- 综合排序
- 最热优先
- 最新优先
- 来自专栏FreeBuf
聊聊身份欺诈和窃取那些事
、用户名和密码等等，但是如果继续使用这种身份识别方法的话，那么欺诈问题也许永远都无法解决。 目前，每天都有190万条包含有PII信息的数据记录被盗，这也就意味着每天都有数百万人将会陷入身份欺诈的风险之中，除此之外，根据Javelin的2017年身份欺诈研究报告，在2016年总共有1540万美国公民受到了身份欺诈的影响 相对于静态身份数据来说，这种动态数据对于犯罪分子而言的“货币价值”就没有那么高了。 而且通过这种方法，企业也就有可能阻止欺诈行为的发生。目前一些新的动态识别数据主要有以下几种： 1. 生物学特征：类似指纹和视网膜这样的生物识别认证因素可以用来安全地验证用户身份，因为对于诈骗分子来说，这些信息的窃取和拷贝相对来说比较困难。 2. 授权用户的操作行为：通过监控已授权用户的操作行为可以有效地防止欺诈行为的发生。 除了面部识别之外，声音识别和虹膜识别等技术同样可以根据用户的固有物理特征来验证用户的身份。
81090发布于 2018-02-23 - 来自专栏大数据文摘
聊聊身份欺诈和窃取那些事
、用户名和密码等等，但是如果继续使用这种身份识别方法的话，那么欺诈问题也许永远都无法解决。 目前，每天都有190万条包含有PII信息的数据记录被盗，这也就意味着每天都有数百万人将会陷入身份欺诈的风险之中，除此之外，根据Javelin的2017年身份欺诈研究报告，在2016年总共有1540万美国公民受到了身份欺诈的影响 相对于静态身份数据来说，这种动态数据对于犯罪分子而言的“货币价值”就没有那么高了。而且通过这种方法，企业也就有可能阻止欺诈行为的发生。目前一些新的动态识别数据主要有以下几种： 1. 生物学特征：类似指纹和视网膜这样的生物识别认证因素可以用来安全地验证用户身份，因为对于诈骗分子来说，这些信息的窃取和拷贝相对来说比较困难。 2. 授权用户的操作行为：通过监控已授权用户的操作行为可以有效地防止欺诈行为的发生。 除了面部识别之外，声音识别和虹膜识别等技术同样可以根据用户的固有物理特征来验证用户的身份。
72620发布于 2018-05-25 - 来自专栏公共互联网反网络钓鱼（APCN）
如何防范利用深度合成技术的钓鱼欺诈
由于深度合成技术高度逼真的伪造能力，目前已开始被不法分子广泛应用于各类诈骗活动，加强识别和防范利用深度合成技术的钓鱼欺诈变得尤为重要。 一、深度合成技术在钓鱼欺诈中的典型应用场景 （一）伪造身份欺诈不法分子通过数据爬取、信息拼接等手段伪造社交账号，精心构建虚假身份。 专项行动治理：中央网信办定期发布专项行动，如中央网信办部署开展“清朗·整治AI技术滥用”专项行动聚焦深度合成技术的非法应用场景，加强AI生成合成技术和内容标识管理，重点打击假冒他人身份等违法犯罪行为，维护网络空间秩序与安全 个人应了解并掌握相关识别技巧，如视频中人脸面部细节不自然、背景噪音与语音失配、语调机械呆板、情感表达缺失、人物动作与语音节奏不一致等异常特征，通过自我学习与经验积累，提升对深度合成欺诈内容的识别能力。 深度合成技术催生的新型钓鱼欺诈，本质上是技术进步与安全风险的伴生问题。
36810编辑于 2025-10-09 - 来自专栏FreeBuf
2021年，身份欺诈案例创下新记录
根据身份盗用资源中心 (ITRC) 的数据，谷歌语音诈骗在 2021 年的身份相关欺诈案例中创下新纪录。 在这些报告中，其中一半 (50%) 是诈骗案中的受害者：也就是说，他们与攻击者共享个人身份信息 (PII)。该组中超过一半 (53%) 包含 谷歌语音诈骗，使其成为今年最流行的欺诈类型。 实际上，如果受害者这样做，他们的电话号码将与一个新创建的欺诈性 Google Voice 帐户相关联，然后欺诈者就会利用该账户继续诈骗下一个目标。 在其他地方，ITRC记录的“身份滥用”事件增加了8%，共计4168起。其中五分之二(40%)与滥用金融账户有关，其中大多数与新账户欺诈(64%)有关，其余与接管账户(36%)有关。 所以ITRC首席执行官Eva Velasquez 将 2021年称为身份诈骗创纪录的一年，“由于身份欺诈的风险很高，所以采取保护措施很重要，比如冻结你的信用卡，在所有账户上使用12+字符的独特密码，以及忽略可疑信息等
