- 综合排序
- 最热优先
- 最新优先
AI与Elastic Security革新金融欺诈检测
AI驱动的欺诈检测：为金融服务提供保护欺诈在金融服务领域变得越来越复杂，每年给行业造成数十亿美元的损失，并侵蚀客户信任。 随着威胁的增长，银行可以投资AI和其他技术来帮助检测欺诈并防止损失。” 某机构已经与金融服务客户合作，提供强大的Search AI平台，以有效检测、预防和缓解欺诈。AI在金融欺诈检测中的作用AI通过实时分析海量数据集，在欺诈检测中带来了前所未有的精确性和可扩展性。 交易堆叠识别：AI识别可疑的交易序列，例如快速连续的存款和取款，或刚好低于监管阈值的金额。欺诈账户检测：AI算法在账户创建或资金注入阶段发现异常模式，标记潜在的欺诈活动。 AI驱动欺诈检测的未来随着金融欺诈手段不断演变，机构需要主动解决方案以保持领先。Search AI平台展示了AI和机器学习如何革新欺诈检测——确保合规性、降低运营成本并恢复客户信心。
17610编辑于 2026-04-17- 来自专栏数据STUDIO
图分析与保险欺诈、信用卡欺诈、增值税欺诈
导读 各行各业都在采用图分析来加强反欺诈能力，在本文中，将介绍如何借助图分析打击以下三种欺诈行为： 保险欺诈 信用卡欺诈 增值税欺诈 大型数据集中常常隐藏了犯罪分子留下来的线索。 在这篇文章中，我们回顾了三种常见的欺诈方案，并探讨了图分析方法如何帮助调查人员识别它们。 使用图分析打击的三种欺诈行为 保险欺诈 保险欺诈包括旨在欺诈保险程序的任何行为。 他们可能正在使用被盗或伪造的身份，提出欺诈性索赔。 信用卡欺诈 信用卡欺诈的通常模式为，犯罪分子盗取信用卡信息并进行未经授权的交易。 在使用较安全的基于芯片的卡后，信用卡欺诈仍然是一个主要欺诈手段。 增值税欺诈 循环骗税，也称为增值税欺诈，是在另一个司法管辖区初次购买免增值税的商品销售过程中诈骗的增值税。就最近的案例显示，该反欺诈方案难以及时确定，损失可能非常巨大。
79240编辑于 2023-02-24 - 来自专栏IT技术圈
练习2-11 计算分段函数 (10分)
注：可在头文件中包含 math.h ，并调用 sqrt 函数求平方根，调用 pow 函数求幂。
1.3K40发布于 2021-03-16 生成式AI在金融反欺诈中的技术应用
随着AI和生成式AI现在被欺诈者用作武器，新的真正需求是金融机构需要加强自身对AI的防御性使用、部署、训练和演进，以阻止欺诈。 AI和生成式AI如何改变金融欺诈检测？AI技术，特别是机器学习，多年来一直用于金融领域以执行高速交易、检测欺诈、改进风险评分并实现整体效率。 由AI和生成式AI支持的系统可以发现复杂的欺诈网络，并识别看似无关实体之间以前未检测到的联系，从而促进对有组织欺诈团伙的检测和瓦解。 Elasticsearch在AI、生成式AI和金融欺诈检测中的作用从根本上说，欺诈无疑是一个数据问题。 欺诈、AI和生成式AI的未来生成式AI在金融欺诈检测和预防中的作用是变革性的，为金融机构提供了以空前的速度、准确性和效率打击欺诈活动的能力。
15510编辑于 2026-04-15- 来自专栏API 分享
欺诈无所遁形：反欺诈（羊毛盾）API 应用解析
随着互联网的快速发展，欺诈行为不断演变和扩大，涉及的领域也越来越广泛。虚假账户注册、刷单、恶意评论、虚假广告等欺诈手段成为一些不法分子获取利益的途径。 为了解决这一问题，反欺诈技术应运而生。本文主要介绍反欺诈（羊毛盾）API 的工作原理、作用、应对的风险、应用场景以及使用教程，识别和阻止欺诈行为，保护用户的权益和提升平台的安全性。 反欺诈（羊毛盾）API 的应用原理图片反欺诈（羊毛盾）API 的作用图片反欺诈（羊毛盾）API 可以应对什么风险反欺诈（羊毛盾）API 可以对多种欺诈行为进行识别和预防，从而帮助企业降低欺诈风险和经济损失 在线支付在线支付时用于检测是否存在欺诈行为，如信用卡欺诈、虚假退款等。社交媒体平台在社交媒体平台上用于检测虚假账号、水军等欺诈行为。在线招聘用于识别虚假简历、造假等欺诈行为，保障招聘的公平性和效率。 （羊毛盾）反机器欺诈 API 作为一种强大的技术工具，在网络安全领域得到了广泛的应用，帮助用户识别和阻止潜在的欺诈行为，提供了一个安全可靠的网络环境。
57600编辑于 2023-07-03 欺诈识别技术指南
