Gian lận trực tuyến có tác động rộng rãi đến các doanh nghiệp và đòi hỏi một chiến lược toàn diện hiệu quả để phát hiện và ngăn chặn gian lận tài khoản mới và chiếm đoạt tài khoản, đồng thời ngăn chặn các giao dịch thanh toán đáng ngờ. Phát hiện gian lận gần thời điểm xảy ra gian lận là chìa khóa thành công của hệ thống phát hiện và ngăn chặn gian lận. Hệ thống sẽ có thể phát hiện gian lận một cách hiệu quả nhất có thể đồng thời cảnh báo cho người dùng cuối càng nhanh càng tốt. Sau đó, người dùng có thể chọn thực hiện hành động để ngăn chặn lạm dụng tiếp theo.
Trong bài đăng này, chúng tôi trình bày một cách tiếp cận không cần máy chủ để phát hiện gian lận giao dịch trực tuyến trong thời gian gần như thực. Chúng tôi chỉ ra cách bạn có thể áp dụng phương pháp này cho các kiến trúc truyền dữ liệu và hướng sự kiện khác nhau, tùy thuộc vào kết quả mong muốn và các hành động cần thực hiện để ngăn chặn gian lận (chẳng hạn như thông báo cho người dùng về hành vi gian lận hoặc gắn cờ giao dịch để xem xét bổ sung).
Bài đăng này thực hiện ba kiến trúc:
Để phát hiện các giao dịch gian lận, chúng tôi sử dụng Amazon Fraud Detector, một dịch vụ được quản lý hoàn toàn cho phép bạn xác định các hoạt động gian lận tiềm ẩn và phát hiện nhiều gian lận trực tuyến nhanh hơn. Để xây dựng mô hình Amazon Fraud Detector dựa trên dữ liệu trong quá khứ, hãy tham khảo Phát hiện gian lận trong giao dịch trực tuyến với các tính năng mới của Amazon Fraud Detector. Bạn cũng có thể dùng Amazon SageMaker để đào tạo một mô hình phát hiện gian lận độc quyền. Để biết thêm thông tin, hãy tham khảo Đào tạo phát hiện thanh toán gian lận với Amazon SageMaker.
Kiểm tra dữ liệu trực tuyến và phát hiện/ngăn chặn gian lận
Kiến trúc này sử dụng Lambda và Step Functions để cho phép kiểm tra dữ liệu luồng dữ liệu Kinesis theo thời gian thực cũng như phát hiện và ngăn chặn gian lận bằng Amazon Fraud Detector. Kiến trúc tương tự được áp dụng nếu bạn sử dụng Truyền trực tuyến được quản lý của Amazon cho Apache Kafka (Amazon MSK) làm dịch vụ truyền dữ liệu. Mẫu này có thể hữu ích để phát hiện, thông báo và ngăn ngừa gian lận theo thời gian thực. Các trường hợp sử dụng ví dụ cho việc này có thể là xử lý thanh toán hoặc tạo tài khoản số lượng lớn. Sơ đồ sau đây minh họa kiến trúc giải pháp.
Dòng chảy của quá trình trong việc thực hiện này là như sau:
- Chúng tôi nhập các giao dịch tài chính vào luồng dữ liệu Kinesis. Nguồn dữ liệu có thể là một hệ thống tạo ra các giao dịch này—ví dụ: thương mại điện tử hoặc ngân hàng.
- Hàm Lambda nhận các giao dịch theo đợt.
- Hàm Lambda bắt đầu quy trình làm việc Step Functions cho lô.
- Đối với mỗi giao dịch, dòng công việc thực hiện các hành động sau:
- Duy trì giao dịch trong một Máy phát điện Amazon bảng.
- Gọi API phát hiện gian lận của Amazon bằng cách sử dụng hành động GetEventPrediction. API trả về một trong các kết quả sau: phê duyệt, chặn hoặc điều tra.