38020编辑于 2023-03-30 - 来自专栏金融安全
LexisNexis Risk Solutions数字身份与欺诈防范产品套件深度解析
多层次防御哲学现代欺诈环境的特征是,网络犯罪分子利用机器人、合成身份和人工智能驱动的攻击手段,其复杂程度与日俱增。这种背景凸显了多层次防御策略的必要性,因为单一的解决方案已不足以应对当前的威胁。 表2:数字身份评估元素选摘类别元素描述设备(Device)统计ID(StatisticalID,Ds)基于设备属性的指纹识别技术位置(Location)代理穿透(ProxyPiercing,Pr)识别隐藏在代理服务器背后的真实 实施场景DIN广泛应用于金融服务、电子商务、游戏和政府等多个行业,用于检测合成身份、机器人攻击和其他形式的复杂欺诈。 网络的优势在于通过共享情报为数字身份建立声誉(即信任分)。然而,欺诈者同样可以利用这一点。他们通过混合真实与虚假信息来创建合成身份,并耐心地通过大量合法交易来"培养"其信用历史和行为模式。 一个组织严密的欺诈团伙可以在DIN内的多个商户间进行大量低价值的合法交易,从而为一个合成身份建立起看似正常的行为记录。网络的机器学习模型会观察到这些"正常"行为,并赋予该合成身份一个较高的信任分。
37610编辑于 2026-01-07 攻克DeepFake欺诈：金融级防AI仿冒可信身份架构与量化实践
破解DeepFake欺诈困局：单因子验证机制失效与多端攻击激增 伴随AIGC工具的快速演进，音频合成与DeepFake换脸视频技术大幅降低了黑产的作恶门槛。 这一趋势暴露出行业在防欺诈领域的共性瓶颈：传统的EKYC（了解你的客户）单因子生物识别机制已经失效。 单一的生物认证只能验证物理身份，无法判定用户意图或检测人机行为异常，导致金融机构面临从环境注入到多端历史风险行为的降维打击。据统计，目前已有 46% 的企业遭到合成身份欺诈。 拆解高损黑产攻击：跨国企业高管换脸诈骗案复盘 在熟人仿冒与虚假信息传播场景中，AI合成欺诈已对企业造成了不可逆的巨额财务损失。 革新设备标识技术： 摒弃传统的第1、2代设备指纹技术，腾讯新一代SDK严格遵循最小必要原则，在运行过程中坚决不采集 IMEI、IMSI、AndroidID、MAC地址、BSSID、IDFA 等敏感个人信息
24910编辑于 2026-05-30- 来自专栏绿盟科技研究通讯
RSA创新沙盒盘点 |Deduce——数据驱动的身份欺诈风险分析平台
目前Deduce经过两轮融资，处于种子轮次的融资阶段，融资规模达730万美元[2]。 Deduce能够向不同规模的企业，提供成熟的行业级用户身份及行为分析接口，帮助企业构建身份认证风险分析、身份欺诈检测及用户告警能力，以辅助企业对抗潜在的攻击行为，满足合规要求以及提升客户的信任度。 ，来调用不同级别的认证方法，以增强对身份欺诈等攻击行为的防御能力。 更关键的，基于身份社交网络的学习，能够识别可疑的行为传播规律、异常社区行为以及欺诈团伙行为。 如下图5所示，就是基于身份认证与访问行为数据的社区分析方法[5]，该技术方案来源于同为身份欺诈检测领域的创业公司Silverfort。
71670发布于 2021-06-10 - 来自专栏公共互联网反网络钓鱼（APCN）
金融安全新挑战：全球钓鱼与身份欺诈风险叠加下的防御体系重构
摘要随着全球金融数字化进程加速，网络钓鱼与身份欺诈攻击呈现出高度组织化、技术智能化与目标精准化的趋势。 在此背景下，钓鱼与身份欺诈风险已不再是孤立的技术问题，而是与利率波动、地缘政治紧张、高频交易增长等宏观因素交织叠加，形成系统性金融安全威胁。 深度伪造语音指令（Deepfake Voice Command）：结合语音合成与社会工程，攻击者可模拟企业高管或合规负责人声音，向财务人员下达紧急转账指令。 FIDO Passkey 与无密码认证：推广基于公钥加密的FIDO2标准，替代传统密码与OTP。Passkey可有效抵御钓鱼，因其认证过程绑定特定域名，无法被中间人劫持。 六、结论钓鱼与身份欺诈风险的加速叠加，标志着金融安全已进入“高对抗、高动态”的新阶段。传统以边界防御与静态认证为核心的模式难以应对当前威胁。
