თაღლითობის გამოვლენა

თაღლითობის აღმოჩენა

ანტიფროდი არ არის მხოლოდ „რისკის მოდელი“. ეს არის წრე: სტანდარტიზებული მოვლენები - ნიშნები და გრაფიკები - წესები/მოდელები - გამოსავალი და მოქმედება, ახსნა-განმარტება და გასაჩივრება - ეფექტის გაზომვა და დრიფტის კონტროლი. ქვემოთ მოცემულია სისტემური ინსტრუქცია, რომელიც ეხება გადახდისა და თამაშის პლატფორმებს, ბაზრებსა და fintech სერვისებს.

1) საფრთხის რუკა (რომელსაც ვიცავთ)

გადახდის სქემები: მოპარული ბარათები, ბარათების ტესტირება, ჩარჯბეკი, მეგობრული ფრაუდი.
ანგარიში რისკები: ჰაკერი/ჩარევა, მულტიკონტინგი, ბონუს აბიუსი, მოწყობილობების მეურნეობები.
KYC/AML: ყალბი დოკუმენტები, ყალბი სახეები, გადახურვა, სანქციები/REP რისკები.
ქცევითი: ბოტები, სკრიპტები, განაკვეთების/გარიგების არანორმალური ნიმუშები.
პარტნიორი: ტრაფიკი/რეფერალები, დაბალი ხარისხის ანაბრების სტიმულირება.

2) სიგნალები და ნედლეული

მოწყობილობა/ქსელი: მოწყობილობა fingerprint, canvas/wag, ემულატორები, IP/ASN/მარიონეტული/VPN, გეოველოსიტი.
გადახდა: BIN/MCC/ბარათის ქვეყანა, 3DS/ECI, AVS/CVV შედეგები, velocity (რუკაზე/ანგარიშზე/სტრუქტურაში), შეზღუდვების გადახრები.
ქცევა: ფორმების სიჩქარე, თაგვის/ტრაექტორია, დველის დრო, მოქმედებების თანმიმდევრობა.
სოციალური/გრაფიკული: ტელეფონების/e-mail/ბარათების/მისამართების/მოწყობილობების დამთხვევები, ზოგადი ფიჩები „ცუდი“ კვანძებით.
KUS/დოკუმენტები: OCR/სელფის მატჩის/ენერგიის ხარისხი, თარიღი/წყარო, blacklists/სანქციები.

3) ნიშნების ინჟინერია (feature store, წერტილოვანი დრო)

დროებითი ფანჯრები: 5m/1.ch/24h/7d velocity fich- ისთვის; გამოფენა. გლუვი.
იდენტურობის ერთეულები: user _ id, ტელეფონი, ელ.ფოსტა, ბარათი, მოწყობილობა, IP/ASN.
გეო/დრო: ქვეყანა/რეგიონი/ტაიმზონი/ადგილობრივი სადღესასწაულო პროფილები.
გრაფი ფიჩი: degree/triangle count/PageRank, ცუდი კავშირების წილი, კომპონენტი.
KYC ხარისხი: Confidence OCR, dit distance სახელები/მისამართები, IBAN/TIN შესაბამისობა.
ანტი-სახეები: მკაცრად წერტილოვანი დრო, მომავალი ეტიკეტების გარეშე; online/offline parity.

4) მარკირება და მიზნობრივი ცვლადები

Targets: chargeback = 1, confirmed _ fraud = 1, bonus _ abuse = 1.
დაგვიანებული ჭეშმარიტების ფანჯრები: ეტიკეტები მოდის T (Charjbeki) შემდეგ, გამოიყენეთ პერიოდის „ფრიზი“ სწავლის დროს.
განაწილება: ძლიერი დისბალანსი (0. 1-1% „ერთეულები“) - წონა/სემპლინგი ფრთხილად.
სუროგატი ეტიკეტები: ხელით დადასტურება და გასაჩივრება - შეინარჩუნეთ ნდობა.

5) მოდელები და მიდგომები

წესები (policy-as-code): თეთრი/შავი სიები, velocity ბარიერები, geovelosity, შეუთავსებელი ატრიბუტები. სწრაფი, გასაგები, სწრაფი საფარის ბაზა.
Supervisia: gradient busting/ტყე, ლოგისტიკური რეგრესია, ტაბლეტები NN კოდირების ლოსებით.
ანომალიები: იზოლაციის ტყე, LOF, robust z-score/seasonal-decomp, ავტომობილების ინჟინრები.
გრაფიკული მიდგომები: link prediction, GNN/DeepWalk-embedings, წესები „ზოგადი მოწყობილობები/ბარათი“.
ჰიბრიდები: cascade (წესები ML - გრაფიკი), ანსამბლები სხვადასხვა ჯარიმებით FP/FN- ისთვის.
კალიბრაცია: Platt/Isotonic ალბათობისთვის; შეცდომების ღირებულების ბარიერები.

