapat menggunakan hasil deteksi penipuan dalam logika bisnis mereka dan bertindak sesuai dengan itu. Diagram berikut mengilustrasikan arsitektur ini.
Alur proses dalam implementasi ini adalah sebagai berikut:
- Kami memasukkan transaksi keuangan ke dalam Kinesis Data Firehose. Sumber data bisa berupa sistem yang menghasilkan transaksi tersebut, seperti ecommerce atau perbankan.
- Fungsi Lambda menerima transaksi dalam batch dan memperkayanya. Untuk setiap transaksi dalam batch, fungsi melakukan tindakan berikut:
- Panggil Amazon Fraud Detector API menggunakan tindakan GetEventPrediction. API menampilkan salah satu dari tiga hasil: setujui, blokir, atau selidiki.
- Perbarui data transaksi dengan menambahkan hasil deteksi penipuan sebagai metadata.
- Kembalikan kumpulan transaksi yang diperbarui ke aliran pengiriman Kinesis Data Firehose.
- Kinesis Data Firehose mengirimkan data ke tujuan (dalam kasus kami, bucket S3).
Hasilnya, kami memiliki data di bucket S3 yang tidak hanya menyertakan data asli tetapi juga respons Amazon Fraud Detector sebagai metadata untuk setiap transaksi. Anda dapat menggunakan metadata ini dalam solusi analitik data, tugas pelatihan model pembelajaran mesin, atau visualisasi dan dasbor yang menggunakan data transaksi.
Inspeksi data peristiwa dan deteksi/pencegahan penipuan
Tidak semua data masuk ke sistem Anda sebagai aliran. Namun, dalam kasus arsitektur berbasis peristiwa, Anda masih dapat mengikuti pendekatan serupa.
Arsitektur ini menggunakan Step Functions untuk mengaktifkan pemeriksaan kejadian EventBridge secara real-time dan deteksi/pencegahan penipuan menggunakan Amazon Fraud Detector. Itu tidak menghentikan pemrosesan transaksi yang berpotensi penipuan, melainkan menandai transaksi untuk peninjauan tambahan. Kami memublikasikan transaksi yang diperkaya ke bus peristiwa yang berbeda dari bus tempat data peristiwa mentah dipublikasikan. Dengan cara ini, konsumen data dapat yakin bahwa semua peristiwa menyertakan hasil deteksi penipuan sebagai metadata. Konsumen kemudian dapat memeriksa metadata dan menerapkan aturan mereka sendiri berdasarkan metadata tersebut. Misalnya, dalam aplikasi e-niaga berbasis peristiwa, konsumen dapat memilih untuk tidak memproses pesanan jika transaksi ini diperkirakan merupakan penipuan. Pola arsitektur ini juga berguna untuk mendeteksi dan mencegah penipuan dalam pembuatan akun baru atau selama perubahan profil akun (seperti mengubah alamat, nomor telepon, atau kartu kredit yang tercatat di profil akun Anda). Diagram berikut mengilustrasikan arsitektur solusi.
Alur proses dalam implementasi ini adalah sebagai berikut:
- Kami menerbitkan transaksi keuangan ke bus acara EventBridge. Sumber data bisa berupa sistem yang menghasilkan transaksi iniโmisalnya, e-niaga atau perbankan.
- Aturan EventBridge memulai alur kerja Step Functions.
- Alur kerja Step Functions menerima transaksi dan memprosesnya dengan langkah-langkah berikut:
- Panggil API Detektor Penipuan Amazon menggunakan
GetEventPrediction
tindakan. API menampilkan salah satu dari tiga hasil: setujui, blokir, atau selidiki. - Perbarui data transaksi dengan menambahkan hasil deteksi penipuan.
- Jika hasil prediksi penipuan transaksi diblokir atau diselidiki, kirim pemberitahuan menggunakan Amazon SNS untuk penyelidikan lebih lanjut.
