行业痛点

近年来,随着零售、金融、与社交活动逐渐转移到互联网线上,我们在线上的各类活动产生了新类型的数字信号与指纹,比如电子邮件地址、GPS定位、设备类型、操作系统、和浏览器种类和版本等。这些各类的数字指纹能够为检测复杂的攻击行为提供丰富的参考信息。但将这些数字指纹有效转变成可供规则引擎或机器学习模块使用的特征或信号却是不小的挑战,需要广博的专业领域知识。现有的第三方服务商通常只能一次提供一类数字指纹,或者是简单的黑白名单作为检测信号源。如何高效率利用丰富多样的数字指纹资源,仍是行业的一大挑战。

特征提取需要深层专业领域知识

掌握深层专业领域知识的从业者才能有效利用数字指纹数据(如IP地址、电子邮件地址、操作系统版本、电话前缀或定位信息等)。规则引擎和机器学习模型无法直接使用这些原始数据类型,需要将它们正确有效地转换成特征后才能加以使用。

简单信誉系统效能低下

现有解决方案常根据单项数字指纹(比如一个设备ID)的历史信息提供一个模糊不精准的信誉信号。而这些基于历史信息的信誉信号通常并不可靠(比如动态IP地址本身就会动态变化),并且覆盖范围有限(比如在旧版或新版中均未被覆盖)。

无法对多数据源进行模式分析

现有解决方案通常单独对每个数据类型进行信号计算,忽略了来自多源数字指纹组合的丰富信息。例如,一个用户地理位置在美国,但他的手机设备却仅在中国地区销售,此时如果只单独查看设备类型或定位信息,便无法将此现象其标注为异常活动。

解决方案

DataVisor全球智能信誉库利用深度学习技术,对基于包括IP地址、地理位置定位、电子邮件域名、移动设备类型、操作系统、浏览器代理、电话前缀等业内最广泛的数字信号,提供实时、综合的智能检测信息。

DataVisor不仅限于单独分析每项数据类,而且通过分析这些数据类间的组合规律,来提供多维精确的信号与信誉评分。DataVisor的输出信号,不但可以直接应用到检测中,还可用来增强规则引擎和机器学习解决方案的能力。

DataVisor全球信誉库的优点

广泛的专业领域知识

DataVisor在打击欺诈、滥用、和洗钱活动中积累了广泛的专业领域知识,能够从海量的数据中创建易于识别的有效特征。

从多种特征中发现模式

DataVisor全球智能信誉库不仅分析单维度特征,还分析多维度特征间的联系,由此来判断哪些特定的特征组合更可疑,并提高检测精准度,降低误报率。

详细分析每项特征

DataVisor全球智能信誉库不仅产生基于历史表现的信誉评分,并进一步输出更细化的,诸如人口规模、频率、早晚模式、和特定类型用户使用情况等强化信号。

基于20多亿用户的实时信誉更新

DataVisor全球智能信誉库由全球数十亿账户的聚合信号驱动。我们在任何地方发现最新攻击模式后,都能实时提供对应的最新检测信号。

系统架构

DataVisor全球智能信誉库是DataVisor检测解决方案的组成部分,与无监督机器学习引擎、有监督机器学习模块、和自动规则引擎协同工作。

准备好通过无监督机器学习增强您公司的检测能力了吗?

申请试用