行业痛点

当前的反欺诈和反洗钱解决方案主要采用规则引擎和有监督机器学习模型技术。但这些技术都存在很多局限性,容易被狡猾多变的攻击者所利用。

无法检测新型攻击

现有解决方案依靠从业者的行业经验进行规则创建, 或用有标记的训练数据来训练模型,从而检测攻击。但在这种情况下,现有解决方案无法检测那些未被从业者鉴别或未在训练数据中标记的新型攻击。

无法抓获潜伏期攻击

在发起攻击前,富有经验的攻击者会培养互相独立、互不相干的潜伏账号,伪造出与真实账号无异的活动轨迹。在实施欺诈和滥用行为前这些潜伏期账号不会显现出任何异样,直到这些潜伏期账号暴露出恶意活动并造成损失后,现有的解决方案才能检测到它们。

无法发现关联的攻击模式

现代的规模性攻击通常是协调分布式的,常常模仿合法用户行为来逃避检测。现有的大多数解决方案只能单独分析每个账户的信息和活动,因此常常无法成功区分潜伏账号与合法账号的不同。

解决方案

DataVisor无监督机器学习引擎着力于解决以上这些主要难点。它能同时处理所有事件与账户活动,分析数以亿计账户的行为。无论是在潜伏期、或模仿合法用户行为、或改变攻击技术,这些意账户之间的可疑联系都能被DataVisor成功检测到。无监督机器学习引擎还能一次性检测出欺诈团伙的所有成员,由此确保攻击完全被阻止。

图片说明:有监督机器学习模型通常单独查看每个账户,这种方式类似于每次看这幅画中的一个点。

图片说明:DataVisor无监督机器学习引擎可分析账户间的关联性,即便个体账户无任何可疑表象,也能从数据中检测到可疑模型。这种方式类似于我们能看到并理解画中的整体图案而不是每一点,即便每个点的颜色和形状都不尽相同。

无监督学习的优点

无需标签或训练数据进行检测

无需标签或训练数据,DataVisor无监督机器学习引擎就能运转,自动检测新型的、未知的攻击,并自动适应现有攻击方式的改变。

提前预警

DataVisor无监督机器学习引擎能发现账户间的可疑关联,有效检测潜伏期账号,防患于未然。

检测整个欺诈团伙

DataVisor无监督机器学习引擎拥有独一无二的能力, 其固有的全局视野可查看所有账户,发现恶意账户之间隐藏的相似性,一次性发掘整个欺诈团伙。

系统架构

DataVisor无监督机器学习引擎是DataVisor检测解决方案的核心组成部分,与有监督机器学习模块、自动规则引擎和全球智能信誉库协同工作。

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