用例

防欺诈

什么是欺诈缓解

只要买卖双方从事商业活动,欺诈就已经存在,总会有人在寻找一种方法来击败该系统

想想一个不使用电子商务的现代企业具有挑战性。现代商务不仅涉及以电子方式转移现金,而且还包括以电子交易形式表示的合同和金融工具。

随着技术变得越来越复杂,系统之间的联系越来越紧密,使用传统方法检测欺诈变得越来越困难,我们必须研究如何最好地平衡欺诈检测需求与客户的即时交易期望

挑战实时欺诈检测

  1. 现代欺诈检测引擎应基于训练有素的AI模型,该模型可以在可扩展的分布式体系结构上提供服务,而对应用程序延迟的影响最小或没有影响
  2. 要检测和缓解欺诈,需要使用各种数据源来丰富交易数据并进行准备,即对要由AI引擎提供服务的数据进行矢量处理。此操作可能对时间敏感,并且在许多情况下,会严重延迟应用程序的执行。 DevOps工程师和架构师被迫绕过数据科学团队设置的某些规则,以确保应用程序仍然能够满足其性能和可用性SLA,而牺牲了防欺诈应用程序的质量

为什么选择Redis Enterprise

交易很少单独发生,多个交易之间通常存在某种关系。这种关系可能包括发生的时间,交易的类型,交易发生的国家或地区或交易的频率,所有这些都是可以监控以检测到的信号欺诈行为

我们可以使用内存中的快速数据存储来快速检测这些异常情况。一旦确定,我们就可以将可疑交易的处理工作转移到专门针对欺诈行为特定方面的系统上

从经典的欺诈预防角度来看,可以使用几种标准工具,其中包括位置检查D安全CVV号码检查和AVS匹配等等。

例如,位置检查可以同时参考物理持卡人的地址和GeoIP匹配GeoIP检查是一个有用的工具,可以将源自交易的IP与交易所有者的预期实际位置进行比较。使用Redis地理空间索引很容易有效地实现此目的

通过时间检查模式将来自所有者交易历史的事件链接在一起以提供洞察力是另一种技术,Redis Enterprise包括全面的时间序列功能,该功能允许在基于时间戳的数据集上进行搜索RedisTimeSeries借助快速的内存数据存储,我们可以检查事务并将其与缓存的用户信息进行比较,以快速,准确地识别异常

另外,Redis Enterprise通过像Bloom Bloom这样的概率数据结构扩展了Redis的核心概率数据结构。看到RedisBloom可以提供一种有效的方法来验证条目是否肯定不在集合中。在欺诈检测应用程序中,Bloom过滤器可用于检查已知欺诈模式列表中是否存在交易ID。

最后但并非最不重要的一点是,Redis Enterprise带有强大的AI模块雷迪西除了基于ONNX Runtime RedisAI的机器学习ML服务引擎之外,还用于服务由TensorFlow或PyTorch等先进系统培训的深度学习DL模型,它在Redis Enterprise共享的无扩展性和高可用性架构之上运行并利用用于并行化模型服务操作的GPU此外,还可以对Redis Enterprise进行编程,以使用已经存储在Redis Enterprise中的数据来丰富DL ML服务,并避免每个事务处理的开销以及与在数据库和AI服务之间迁移序列化和矢量化数据相关的复杂性层

如何使用Redis Enterprise实施欺诈缓解措施

根本的欺诈检测仅能使我们到目前为止,最终每个组织和开发人员都必须深入人工智能和机器学习领域来理解数据,然后将其用于实时缓解欺诈。使用AI可以使我们超越基于标准规则的分析,并为我们提供帮助检测可能会错过的微妙模式,否则在分析买方行为以确定交易是否属于买方通常会做的事情时,AI DL和ML特别有用

如前所述,RedisAI支持服务在PyTorch Tensorflow中创建的AI模型,并且ONNX Redis Enterprise还为与RedisAI JRedisAI Java和Python Redisai py一起使用的两个库提供支持

动手实例

此博客文章我的其他堆栈是RedisEdge解释了如何将摄像机或文件中的视频馈入Redis并实时运行AI模型以进行人脸识别或分类您可以应用相同的方法对输入Redis Enterprise的所有交易运行AI分类模型以检测和防止实时欺诈

如果您有兴趣进行更深入的研究,请考虑以下案例研究最佳做法和设置指南