- Cập nhật giao dịch trong bảng DynamoDB với kết quả dự đoán gian lận.
- Dựa trên kết quả, thực hiện một trong các hành động sau:
- Gửi thông báo bằng cách sử dụng Dịch vụ thông báo đơn giản của Amazon (Amazon SNS) trong trường hợp bị chặn hoặc điều tra phản hồi từ Amazon Fraud Detector.
- Tiếp tục xử lý giao dịch trong trường hợp phản hồi phê duyệt.
Cách tiếp cận này cho phép bạn phản ứng với các giao dịch có khả năng gian lận trong thời gian thực khi bạn lưu trữ từng giao dịch trong cơ sở dữ liệu và kiểm tra giao dịch đó trước khi xử lý thêm. Trong triển khai thực tế, bạn có thể thay thế bước thông báo để xem xét bổ sung bằng một hành động dành riêng cho quy trình kinh doanh của mình—ví dụ: kiểm tra giao dịch bằng một số mô hình phát hiện gian lận khác hoặc tiến hành xem xét thủ công.
Làm giàu dữ liệu trực tuyến để phát hiện/ngăn chặn gian lận
Đôi khi, bạn có thể cần gắn cờ dữ liệu có khả năng gian lận nhưng vẫn xử lý dữ liệu đó; ví dụ: khi bạn đang lưu trữ các giao dịch để phân tích thêm và thu thập thêm dữ liệu để liên tục điều chỉnh mô hình phát hiện gian lận. Một trường hợp sử dụng ví dụ là xử lý khiếu nại. Trong quá trình xử lý khiếu nại, bạn thu thập tất cả các tài liệu khiếu nại và sau đó chạy chúng thông qua hệ thống phát hiện gian lận. Quyết định xử lý hoặc từ chối yêu cầu sau đó được đưa ra—không nhất thiết phải theo thời gian thực. Trong những trường hợp như vậy, làm giàu dữ liệu trực tuyến có thể phù hợp hơn với trường hợp sử dụng của bạn.
Kiến trúc này sử dụng Lambda để cho phép làm giàu dữ liệu Kinesis Data Firehose theo thời gian thực bằng cách sử dụng Amazon Fraud Detector và Chuyển đổi dữ liệu Kinesis Data Firehose.
Cách tiếp cận này không thực hiện các bước ngăn chặn gian lận. Chúng tôi cung cấp dữ liệu phong phú cho một Dịch vụ lưu trữ đơn giản của Amazon (Amazon S3) xô. Các dịch vụ tuyến dưới sử dụng dữ liệu có thể sử dụng kết quả phát hiện gian lận trong logic kinh doanh của họ và hành động tương ứng. Sơ đồ sau minh họa kiến trúc này.
Dòng chảy của quá trình trong việc thực hiện này là như sau:
- Chúng tôi nhập các giao dịch tài chính vào Kinesis Data Firehose. Nguồn dữ liệu có thể là một hệ thống tạo ra các giao dịch này, chẳng hạn như thương mại điện tử hoặc ngân hàng.
- Một hàm Lambda nhận các giao dịch theo lô và làm phong phú chúng. Đối với mỗi giao dịch trong lô, chức năng thực hiện các hành động sau:
- Gọi API Amazon Fraud Detector bằng hành động GetEventPrediction. API trả về một trong ba kết quả: phê duyệt, chặn hoặc điều tra.
- Cập nhật dữ liệu giao dịch bằng cách thêm kết quả phát hiện gian lận dưới dạng siêu dữ liệu.
- Trả lô giao dịch đã cập nhật về luồng phân phối Kinesis Data Firehose.
- Kinesis Data Firehose cung cấp dữ liệu đến đích (trong trường hợp của chúng tôi là bộ chứa S3).