6) ხარისხის მეტრიკა (ყურადღება გამახვილებულია იშვიათ კლასებზე)

PR-AUC, როგორც მთავარი; ROC-AUC მეორეა დისბალანსში.
Recall@FPR≤x%, Precision@k, Cost-sensitive utility.
Coverage და Latency p95 პროდუქტებისთვის.
Fairness/Harms: შეცდომები ქვეყნების/მოწყობილობების/გადახდის მეთოდების შესახებ.

7) ბარიერი პოლიტიკა და ჰისტერეზი

• 'score _ block' autolock;
• '_ review - score
• 'score

დაამატეთ ჰისტერეზი (შესასვლელი/გასასვლელი ბარიერი განსხვავდება) და cool-down (განმეორებითი მოქმედებების მინიმალური ინტერვალები) „მოციმციმე“ გამორიცხვის მიზნით.

decision table მაგალითი

8) ონლაინ წრე: მორიელი და ორკესტრი

ნაკადი: მოვლენები საბურავის საშუალებით; ფიჩები ონლაინ feature store- დან; idempotention 'event _ id'.
Latency: მიზნობრივი p95 (მაგალითად, მოთხოვნისთვის 100-300 ms).
ორკესტრი: გარანტირებული მიწოდება, retrais/backoff, DLQ, rate-limit არხებით.
სამოქმედო არხები: 3DS/step-up, Hill/Light, ბლოკი, დოკუმენტების მოთხოვნა, საქმის მენეჯერი, მომხმარებლის შეტყობინება.
აუდიტი: „correlation _ id“ „სიგნალი - გამოსავალი შედეგის მოქმედების შესახებ“.

9) Human-in-loop და საქმის მენეჯმენტი

საქმეები: დააკავშიროთ ინციდენტები/მტკიცებულებები, აჩვენეთ ახსნა (წესები, გრაფიკული სამეზობლოები).
ნებართვები: განაწილება/ნაწილობრივი ლიმიტი/დამატებითი მოთხოვნა. KUS/დახურვა.
ტრენინგი: ანალიტიკოსების კორექტირება მიდის საზღვარზე აქტიურ-ლენინურ მონაცემებზე (relabel).
SLA: პრიორიტეტი P1/P2, დროებითი რეაქციები, რიგები, დატვირთვის განაწილება.

10) გრაფიკული ანალიზი პრაქტიკაში

Связи: `user ↔ device ↔ card ↔ phone ↔ email ↔ IP`.
ნიმუშები: ბარათების ტესტირების „ვარსკვლავები“, ბონუს აბიუზის „კომპონენტები“, ზოგადი მარიონეტები/VPN.
კვანძები/ნეკნები: შეწონილი PageRank, ცუდი მეზობლების წილი.
პრევენცია: ახალი კვანძების საკარანტინო, თუ ისინი შედიან „ინფიცირებულ“ კომპონენტში.

11) KYC/AML/სანქციები და შესაბამისობა

მატჩი: სანქციების სიები/REP/წინა მედია; fuzzy ძებნა, სახელების ნორმალიზება/ტრანსლიტერაცია.
დოკუმენტები: ენერგია/ანტი-სპუფინგი, MRZ/ვიზუალური მახასიათებლების შემოწმება, გეო-კოორდინაცია.
გარიგების მონიტორინგი: წესები თანხის/ბარიერების/გადარიცხვების ჯაჭვებზე, სკრიპტები გადალახა.
ჰოვერნანსი: RLS/CLS, PII შენიღბვა, გადაწყვეტილებების ლოგო, ახსნა და გასაჩივრების გზა.

12) ეფექტის შეფასება (არა მხოლოდ „სიზუსტე“)

[
EV =\text {პროფილაქტიკური. ზიანის ანაზღაურება -\text {ყალბი ბლოკის ღირებულება} -\text {ოპერაციული ხარჯები
]

პოლიტიკოსები/ტესტები: A/V/კვაზიექსპერიმენტები (DiD) რეიდებისა და წესებისთვის; bandits step-up მეთოდის შესარჩევად.
Guardrails: საჩივრები/საჩივრები, NPS, „არასწორი საკეტების“ წილი (FPR), ლატენტობა.

13) მონიტორინგი, დრიფტი და SLO

ხარისხი: PR-AUC/Recall @ FPR მოცურების ფანჯარაში; ალბათობის კალიბრაცია.
დრიფტი: PSI/KL საკვანძო ფინიკებში, „უცნობი“ BIN/ASN- ის წილი, მოწყობილობების ახალი მტევანი.
ოპერაციები: p95 ლატენცია, ტაიმაუტების წილი, სახელმძღვანელო ესკალაციების%, backlog შურისძიება.
SLO: წვდომა> 99. 9%, Decision→Action p95 ≤ 2–5 c; მონაცემთა ხარისხის დეგრადაციის დროს „გაჩერების ამწე“.
რუნიბუკი: ბარათების ტესტირების ზრდა, 3DS ვარდნა, გარედან პროვაიდერი, ლოგოების ქარიშხალი.

