机器学习如何破解网络罪犯电话诈骗 人工智能资讯报道_AI资讯

编辑


诈骗者可能会诱使大量不知情的客户,以便进行欺诈交易,但这些狡猾的窃贼可能在机器学习方面遇到了对手。

在南非银行风险信息中心(Sabric)今年早些时候发布的数据显示,由于犯罪报告而造成的总损失中,有超过一半(55%)是由网上发生的事件造成的。

网络钓鱼者通常通过电子邮件获取个人信息,钓鱼者通过短信去碰碰运气,而且钓鱼者最出名的就是他们的电话技巧。

分析软件公司FICO的首席分析官Scott Zoldi博士说,在税收季节,网络钓鱼是一种特别大的风险。

他表示:“电话社会工程欺诈,即所谓的语音网络钓鱼,最近越来越流行,它依靠的是欺诈者在与受害者交谈时的说服力。”

这种情况会在税收旺季时激增,骗子们声称自己是南非税收,并利用欺骗手段让电话看起来像是来自官方电话号码。

受害者可能会被告知,如果他们不付款或者要退款就会被送进监狱,但骗子们是需要知道受害者的银行信息的。

Zoldi博士还说,随着安全设置和实时支付计划(如网上银行转账或银行转账)变得越来越容易,骗子们开始倾向于欺骗受害者,让他们自己存钱(授权的推送支付欺诈),而不是通过账户认证(未经授权的推送支付交易)窃取钱。

这意味着打击骗子的关键不是通过更严格的安全措施,而是通过目标行为。

但如今这些狡猾的诈骗者有一个新的对手了,那就是机器学习。

他表示,机器学习的进步意味着,领先社会工程欺诈者一步变得越来越容易。

这些机器学习模型在检测攻击金融机构的各种欺诈类型,建立并实时更新在线实时的行为档案。

该机器学习模型能监控支付特征,如交易金额和支付速度。这意味着可以通过识别模式检测出一般的欺诈特征,以及只出现在某些类型的欺诈中的模式。

机器学习模型还可以跟踪各种常见交易与客户或个人账户相交的方式,例如,通过跟踪客户定期支付的受益人列表、以前用于支付的设备、金额、地点、时间等等。

FICO的研究表明,与遵循至少一种既定行为的交易相比,基于个性进行的交易风险要高出40多倍。

机器学习模型还可以跟踪这些高风险的非货币性事件,比如电子邮件、地址或电话号码的更改,这通常可以先于欺诈性的货币交易。

然而授权的支付有点困难,因为客户可能会对诈骗者行为感到恐慌,以至于当银行介入时,客户会不信任、忽视或抵制银行保护他们的账户。即便如此,基于对真正客户过去行为的广泛分析,仍可以使用典型的预期行为。