Do đó, chúng tôi có dữ liệu trong bộ chứa S3 không chỉ bao gồm dữ liệu gốc mà còn cả phản hồi của Amazon Fraud Detector dưới dạng siêu dữ liệu cho từng giao dịch. Bạn có thể sử dụng siêu dữ liệu này trong các giải pháp phân tích dữ liệu, nhiệm vụ đào tạo mô hình máy học hoặc hình ảnh hóa và bảng điều khiển sử dụng dữ liệu giao dịch.
Kiểm tra dữ liệu sự kiện và phát hiện/ngăn chặn gian lận
Không phải tất cả dữ liệu đi vào hệ thống của bạn dưới dạng luồng. Tuy nhiên, trong trường hợp kiến trúc hướng sự kiện, bạn vẫn có thể thực hiện theo cách tiếp cận tương tự.
Kiến trúc này sử dụng Step Functions để cho phép kiểm tra sự kiện EventBridge theo thời gian thực và phát hiện/ngăn chặn gian lận bằng Amazon Fraud Detector. Nó không dừng xử lý giao dịch có khả năng gian lận, thay vào đó, nó đánh dấu giao dịch để xem xét bổ sung. Chúng tôi xuất bản các giao dịch được bổ sung chi tiết lên một xe buýt sự kiện khác với xe buýt mà dữ liệu sự kiện thô đang được xuất bản. Bằng cách này, người tiêu dùng dữ liệu có thể chắc chắn rằng tất cả các sự kiện bao gồm kết quả phát hiện gian lận dưới dạng siêu dữ liệu. Sau đó, người tiêu dùng có thể kiểm tra siêu dữ liệu và áp dụng các quy tắc của riêng họ dựa trên siêu dữ liệu. Ví dụ: trong ứng dụng thương mại điện tử hướng sự kiện, người tiêu dùng có thể chọn không xử lý đơn đặt hàng nếu giao dịch này được dự đoán là gian lận. Mẫu kiến trúc này cũng có thể hữu ích để phát hiện và ngăn chặn gian lận khi tạo tài khoản mới hoặc khi thay đổi hồ sơ tài khoản (chẳng hạn như thay đổi địa chỉ, số điện thoại hoặc thẻ tín dụng trên hồ sơ trong hồ sơ tài khoản của bạn). Sơ đồ sau đây minh họa kiến trúc giải pháp.
Dòng chảy của quá trình trong việc thực hiện này là như sau:
- Chúng tôi xuất bản các giao dịch tài chính lên xe buýt sự kiện EventBridge. Nguồn dữ liệu có thể là một hệ thống tạo ra các giao dịch này—ví dụ: thương mại điện tử hoặc ngân hàng.
- Quy tắc EventBridge bắt đầu quy trình làm việc Step Functions.
- Dòng công việc Step Functions nhận giao dịch và xử lý nó theo các bước sau:
- Gọi API Trình phát hiện gian lận của Amazon bằng cách sử dụng
GetEventPrediction
hoạt động. API trả về một trong ba kết quả: phê duyệt, chặn hoặc điều tra. - Cập nhật dữ liệu giao dịch bằng cách thêm kết quả phát hiện gian lận.
- Nếu kết quả dự đoán gian lận giao dịch bị chặn hoặc điều tra, hãy gửi thông báo bằng Amazon SNS để điều tra thêm.
- Xuất bản giao dịch đã cập nhật lên xe buýt EventBridge để có dữ liệu phong phú.
- Gọi API Trình phát hiện gian lận của Amazon bằng cách sử dụng
Như trong phương pháp làm giàu dữ liệu Kinesis Data Firehose, kiến trúc này không ngăn dữ liệu gian lận chuyển sang bước tiếp theo. Nó thêm siêu dữ liệu phát hiện gian lận vào sự kiện ban đầu và gửi thông báo về các giao dịch có khả năng gian lận. Có thể người tiêu dùng dữ liệu phong phú không bao gồm logic kinh doanh sử dụng siêu dữ liệu phát hiện gian lận trong các quyết định của họ. Trong trường hợp đó, bạn có thể thay đổi quy trình làm việc của Step Functions để nó không đưa các giao dịch đó đến bus đích và định tuyến chúng đến một bus sự kiện riêng biệt để ứng dụng xử lý giao dịch đáng ngờ riêng biệt sử dụng.