- Publikasikan transaksi yang diperbarui ke bus EventBridge untuk data yang diperkaya.
- Panggil API Detektor Penipuan Amazon menggunakan
Seperti dalam metode pengayaan data Kinesis Data Firehose, arsitektur ini tidak mencegah data penipuan mencapai langkah berikutnya. Itu menambahkan metadata deteksi penipuan ke acara asli dan mengirimkan pemberitahuan tentang transaksi yang berpotensi penipuan. Mungkin konsumen data yang diperkaya tidak menyertakan logika bisnis yang menggunakan metadata deteksi penipuan dalam keputusan mereka. Dalam hal ini, Anda dapat mengubah alur kerja Step Functions agar tidak menempatkan transaksi tersebut ke bus tujuan dan merutekannya ke bus peristiwa terpisah untuk digunakan oleh aplikasi pemrosesan transaksi mencurigakan yang terpisah.
Organisasi
Untuk setiap arsitektur yang dijelaskan dalam posting ini, Anda dapat menemukannya Model Aplikasi Tanpa Server AWS (AWS SAM) template, penerapan, dan petunjuk pengujian di repositori sampel.
Kesimpulan
Posting ini membahas berbagai metode untuk menerapkan solusi deteksi dan pencegahan penipuan secara real-time Pembelajaran Mesin Amazon layanan dan arsitektur tanpa server. Solusi ini memungkinkan Anda untuk mendeteksi penipuan lebih dekat dengan waktu terjadinya penipuan dan menindaklanjutinya secepat mungkin. Fleksibilitas implementasi menggunakan Step Functions memungkinkan Anda bereaksi dengan cara yang paling sesuai dengan situasi dan juga menyesuaikan langkah pencegahan dengan perubahan kode yang minimal.
Untuk sumber belajar tanpa server lainnya, kunjungi Tanah Tanpa Server.
Tentang Penulis
Weda Raman adalah Arsitek Solusi Spesialis Senior untuk pembelajaran mesin yang berbasis di Maryland. Veda bekerja dengan pelanggan untuk membantu mereka merancang aplikasi pembelajaran mesin yang efisien, aman, dan skalabel. Veda tertarik untuk membantu pelanggan memanfaatkan teknologi tanpa server untuk pembelajaran Mesin.
Giedrius Praspaliauskas adalah Arsitek Solusi Spesialis Senior untuk serverless yang berbasis di California. Giedrius bekerja dengan pelanggan untuk membantu mereka memanfaatkan layanan tanpa server untuk membangun aplikasi yang dapat diskalakan, toleran terhadap kesalahan, berperforma tinggi, dan hemat biaya.
- Konten Bertenaga SEO & Distribusi PR. Dapatkan Amplifikasi Hari Ini.
- Platoblockchain. Intelijen Metaverse Web3. Pengetahuan Diperkuat. Akses Di Sini.