60130编辑于 2025-10-28 - 来自专栏公共互联网反网络钓鱼（APCN）
生成式语音合成驱动下的语音钓鱼攻击与身份核验挑战
研究强调，仅靠用户意识培训已不足以应对高度拟真的AI语音欺诈，必须重构高风险业务的身份验证架构。 2 攻击技术演进与实施流程2.1 语音合成与克隆技术基础现代生成式TTS系统通常基于深度神经网络架构，如Tacotron 2、FastSpeech 2或VITS（Variational Inference # 使用预训练ASVspoof模型检测合成语音import torchfrom torchaudio.models import wav2vec2_model# 加载反欺骗模型（如RawNet3或AASIST 有效的防御不能寄望于用户识别细微语音瑕疵，而必须通过技术架构重构，将身份验证锚定于不可伪造的要素：设备硬件（如TPM芯片）、加密密钥（FIDO2）或持续行为生物特征（如被动声纹）。 安全体系的设计者必须摒弃“语音即本人”的旧范式，转向零信任、多因子、上下文感知的新身份治理模型。唯有如此，方能在AI赋能的欺诈浪潮中守住身份验证的最后一道防线。编辑：芦笛（公共互联网反网络钓鱼工作组）
45410编辑于 2025-12-19 - 来自专栏认证协议的形式化分析
基础知识补充2：身份认证
应用场景：运算系统（第一代指纹识别系统、第二代电容式传感器、射频指纹识别技术）、采集设备、门禁系统等 2、语音身份认证技术 语音认证就是运用声音录入设备将用户语音中的词汇内容转换为计算机可读的数据，并对声音波形变化反复进行的测量 （2）真实性：由于与接收方的公钥相对应的私钥只有发送方有，从而使接收方或第三方可以证实发送者的身份。如果接收方的公钥能够解密签名，则说明消息确实是发送方发送的。 （1）服务器证书（SSL 证书）：被安装在服务器设备上，用来证明服务器的身份和进行通信加密。服务器证书可以用来防止欺诈钓鱼站点。 SSL证书主要用于服务器（应用）的数据传输链路加密和身份认证，绑定网站域名，不同的产品对于不同价值的数据要求不同的身份认证。 （2）电子邮件证书：用来证明电子邮件发件人的真实性。 公钥密码算法需要2个密钥和2个算法：一个是公开密钥，用于对消息的加密；一个是私钥（私有密钥），用于对加密消息的解密。根据名称可以理解，公开密钥是一个能公开的密钥，而私钥只能由合法用户掌握。
3.6K31发布于 2020-07-29 - 来自专栏FreeBuf
美联储为你提供了一份针对合成身份类的防诈骗指南
近年来，合成身份式支付诈骗是美国增长最快的金融犯罪类型，许多信贷企业损失惨重。 Auriemma Group的一项分析显示，在所有已注销的信用卡账户中，可能有5％与合成身份欺诈有关。 据ID Analytics的研究估计，传统的反诈骗模型仅能有效检测5％至15％的合成身份。正是传统的欺诈检测模型对合成身份的检测成功率很低，使得诈骗犯更加猖狂。 然而，由于合成身份欺诈的影响将遍及美国的金融体系、医疗保健行业、汽车和保险等私营行业，单独的某个行业或组织也不能独立解决这个问题。 合成身份支付诈骗如何预防？ 1）采用包括手动和自动两种数据分析方法，进行身份的分层识别。 2）将基本的个人信息（例如姓名，SSN，出生日期和地址）和其他数据源结合，来确认申请人的身份。 6）建议金融机构跨产品线共享信息，以便发现合成身份欺诈者的身份。因为一般犯罪分子会在同一组织中开设多个帐户：包括信用卡，直接存款帐户，信贷额度和汽车贷款或抵押贷款等。
68220发布于 2020-07-08 - 来自专栏企鹅号快讯
漫谈语音合成之Char2Wav模型