技术解析 核心价值与典型场景 欺诈识别技术是金融科技领域的关键应用之一，通过分析用户行为模式和交易数据，识别并防范欺诈行为。 基于大模型的欺诈识别通过深度学习技术，从大量历史数据中学习模式，而规则策略逻辑则依赖于预设的规则和阈值。两者结合使用，可以有效提升欺诈识别的准确性。 实时性要求：欺诈识别系统需要快速响应，以防止欺诈行为发生。 2. 操作指南 实施流程 数据采集与处理 原理说明：收集用户行为数据和交易数据，进行清洗和预处理。 模型训练与部署 原理说明：基于收集的数据训练欺诈识别模型，并部署到生产环境。 操作示例：利用腾讯云机器学习平台TI-ONE，训练并部署基于大模型的欺诈识别模型。 通过上述指南，您可以深入了解欺诈识别技术，并有效利用腾讯云产品提升欺诈识别能力。
39010编辑于 2025-07-29- 来自专栏Python乱炖
通过关系网络进行欺诈检测和欺诈团伙发现
从常见的两种反欺诈模型说起 金融欺诈，一般是指采用虚构事实或者隐瞒事实真相的方法，骗取公私财物或者金融机构信用的犯罪形式。几乎所有涉及金钱和服务的商业模式都会受到欺诈的攻击。 通信、保险、贷款和信用卡申请是一些最容易出现金融欺诈的领域。 目前并没有一个通用的反欺诈框架可以识别并防范所有形式的欺诈。 一种最常用的反欺诈模型，是通过建立一个规则引擎或者机器学习模型来描述欺诈行为的特征，从而将欺诈行为从正常操作中区别开来。 图3 我们对团体规模大小和欺诈度的相关性进行了分析。其中，欺诈度的定义为：欺诈度=团体中欺诈申请者的数目/团体中申请者总数。我们通过行业内的网贷黑名单数据来判定某一个体是否为欺诈申请者。 相关性结果如下图所示，其中，横坐标表示团体规模大小，纵坐标表示欺诈度。可以看出，当团伙只有两个人时，欺诈度的中位数是0，而当规模变大时，欺诈度陡然增加。
2.2K11发布于 2019-10-31 - 来自专栏API百科
全面解析反欺诈（羊毛盾）API，助你识别各类欺诈风险
前言反欺诈（羊毛盾）反机器欺诈 API，是一种基于大数据分析和模型产品的技术，通过输入手机号、手机 IP 地址进行检测，帮助客户识别大量存在恶意的账号。 反欺诈（羊毛盾）API 的作用图片反欺诈（羊毛盾）API 可以应对什么风险反欺诈（羊毛盾）API 可以对多种欺诈行为进行识别和预防，从而帮助企业降低欺诈风险和经济损失，包括但不仅限于以下六种风险：图片反欺诈 在线支付在线支付时用于检测是否存在欺诈行为，如信用卡欺诈、虚假退款等。社交媒体平台在社交媒体平台上用于检测虚假账号、水军等欺诈行为。在线招聘用于识别虚假简历、造假等欺诈行为，保障招聘的公平性和效率。 反欺诈（羊毛盾）API 的应用原理图片反欺诈（羊毛盾）API 的使用教程APISpace 是 国内一个较大的 API 供应平台，提供多种类型的 API 接口，包括手机号码归属地查询 API 、天气预报查询 API、手机在网状态 API 、反欺诈（羊毛盾）API 以及当前比较热门的 AI 绘画 API 等等，感兴趣的小伙伴可以去官网体验一下。
2K20编辑于 2023-04-14 - 来自专栏ATYUN订阅号
eBay开发用于识别信用卡欺诈案例的AI系统
信用卡欺诈比人们想象的更常见。2014年，在1760万起执法身份盗窃事件中，86％的受害者报告与现有信用卡或银行账户有关的欺诈行为。 “通常，与欺诈和垃圾邮件检测等任务相关的挑战是缺乏训练合适的监督学习模型所需的所有可能模式，”该论文的作者写道，“当欺诈模式不仅仅是稀缺时，这个问题更加突出，它们也随着时间而变化。 他们写道，这种方法比传统的AI欺诈检测有几个优点。它不需要事先了解异常值或内点。并且基础算法具有（1）高度可扩展性（2）通用性，它几乎可以应用于任何群集问题，包括医学领域的问题。 研究人员指出，它成功地从电子商务平台中筛选了欺诈交易。 此外，我们的算法在识别欺诈方面显示出巨大的潜力。”
1.1K20发布于 2018-12-07 腾讯云风险控制引擎：AI驱动欺诈防御与可信设备识别
应对在线欺诈增长的业务安全挑战 企业面临BOT攻击、账户接管（ATO）及金融欺诈等恶意活动威胁，这些风险导致业务损失、系统稳定性下降及运维成本上升。 金融行业尤其受困于贷款堆叠、卡盗刷、欺诈转账等场景，缺乏高效设备识别能力加剧了风险管控难度。 提供AI多维数据风险控制方案 腾讯云风险控制引擎（RCE）基于可信设备识别技术，整合设备、账户、环境、行为及情境等多维度数据，采用AI驱动专家模型。 该方案覆盖虚假用户与设备、真实设备交互等复杂场景，防御AI欺诈（如面部识别欺诈、摄像头篡改）及金融欺诈活动。 技术领先性与行业标准制定者地位 腾讯云RCE采用动态与静态特征结合的AI设备标识生成技术，提供反欺诈与安全可控能力。
