本文由DataFun社区根据同盾科技反欺诈算法总监谭炽烈老师在2018AI先行者大会中分享的《混合、安全对抗下人工智能设计原则》编辑整理而成。
今天分享的内容分为以下几个方面，首先是同盾公司简介，反欺诈面临的高对抗问题，然后根据同盾的实践经验讲一下反欺诈解决方案、人工智能应用的设计原则等。
一、同盾公司简介
同盾科技成立于2013年主要做第三方智能风控和分析决策引擎，为金融、O2O等十来个行业提供风控、营销、反欺诈服务。专攻领域有区块链、大数据处理、网络欺诈分析、机器学习、深度学习、人工智能、自然语言处理等。
二、反欺诈面临的高风险问题
AI遇到的问题有薅羊毛、交易里面的反欺诈，身边有很多欺诈行为，如账号盗用（钓鱼网站、伪登录网站）、垃圾注册（薅羊毛，通过注册大量账号，规整利益到一起），盗卡盗刷主要是针对银行，ATM磁卡机侧漏获取磁条信息中的账号密码。群控机器就是有很多账号，将账号和设备进行关联，可以通过风控规则进行拦截，电信诈骗就是通过电话或者是短信的方法持续去引导和诱骗受害者，进入到紧急危险场景，骗取金钱。金融卡套现主要是卡商和机构勾结，商用风险和信用卡风险类似。
同盾对全网30亿设备进行欺诈团伙画像分析，发现每日欺诈访问比例8.55%以上，增长趋势逐渐往高科技团伙作案发展，团伙规模逐渐扩大。这里有个提示是当一个欺诈团伙由小发展到大，需要尽快将其拦截，不然后期危险会越来越大。作案手段逐渐多元化，每个行业的欺诈手段和方式都不样，场景也不一样。欺诈团伙分工也是越来越来明显，早期只是对漏洞进行攻击，现在做成一个产业的分工。控制很多虚假号码，身份证无法虚假就是搜集，手机号码等通过群控来薅羊毛，专业攻击软件实现目的，互联网时代很多营销活动初衷是好的，但是设计体系没有完善，黑产就会利用这一点，包括前段时间土耳其汇率下降。
如果要对风险进行一个防控，要做几个事情。首先要知道黑产是什么、到底是怎么做的、目的是什么，第二个要知道系统有哪些漏洞，第三个就是有哪些工具去防控这个事情。如下图所示，疑似黑产发生攻击时，有四个时刻。第一个就是攻击发生，平台受到威胁后会进行攻击情报获取、异常预警快速识别风险。平台发现风险、策略分析、拦截风险。当黑产发现被拦截，可能会想办法绕过拦截继续进行攻击。这个过程是不断循环的，不断迭代更新，技术对抗也不断加码。从攻击发生到发现风险，平台要尽早发现并预警风险，因此需要不断完善预警系统，并收集情报；从发现风险到拦截风险，即我们需要分析数据现状以及现在攻击的态势是怎么样的，通过分析产生新的策略并实施拦截。黑产拦截有几种方法，一种就是实时，通过黑白名单机制。还有就是通过无监督或者半监督的方法，找到团伙特征来做一些分析，由于数据和时效性无法实时上线，因此需要无监督方法实现，具体包括图的计算，更高维的有监督算法做一个分类。
拦截到风险到黑产发现之前，可以做一些随机策略从而延长机制。从攻击发生到拦截，上面一部分平台是受攻击的，底下是得到防御和保护的阶段。对于系统希望上面时间越短越好，下面时间越长越好，这样平台受损就少。黑产的攻击有好多种，而且同一个平台遭受不同欺诈团伙攻击，发生时间、渠道、团伙大小、手段等都可能不同。
针对薅羊毛场景，具体分工为：商家会发布一个优惠，黑产获取信息发掘有利可图进行攻击。平台可能只有有限优惠券可以领，这样黑产会让很多人做这个事情，将其归拢一起，获取利益最后做利益分配。
三、反欺诈解决方案
上面梳理了黑产是怎样的，有哪些手段，接下来讲我们有哪些工具来进行防御。人工智能并不是无所不能的，当然也不是完全依赖人工，因此协调人工运营、决策、人机协同，达到更快、更准的理念。结合业务场景、流程、风险问题设计，通过数据的驱动获得整个人工智能算法的应用。如下图所示，在这个过程中可用的工具分为无监督和有监督两种。有监督包括分类、回归等，对于反欺诈大部分是分类，回归用的较少，分类算法有LR、贝叶斯、随机森林或者GBDT。无监督方法更多用于预警、关系挖掘（图挖掘LPI、标签传播）等。
