0
| 本文作者： 周蕾 | 2019-03-12 18:13 |
（圖片來源網絡）
央行新版個人征信報告目前已經投入查詢試運行階段，并將于今年5月進行正式切換。據悉，新版個人征信報告長達15頁， 除了將還款記錄保留期限從2年拉長到5年、新增還款金額和非信貸交易信息明細等變化以外，此次個人征信報告也首次將防欺詐納入其中，新增了防欺詐警示，目的是為了防止個人信息被人盜用，方便授信機構掌控個人的動態真實征信情況。
眾所周知，在剛過去的2018年，互金領域的暴雷潮使得行業陷入前所未有的信用危機，今年的政府工作報告也因此反復金融風險的防范，強調建立結構性的監管框架，梳理、化解跨業態的各類金融風險和更加高效、透明、有序的行業運行秩序。
而在各類金融風險中，金融欺詐的形勢變得越發嚴峻。一方面因為金融欺詐涉及的業務環節較多、手段多樣、隱蔽性強，中國銀行業協會就在其《中國銀行業產業發展藍皮書》中列舉了多種形態的金融欺詐手段：
賬戶注冊：偽造身份注冊、冒用他人身份注冊、偽造身份注冊；
賬戶登錄：賬戶盜用與冒用、賬戶異常共享等；
貸款申請：提供虛假申請信息、同時向多個金融平臺申請超過自身償還能力的貸款；
貸中管理：惡意拖欠；
支付：利用非法獲得的信用卡交易；
……
另一方面，金融欺詐的移動化程度不斷增加 ，也呈現出組織化、產業鏈化的特征。據了解，數十億對賬號密碼關系為地下黑色產業鏈所掌握，通過撞庫、刷庫造成的賬號被盜，占到整體被盜賬號的80%，而盜號所衍生的黑產業鏈年獲利超百億元。據《電子商務生態安全白皮書》，中國“網絡黑產”從業人員已超過150萬，市場規模高達千億級別。
抵御金融欺詐的難度日漸提高，基于線性模型的傳統風控也很難關聯關系對風險的影響，精細化、專業化的反欺詐能力因此成為越來越多金融機構和互金公司著重考量的技術能力之一，一批專注反欺詐的企業也應運而生。雷鋒網注意到，這些玩家已在這一領域有所表現，并各自擁有不同的技術亮點。
市場上現有的風控產品通常采用黑白名單、信譽庫、規則系統等傳統方法，傳統風控模型需要大量的標簽進行訓練，并以此預測新的樣本。但過多的標簽就意味著過多的數據搜集，數據更新費時費力，很難對未知欺詐行為有所察覺，成本增加的同時也會增加用戶隱私泄露的危險。而無監督的機器學習不需訓練數據，可自動挖掘和檢測各種已知、未知的欺詐行為，自動產生標簽，用于模型檢測，自動產生規則，免除耗時的人工規則調試，主要適用于欺詐團伙的檢測。
在一些金融場景當中，解決方案往往需要把無監督機器學習和有監督機器學習相結合，將無監督輸出的群組特征作為有監督機器模型的輸入，另外，還可以將無監督模型的聚類理由變成一種業務的規則，部署到客戶的規則系統中，去提升檢測的效率。
DataVisor
總部位于美國的DataVisor專注提供在線欺詐和金融犯罪檢測服務，其技術核心之一正是無監督學習算法。據雷鋒網了解，DataVisor以高精度和十億賬戶處理規模為欺詐和金融犯罪提供了無監督機器學習（UML）檢測的成熟應用，以無監督機器學習引擎為核心，并結合有監督機器學習和全球智能信譽庫為關鍵組件，無需標簽和訓練數據即可檢測欺詐行為，并且能做到提前檢測。
