本站小編為你精心準備了淺談商業銀行智能化反欺詐體系建設參考范文，愿這些范文能點燃您思維的火花，激發您的寫作靈感。歡迎深入閱讀并收藏。

近年來，伴隨著金融科技的快速發展，銀行的服務模式和服務場景日趨多樣化，在給客戶帶來便捷的同時，面臨著更加隱蔽、專業的欺詐風險。在當前互聯網新興技術不斷發展的大背景下，如何借助大數據、人工智能等技術的支撐，更安全可靠地服務銀行業務，成為商業銀行反欺詐研究的重要課題。

一、反欺詐體系建設的背景和訴求

目前，行業主流反欺詐系統都是基于專家規則實現的，即根據業務專家經驗對銀行各個業務、各個渠道、各個操作步驟的分析結果，找出每一個流程中可能出現的風險點，設計相應的反欺詐防范規則，并根據實際場景和經驗對閾值參數不斷優化。然而，欺詐團伙為了獲取更多的利益，往往通過各種技術手段分析繞過已知的專家規則進行欺詐活動。所以，傳統基于專家規則的反欺詐方式往往具有較強的主觀性和滯后性，無法提供實時高效的防護。為了更加安全可靠地服務于業務發展和滿足客戶需求，銀行迫切需要構建統一的風險可量化的智能化反欺詐體系，對客戶、賬戶、交易、商戶風險等反欺詐領域模型進行升級，全面提高反欺詐量化數據管理和應用能力，并提出以下幾點訴求：

1.瞬時高并發、低延時的實時計算要求隨著銀行業務的互聯網化，系統在設計上需要考慮在高并發壓力下不影響客戶正常體驗，并在極短的時間內快速完成風險計算并給出實時處置策略。

2.大規模、大數據量的動態計算要求隨著移動互聯網的普及，數據量呈現爆發式增長，對大規模數據的實時計算需求越來越高，為確保客戶的反欺詐模型能夠動態快速調整，需要整體提高模型優化的響應速度。

3.有效學習并提升預警命中率的要求由于欺詐性交易占所有交易次數的比例很低，因此反欺詐模型需要使用極精細、極復雜的挖掘技術，從海量數據中學習交易欺詐的行為特征和模式，從而有效提升系統預警正確率。

二、反欺詐體系建設探索

面對各種復雜的欺詐手段，銀行需要在反欺詐的事前、事中、事后等多個環節中，根據各自不同的欺詐特性，部署不同的防線，建設立體的智能化反欺詐體系。

1.欺詐特征檢測欺詐特征檢測是互聯網反欺詐體系的基石，直接決定了互聯網反欺詐體系的成敗。常見的反欺詐特征監測又可以分為內部欺詐特征識別和外部欺詐情報監測兩類。在內部欺詐特征識別方面，銀行可以通過安全SDK、設備指紋等欺詐特征監測產品，進行客戶安全特征的監測，并通過安全加簽、消息加密和人機識別等服務，保障業務數據傳輸的加密和安全。在交易防護過程中，可通過Rete算法的規則引擎，并結合分布式緩存技術，應對線上海量實時規則計算。另一方面，通過建立基于貝葉斯算法的異常行為分析模型及新欺詐持續發掘模型，保障模型的持續進化和有效性。正所謂“知己知彼，百戰不殆”，互聯網反欺詐體系的建設，還需做好外部欺詐情報監測工作，即時刻保持對欺詐產業的關注，了解和掌握欺詐的最新套路和手段，并及時調整和完善自身的策略進行應對。商業銀行應統籌規劃反欺詐研發團隊，并與業界頂尖安全企業或團隊合作，依托外部專家資源分析欺詐產業，配合社會網絡分析技術進行相關欺詐風險特征的研究。通過關聯圖譜構建知識圖譜模型，挖掘欺詐產業信息，把已知的欺詐信息和未知的欺詐信息有效聯系起來，發現數據之間的關聯關系，以達到發現潛在的欺詐手段和團伙的目標，為新欺詐防控規則的制定提供參考依據。

