高風險欺詐識別系統(tǒng)設(shè)計與實現(xiàn).pdf

1、本文以移動端或PC端的用戶賬戶或用戶設(shè)備作為目標，通過收集用戶賬戶的操作行為、交易過程、設(shè)備的操作軌跡、設(shè)備的交易狀態(tài)等數(shù)據(jù)，利用實時計算得出該賬戶或設(shè)備是否存在欺詐行為。若存在，則被列為高危用戶。系統(tǒng)前端設(shè)計會展示出相應(yīng)高危用戶的欺詐指數(shù)，便于相關(guān)人員做出決策。
　　本文所設(shè)計的高風險欺詐識別系統(tǒng)建立在互聯(lián)網(wǎng)電商、各大游戲平臺等企業(yè)的實際業(yè)務(wù)需求上，實現(xiàn)了對企業(yè)電商或游戲平臺的用戶、設(shè)備進行可疑度評判、從大量用戶中發(fā)現(xiàn)可疑賬戶和

2、設(shè)備，并給賬戶和設(shè)備打上相應(yīng)可疑度的功能。系統(tǒng)對可疑對象提供系統(tǒng)自動識別和人工識別兩種方式，并提供對平臺各大系統(tǒng)，如打分系統(tǒng)、特征提取引擎等統(tǒng)一的配置管理，并集成Zabbix[1]、Zookeeper來對各類系統(tǒng)服務(wù)進行監(jiān)控管理及協(xié)同調(diào)度。本文根據(jù)實際的業(yè)務(wù)需求使用UML對系統(tǒng)進行了需求分析，結(jié)合UML的用例圖詳細地闡述了系統(tǒng)需求。在系統(tǒng)的總體架構(gòu)設(shè)計中，本文根據(jù)系統(tǒng)需求，采用MVC框架和Python+Django進行整體架構(gòu)設(shè)計和We

3、b端系統(tǒng)設(shè)計，并采用Scala+Akka+Flume+Kafka+MongoDB實現(xiàn)防欺詐系統(tǒng)的后端邏輯，前端Web展示由React+Flux+Bootstrap實現(xiàn)。
　　本文在系統(tǒng)的詳細設(shè)計與實現(xiàn)部分對系統(tǒng)的核心功能模塊和整體架構(gòu)設(shè)計進行了詳細闡述。本文利用Akka[2]并行框架技術(shù)實現(xiàn)了Compositor（事件處理器）、FeatureEngine（特征提取器）、Scorer（基于不同場景下的不同模型的打分系統(tǒng)，通過遠程調(diào)用

4、黑盒接口，該黑盒接口對外暴露模型實現(xiàn)接口，用于返回打分結(jié)果），且對各模塊的數(shù)據(jù)處理細節(jié)和各模塊之間的協(xié)同調(diào)度進行了詳細的闡釋。在系統(tǒng)的部署層面上，通過Zookeeper對各子系統(tǒng)進行協(xié)同調(diào)度，且對各子系統(tǒng)進行雙機熱備份[3]，以免在某一服務(wù)宕機后發(fā)生整個系統(tǒng)無法運作的情況[4]。
　　系統(tǒng)經(jīng)過大量模擬數(shù)據(jù)與真實數(shù)據(jù)的測試，系統(tǒng)本身已經(jīng)達到了相對穩(wěn)定的狀態(tài)。系統(tǒng)的整體性能上，負載方面已支持200條左右/秒的處理速度，功能上各系統(tǒng)之間