Thực hiện
Đối với mỗi kiến trúc được mô tả trong bài đăng này, bạn có thể tìm thấy Mô hình ứng dụng không có máy chủ AWS (AWS SAM), hướng dẫn triển khai và thử nghiệm trong kho mẫu.
Kết luận
Bài đăng này hướng dẫn các phương pháp khác nhau để triển khai giải pháp ngăn chặn và phát hiện gian lận theo thời gian thực bằng cách sử dụng Học máy Amazon dịch vụ và kiến trúc serverless. Các giải pháp này cho phép bạn phát hiện hành vi gian lận gần thời điểm xảy ra hành vi gian lận và hành động xử lý gian lận nhanh nhất có thể. Tính linh hoạt của việc triển khai bằng cách sử dụng Step Functions cho phép bạn phản ứng theo cách phù hợp nhất với tình huống và cũng điều chỉnh các bước phòng ngừa với những thay đổi mã tối thiểu.
Để biết thêm tài nguyên học tập serverless, hãy truy cập Vùng đất không máy chủ.
Về các tác giả
Veda Raman là Kiến trúc sư Giải pháp Chuyên gia Cao cấp về máy học có trụ sở tại Maryland. Veda làm việc với khách hàng để giúp họ kiến trúc các ứng dụng học máy hiệu quả, an toàn và có thể mở rộng. Veda quan tâm đến việc giúp khách hàng tận dụng các công nghệ máy chủ cho Máy học.
Giedrius Praspaliauskas là Chuyên gia cao cấp Kiến trúc sư giải pháp cho serverless có trụ sở tại California. Giedrius làm việc với khách hàng để giúp họ tận dụng các dịch vụ serverless nhằm xây dựng các ứng dụng có khả năng mở rộng, chịu lỗi, hiệu suất cao và tiết kiệm chi phí.
- Phân phối nội dung và PR được hỗ trợ bởi SEO. Được khuếch đại ngay hôm nay.
- Platoblockchain. Web3 Metaverse Intelligence. Khuếch đại kiến thức. Truy cập Tại đây.
- nguồn: https://aws.amazon.com/blogs/machine-learning/real-time-fraud-detection-using-aws-serverless-and-machine-learning-services/
- :là
- 100
- 28
- 7
- a
- Có khả năng
- Giới thiệu
- lạm dụng
- cho phù hợp
- Tài khoản
- Hành động
- Hoạt động
- hành động
- hoạt động
- thêm vào
- địa chỉ
- Thêm
- Cảnh báo
- Tất cả
- cho phép
- đàn bà gan dạ
- Phát hiện gian lận Amazon
- phân tích
- và
- Apache
- api
- Các Ứng Dụng
- các ứng dụng
- Đăng Nhập
- phương pháp tiếp cận
- thích hợp
- phê duyệt
- kiến trúc
- AS
- AWS
- Ngân hàng
- dựa
- BE
- trước
- được
- Hơn
- Chặn
- xây dựng
- xe buýt
- kinh doanh
- các doanh nghiệp
- by
- california
- CAN
- thẻ
- trường hợp
- trường hợp
- Catch
- thay đổi
- Những thay đổi
- thay đổi
- Chọn
- xin
- tuyên bố
- gần gũi hơn
- mã
- thu thập
- Thu
- Tiến hành
- liên tục
- ăn
- tiêu thụ
- người tiêu dùng
- Người tiêu dùng
- chi phí-hiệu quả
- có thể
- tạo
- tín dụng
- thẻ tín dụng
- khách hàng
- dữ liệu