- Sumber: https://aws.amazon.com/blogs/machine-learning/real-time-fraud-detection-using-aws-serverless-and-machine-learning-services/
- :adalah
- 100
- 28
- 7
- a
- Sanggup
- Tentang Kami
- penyalahgunaan
- demikian
- Akun
- Bertindak
- Tindakan
- tindakan
- kegiatan
- Tambahan
- alamat
- Menambahkan
- Waspada
- Semua
- memungkinkan
- Amazon
- Detektor Penipuan Amazon
- analisis
- dan
- Apache
- api
- Aplikasi
- aplikasi
- Mendaftar
- pendekatan
- sesuai
- menyetujui
- arsitektur
- AS
- AWS
- Perbankan
- berdasarkan
- BE
- sebelum
- makhluk
- Lebih baik
- Memblokir
- membangun
- bis
- bisnis
- bisnis
- by
- california
- CAN
- kartu
- kasus
- kasus
- gulat
- perubahan
- Perubahan
- mengubah
- Pilih
- klaim
- klaim
- lebih dekat
- kode
- mengumpulkan
- Mengumpulkan
- Mengadakan
- terus-menerus
- memakan
- dikonsumsi
- konsumen
- Konsumen
- hemat biaya
- bisa
- penciptaan
- kredit
- kartu kredit
- pelanggan
- data
- Data Analytics
- pengayaan data
- Basis Data
- keputusan
- keputusan
- menyampaikan
- memberikan
- pengiriman
- Tergantung
- penyebaran
- dijelaskan
- diinginkan
- tujuan
- Deteksi
- berbeda
- dokumen
- Tidak
- Dont
- selama
- setiap
- e-commerce
- Efektif
- efektif
- efisien
- aktif
- memungkinkan
- ujung ke ujung
- diperkaya
- Acara
- peristiwa
- contoh
- lebih cepat
- File
- keuangan
- Menemukan
- cocok
- bendera
- keluwesan
- aliran
- mengikuti
- berikut
- berikut
- Untuk
- penipuan
- deteksi penipuan
- PENCEGAHAN PENIPUAN
- curang
- dari
- sepenuhnya
- fungsi
- fungsi
- lebih lanjut
- menghasilkan
- Memiliki
- membantu
- membantu
- berkinerja tinggi
- Seterpercayaapakah Olymp Trade? Kesimpulan
- Namun
- HTML
- HTTPS
- i
- mengenali
- Dampak
- melaksanakan
- implementasi
- mengimplementasikan
- in
- memasukkan
- termasuk
- informasi
- instruksi
- tertarik
- menyelidiki
- investigasi
- IT
- kunci
- Firehose Data Kinesis
- pengetahuan
- Leverage
- 'like'
- mesin
- Mesin belajar
- berhasil
- panduan
- Maryland
- Metadata
- metode
- metode
- minimal
- model
- lebih
- paling
- perlu
- Perlu
- New
- berikutnya
- pemberitahuan
- pemberitahuan
- jumlah
- of
- on
- ONE
- secara online
- urutan
- asli
- Lainnya
- Hasil
- sendiri
- lalu
- pola
- pembayaran
- proses pembayaran
- transaksi pembayaran
- Melakukan
- melakukan
- telepon
- plato
- Kecerdasan Data Plato
- Data Plato
- mungkin
- Pos
- potensi
- berpotensi
- diprediksi
- ramalan
- mencegah
- mencegah
- Pencegahan
- proses
- proses
- pengolahan
- Profil
- hak milik
- menerbitkan
- diterbitkan
- menempatkan
- segera
- agak
- Mentah
- mencapai
- Bereaksi
- nyata
- real-time
- menerima
- menggantikan
- membutuhkan
- Sumber
- tanggapan
- mengakibatkan
- Hasil
- Pengembalian
- ulasan
- rute
- Aturan
- aturan
- Run
- Universitas
- sama
- terukur
- aman
- senior
- terpisah
- Tanpa Server
- layanan
- Layanan
- harus
- Menunjukkan
- mirip
- Sederhana
- situasi
- So
- larutan
- Solusi
- beberapa
- sumber
- spesialis
- tertentu
- dimulai
- Langkah
- Tangga
- Masih
- berhenti
- penyimpanan
- menyimpan
- Penyelarasan
- aliran
- Streaming
- Layanan streaming
- sukses
- seperti itu
- mencurigakan
- sistem
- tabel
- Mengambil
- tugas
- Teknologi
- template
- pengujian
- bahwa
- Grafik
- Sumber
- mereka
- Mereka
- Ini
- tiga
- Melalui
- waktu
- untuk
- Pelatihan VE
- Pelatihan
- .
- Transaksi
- diperbarui
- menggunakan
- gunakan case
- Pengguna
- berbagai
- Mengunjungi
- berjalan
- Cara..
- tersebar luas
- dengan
- bekerja
- Kamu
- Anda
- zephyrnet.dll