漫谈语音合成之Char2Wav模型 语音合成是指将文本转化成音频的过程，整个过程的难点可以用两个词语来形容：清晰度(Intelligibility)和自然度(Naturalness)，清晰度是指合成的音频是否是干净的 传统的语音合成通常有两种做法，一种是合成式，另外一种是参数式，下面我们分别看它们各自的特点。 Char2Wav模型是由Bengio组提出来的一种基于深度学习的端对端语音合成模型，Char2Wav由两部分构成，分别是reader和neural vocoder，其中reader是一个基于注意力机制的 seq2seq模型，编码器是一个双向的循环神经网络(BiRNN)，使用文本或者音节作为输入，解码器是一个基于注意力机制的RNN，输出声学特征。 不同于传统的语音合成模型，Char2Wav直接将文本作为输入就可以输出音频，Char2Wav的模型结构如下图所示。
1.6K90发布于 2018-01-22 - 来自专栏未竟东方白
【Matlab】表情合成尝试（2）——传统的表情映射
本来觉得是不难的东西结果由于踩了很多坑结果搞了好久才搞出来，勉强算是知道怎么开头做这个表情合成了，那就这样，一步一步。 二.进行表情标记 使用Matlab来进行表情标记是表情合成的第一步，我们需要将最能圈出人的表情的部分圈出来。 这样最终合成的表情更加自然。 还有一点很自然，标定的点越多到时合成的效果就会越理想，但是要保证几张图片的点数量相等且顺序相同。 这样就能得到一个PiecewiseLinearTransformation2d对象。然后使用imwarp函数依据这个变形对象输出得到的图像，warp途中可能会警告有些像素值被变形到画布外了，不用在意。 然后最后使用imwrite把图片矩阵写回文件中，传统的表情合成就是这样子的了。 （下面是最终图片） ?
1.3K10发布于 2020-07-29 - 来自专栏01二进制
身份认证之双因素认证 2FA
身份认证 这里所说的身份认证，指的是狭义上的在计算机及其网络系统中确认操作者身份的过程，从而确定用户是否具有访问或操作某种资源的权限。 本文将会介绍目前很多网站常用的一种方式——双因素认证（也叫两步验证，英语：Two-factor authentication，缩写为 2FA）。 双因素认证 2FA 虽然网络世界和真实世界对于身份的表示不尽相同，但是对于身份认证的手段与经验是可以相互借鉴的。在真实世界，对用户的身份认证基本依据可以分为这三种： ? 因素越多，证明力就越强，身份就越可靠。 因此，在网络世界中，为了达到更高的身份认证安全性，某些场景会将上面 3 种挑选 2 种混合使用，即双因素认证。 2.服务端将该密钥下发，通常是在页面上显示一个二维码，内容中包含密钥。3.客户端扫描二维码，把密钥保存在客户端。
5K20发布于 2021-03-16 - 来自专栏金融安全
在人工智能与量子威胁时代下,如何驾驭未来金融安全
1.2合成身份欺诈:潜伏的定时炸弹与ATO的直接冲击不同,合成身份欺诈是一种更隐蔽、更具战略性的威胁。它之所以危险,是因为它攻击的并非现有账户,而是金融系统的信任根基。 这些宝贵的信息可以被用来极大地增强一个合成身份的"可信度"。信用Piggybacking技术欺诈者可以利用被盗账户将一个合成身份添加为授权用户,这种技术可以迅速提升合成身份的信用评分。 数字信任的根基被侵蚀这种相互依存的关系形成了一个恶性循环:数据泄露助长ATO,ATO的成功又为合成身份欺诈提供了更优质的"养料",而合成身份欺诈的泛滥又进一步污染了整个金融系统的身份数据。 合成身份团伙欺诈团伙创建的合成身份账户之间往往存在一些微妙的、非显而易见的关联。关联信号:例如共享部分虚构的个人信息、使用同一批次的IP地址或设备。 实施路径:在客户注册阶段集成强大的数字身份验证(IDV)技术在整个客户生命周期中,通过持久的设备指纹和行为分析技术进行持续的、无感知的身份确认这构成了抵御账户盗用和合成身份欺诈的基石2.拥抱隐私增强型协作面对跨机构
55210编辑于 2026-01-09 腾讯安全构建金融行业纵深防御体系，精准识别AI仿冒欺诈
随着AIGC技术迅猛发展，金融行业面临日益严峻的AI合成身份欺诈挑战。黑产利用DeepFake换脸、音频合成等技术，结合非法获取的个人信息，对企业与个人实施精准诈骗，严重威胁资产安全与业务稳定。 金融行业面临AI仿冒欺诈的多维挑战 AI仿冒欺诈已形成完整黑产链条：从非法获取公民个人信息，到利用AI技术生成仿冒音视频，最终绕过身份核验机制实施诈骗。 高达46%的企业曾遭遇合成身份欺诈（来源：行业案例整理）。典型案例包括香港跨国公司员工被Deepfake冒充的CFO诈骗2500万美元。 2. 行为异常检测 从键盘输入、鼠标交互、屏幕操作等行为数据中提取特征，通过传感器融合分析，识别非真人操作模式。基于数据驱动的身份认证方法，从领域差异中解耦特征，提升身份识别准确性。 3. 通过资源聚集、行为协同、内容相似度等维度评估风险，识别群控、众包等协同欺诈行为。
