从上个世纪90年代开始，由于反欺诈领域大数据量和高时效性需求，机器学习技术得到逐步应用： Kokkinaki（1997）提出一种基于决策树逻辑的模型，其中子节点代表不同的变量，分叉路经代表满足不同的条件； Bentley（2000）运用基因算法来搭建一套逻辑规则，可以根据最大发生概率将交易行为划分为可疑和非可疑； Bolton和Hand（2002）利用对等组分析和断点
转载
2024-01-25 21:32:04
76阅读
不少刚进入风控行业或想转岗的朋友可能都有过这样的困扰，需要掌握哪些代码工具，掌握的程度要求，以及在哪些工作场景是需要应用到工具。解决这类疑问，首先我们得知道有哪些工具。今天小编就以反欺诈模型为例，带大家去了解一二。全流程反欺诈模型工具应用在反欺诈模型中，主要是使用哪些工具呢？一般而言，全流程反欺诈模型主要分为数据获取、数据处理、建模、可视这四大模块。其中，无论是策略、模型还是数据分析，都需要对数据
转载
2023-11-06 22:09:05
131阅读
【目前保险欺诈现象】随着保险产品、服务的更新换代及信息传播技术的迅猛发展，保险欺诈也日益呈现出了专业化、团伙化、区域化、复制化、虚拟 化、复杂化等特征。关注反欺诈能力，防范和化解保险欺诈是保险业长远经营与银保监监管亟需解决的问题。据《中国保险报》权威报道，我国保险业前期开发的某些险种因被欺诈导致的赔款最高达保费收入的50％，全部理赔案件中被各种类型的欺诈导致的赔款支出约为10％-30％，当然其中也
转载
2024-01-07 17:03:09
93阅读
【1】国家反诈中心App正式上线 3 月 16 日消息，国家反诈中心 App 近期正式上线，这款应用由公安部刑事侦查局组织开发。软件集合报案助手、举报线索、风险查询、诈骗预警、最新骗局曝光等多种功能于一体。当你收到可疑诈骗分子来电可疑诈骗分子发送的短信或可疑短信内容网址或安装可疑诈骗 App 应用时，它能提前预警。 【2】字节自研AI芯片3月16日消息，有
转载
2023-10-13 07:33:18
23阅读
2018-2019-2 20165204《网络对抗技术》 Exp7 网络欺诈防范实践目标本实践的目标理解常用网络欺诈背后的原理，以提高防范意识，并提出具体防范方法。实践内容（1）简单应用SET工具建立冒名网站（2）ettercap DNS spoof（3）结合应用两种技术，用DNS spoof引导特定访问到冒名网站。实践过程一、简单应用SET工具建立冒名网站首先要设置网卡为混杂模式，以便接收所有经
转载
2024-05-17 08:02:10
35阅读
一、实验要求（1）简单应用SET工具建立冒名网站（2）ettercap DNS spoof （3）结合应用两种技术，用DNS spoof引导特定访问到冒名网站。（4）请勿使用外部网站做实验二、实验内容（一）实验准备靶机：Windows7 IP-192.168.171.132 攻击机：Kali IP-192.168.171.128 Kali网关-192.168.171.
转载
2024-01-31 16:00:02
21阅读
第一个纯粹为恶意目的而设计的生成式人工智能的推出——欺诈GPT。
原创
2024-06-24 00:07:56
0阅读
arp病毒，具体表现为局域网内一些正在上网的电脑主机频繁掉线或是断线。一、故障原因及现象 局域网内有电脑使用ARP欺骗程序（比如：传奇、QQ盗号的软件等）发送ARP数据包，致使被攻击的电脑不能上网。 当局域网内某台电脑A向电脑B发送ARP欺骗数据包时，会欺骗电脑B将其通信的数据发向电脑A，电脑A通过对截获的数据进行分析，达到窃取数据（如用户账号）的目的。 被ARP欺骗的电脑会出现突然不
在当前数字化时代，网络欺诈行为日益猖獗，这对个人和企业安全构成了严重挑战。为了解决这一问题，结合自然语言处理（NLP）技术进行反欺诈变得越来越重要。本文将详细介绍如何通过NLP技术解决反欺诈问题的过程，包括环境准备、集成步骤、配置详解、实战应用、排错指南和性能优化等内容。
## 环境准备
在准备NLP反欺诈系统时，我们需要安装一些软件和库，确保环境的兼容性。以下是依赖安装指南及版本兼容性矩阵：
近年来，随着数字化转型的深入，NLP（自然语言处理）在各个领域的应用越来越广泛，其中，NLP欺诈检测已经成为一个重要的研究方向。这种技术可以有效识别和阻止潜在的欺诈行为，保护用户和企业的利益。本文将详细阐述NLP欺诈检测的问题解决过程，包括背景定位、演进历程、架构设计、性能攻坚、复盘总结与扩展应用等内容，帮助大家全面理解这一领域的技术框架和实施路径。
### 背景定位
在一个数字化商业环境中，
