2、反欺诈基础：常见欺诈类型与传统反欺诈方法
在金融与互联网业务场景中，欺诈行为始终是平台与机构面临的核心风险之一。理解欺诈的常见类型、掌握传统反欺诈手段及其边界，是构建智能化反欺诈体系（尤其是引入图神经网络）的前提。本章将系统梳理信贷欺诈、交易欺诈、账户盗用与团伙欺诈四类典型风险，并剖析规则引擎与机器学习方法在实战中的优势与局限。
2.1 常见欺诈类型：从个体到团伙的威胁图谱
2.1.1 信贷欺诈
核心原理：信贷欺诈指借款人以非法占有为目的，通过虚构身份、伪造资料、隐瞒真实还款能力等方式骗取金融机构贷款的行为。其本质是信息不对称下的逆向选择——欺诈者利用机构审核漏洞获取本不应获批的信贷资源。
典型场景与判断方法：
- 身份伪造：使用他人身份证信息或伪造证件申请贷款，可通过人脸识别、活体检测、公安数据库比对进行拦截。
- 资料包装：伪造收入证明、银行流水、工作证明等，需交叉验证社保、税务、公积金等多源数据。
- 多头借贷：同一借款人在短时间内向多家机构申请贷款，可通过征信查询次数、共债指数识别。
- 骗贷团伙：黑产中介组织多人集中申请，共享通讯录、设备、IP等关联特征。
| 信贷欺诈子类型 | 关键特征 | 传统识别手段 | 局限性 |
|---|---|---|---|
| 申请欺诈 | 资料伪造、身份冒用 | 人工审核、规则校验 | 依赖审核经验，效率低 |
| 骗贷团伙 | 批量申请、信息关联 | 黑名单匹配 | 无法发现未知关联 |
| 套现欺诈 | 虚假交易、资金回流 | 交易监控规则 | 规则滞后于手法变化 |
2.1.2 交易欺诈
核心原理：交易欺诈发生在支付环节，欺诈者通过盗取支付凭证、利用系统漏洞或诱导用户操作，在真实交易中插入非法交易。其核心特征是交易行为与用户历史行为模式的显著偏离。
判断方法：
- 行为画像对比：对比当前交易与用户历史交易的时间、地点、金额、频次、设备等维度。
- 设备指纹分析：识别设备是否被篡改、是否关联历史欺诈记录。
- 实时风控决策：在交易链路中嵌入风控引擎，毫秒级返回风险评分。
- 事后核查：对可疑交易进行人工复核或电话确认。
2.1.3 账户盗用
核心原理：账户盗用（ATO, Account Takeover）指攻击者通过撞库、钓鱼、木马、短信劫持等手段获取用户账户控制权，进而实施资金转移、信息窃取或恶意操作。其本质是身份认证被突破。
识别要点：
- 登录异常：异地登录、新设备登录、非常规时间段登录。
- 操作异常：短时间内修改密码、绑定手机、变更收款账户等敏感操作。
- 行为漂移：浏览路径、点击行为、停留时间与历史习惯不符。
2.1.4 团伙欺诈
核心原理：团伙欺诈是黑产组织利用规模化、流程化、技术化的手段实施的系统性欺诈。其核心特征是群体关联性——多个账户、设备、IP、支付方式之间存在共享或协作关系，形成复杂的欺诈网络。
典型特征：
- 设备聚集：大量账户共用少量设备（模拟器、群控手机）。
- 信息同源：注册信息、收货地址、联系方式高度相似。
- 资金闭环：资金在多个账户间快速流转，最终汇聚到少数归集账户。
- 时间协同：多个账户在相近时间执行相似操作。
2.2 传统反欺诈方法：规则引擎与机器学习
2.2.1 规则引擎
核心原理：规则引擎基于专家经验，将欺诈识别逻辑转化为可执行的"IF-THEN"规则。每条规则包含条件组合（如金额、频次、设备、地域等）和对应的决策动作（通过、拒绝、人工审核）。
规则示例：
规则1：IF 交易金额 > 5000 AND 设备为新设备 AND 交易时间在00:00-05:00 THEN 风险等级=高
规则2：IF 登录IP属于高风险地区 AND 登录后30分钟内修改绑定手机 THEN 触发二次验证
规则3：IF 同一设备在24小时内关联超过5个账户 THEN 标记为设备欺诈规则引擎的优势：
- 可解释性强：每条规则逻辑清晰，便于合规审计和业务沟通。
- 响应快速：规则匹配在毫秒级完成，适合实时风控场景。
- 易于调整：针对新型欺诈可快速添加规则。
规则引擎的局限：
- 覆盖不全：规则只能识别已知模式，对未知欺诈手法无能为力。
- 规则冲突：规则数量增多后，可能出现规则间矛盾或冗余。
- 维护成本高：需要持续人工维护，且规则更新滞后于欺诈手法演进。
- 无法捕捉关联：每条规则独立判断，无法建模多实体间的复杂关系。
2.2.2 机器学习方法
核心原理：机器学习方法通过历史数据训练分类模型，自动学习特征与欺诈标签之间的映射关系。常用算法包括逻辑回归、随机森林、XGBoost、LightGBM以及深度学习模型。
建模流程：
- 特征工程：从原始数据中提取统计特征（如交易频次、金额均值）、时序特征（如滑动窗口统计）、文本特征（如地址相似度）等。
- 样本构建：正样本为已确认欺诈，负样本为正常交易，需处理样本不平衡问题。
- 模型训练：使用GBDT等算法训练分类器，通过交叉验证调参。
- 模型评估：关注AUC、KS、Precision@K等指标，同时考虑业务成本（如误杀率与漏报率的权衡）。
- 在线部署：将模型封装为服务，在交易链路中实时打分。
| 方法 | 优势 | 劣势 | 适用场景 |
|---|---|---|---|
| 逻辑回归 | 简单、可解释、训练快 | 线性假设，表达能力有限 | 基线模型、特征重要性分析 |
| GBDT/XGBoost | 非线性强、特征交互好 | 对高维稀疏特征处理弱 | 表格型数据的主流选择 |
| 深度学习 | 自动特征提取、处理序列/图像 | 需要大量数据、可解释性差 | 文本、时序、多模态场景 |
2.2.3 传统方法的共同局限
尽管规则引擎和机器学习在反欺诈中发挥了重要作用，但面对日益复杂的欺诈形势，它们存在以下系统性缺陷：
- 特征孤立性：传统方法将每个样本视为独立个体，无法利用样本间的关联信息。例如，两个账户共享同一设备、同一IP、同一收货地址，这种强关联信号在传统特征工程中难以有效表达。
- 对抗性脆弱：欺诈者会主动探测规则和模型边界，通过改变行为模式规避检测。传统方法需要不断人工更新规则或重新训练模型，响应速度慢。
- 冷启动问题：新用户、新设备缺乏历史数据，传统模型难以准确评估其风险。
- 团伙识别能力弱：团伙欺诈的识别需要从全局网络视角分析，而传统方法只能从个体视角判断。
2.3 总结与复盘
| 维度 | 规则引擎 | 机器学习 | 图神经网络 |
|---|---|---|---|
| 建模对象 | 单笔交易/单个账户 | 单样本特征 | 实体+关系 |
| 关联信息利用 | 无 | 有限（需人工构造关联特征） | 自动学习邻居信息 |
| 团伙欺诈识别 | 弱 | 弱 | 强 |
| 可解释性 | 高 | 中 | 中低 |
| 维护成本 | 高 | 中 | 中 |