25710编辑于 2026-05-30- 来自专栏FreeBuf
Experian最新报告发布：70%的企业遭遇网络欺诈的频次有所增长
欺诈者还可能利用生成式人工智能来设计 "生命证明 "计划。 欺诈者将使用盗来的身份信息，利用生成式人工智能在社交媒体上创建虚假身份和他人进行互动，最终实施欺诈目的。 在分行核实身份时，可能会出现人为错误或疏忽。 根据 Experian 的一份报告，85% 的消费者称物理生物识别是他们最近遇到的最值得信赖和最安全的身份验证方法，但目前只有 32% 的企业使用这种方法来检测和防范欺诈。 合成身份欺诈将激增 在此前疫情期间，许多欺诈者创建了合成身份，他们通过各种援助计划窃取资金。 Experian 预测，诈骗分子利用这类虚假身份能够更轻松地躲避侦查，极可能利用这些休眠账户窃取资金。 企业需要比以往任何时候都更谨慎地审视合作伙伴，避免遭遇虚假身份欺诈。
34110编辑于 2024-02-26 - 来自专栏进阶高级前端工程师
深度分析React源码中的合成事件2
；事件注册事件注册是自执行的，也就是React自身进行调用的：// 注册React事件registerSimpleEvents(); registerEvents$2();registerEvents dragEnter, mouseMove, scroll；连续事件：continuous，常见的如：error, progress, load, ；它们的优先级排序：0：离散事件， 1：用户阻塞事件， 2： registerEvents$2注册类似onMouseEnter，onMouseLeave单阶段事件，只注册冒泡阶段事件。 相关参考视频讲解：进入学习合成事件在合成事件中，会根据domEventName来决定使用哪种类型的合成事件。 React合成事件是什么？React合成事件是怎么实现的？React是怎么实现冒泡和捕获的？React合成事件是使用的原生事件吗？React事件系统分为哪几个部分？
94240编辑于 2023-01-04 - 来自专栏AI科技评论
干货 | 2 分钟论文：如何使用数据合成烟雾流 ?
来源 / Two Minute Papers 翻译 / 张丽敏 校对 / 凡江 整理 / 雷锋字幕组 本期论文：基于CNN特征描述符的数据驱动合成烟雾流体 Data-Driven Synthesis of
1.2K50发布于 2018-03-14 - 来自专栏数据派THU
用人工智能打击人工智能
然而不幸的是，网络罪犯同样也利用人工智能创建自己的合成身份，产生的结果也足够真实，足以愚弄发现异常行为的人工智能。 这场人工智能之战——也是打击网络安全欺诈者，正在假新闻、假视频和假音频的战壕中展开。 Jupiter Research 的 Steffen Sorrell 表示，合成身份是信用卡欺诈“容易实现的目标”。 根据 Jupiter Research 最新的在线支付欺诈报告，到 2024 年，合成身份推动在线支付欺诈给坏人造成 2000 亿美元的损失。 ，从手动“刷卡”到用人工智能创建合成身份。 如果欺诈检测器检查一个合成身份，它们通常会发现一个虚假的电子邮件账户、Facebook 页面、以及其他显示合成身份细节的互联网形象已经被欺诈者记录下来。
2.7K30发布于 2020-07-09
腾讯云开发者
Copyright © 2013 - 2026 Tencent Cloud. All Rights Reserved. 腾讯云 版权所有
深圳市腾讯计算机系统有限公司 ICP备案/许可证号：粤B2-20090059 
粤公网安备44030502008569号
腾讯云计算（北京）有限责任公司 京ICP证150476号 | 京ICP备11018762号