2018-行业研究报告_中国金融反欺诈技术应用报告_32页

中国金融反欺诈技术应用报告总结

一、金融欺诈现状与趋势

1. 全球网络安全形势严峻

• 全球网络犯罪造成的损失每年超过4000亿美元。
• 2017年第一季度全球网络攻击次数超过1.3亿次，增速高于2016年。
• 英国金融犯罪防范机构Cifas在2016年记录了325,000条欺诈记录，防止了超过10亿英镑的损失。

2. 中国金融欺诈形势严峻

• 中国是全球身份欺诈最高发的地区之一。
• 2015年下半年至2016年上半年，中国网民因垃圾信息、诈骗信息、个人信息泄露等造成的经济损失高达915亿元。
• 2016年，中国电信诈骗发案28.7万起，损失80余亿元。
• 2016年遭遇网络安全事件的用户占整体网民的70.5%，其中网上诈骗是首要问题。

3. 金融欺诈呈现移动化趋势

• 截至2017年6月，中国网民规模达7.51亿，手机网民达7.24亿，手机支付用户达5.02亿。
• 网民手机网上支付使用比例达69.4%，金融欺诈移动化程度不断上升。

4. 欺诈组织化程度增强

• 欺诈呈现产业链化特征，包括技术开发、虚假身份提供、漏洞利用等。
• 数十亿对账号密码关系被掌握，通过撞库、刷库造成账号被盗，占整体被盗账号的80%。
• “网络黑产”从业人员超150万，市场规模达千亿级别。

5. 金融科技公司成为欺诈重点目标

• 金融科技公司因业务频繁、数据量大、客群下沉，更易受到攻击。
• 欺诈者利用暗网数据进行变现，尤其是P2P贷款和欺诈性汇款。
• 金融科技欺诈更多依赖社会工程学攻击，而非纯技术攻击。

二、金融反欺诈技术流程

1. 检测

• 综合利用外部数据和内部数据进行欺诈识别。
• 外部数据用于建立欺诈者黑名单，但存在失效速度快、预测力有限、与业务场景结合有限等问题。
• 内部数据通过机器学习进行自动行为模式识别和异常检测，具有较高的预测力和与业务场景的结合度。

2. 响应

• 对异常行为采取人工审核、阻断交易、拉黑等应对措施。

3. 预防

• 将异常行为收录入黑名单，固化成规则，用于后续的自动响应。

三、反欺诈检测技术路径

1. 外部数据路径

• 优点：覆盖常见欺诈场景。
• 缺点：依赖于第三方数据，准确度有限，易被规避。

2. 内部数据路径

• 优点：准确度高，与业务场景结合紧密。
• 技术手段：设备指纹、交易特征检测、风险评分等。

3. 设备指纹技术

• 主动式：通过SDK或JS收集设备特征，准确度高但易被篡改。
• 被动式：基于通信协议栈识别，不种植cookie，隐私保护好，但准确度存在技术壁垒。
• 混合式：在识别率、应用场景和对抗性之间取得平衡。

四、人工智能在金融反欺诈中的应用

1. 机器学习技术

• 针对在线欺诈的实时性、隐蔽性和数据动态性，采用非监督式和监督式学习结合的方式。
• 基于设备指纹技术进行设备及身份识别。
• 基于生成式概率模型进行特征学习，形成统一的多层特征模型。
• 利用图学习识别欺诈网络，通过图聚类和社交网络算法发现欺诈行为。

2. 图特征应用

• 通过图聚类挖掘二度网络的聚集模式。
• 使用半监督学习传播和放大少量标注样本，提高监督式学习模型效果。
• 利用图数据库进行可视化分析，辅助人工决策。

五、反欺诈技术发展背景

1. 人工智能政策支持

• 2016年发改委等多部门发布《“互联网+”人工智能三年行动实施方案》。
• 2017年国务院发布《新一代人工智能发展规划》，鼓励金融行业应用智能监控、智能客服等技术。

2. 云计算应用前景

• 监管层推动云服务在金融反欺诈中的应用。
• 银监会和央行鼓励银行联合设立互联网金融云服务平台，提升风险控制能力。

3. 生物识别技术应用

• 当前主流生物识别技术包括指纹、人脸识别、虹膜识别等。
• 指纹识别成本高，采集不便；人脸识别受环境因素影响；虹膜识别需配合，采集成本高。
• 隐式行为特征（如触屏力度、滑屏轨迹）在风险评估中更具优势。

4. TEE技术应用

• TEE（可信执行环境）用于保护支付敏感信息，提升交易安全。
• 银行被鼓励采用TEE技术进行手机支付安全防护。
• 阿里巴巴、华为等企业参与TEE标准制定和应用探索。

5. 区块链技术应用

• 区块链技术具备数据一致性、不可篡改、无法抵赖等特性，被广泛用于反欺诈。
• 在身份验证、交易追溯等领域已有实际应用。
• Chainalysis等企业专注于区块链反欺诈系统开发。

六、典型案例分析

1. Maxent猛犸反欺诈

• 成立于2014年，总部位于上海，提供人工智能反欺诈SaaS平台。
• 技术路线包括设备指纹、图学习、机器学习等。
• 2016年宜人贷因欺诈事件额外计提8126万元风险准备。

2. Sift Science

• 成立于2011年，总部位于美国旧金山，服务行业包括电商、支付、旅游等。
• 提供基于机器学习的反欺诈产品，包括账户盗用、支付欺诈、内容滥用、营销推广滥用监测。
• 每天监测6000多个站点和app，分析数亿起事件。

3. ThreatMatrix

• 成立于2005年，总部位于美国圣何塞，服务行业广泛。
• 与多家企业合作开发生物识别、反欺诈解决方案。
• 投资方包括硅谷银行、August Capital等。

七、未来趋势与挑战

• 人工智能、区块链、TEE等技术在金融反欺诈中应用不断深化。
• 金融科技公司面临更高的欺诈风险，需加强技术防护和数据治理。
• 欺诈手段多样化、隐蔽性强，反欺诈技术需持续升级以应对新型攻击。