Çevrimiçi dolandırıcılık, işletmeler üzerinde yaygın bir etkiye sahiptir ve yeni hesap dolandırıcılığını ve hesap devralmalarını tespit edip önlemek ve şüpheli ödeme işlemlerini durdurmak için etkili bir uçtan uca strateji gerektirir. Dolandırıcılığın meydana geldiği zamana daha yakın bir zamanda dolandırıcılığı tespit etmek, bir dolandırıcılık tespit ve önleme sisteminin başarısının anahtarıdır. Sistem dolandırıcılığı olabildiğince etkin bir şekilde tespit edebilmeli ve son kullanıcıyı mümkün olduğunca çabuk uyarabilmelidir. Kullanıcı daha sonra kötüye kullanımı önlemek için harekete geçmeyi seçebilir.
Bu gönderide, çevrimiçi işlem sahtekarlığını neredeyse gerçek zamanlı olarak tespit etmek için sunucusuz bir yaklaşım gösteriyoruz. İstenen sonuca ve dolandırıcılığı önlemek için yapılacak eylemlere (kullanıcıyı dolandırıcılık konusunda uyarmak veya ek inceleme için işlemi işaretlemek gibi) bağlı olarak bu yaklaşımı çeşitli veri akışına ve olaya dayalı mimarilere nasıl uygulayabileceğinizi gösteriyoruz.
Bu gönderi üç mimariyi uygular:
Hileli işlemleri tespit etmek için, potansiyel olarak dolandırıcılık faaliyetlerini belirlemenizi ve daha fazla çevrimiçi dolandırıcılığı daha hızlı yakalamanızı sağlayan, tümüyle yönetilen bir hizmet olan Amazon Fraud Detector'ı kullanıyoruz. Geçmiş verilere dayalı bir Amazon Fraud Detector modeli oluşturmak için bkz. Yeni Amazon Fraud Detector özellikleriyle çevrimiçi işlem dolandırıcılığını tespit edin. Ayrıca kullanabilirsiniz Amazon Adaçayı Yapıcı tescilli bir dolandırıcılık tespit modelini eğitmek. Daha fazla bilgi için bkz. Amazon SageMaker ile hileli ödeme tespitini eğitin.
Veri akışı denetimi ve dolandırıcılık tespiti/önlenmesi
Bu mimari, Amazon Fraud Detector kullanarak gerçek zamanlı Kinesis veri akışı veri incelemesini ve sahtekarlığı tespit edip önlemeyi etkinleştirmek için Lambda ve Step İşlevlerini kullanır. kullanıyorsanız aynı mimari geçerlidir. Apache Kafka için Amazon Tarafından Yönetilen Akış (Amazon MSK) veri akışı hizmeti olarak. Bu model, gerçek zamanlı dolandırıcılık tespiti, bildirimi ve olası önleme için yararlı olabilir. Bunun için örnek kullanım durumları, ödeme işleme veya yüksek hacimli hesap oluşturma olabilir. Aşağıdaki diyagram, çözüm mimarisini göstermektedir.
Bu uygulamada sürecin akışı şu şekildedir:
- Finansal işlemleri Kinesis veri akışına alıyoruz. Verilerin kaynağı, bu işlemleri oluşturan bir sistem olabilir; örneğin, e-ticaret veya bankacılık.
- Lambda işlevi, işlemleri toplu olarak alır.
- Lambda işlevi, parti için Adım İşlevleri iş akışını başlatır.
- Her işlem için iş akışı aşağıdaki eylemleri gerçekleştirir:
- İşlemi bir Amazon DinamoDB tablo.
- Ara Amazon Fraud Detector API'si GetEventPrediction eylemini kullanma. API şu sonuçlardan birini döndürür: onayla, engelle veya araştır.
- DynamoDB tablosundaki işlemi dolandırıcılık tahmini sonuçlarıyla güncelleyin.
- Sonuçlara göre, aşağıdaki işlemlerden birini gerçekleştirin:
- kullanarak bir bildirim gönder Amazon Basit Bildirim Servisi (Amazon SNS) Amazon Fraud Detector'dan gelen engelleme veya soruşturma yanıtı durumunda.
- Bir onay yanıtı olması durumunda işlemi daha fazla işleyin.
Bu yaklaşım, her işlemi bir veritabanında saklarken ve daha fazla işlemeden önce incelerken potansiyel olarak hileli işlemlere gerçek zamanlı olarak tepki vermenize olanak tanır. Gerçek uygulamada, ek inceleme için bildirim adımını iş sürecinize özgü bir eylemle değiştirebilirsiniz; örneğin, başka bir dolandırıcılık tespit modelini kullanarak işlemi inceleyin veya manuel bir inceleme gerçekleştirin.
