近年來，全球欺詐趨勢如何演變？潛伏在流量中的欺詐行為的特點是什么？無監督AI技術如何幫助企業風管理經理提高效率？原理怎么解釋？如何使用無監督技術建模？

最近，DataVisor Wei選擇技術中國區技術負責人崔洪宇作為客人，分享了“51 CTO big Kaka來了”等問題。現在請維多利亞選擇課代表回顧一下直播的精彩內容！(威廉莎士比亞，溫斯頓)

傳統產業數字化轉型中面臨的風控制挑戰

今天，希望利用網絡浪潮加速自己的發展，各大傳統行業紛紛開始數字化轉型。(威廉莎士比亞，溫斯頓，現譯)但是傳統行業與網絡行業本身大不相同。現有行業在切換過程中面臨著很多挑戰，因為網絡基因不足，對網絡風險的認識也需要加強。

隨著互聯網的快速發展，詐騙模式變得更加復雜了

隨著移動網絡技術的發展，單功能站點向多功能平臺過渡，在線交易行為可能會受到沖突倉庫、多號、羊毛、虛假粉絲、假朋友、虛擬貨幣、洗錢、交易欺詐、釣魚攻擊等多個方面的有組織攻擊。欺詐手法多樣化，甚至有多個環節聯系在一起的情況，大部分欺詐行為為了模擬正常顧客的行為，潛伏了很長時間，使一般風控制系統無法檢測到奇怪的行為，風控制環將面臨巨大的挑戰。(威廉莎士比亞、欺詐、欺詐、欺詐、欺詐)

金融行業在數字化過程中，業務范圍逐漸擴大，每個環節都有可能受到黑山的攻擊。申請階段存在惡意逾期、中介代理、集體欺詐等危險。交易過程中常見的是盜竊卡盜匪粉刷、卡寄存，甚至洗錢行為。市場營銷階段的士氣愈演愈烈，很多金融機構為了吸引新用戶，對新用戶發放了紅包獎勵，但很多情況下流入黑山口袋，金融機構受到了損失。黑山活動已經滲透到金融業務的全過程，對現有金融行業的風控制能力提出了更高的要求。

那么為什么傳統的金融行業在切換過程中更容易受到黑山的威脅呢？

崔洪宇說：“打擊黑山的過程是風源和黑山之間的游戲。”我們可以從三個茄子方面解釋。

第一，在利益主導方面，黑山的欺詐行為不僅會帶來巨大的經濟利益，還會產生巨大的利益罕見的積極性和推動力，風控從業者的相對利益補償遠遠不足。

第二，在分工合作方面，黑山已經形成了專業、分工明確的產業鏈，產業交流頻繁，對新技術非常敏感、快速的學習重復。風控制是企業中的成本中心，受預算限制，團隊規模相對較小，同事技術交流也不那么頻繁。

最后，黑山只要在風控制體系中找到個別漏洞，就可以大規模復制利潤，實現“新鮮，吃光天空”的單一突破。對防守方來說，風控制官需要建立全面的風控制管理體系。任何防范如果做得不好，就會出現明顯的“木桶效應”，在一定時間內阻礙士氣是一大挑戰。

知己：暴露黑山技術和新的攻擊手段。

黑山產業鏈

黑山分工逐漸細化，形成了完整的上下游產業鏈。黑山攻擊的第一步是進行大規模惡意注冊，然后使用軍控軟件進行相同的屏幕傳輸和放置控制、自動操作、虛擬定位、單按鈕新系統串行設置、定時任務、萬能西餐輸入、手機組管理、萬能腳本/同時，為了減少技術迭代后的成本，使用Android模擬器在PC端模擬手機、修改設備參數、打開很多模擬、虛擬

崔洪宇介紹說：“部分黑山專門向非法分子提供身份證、銀杏卡、預約手機號碼、銀杏ushier包裝4種套裝等普通用戶個人身份信息，價格達800 ~ 1000多元，牙齒信息賣給違法犯罪分子，進行虛假貸款等，受益匪淺。”

黑山商業用途區是貓池、清氣軟件、Android模擬器、軍控軟件、GPS模擬器、云手機等。

貓塘(和卡維護軟件一起)使用組控制軟件同時控制多部手機

未監督的防止傅晶優勢很明顯。

隨著技術手段更加豐富，風源和黑山之間的游戲也變得更加激烈。面對快速重復的欺騙模式，傳統防止欺詐方案的不足逐漸顯現出來，無監督的機器學習提供了比較好的方向。傳統的風控制手段更多的是被動預防，發生欺詐損失后才亡羊補牢，這種反應方式最快，需要幾個小時。如今，新的欺詐模式層出不窮，標簽數據嚴重不足，未監督的機器學習(UML)牙齒近年來受到了防止傅晶的新寵愛。沒有監督的機器學習成為反欺詐的新愛。

傳統的無監督機器學習是從無標記數據中提取隱藏信息(數據結構和模式)的算法，主要應用于數據挖掘、模式識別，具有不需要標記的優點。但是，傳統的無監督機器學習在應用程序中也很難評價結果，時間復雜性高，不能很好地滿足客戶的要求。

DataVisor visor開發了專門處理幫派欺詐的無監督算法，并開發了多種方案，包括當前社會平臺的批量注冊、電子商務平臺的羊毛、APP的虛假注冊、金融領域的可疑交易、保險領域的虛假索賠等。

DataVisor維選擇技術的無監督機器學習算法可以在高維特征空間中對用戶進行群集，通過全面分析，可以在徐璐其他維上對類似用戶進行群集，以檢測可疑用戶行為。無監督機器學習算法有三個茄子明顯的優點。一是自動發掘和檢測各種已知的未知欺詐行為。二是自動生成標記，用于機器訓練測試模型；三是自動生成規則，免除耗時的手動規則調試。

最后是網民提問環節。

1.無監督算法如何與規則，黑白列表技術相協調？

崔弘宇：傳統的規則、黑白列表、教練模型在風控過程中也能產生一定的效果，但是沒有監督的算法可以從不同的角度復蓋更多新的欺詐風險。在比較完善的風控制體系中，規則、黑白名單、教練、無監督都是必不可少的，各種技術可以徐璐融合。

2.一般企業的業務數據都與隱私有關。DataVisor維選擇技術是否以產品或項目方式為客戶提供服務？

崔弘宇：現在有兩種茄子方法。金融行業等敏感行業對數據隱私的要求非常嚴格。在這種情況下，我們應該去客戶的環境進行建模服務。以產品方式為客戶服務時，我們向客戶提供一系列產品，包括無監督建模平臺、變量計算機平臺、規則引擎等，由客戶直接使用。此外，某些客戶的數據可以相減，然后在云中進行分析和處理。

3.每個具體的欺詐場面都要選擇適當的算法嗎？

崔弘宇：理想情況下，每個具體的詐騙場面都有單獨的模特是比較好的。這可以使模型集中在牙齒場景上，但不一定需要對每個場景使用不同的算法。無監督適用大量登記、垃圾信息、廣告行為等很多劇本。

來賓簡介：中國區技術主管崔弘宇達塔維斯or

現在是DataVisor中國技術主管，從2015年開始，DataVisor開發了使用分布式無監督機器學習算法的防傅晶測試。Pinterest、Yelp、alibar、chita移動等大型網絡企業的機器注冊、虛假評論、垃圾郵件、欺詐交易、虛假應用程序安裝等傅晶預防建模。在模型調整、特征工程和算法開發方面具有豐富的經驗。