机器学习算法开发流程如下图，(1) 首先我们要定义明确业务目标，目标明确能够很好的提升算法水平。依据业务场景特征、行为做一些对抗分析，如薅羊毛在刷单和众包里面都有，也有可能群控设备，但是其反馈是不一样的 ；(2) 然后数据分析，需要明确黑白样本有没有，数据缺失率、准确率如何，能否支撑目标的运行；(3) 特征选择，这决定了算法的效果。并不是所有的算法都可以使用，不同的特征只适应特定的场景，需要依据业务目标和拿到的数据选择特征；(4) 算法训练，前期准备好，时间可控，一般可收敛，如果不收敛就需要在前期工作做些调整；(5) 验证测试，有监督中验证测试比较简单，分类就统计准确率和召回率。无监督中更多需要人去确认分类是否有意义，能不能解决问题；(6) 迭代更新。
四、人工智能应用的设计原则
为了尽早发现风险，应该如何做呢？
原则1：预警及早发现风险
(1) 实时监控与离线监控都是需要的，实时监控是线上调用量的结果、时间态势，包括统计变量，但是这种无法得到多维信息。需要离线组合弥补
(2) 可靠的情报侦察；
(3) 时序分析：事件序列的模式是否异常，危险时段，依据事件特征编码进行挖掘；
(4) 趋势分析，到底是否合理，均值预测；
(5) 统计监控变量，发现状态异常。
举例说明，时间序列指标的异常监控如下图所示，我们可以发现有几个攻击发生，大约4月10日开始尝试攻击、试探，监测到4月16日线上实时调用异常，发现监测指标峰值。我们通过日常预警调用量的方案可以找出攻击发生点，能够快速对攻击事件进行拦截、分析。
下图所示，终端设备监测指标的时间曲线。上图是用户使用某一终端系统设备参数的用户波动情况，下图是终端设备参数的占比。从监测数据可以发现这是一个群控现象。
原则2：需要多特征、多维特征补充分析准确度
(1) 事件前后关联分析：目前大都是单场景策略拦截，但是可以在注册和登录搜集特征，补充到后续交易和支付场景里面，整体做特征补充。
(2) 地理空间分析：wifi，gps等地理位置、地址文本处理等相关处理；
(3) 用户操作行为：不是针对个人，而是群控设备的人和机器的差别；
(4) 画像分析，黑产用户画像，黑产流窜于那些平台，是否有跨行业可能性，同一行业相互平台是否流窜。IP画像，这个很难做因为可变，IP可能是公共流量出口。
(5) 关联分析：团伙关联，有价资产关联，交易双方关联，事件关联，相似特征聚类形成图谱进行分析。
欺诈风险特征可能做得更细，上图是支付中可能会遇到的风险，也有更深的。如垃圾注册或者虚假注册，地区可能是高危国家或地区的，团伙作案空间上是有流窜的，相互是有关联，就是黑产地域性。还有就是交易行为异常，这是最重要的，这种很难逃避设备监控和IP监控。
同盾坚持的风控理念是跨行业联防联控，针对网络团伙欺诈流窜现状，跨行业联防联控，挖掘行业横向数据维度信息。
原则3：人机协同的立体反欺诈体系，让策略人员轻松应对
神经反应：脊椎神经反应（立即反应）针对黑白名单，反馈及时、拦截快速；脑回路神经反应，这种是智能系统，因为系统从算法到上线周期很长，数据来源获取长，训练时间长，还有决策、上线 。还有缺乏专业人员，目前周期较长。
通过业务规则，专家分析决策经验能够及时拦截事件，因此是立体的防控体系。
项目发展是规则决策到有监督再到无监督发展关系，当出现风险，该规则很快就能进行分析，有监督在有标签的时候就可以做，而无监督需要经验和业务体验的特征，这样做才有意义。
欺诈可能有已知欺诈，这种通过业务规则就可以判断，对于未知欺诈模式需要有个异常监测，团伙需要有个网络的分析，挖掘出所有信息。发生攻击时，防护是靠业务预警系统还有线上策略、黑白名单储备策略，离线时利用漏过的特征，通过失败和成功拦截构建无监督和半监督拦截来补充线上策略。
五、最后总结：
在与黑产作对抗时，推演是非常重要的。结合业务场景发现蛛丝马迹，挖掘有效特征；分析纵向事件序列、黑产画像、档案，设计多种智能算法框架；通过联防联控体系，挖掘横向信息；构建多层级、多级别的立体智能风控体系。
作者介绍：
谭炽烈，同盾科技反欺诈算法总监。
注：关注文章底部公众号，回复【先行者】，可下载马尧老师分享的PPT。
——END——
DataFun定位于最“实用”的数据科学社区，主要形式为线下的深度沙龙、线上的内容整理。希望将工业界专家在各自场景下的实践经验，通过DataFun的平台传播和扩散，对即将或已经开始相关尝试的同学有启发和借鉴。DataFun的愿景是：为大数据、人工智能从业者和爱好者打造一个分享、交流、学习、成长的平台，让数据科学领域的知识和经验更好的传播和落地产生价值。
DataFun社区成立至今，已经成功在全国范围内举办数十场线下技术沙龙，有超过一百位的业内专家参与分享，聚集了万余大数据、算法相关领域从业者。