Dolandırıcılık tespiti/önlenmesi için akış verisi zenginleştirme
Bazen, potansiyel olarak sahte verileri işaretlemeniz, ancak yine de işlemeniz gerekebilir; örneğin, işlemleri daha fazla analiz için saklarken ve dolandırıcılık tespit modelini sürekli olarak ayarlamak için daha fazla veri toplarken. Örnek bir kullanım durumu, taleplerin işlenmesidir. Talep işleme sırasında, tüm talep belgelerini toplar ve ardından bunları bir dolandırıcılık tespit sistemi aracılığıyla çalıştırırsınız. Bir hak talebini işleme koyma veya reddetme kararı daha sonra verilir - gerçek zamanlı olması gerekmez. Bu gibi durumlarda, akış verisi zenginleştirmesi kullanım durumunuza daha uygun olabilir.
Bu mimari, Amazon Fraud Detector kullanarak gerçek zamanlı Kinesis Data Firehose veri zenginleştirmesini etkinleştirmek için Lambda'yı kullanır ve Kinesis Data Firehose veri dönüşümü.
Bu yaklaşım, dolandırıcılığı önleme adımlarını uygulamaz. Zenginleştirilmiş verileri bir Amazon Basit Depolama Hizmeti (Amazon S3) paketi. Verileri tüketen aşağı akış hizmetleri, dolandırıcılık tespit sonuçlarını kendi iş mantıklarında kullanabilir ve buna göre hareket edebilir. Aşağıdaki diyagram bu mimariyi göstermektedir.
Bu uygulamada sürecin akışı şu şekildedir:
- Finansal işlemleri Kinesis Data Firehose'a alıyoruz. Verilerin kaynağı, e-ticaret veya bankacılık gibi bu işlemleri oluşturan bir sistem olabilir.
- Bir Lambda işlevi, işlemleri toplu olarak alır ve zenginleştirir. Toplu işteki her işlem için işlev aşağıdaki eylemleri gerçekleştirir:
- GetEventPrediction eylemini kullanarak Amazon Fraud Detector API'sini arayın. API şu üç sonuçtan birini döndürür: onaylayın, engelleyin veya araştırın.
- Dolandırıcılık tespit sonuçlarını meta veri olarak ekleyerek işlem verilerini güncelleyin.
- Güncellenen işlemlerin grubunu Kinesis Data Firehose teslim akışına iade edin.
- Kinesis Data Firehose, verileri hedefe (bizim durumumuzda S3 kovası) iletir.
Sonuç olarak, yalnızca orijinal verileri değil, aynı zamanda işlemlerin her biri için meta veri olarak Amazon Fraud Detector yanıtını da içeren S3 klasöründe verilerimiz var. Bu meta verileri, veri analitiği çözümlerinizde, makine öğrenimi modeli eğitim görevlerinizde veya işlem verilerini tüketen görselleştirmelerde ve panolarda kullanabilirsiniz.
Olay verileri incelemesi ve dolandırıcılık tespiti/önlenmesi
Tüm veriler sisteminize bir akış olarak gelmez. Ancak, olaya dayalı mimarilerde benzer bir yaklaşımı yine de takip edebilirsiniz.
Bu mimari, Amazon Fraud Detector kullanarak gerçek zamanlı EventBridge olay incelemesini ve dolandırıcılık tespitini/önlemesini etkinleştirmek için Step Functions'ı kullanır. Potansiyel olarak hileli işlemin işlenmesini durdurmaz, bunun yerine işlemi ek bir inceleme için işaretler. Zenginleştirilmiş işlemleri, ham olay verilerinin yayınlandığı veri yolundan farklı bir olay veriyolunda yayınlarız. Bu şekilde, verilerin tüketicileri, tüm olayların dolandırıcılık tespit sonuçlarını meta veri olarak içerdiğinden emin olabilir. Tüketiciler daha sonra meta verileri inceleyebilir ve meta verilere dayalı olarak kendi kurallarını uygulayabilir. Örneğin, olaya dayalı bir e-ticaret uygulamasında, bir tüketici, bu işlemin hileli olacağı tahmin ediliyorsa siparişi işlememeyi seçebilir. Bu mimari model, yeni hesap oluşturma sırasında veya hesap profili değişiklikleri sırasında (hesap profilinizde kayıtlı adresinizi, telefon numaranızı veya kredi kartınızı değiştirmek gibi) dolandırıcılığı tespit etmek ve önlemek için de yararlı olabilir. Aşağıdaki diyagram, çözüm mimarisini göstermektedir.