2.欺詐監控指標對于互聯網反欺詐體系的建設，全面的欺詐監控指標建設是重中之重，直接決定了對反欺詐體系運轉情況的實時監控有效性。在反欺詐指標建立方面，商業銀行也有著自身的特點，主要包括以下幾方面。（1）客戶類監控指標：側重于客戶行為監控，通過對客戶行為有關數據進行統計、分析，抽象出單用戶或群體用戶的特征全貌，建立客戶行為全景畫像。 （2）賬戶類監控指標：側重于賬戶分級監控，通過分析銀行I、II、III類賬戶交易限額、賬戶權限、開戶方式的差異性，對賬戶級操作進行分級分類監控，保障用戶安全與便捷的平衡。（3）交易類監控指標：側重于全行電子渠道金融動賬類交易的實時監控，例如防止交易欺詐、反洗錢等。（4）商戶類監控指標：側重于對商戶的行為進行監控，判斷是否存在違規行為、套現、虛假交易等，也從另一個維度監控客戶的賬戶，防止被盜刷等。（5）策略類監控指標：側重于對反欺詐策略和規則的觸發情況進行實時關注，如反欺詐規則的攔截率、命中率、規則響應時長等，以達到對模型有效性進行分析及驗證的目的。

3.欺詐風險處置欺詐風險的處置策略和規則可用于明確欺詐風險的可接受水平與處置方式。商業銀行采用的欺詐風險處置方式主要包括以下幾個方面：一是風險阻斷，對于高級別疑似欺詐風險，通過制定反欺詐策略進行攔截和實時阻斷。二是加強驗證，對于中級別疑似欺詐風險，通過犧牲用戶體驗來平衡風險水平，降低風險級別，例如上行短信二次驗證、人工審核交易延遲完成等。三是風險通知，對于低級別疑似欺詐風險，通過電話銀行外呼、短信提醒等方式提醒客戶。四是事后欺詐調查，指對各渠道反饋回來的欺詐線索和案例進行人工調查與分析，對其中的欺詐行為進行認定，并對欺詐特征檢測、欺詐風險處置和欺詐監控指標的效果進行評估。

三、智能化反欺詐平臺的建設

1.分層構建系統架構智能化反欺詐平臺采用分層架構的設計模式，主要包括渠道接入板塊、中間件板塊、監控分析板塊（實時監控中心、離線監控中心、處置中心）、大數據計算板塊（Spark）、機器學習板塊（Spark ML）及數據存儲板塊。整體架構具備敏捷開發性、易部署性、可測試性、高伸縮性、易開發性等優點。（1）監控分析板塊：主要提供API服務接入功能，包括廣東華興銀行自研的基于Rete算法規則引擎分析、相似度比對、特征加工、模型加載預測、數據沉淀等功能，其中，為了不影響實時分析性能系統提供了在線實時交易監控與事后離線監控，監控中發現任何問題，會調用處置中心的銀行外呼、短信提醒、臨時止付等處置手段，渠道發送的實時流數據會通過在線服務層采用異步方式將數據按照基于時間片段的數據分片方式寫入消息中心RabbitMQ中。（2）中間件板塊：采用RabbitMQ消息隊列技術，為流式特征計算層和軌跡相似度判斷提供數據緩存服務，采用Redis分布式緩存技術，對客戶熱點數據，常用數據進行緩存，加快響應速度，減輕數據庫層壓力。（3）大數據計算板塊：采用流式計算引擎對實時數據流進行實時分析，提供全渠道各項指標特征值，并結合全局指標進行整體風險監控，為決策提供支持。（4）機器學習板塊：傳統的機器學習，一般為離線分析提取特征，隔日更新模型，建模耗時久，實效不高，因此我們采用了實時特征提取與離線模型訓練相結合的模式。其中，實時特征提取通過流式計算引擎對實時數據流的特征進行加工，并按照模型特征邏輯進行數據加工，寫入并沉淀到特征存儲層，為離線模型訓練提供特征數據；離線模型訓練通過定時調度策略，周期性的批量讀取特征存儲層的特征數據，自動訓練模型，并將訓練好的模型寫入到模型更新層HDFS。（5）數據存儲板塊：提供關系型數據庫（Oracle）與分布式數據庫（HDFS）支持,關系型數據主要對規則引擎的配置信息、客戶、賬戶等數據進行存儲，分布式數據庫用于存儲流式計算后的模型訓練特征，為模型訓練提供拍照特征支持，存儲批量更新后的模型，支撐在線預測服務實時模型更新，為整個智能化風控系統提供實時交易的防護。智能化反欺詐平臺的組件通訊采用消息驅動模式，異步處理，能提供高性能的實時處理能力。平臺具備橫向擴展和向外擴展能力，模型可以輕松復制到多個節點，且位置透明。同時基于Dubbo、Spark構建應用服務具備分布式計算能力，服務不受單個計算邏輯節點掛掉影響，同時基于并發模型，服務狀態異常后具備自動恢復功能，保障系統7×24小時的高可用性。智能化風控系統架構如圖1所示。

