“为了防止信用卡盗刷 机器学习算法认出你是谁”

本篇文章1006字，读完约3分钟

窃取信用卡的风险已成为困扰全球银行信用卡部门的难题之一。 以美国为例，联邦储备系统支付调查显示，全年全美信用卡支付总额达260亿美元，其中非法信用卡支付，即盗刷信用卡金额达61亿美元。

对银行来说，信用卡交易的风险非常难以衡量。 为了实现这个目标，有必要迅速明确那些交易是合法授权的，那些交易是盗窃的。 那么这些事业是如何实现的呢？

从客户的角度来看，检测信用卡被盗的过程似乎是“魔法”。 这种检测几乎是瞬间发生的，背景有从金融到经济、法律、新闻科学等各种技术。 当然，有些信用卡盗刷的检测很简单。 例如，如果机器发现信用卡发卡地的邮政编码和发卡地的邮政编码不一致，就会发出警告。

之前流传的信用卡检测需要大量人力，参与大量数据的分析评估，算法只会对一个交易发出警告，最后人类审计师会打电话确认这笔交易是否涉嫌信用卡被盗。 目前，随着交易量的激增，各大银行信用卡部门开始依赖大数据，通过机器学习和云计算的方法快速识别非法信用卡交易。

用于信用卡校验的机器学习算法首先由大量的正常交易数据和持卡人数据进行训练。 交易结果将成为机器了解交易的重要维度，如普通人每周购买一次电或每两周去购物中心。 这些交易结果将成为正常交易的模式。

其次，机器受到实时交易数据的考验，显示出交易不合法的概率，例如97%。 如果发现系统设置为每个交易不合法的概率不超过95%，则所有这些交易都将被拒绝支付。 也就是说，交易不会成功。

卡供应商的信任度、卡购买行为(时空维)、ip地址等考虑事项越多，该算法所构建的模型也越正确。

这个检测过程几乎是实时的，这也是人类从业人员无法达到的检测速度。 但是，整个过程需要人类的参与，如算法评估审计和后续信用卡诈骗跟踪。

金融交易中的数据非常大，目前paypal必须解决1亿690万顾客的1.1pb数据。 但是，对于机器学习来说，数据越多，意味着自己的算法精度越高，越能更好地识别偷了信用卡。 海量数据对银行it系统的硬件要求非常高，数据的存储、读取、分析都成为巨大的it支出。

目前，银行信用卡部门开始采用云计算作为解决海量数据的方法，云计算的灵活性和伸缩性特点提高了机器学习算法的运行效率，有效检测了双11等卡的高峰期信用卡

围绕信用卡防盗刷和防盗刷的战争一直在持续，机器学习、大数据和云计算以及今后可能实现的区块链技术，将使我们的钱包和卡包越来越安全。

机器之心原创出品，编辑:赵赛坡。

来源：成都新闻网