14) მონაცემთა არქიტექტურა და კოდი

მოვლენები: კანონიკური სქემა (UTC, ვერსია, წყარო), იდემპოტენტური გასაღებები.
Feature Store: ონლაინ/ოფლაინ პარიტეტი, წერტილის დროის რეკეტები, ტრანსფორმაციების ვერსიები.
მოდელები: ვერსიების რეესტრი, რეპროდუცირებული payplines, სერთიფიკაცია production, shadow გაშვება.
Rules-as-Code: git საცავი, review/ჩეკი ფურცლები, რეგრესიის ტესტები.
Explainability: SHAP/Logs of the წესები, შემთხვევების ნიმუშები sapport- ის მომზადებისთვის.

15) უსაფრთხოება, კონფიდენციალურობა, ეთიკა

PII- ის მინიმიზაცია: იდენტიფიკატორების ტოქსიკაცია/ჰაშირება; ცალკეული „სეიფი“ საცავი.
წვდომა: RLS/CLS და კითხვის/გადმოტვირთვის აუდიტი; ექსპორტი - ნიშნებით და ვადებით.
სამართლიანობა: შეამოწმეთ შეცდომების დიფერენციაცია რეგიონების/მეთოდების მიხედვით, გამორიცხეთ მიუღებელი ატრიბუტები.
გამჭვირვალობა: გადაწყვეტილების მიზეზები და მომხმარებლის მიერ გასაგები გასაჩივრება.

16) ფსევდო-SQL და რეცეპტები

Idempotent გარიგების ჟურნალი

sql
MERGE INTO fact_payments t
USING staging_payments s
ON t. txn_id = s. txn_id
WHEN MATCHED AND s. updated_at > t. updated_at THEN
UPDATE SET status=s. status, amount=s. amount, updated_at=s. updated_at
WHEN NOT MATCHED THEN
INSERT (txn_id,user_id,card_hash,amount,currency,event_time,created_at)
VALUES (s. txn_id,s. user_id,s. card_hash,s. amount,s. currency,s. event_time,NOW());

Velocity fici (24h ფანჯარა)

sql
SELECT user_id,
COUNT()             AS tx_24h,
SUM(amount)            AS sum_24h,
COUNT(DISTINCT card_hash)     AS uniq_cards_24h,
COUNT(DISTINCT device_hash)    AS uniq_devices_24h,
MIN(event_time)          AS first_tx_24h,
MAX(event_time)          AS last_tx_24h
FROM fact_payments
WHERE event_time >= NOW() - INTERVAL '24 hour'
GROUP BY user_id;

17) ანტიფროდის გაშვების ჩეკის სია

• სიგნალები და სქემები სტანდარტიზებულია, შედის იდემპოტენტობა
• Feature Store წერტილოვანი დროით, ონლაინ/ოფლაინ პარიტეტით
• ეტიკეტები იქმნება სახეების გარეშე, გათვალისწინებულია გადავადებული ჭეშმარიტების ფანჯრები
• პოლიტიკის ბარიერი ჰისტერეზით და შეტევით, SLA და guardrails მოცემულია
• საქმის მენეჯმენტი და ადამიანის დაცვა არის მორგებული, განმარტება ხელმისაწვდომია
• მეტრიკი: PR-AUC, Recall @ FPR, Cost-utility; fairness დიაგნოზი
• დრიფტის/შეცდომების, ალერტების, ინციდენტების რუნიბუკების მონიტორინგი
• ჰოვერნანსი: მოდელების/წესების ვერსიები, შურისძიება, გადაწყვეტილებების აუდიტი, KYC/AML შესაბამისობა
• გეგმა A/B/DiD ბარიერებისთვის/პოლიტიკოსი; უსაფრთხო ხალხური წესები

შედეგი

ძლიერი ანტიფროდი არის კონტროლირებადი წრეში წესების, მოდელებისა და გრაფიკების ჰიბრიდი: მაღალი ხარისხის სიგნალები და ფიჩები - პოლიტიკის ზღვარი ჰისტერეზისთან, სწრაფი ონლაინ ეკიპირება და მოქმედების ორკესტრი - human-in-loop და გამჭვირვალე გასაჩივრება - ეფექტის მეტრიკა და დრიფტის კონტროლი. ამ სქემის თანახმად, თქვენ ამცირებთ ზარალს, ზღუდავთ ზიანს ყალბი საკეტებით და ინარჩუნებთ მომხმარებლებისა და რეგულატორების ნდობას.