Bu uygulamada sürecin akışı şu şekildedir:
- Mali işlemleri bir EventBridge olay veriyolunda yayınlarız. Verilerin kaynağı, bu işlemleri oluşturan bir sistem olabilir; örneğin, e-ticaret veya bankacılık.
- EventBridge kuralı, Adım İşlevleri iş akışını başlatır.
- Adım İşlevleri iş akışı, işlemi alır ve aşağıdaki adımlarla işler:
- kullanarak Amazon Fraud Detector API'sini arayın.
GetEventPrediction
aksiyon. API şu üç sonuçtan birini döndürür: onayla, engelle veya araştır. - Dolandırıcılık tespit sonuçlarını ekleyerek işlem verilerini güncelleyin.
- İşlem dolandırıcılığı tahmini sonucu engelleme veya soruşturma ise daha ayrıntılı araştırma için Amazon SNS'yi kullanarak bir bildirim gönderin.
- Zenginleştirilmiş veriler için güncellenmiş işlemi EventBridge veriyolunda yayınlayın.
- kullanarak Amazon Fraud Detector API'sini arayın.
Kinesis Data Firehose veri zenginleştirme yönteminde olduğu gibi bu mimari, sahte verilerin bir sonraki adıma ulaşmasını engellemez. Orijinal olaya dolandırıcılık algılama meta verileri ekler ve potansiyel olarak hileli işlemler hakkında bildirimler gönderir. Zenginleştirilmiş verilerin tüketicileri, kararlarında dolandırıcılık tespit meta verilerini kullanan iş mantıklarını dahil etmemiş olabilir. Bu durumda, Adım İşlevleri iş akışını, bu tür işlemleri hedef veri yoluna koymayacak ve bunları ayrı bir şüpheli işlem işleme uygulaması tarafından tüketilmek üzere ayrı bir olay veri yoluna yönlendirecek şekilde değiştirebilirsiniz.
Uygulama
Bu gönderide açıklanan mimarilerin her biri için şunları bulabilirsiniz: AWS Sunucusuz Uygulama Modeli (AWS SAM) şablonları, dağıtım ve test yönergeleri örnek havuz.
Sonuç
Bu gönderi, kullanarak gerçek zamanlı bir dolandırıcılık tespiti ve önleme çözümü uygulamak için farklı yöntemlerden geçti. Amazon Makine Öğrenimi hizmetler ve sunucusuz mimariler. Bu çözümler, dolandırıcılığı gerçekleşme anına daha yakın bir zamanda tespit etmenize ve mümkün olan en kısa sürede harekete geçmenize olanak tanır. Step Functions kullanarak uygulamanın esnekliği, duruma en uygun şekilde tepki vermenize ve minimum kod değişikliğiyle önleme adımlarını ayarlamanıza olanak tanır.
Daha fazla sunucusuz öğrenme kaynağı için şu adresi ziyaret edin: Sunucusuz Arazi.
Yazarlar Hakkında
Veda Raman Maryland merkezli makine öğrenimi için Kıdemli Uzman Çözüm Mimarıdır. Veda, verimli, güvenli ve ölçeklenebilir makine öğrenimi uygulamaları tasarlamalarına yardımcı olmak için müşterilerle birlikte çalışır. Veda, müşterilerin Makine öğrenimi için sunucusuz teknolojilerden yararlanmasına yardımcı olmakla ilgileniyor.
Giedrius Praspaliuskas Kaliforniya'da bulunan sunucusuz için Kıdemli Uzman Çözüm Mimarıdır. Giedrius, ölçeklenebilir, hataya dayanıklı, yüksek performanslı, uygun maliyetli uygulamalar oluşturmak için sunucusuz hizmetlerden yararlanmalarına yardımcı olmak için müşterilerle birlikte çalışır.
- SEO Destekli İçerik ve Halkla İlişkiler Dağıtımı. Bugün Gücünüzü Artırın.
- Plato blok zinciri. Web3 Metaverse Zekası. Bilgi Güçlendirildi. Buradan Erişin.
