1. 课程导入

一、什么是无卡支付CNP欺诈

无卡支付（Card-Not-Present，简称CNP）是指交易发生时，实体银行卡不在场、不经过刷卡或插卡，仅凭卡号、有效期、CVV、持卡人姓名、账单地址等信息完成的支付行为。典型场景包括电商下单、App内购、订阅扣费、机票酒店预订、云服务充值等。由于没有物理卡片的参与，商户只能依赖“数据”判断这笔交易是否可信，这就为欺诈者留下了可乘之机。

CNP欺诈，指的是不法分子在未获得持卡人授权的情况下，利用窃取、猜测、批量生成或社工骗取的卡信息，通过线上渠道发起支付并完成资金转移的行为。它与“伪卡欺诈”（复制实体卡盗刷）最大的区别在于：攻击面从卡片介质转移到了数据与身份验证链路。欺诈者不需要拿到卡，只需要拿到足够通过支付网关校验的字段组合。

二、CNP欺诈的危害：不止是“退单”

很多团队初期只把CNP欺诈理解为“一笔订单被拒付”，但实际危害是连锁的：

• 直接资金损失：欺诈交易成功后，持卡人发起拒付（Chargeback），商户不仅损失商品或服务，还要承担拒付手续费、可能的罚款。
• 拒付率超标风险：卡组织对商户拒付率有监控阈值，超标可能导致高额罚金、进入监控名单，甚至被收单行终止合作。
• 风控误杀成本：为了拦截欺诈而过度收紧规则，会误伤正常用户，导致转化率下降、客诉上升，形成“欺诈损失”与“误杀损失”的双重挤压。
• 品牌与合规风险：用户卡信息在平台侧泄露会引发信任危机；若涉及数据安全合规问题，还可能面临监管处罚。
• 黑产规模化攻击：自动化工具可在短时间内发起大量“卡试”（Card Testing）请求，消耗网关资源，污染风控模型。

三、行业现状：CNP欺诈为什么越来越难防

过去十年，全球支付安全体系经历了从磁条卡到EMV芯片卡、从3D Secure 1.0到3D Secure 2.0、从规则引擎到机器学习模型的演进。但CNP欺诈并未消失，反而呈现出几个明显趋势：

1. 数据泄露常态化：大规模卡数据泄露事件频发，黑产手中掌握大量真实卡信息，传统“卡号+有效期+CVV”校验的区分度下降。
2. 攻击工具平民化：自动化脚本、代理IP池、浏览器指纹伪造工具降低了攻击门槛，单人即可发起规模化卡试。
3. 欺诈手法复合化：“盗卡+社工+设备伪造+地址匹配”组合出现，单一规则难以覆盖。
4. 跨境与实时性挑战：交易链路涉及发卡行、收单行、卡组织、第三方风控，跨境交易时延高、信息不完整，实时拦截难度大。
5. 监管与卡组织规则趋严：PSD2、SCA、3DS2等要求推动强客户认证，但同时也对商户的风控能力提出更高要求。

四、一个典型场景：卡试攻击与实时拦截

假设某电商平台在凌晨2点收到大量小额授权请求，每笔金额0.1~1美元，卡号不同但设备指纹相似，IP集中在某代理池。这是典型的“卡试”行为：黑产在用你的支付接口验证哪些卡是有效的。若未及时拦截，后续会伴随大额盗刷和拒付。

时间       卡号尾号   金额     设备ID      IP             结果
02:01:03   4821      0.10     dev_9a3f    185.xx.xx.11   授权成功
02:01:05   7730      0.10     dev_9a3f    185.xx.xx.11   授权失败
02:01:07   1192      0.50     dev_9a3f    185.xx.xx.12   授权成功
02:01:09   5566      0.10     dev_9a3f    185.xx.xx.12   授权成功
02:01:12   9034      1.00     dev_9a3f    185.xx.xx.13   授权失败

实时拦截系统需要在这个窗口内完成：设备指纹聚类、IP信誉判断、金额与频次异常检测、卡BIN风险评分，并决定是否直接拒绝、挑战3DS或转人工审核。这个场景贯穿本课程后续的规则设计、模型特征、决策引擎与复盘方法。

五、学习目标

完成本章及后续课程后，你应当能够：

• 准确区分CNP欺诈与伪卡欺诈，理解CNP交易链路中的信任缺口。
• 识别CNP欺诈的主要类型：盗卡、卡试、友好欺诈、账户接管、订阅滥用等。
• 掌握实时拦截的核心流程：数据采集→特征计算→规则/模型评分→决策执行→反馈闭环。
• 能够设计并调优基础风控规则，理解误杀率与拦截率的权衡。
• 具备分析拒付数据、复盘欺诈事件、持续迭代风控策略的能力。