2.人工智能在反欺詐領域的應用（1）使用無監督學習構建客戶畫像商業銀行通過引入大數據深度學習技術，建立賬戶分級體系及客戶行為畫像，收集與分析App使用者設備屬性、賬號屬性、網絡屬性、操作行為、交易模式、產品偏好等主要指標數據，通過貝葉斯聚類分析算法抽象出單用戶或群體用戶的特征全貌。在欺詐檢測中，能夠快速度量操作用戶與真實合法用戶的相似程度，為判斷用戶及行為合法性提供大數據依據，使得風險識別環節進一步前移，有效提升風險識別的前瞻性和對高風險交易的控制能力。（2）通過人工智能認證異常檢測模型代替人工標注商業銀行通過構建人工智能認證異常檢測模型及欺詐新模式持續化發掘模型，利用人工智能反欺詐關聯圖譜提供的有效分析標注出犯罪團伙，并開展有效防護工作。人工智能認證異常檢測模型可用于定義欺詐資源網絡關聯特征，如網絡直徑、網絡圖密度、模塊化指數等，并通過關聯基本特征、事件序列特征、事件窗口特征等構建用戶畫像知識、設備畫像知識，最后通過異常檢測模型降低人工標注工作量，減少風控人員的人力成本。（3）構建智能反欺詐關聯圖譜智能反欺詐關聯圖譜從資源（IP、設備指紋、賬號、證件、銀行卡等）和事件數據粒度分別構建關聯圖譜網絡，結合用戶畫像模型、特征工程技術，通過相似度算法定義網絡定點間關系，構建資源級別和事件數據級別圖譜網絡，發現大量數據中相關屬性集之間的關聯關系，目的在于發現潛在的欺詐團伙，為規則制定提供參考依據，優化智能化反欺詐的靜態防護規則，在保證模型精度的基礎上，最大限度提升模型召回率，降低誤判率和漏判率，有效提升智能化反欺詐平臺的預警命中率。（4）新模式持續化挖掘模型進行有監督機器學習，智能調整規則異常檢測模型完成異常檢測標注，在深度網絡欺詐檢測充分挖掘欺詐樣本基礎上，實現全量欺詐特征挖掘和已上線規則的閾值/權重動態學習，最終實現在線規則引擎預測結果在過擬合和欠擬合之間的權衡，欺詐新模型持續化發掘的方法為反欺詐的靜態防護專家規則提供了及時有效的補充。

3.智能化反欺詐的未來研究方向智能反欺詐的未來在一定程度上取決于人工智能的發展與研究。隨著金融機構在半監督模型的逐步實施應用，標注數據不斷積累，當積累到一定程度之后，可采用多種算法融合的策略，包括因子分解機FM、邏輯回歸LR、支持向量機SVM等機器學習算法，以及深度學習算法DBN、卷積神經網絡CNN等，從而使模型效果逐步達到最優，風險預測更精準。同時，結合銀行在技術、場景等方面的積累，把智能反欺詐系統打造成具備向外輸出反欺詐能力的平臺化產品，并通過API開放平臺，以對外提供API接口的方式，將多年積累的反欺詐金融科技能力對外輸出，也是商業銀行在反欺詐領域的一種應用。

作者：趙澤棟 譚柱鋼 朱丹 單位：廣東華興銀行