- Kaynak: https://aws.amazon.com/blogs/machine-learning/real-time-fraud-detection-using-aws-serverless-and-machine-learning-services/
- :dır-dir
- 100
- 28
- 7
- a
- Yapabilmek
- Hakkımızda
- taciz
- göre
- Hesap
- Hareket
- Action
- eylemler
- faaliyetler
- Ek
- adres
- Ekler
- Uyarmak
- Türkiye
- veriyor
- Amazon
- Amazon Sahtekarlık Dedektörü
- analytics
- ve
- Apache
- api
- Uygulama
- uygulamaları
- Tamam
- yaklaşım
- uygun
- onaylamak
- mimari
- AS
- AWS
- Bankacılık
- merkezli
- BE
- önce
- olmak
- Daha iyi
- Engellemek
- inşa etmek
- otobüs
- iş
- işletmeler
- by
- Kaliforniya
- CAN
- kart
- dava
- durumlarda
- Yakalamak
- değişiklik
- değişiklikler
- değiştirme
- Klinik
- iddia
- iddia
- yakın
- kod
- toplamak
- Toplama
- Davranış
- sürekli
- tüketmek
- tüketilen
- tüketici
- Tüketiciler
- uygun maliyetli
- olabilir
- oluşturma
- kredi
- kredi kartı
- Müşteriler
- veri
- Veri Analizi
- veri zenginleştirme
- veritabanı
- karar
- kararlar
- teslim etmek
- sağlıyor
- teslim
- bağlı
- açılma
- tarif edilen
- İstediğiniz
- hedef
- Bulma
- farklı
- evraklar
- Değil
- Dont
- sırasında
- her
- e-ticaret
- Etkili
- etkili bir şekilde
- verimli
- etkinleştirmek
- etkinleştirme
- son uca
- zenginleştirilmiş
- Etkinlikler
- olaylar
- örnek
- Daha hızlı
- fileto
- mali
- bulmak
- uygun
- bayraklar
- Esneklik
- akış
- takip et
- takip etme
- şu
- İçin
- dolandırıcılık
- sahtekarlık tespiti
- DOLANDIRICILIK ÖNLEME
- sahte
- itibaren
- tamamen
- işlev
- fonksiyonlar
- daha fazla
- üretir
- Var
- yardım et
- yardım
- yüksek performans
- Ne kadar
- Ancak
- HTML
- HTTPS
- i
- belirlemek
- darbe
- uygulamak
- uygulama
- uygular
- in
- dahil
- içerir
- bilgi
- talimatlar
- ilgili
- araştırmak
- soruşturma
- IT
- anahtar
- Kinesis Veri Yangın Hortumu
- öğrenme
- Kaldıraç
- sevmek
- makine
- makine öğrenme
- yönetilen
- Manuel
- Maryland
- Metadata
- yöntem
- yöntemleri
- en az
- model
- Daha
- çoğu
- zorunlu olarak
- gerek
- yeni
- sonraki
- tebliğ
- bildirimleri
- numara
- of
- on
- ONE
- Online
- sipariş
- orijinal
- Diğer
- Sonuç
- kendi
- geçmiş
- model
- ödeme
- odeme yapiliyor
- ödeme işlemleri
- Yapmak
- gerçekleştirir
- telefon
- Platon
- Plato Veri Zekası
- PlatoVeri
- mümkün
- Çivi
- potansiyel
- potansiyel
- tahmin
- tahmin
- önlemek
- önlenmesi
- Önleme
- süreç
- Süreçler
- işleme
- Profil
- özel
- yayınlamak
- yayınlanan
- koymak
- hızla
- daha doğrusu
- Çiğ
- uzanarak almak
- React
- gerçek
- gerçek zaman
- alır
- değiştirmek
- gerektirir
- Kaynaklar
- yanıt
- sonuç
- Sonuçlar
- İade
- yorum
- yolları
- Kural
- kurallar
- koşmak
- Sam
- aynı
- ölçeklenebilir
- güvenli
- kıdemli
- ayrı
- Serverless
- hizmet
- Hizmetler
- meli
- şov
- benzer
- Basit
- durum
- So
- çözüm
- Çözümler
- biraz
- Kaynak
- uzman
- özel
- başlar
- adım
- Basamaklar
- Yine
- dur
- hafızası
- mağaza
- Stratejileri
- dere
- akış
- akış hizmeti
- başarı
- böyle
- şüpheli
- sistem
- tablo
- Bizi daha iyi tanımak için
- görevleri
- Teknolojileri
- şablonları
- Test yapmak
- o
- The
- Kaynak
- ve bazı Asya
- Onları
- Bunlar
- üç
- İçinden
- zaman
- için
- Tren
- Eğitim
- işlem
- işlemler
- güncellenmiş
- kullanım
- kullanım durumu
- kullanıcı
- çeşitli
- Türkiye Dental Sosyal Medya Hesaplarından bizi takip edebilirsiniz.
- yürüdü
- Yol..
- yaygın
- ile
- çalışır
- Sen
- zefirnet