本文将基于不平衡数据，使用Python进行反欺诈模型数据分析实战，模拟分类预测模型中因变量分类出现不平衡时该如何解决，具体的案例应用场景除反欺诈外，还有客户违约和疾病检测等。只要是因变量中各分类占比悬殊，就可对其使用一定的采样方法，以达到除模型调优外的精度提升。主要将分为两个部分：原理介绍与其花大量的时间对建好的模型进行各种调优操作，不如在一开始就对源数据进行系统而严谨的处理。而数据处理背后的算法
转载
2024-01-25 21:26:15
91阅读
在当今数字经济时代，网络欺诈行为日益猖獗，给企业和个人带来了巨大的财务损失和信任危机。为了应对这些问题，越来越多的公司开始采用自然语言处理（NLP）技术用于反欺诈。这篇文章将深入讨论如何利用NLP技术来解决反欺诈问题，并在每个部分中通过具体的图表和代码示例进行说明。
1. 背景描述
网络欺诈形式多样，包括虚假广告、身份盗窃、在线诈骗等。为了有效防范这些欺诈行为，企业需要借助先进的技术手
本文通过利用信用卡的历史交易数据进行机器学习，构建信用卡反欺诈预测模型，对客户信用卡盗刷进行预测一、项目背景对信用卡盗刷事情进行预测对于挽救客户、银行损失意义十分重大，此项目数据集来源于Kaggle，数据集包含由欧洲持卡人于2013年9月使用信用卡进行交的数据。此数据集显示两天内发生的交易，其中284,807笔交易中有492笔被盗刷。数据集非常不平衡，积极的类（被盗刷）占所有交易的0.172％。因
转载
2024-02-04 21:19:37
438阅读
文章目录实时指标计算风险态势感知系统基于统计分析的方法核心风控指标数据核心业务数据基于无监督学习的方法基于欺诈情报的方法预警系统风险数据名单体系（名单库）欺诈情报体系数据情报技术情报事件情报情报分析 实时指标计算首先，大致上都有哪些场景。设备上登录 过多的账户1 天内设备上登录的账户过多设备使用 HTTP 代理登录设备某段时间的移动距 离、账号某段时间范围内的活跃天数等（累计）在风控反欺诈业务中
转载
2023-12-20 18:02:37
75阅读
说到阿里云的反欺诈服务，可能对于我们并不陌生，就是我们去淘宝上面会遇到的滑动验证，在这里不得不说一下为什么要用这个滑动验证，目的就是为了防止羊毛党的薅羊毛行为。 对搜集各大电子商城、银行、实体店等各渠道的优惠促销活动、免费业务之类的信息产生了浓厚的兴趣。他们有选择地参与活动，从
转载
2023-11-14 15:04:06
119阅读
今天从新浪网上看到家乐福的报道，想起自己的经历，得家乐福已经不再是从前的家乐福。以前家乐福的东西很有购买力，物美价廉，现在感觉很多货物都在欺骗顾客。我当时在大望路家乐福买了一台笔记本就是如此。一直觉得自己还算懂计算机，真是一种！唉。好在自己买过来就是为了学习，现在用起来还可以。在网上公开报价4800多，在他们那里6000元，当时一心想在
原创
2011-01-05 19:59:15
1308阅读
点赞
2评论
比赛介绍：通过比赛提供的50万次点击数据来预测用户的点击行为是否为正常点击，还是作弊行为。通过点击欺诈预测的方法，可以帮助商家鉴别点击欺诈，锁定精准真实用户。这次比赛参考了https://aistudio.baidu.com/aistudio/projectdetail/1206845 的方案，在划分训练集和验证集上进行了修改尝试，尝试划分训练集：验证集=90:10；95:5；80：20。 95：
转载
2023-11-26 11:38:16
35阅读
在互联网业务开展的过程中，经常面临着黑产的批量攻击，这种攻击渗透在业务链路的各个环节，如注册、登录、营销、交易等等，团伙欺诈对互联网业务开展构成了巨大威胁。团伙欺诈发生时，同一团伙的账号间会存在或显性或隐性的关联，通过深入挖掘这些关联关系，构建账号间的关系网络，可以将这些欺诈团伙一网打尽。图是表示事物之间关联关系的有效方式，包括节点和边。节点是一种实体，可以是账号，也可以是设备、手机号等，而边表示
转载
2023-11-26 08:03:27
79阅读
## 反欺诈 HDFS HBase
在大数据领域，反欺诈一直是一个重要的课题。随着技术的不断发展，对于防范欺诈行为的需求也越来越迫切。HDFS（Hadoop Distributed File System）和HBase（Hadoop Database）是两个非常流行的大数据存储解决方案，它们可以帮助我们有效地进行反欺诈分析。
### HDFS 和 HBase 简介
HDFS 是一个分布式文件
原创
2024-02-25 07:31:05
51阅读
上次分享了非常牛逼的不需要介质就能进行团伙挖掘的算法，大家都说是个好算法，但是实现细节还是有些问题。一、梳理已有或者想应用的场景首先需要梳理满足该算法数据条件的场景，最少的条件就是：用户+时间戳。举例一些具体的场景，大家感官更明显。用户下单环节（A、B用户多天总是在较短的时间内购买商家A，然后是商家B）用户A 2021-11-16 21:22:02 商家A用户B &nbs
