基于数据驱动方法的欺诈检测

互联网的广泛使用正不断推动企业将其服务迁移至在线环境。银行业是最早接受这一变革的领域之一。事实上，首个已知的在线银行服务于 1980 年推出，由位于诺克斯维尔、名为 United American Bank 的社区银行部署。此后，网络银行一直为顾客完成日常银行业务提供便捷与高效。网络银行使用的不断增长以及大量在线交易也加剧了欺诈行为。仿佛欺诈增加尚且不够，海量在线交易进一步提升了数据复杂性。现代数据源不仅复杂，而且以高速和实时方式生成。这带来了一个严重问题，也明确说明了为何需要更先进的解决方案来保护金融服务公司与信用卡持卡人。因此，本文旨在构建一种高效的欺诈检测模型，该模型能适应客户行为变化，并倾向于通过实时检测与过滤欺诈来减少欺诈操纵。为实现此目标，我们对多种方法进行了综述，并结合在银行业（ specifically 在欺诈检测部门）工作的个人经验。与多数被综述的方法不同，本文提出的模型能够利用增量分类器在欺诈发生时进行检测。基于与领域专家协作选定、可复现典型真实世界攻击的欺诈场景所生成的合成数据评估表明，该方法能正确排序复杂欺诈。具体而言，我们的方案以高达 97% 的检测率检测欺诈行为与异常，同时保持令人满意的低代价。