- Phân tích dữ liệu
- làm giàu dữ liệu
- Cơ sở dữ liệu
- quyết định
- quyết định
- cung cấp
- cung cấp
- giao hàng
- Tùy
- triển khai
- mô tả
- mong muốn
- điểm đến
- Phát hiện
- khác nhau
- tài liệu
- Không
- dont
- suốt trong
- mỗi
- thương mại điện tử
- Hiệu quả
- hiệu quả
- hiệu quả
- cho phép
- cho phép
- Cuối cùng đến cuối
- Làm giàu
- Sự kiện
- sự kiện
- ví dụ
- nhanh hơn
- Tập tin
- tài chính
- Tìm kiếm
- phù hợp với
- cờ
- Linh hoạt
- dòng chảy
- theo
- tiếp theo
- sau
- Trong
- gian lận
- phát hiện gian lận
- PHÒNG CHỐNG GIAN LẬN
- lừa đảo
- từ
- đầy đủ
- chức năng
- chức năng
- xa hơn
- tạo
- Có
- giúp đỡ
- giúp đỡ
- hiệu suất cao
- Độ đáng tin của
- Tuy nhiên
- HTML
- HTTPS
- i
- xác định
- Va chạm
- thực hiện
- thực hiện
- thực hiện
- in
- bao gồm
- bao gồm
- thông tin
- hướng dẫn
- quan tâm
- điều tra
- điều tra
- IT
- Key
- Vòi cứu hỏa dữ liệu Kinesis
- học tập
- Tỉ lệ đòn bẩy
- Lượt thích
- máy
- học máy
- quản lý
- nhãn hiệu
- Maryland
- Siêu dữ liệu
- phương pháp
- phương pháp
- tối thiểu
- kiểu mẫu
- chi tiết
- hầu hết
- nhất thiết
- Cần
- Mới
- tiếp theo
- thông báo
- thông báo
- con số
- of
- on
- ONE
- Trực tuyến
- gọi món
- nguyên
- Nền tảng khác
- Kết quả
- riêng
- qua
- Họa tiết
- thanh toán
- xử lý thanh toán
- giao dịch thanh toán
- Thực hiện
- thực hiện
- điện thoại
- plato
- Thông tin dữ liệu Plato
- PlatoDữ liệu
- có thể
- Bài đăng
- tiềm năng
- có khả năng
- dự đoán
- dự đoán
- ngăn chặn
- ngăn chặn
- Phòng chống
- quá trình
- Quy trình
- xử lý
- Hồ sơ
- độc quyền
- xuất bản
- công bố
- đặt
- Mau
- hơn
- Nguyên
- đạt
- Phản ứng
- thực
- thời gian thực
- nhận
- thay thế
- đòi hỏi
- Thông tin
- phản ứng
- kết quả
- Kết quả
- Trả về
- xem xét
- tuyến đường
- Quy tắc
- quy tắc
- chạy
- Sam
- tương tự
- khả năng mở rộng
- an toàn
- cao cấp
- riêng biệt
- Không có máy chủ
- dịch vụ
- DỊCH VỤ
- nên
- hiển thị
- tương tự
- Đơn giản
- tình hình
- So
- giải pháp
- Giải pháp
- một số
- nguồn
- chuyên gia
- riêng
- bắt đầu
- Bước
- Các bước
- Vẫn còn
- Dừng
- là gắn
- hàng
- Chiến lược
- dòng
- trực tuyến
- Dịch vụ truyền trực tuyến
- thành công
- như vậy
- đáng ngờ
- hệ thống
- bàn
- Hãy
- nhiệm vụ
- Công nghệ
- mẫu
- Kiểm tra
- việc này
- Sản phẩm
- Nguồn
- cung cấp their dịch
- Them
- Kia là
- số ba
- Thông qua
- thời gian
- đến
- Train
- Hội thảo
- giao dịch
- Giao dịch
- cập nhật
- sử dụng
- ca sử dụng
- người sử dang
- khác nhau
- Truy cập
- đi bộ
- Đường..
- phổ biến rộng rãi
- với
- công trinh
- Bạn
- trên màn hình
- zephyrnet