一、互联网业务风控

一、互联网业务风控

维护账户安全的手段主要有网络层防护、数据层防护以及业务层防护。 相应的手段不局限于WAF、设备指纹、验证码、生物探针、数字证书、安全SDK。 这些防护手段从技术原理上可以总结为加密/解密、人机识别两大类。

电商平台最核心的业务就是交易，而交易又衍生出其他业务。商家为了达到提升排名、引流、商品冷启动、增加商品评论数等目的，会通过多种渠道来做虚假交易。典型的虚假交易是指通过虚构交易流程、伪造物流、资金流信息等手段，提到 DSR (Detail Seller Rateing，即商铺信用、商品销量和店铺动态评分)分数，实现提升店铺和商品排名的目的。

刷单主体：商家、刷手、刷单中介和上下游利益团体（泛指卡商、账号批发商、物流）。

互联网平台对流量监控在大多数情况下，宁可放宽监管力度，也不允许有太多的错杀的情况。

从作案规模上，信贷欺诈一般可分为个人欺诈和团队欺诈。从风险归因上，可分为以下类别：

A. 白户风险 ：借款人信息缺失，没有足够的数据来对借款人进行风险评估。包括内部白户（新注册用户、无申贷 历史 记录）和外部白户（央行征信、第三方民间征信无覆盖）。由于从未或较少有申贷记录，因此黑名单规则、多头规则等都会失效。在对待白户时，应当谨慎其被黑产利用的可能。

B. 黑户风险 ：借款人存在逾期、失信、欺诈的记录。包括内部黑户（ 历史 多笔订单出现逾期、在途订单催收失联等）、外部黑户（央行征信花/黑、第三方民间征信黑）。出于炫耀等心理，很多黑户会在口子论坛、QQ群等交流撸贷经验，因此可通过论坛舆情监控、黑产群卧底等来发现新的作案手法。

C. 恶意欺诈 ：借款人通过伪造资料，蓄意骗贷。例如，伪造账单流水记录来企图骗取更高的额度。一般都是借款老哥，熟悉各平台流程，深谙套路。恶意欺诈人群往往到处借钱，广撒网来提高放款概率。同时，可能涉及不良嗜好（黄赌毒）。

D. 身份冒用 ：伪冒他人身份进行欺诈骗贷。包括熟人冒用（亲戚朋友、同学等）和他人盗用（购买他人四件套、个人隐私信息泄漏等）。一般可通过信审、人脸识别、活体验证等方式来核验借款人身份。

E. 以贷养贷 ：通过拆东墙补西墙的方式，来维持不良消费（黄赌毒、奢侈品等）。借款人现金流收入主要靠不断借款，借下家的钱，还上家的债。这种击鼓传花的 游戏 ，会将共债风险杠杆逐渐放大。一旦借款人再也借不到钱，资金链便会立刻断裂，所有平台全线逾期。目前市场上，同盾、百融、亿美等第三方征信机构都提供此类多头借贷产品服务。

F. 中介风险 ：黑中介哄骗或招揽客户实施骗贷。网贷中介有利有弊，好中介可帮助平台导流（类似贷款超市），提高市场份额；黑中介将对平台风控漏洞进行大规模攻击，造成巨大资损。黑中介可利用白户轻松突破风控防线，并骗取白户的高额手续费。黑中介通讯录一般会存客户的号码；若是远程贷款操作，可能会采取视频通话、翻拍照片来应对活体识别核身。

A. 实时大盘监控 ：基于订单、用户维度，监控设备聚集性风险（LBS、Wi-Fi）、地域欺诈风险（如朋克村）。大盘监控对于识别黑中介风险、传销风险等团伙欺诈相对更有效，需要设置报警阈值，并人工介入分析。

B. 信审催收反馈 ：信审通过电话外呼，核验客户身份，咨询借款动机，往往会发现某些欺诈用户。例如，身份伪冒风险场景中，借款人支支吾吾无法正确回答问题。催收中发现失联用户等，这些兄弟部门的案件将反馈至调研组。因此，需要建设好案件管理平台，联通各部门。

C. 论坛舆情监控 ：通过对各大口子论坛、戒赌吧、上岸交流区等内容，提取近期市场动向。特别是需要去理解欺诈人群的心理特征、 社会 身份等。例如，2018年，在714高炮行业风险初见苗头时，论坛上就出现“青铜系”、“宁波系”等借贷口子系列。

D. 黑产卧底调研 ：线上渠道可尝试加撸口子QQ群、网贷中介微信等方式，利用老哥们的集体智慧，以及网贷中介的丰富经验。站在对方的立场上，你更会发现自己风控系统的弱点。线下渠道可去一些欺诈案件多发地，实地调研来学习黑产的手法。实地调研的难度相对较高。

A.设备指纹 唯一标识出该设备的设备特征或者独特的设备标识；从技术方法上，可分为： 主动式设备指纹和被动式设备指纹。

主动式设备指纹： 一般采用JS代码或SDK，在客户端主动地收集与设备相关的信息和特征，包括：

主动式设备指纹算法一般将这些信息组合起来，通过特定的hash算法得到一个设备指纹ID值，作为该设备的唯一标识符。

被动式设备指纹： 在终端设备与服务器通信的过程中，从数据报文的协议中提取出该终端设备的OS、协议栈和网络状态相关的特征集，并结合机器学习算法来标识和跟踪具体的终端设备。

B.生物探针 采集用户使用手机时的传感器数据和屏幕轨迹数据的技术； 优点： • 无需其他硬件支持 • 用户无感知 • 行为习惯不易改变 • 可以进行连续判断 缺点： • 需要一定的算法支持

C.设备行为 APP安装列表；APP行为（包括安装、卸载、打开等）；通话记录、短信等

D.WiFi列表 WiFi 名称、接入时间、接入时长等

E.LBS 设备与地理空间位置映射数据； 包括IP、基站、WiFi、身份证、手机号及银行卡等多维度的地理位置信息的信息库 用户稳定性判断登录、交易等多环节多重验证

F.运营商 特点：完整、真实； 涵盖： • 在网时长 • 通话记录、短信记录 • 网站、APP访问记录 • 位置信息

G.关联数据 前提假设：人是 社会 关系的总和、人以类聚物以群分； 应用：人的 社会 关系网反映人的特征； 目的：信息核验、度量身份和关系风险、社群团伙发现

H.多头 信贷全流程数据；涵盖注册、申请、审批、放款、还款成功、还款失败、逾期等整个信贷周期；场景贴合度高

传统反欺诈的困境

应用案例 A.app特征挖掘：

B.关联特征挖掘：

C.其他特征挖掘