無監督學習引擎能同時處理所有事件和賬戶活動，分析數以億計的賬戶行為模式，以檢測到惡意帳戶之間的可疑連接。而自動規則引擎成功地將人工智能與機器學習的功能與規則引擎的可解釋性相結合，借助無監督機器學習引擎的檢測結果，自動規則引擎提供了卓越的檢測性能，同時顯著降低了對規則調整和維護的需求。
全球智能信譽庫是DataVisor基于IP地址、地理位置定位、電子郵件域名、移動設備類型、操作系統、瀏覽器代理、電話前綴等做全量分析后，輸出的數字信號，可以用來增強規則引擎和機器學習解決方案的能力。
慧安金科
反欺詐領域的新晉玩家慧安金科也將半監督主動式機器學習技術作為其主要技術優勢，同樣只需要少量標簽就可以建立模型。具體來說，半監督主動式機器學習技術可以根據少量的歷史標簽進行特征提取，訓練自身模型，進而將標簽遷移、擴散至其他沒有標簽的用戶。
當模型預測失準時，風控專家給予模型反饋，讓模型重新學習，為互聯網、金融機構和信息安全等其他領域提供更準確、更全面、更詳實的數據參考，輔助企業做出風控決策。可以在欺詐行為尚未發生之前，在無預知風險類型和特點的前提下，基于用戶行為數據進行建模分析，主動識別用戶行為和關聯的異常，自動響應新的威脅和攻擊，實現提前預警和主動防范；并且不使用用戶的身份信息等敏感數據，而是基于用戶注冊、登錄、瀏覽、下單等行為數據進行建模分析。
同盾科技
2013年成立的同盾科技，將目光聚焦在團伙欺詐，通過部署復雜網絡來應對這一挑戰，自2015年推出以來已進行多次迭代。復雜網絡即是針對復雜對象的關聯關系進行非線性建模，由節點（實體）和節點之間錯綜復雜的關系（實體之間關系）構成拓撲網絡，當異常關系聚集出現時，即可識別欺詐行為。同盾融合了自身大數據和外部數據，提供實時可視化關聯分析，將規則、關系及變量通過關系網絡表現，通過更深層信息挖掘和推理，提供動態分析和監測，并應用至實時團伙檢測等。
360金融
剛完成上市動作的360金融，旗下技術團隊同樣采用了復雜關系網絡分析作為反欺詐的重要工具。360金融向雷鋒網表示，他們已經將關系網絡開發提到了最優先級，目前能做到實時計算關系網絡，其關系網絡有11多億個關系節點和140多億的關系邊，輔以千萬級別的黑名單和白名單作為復雜關系網絡分析的基礎。此外，360金融也在算法層面引入了無監督機器學習。
猛犸反欺詐
猛犸反欺詐成立于2014年11月，目前關注的則是設備風險和交互行為風險。其中設備風險是后面四層的基礎，也為行為分析提供了數據集，貫穿于Gartner五層風險結構。其做法是通過設備指紋識別來控制欺詐風險。與其它廠商通過SDK等方式獲取用戶信息，然后生成設備指紋不同，猛犸是基于通信協議棧分析欺詐行為，能實現APP和移動端H5網頁間，不同瀏覽器之間的設備識別。目前，猛犸已積累了超過3億的設備指紋。
雷鋒網小結： 借助移動互聯網等多項技術蓬勃發展的新金融，實際正面臨著更嚴峻的考驗。這些金融業務交易頻繁、實時性強、數據量大、客群下沉，往往更容易受到欺詐組織的攻擊；同時這類攻擊除了技術以外，還會掩蓋聯網設備，偽裝身份和信用信息。正如DataVisor中國區首席戰略官鄭駿所言，在反欺詐中要擁有高質量的數據和不斷更新的技術，將黑名單、設備指紋、規則引擎、有監督機器學習、無監督機器學習等各種技術手段有機結合，并且具備情報偵察的邏輯，只有知道欺詐分子的技術手段、攻擊手段，才能更好地、有針對性地進行防范金融欺詐行為。
雷峰網原創文章，未經授權禁止轉載。詳情見轉載須知。