14310编辑于 2026-04-09- 来自专栏不能显示专栏创建者
随着消费者欺诈行为的增加，网上商业欺诈行为减少
总部位于芝加哥的全球在线欺诈趋势季度报告指出，针对全球企业的涉嫌欺诈性数字交易从大流行的锁定阶段（3月11日至5月18日）到重新开放阶段（5月19日至7月25日）下降了9％。交易安全解决方案提供商。 TransUnion全球欺诈解决方案高级副总裁Shai Cohen在一份声明中说：“随着企业急于数字化，许多人几乎在一夜之间被迫完全上网，欺诈者试图利用这一机会。” 他继续说，随着这些企业增加其数字欺诈预防解决方案，欺诈者将他们的骗局转移到其他地方。 他补充说：“与消费者相反，欺诈者越来越多地使用COVID-19来捕食那些面临越来越大的财务压力的人。”
47600发布于 2021-01-07 - 来自专栏大数据杂货铺
使用 CSA进行欺诈检测
对于每笔交易，NiFi 都会调用 Cloudera 机器学习 (CML) 中的生产模型来评估交易的欺诈潜力。 如果欺诈分数高于某个阈值，NiFi 会立即将事务路由到通知系统订阅的 Kafka 主题，该主题将触发适当的操作。 带有分数的交易数据也被保存到 Apache Kudu 数据库中，以供以后查询和提供欺诈仪表板。 识别出的欺诈交易被写入另一个 Kafka 主题，该主题为系统提供必要的操作。 流式 SQL 作业还将欺诈检测保存到 Kudu 数据库。 来自 Kudu 数据库的仪表板提要显示欺诈摘要统计信息。 CML 模型的响应包含一个欺诈分数，由一个介于 0 和 1 之间的实数表示。
2.6K10编辑于 2022-12-02 - 来自专栏大数据学习笔记
信用卡反欺诈
最后一列Class，0为正常，1为欺诈 2、程序解读 2.1 读取文件 #! lambda x: 1 if x > 1.5 else 0) data['V21_'] = data.V21.map(lambda x: 1 if x > 0.6 else 0) print('每个单一属性的欺诈记录与整车记录的差异统计 ：') print(data.describe()) print(data.sum()) 每个单一属性的欺诈记录与整车记录的差异统计： Time V1 print('欺诈记录的占比：') print(data.Normal.value_counts()) print() print(data.Fraud.value_counts()) pd.set_option ("display.max_columns",101) print(data.head()) 欺诈记录的占比： 1.0 284315 0.0 492 Name: Normal, dtype
2K30发布于 2019-07-02 - 来自专栏源哥的专栏
Google广告计划涉嫌欺诈
Google广告计划涉嫌欺诈 Google之推出广告计划以来 这个，我估计已经涉及欺诈了吧？
35530发布于 2018-08-28 - 来自专栏公共互联网反网络钓鱼（APCN）
工业化 AI 欺诈下全球金融诈骗治理与技术防御研究
2 工业化 AI 欺诈的全球态势与数据特征2.1 全球诈骗损失规模与人群暴露度Vyntra《2026 年现代银行欺诈剖析》报告给出三项核心判断，构成工业化 AI 欺诈的事实基础：全球过去 12 个月诈骗总损失 4 工业化 AI 欺诈的技术架构与黑色产业链4.1 AI 诈骗的技术栈构成工业化 AI 欺诈已形成标准化技术栈，低成本、易部署、易迭代：大语言模型：用于高逼真话术、邮件、通知生成，支持多语言、多场景、多身份适配 5 面向工业化 AI 欺诈的实时防御技术框架5.1 防御体系总体设计应对工业化 AI 欺诈，必须构建以快制快、以 AI 制 AI的主动防御体系，核心目标：事前：基于用户画像与行为基线，识别异常沟通与高风险场景 本文基于 Vyntra《2026 年现代银行欺诈剖析》报告核心数据，系统分析工业化 AI 欺诈的态势特征、技术架构、产业链结构与社会危害，提出以实时行为分析、多模态检测、情报共享、协同防御为核心的一体化框架 应对工业化 AI 欺诈，必须推动金融机构从被动响应转向主动预测，从单一防御转向协同作战，从规则依赖转向 AI 对抗 AI。
31710编辑于 2026-03-31 检测IP地址欺诈风险“Scamalytics”
Scamalytics 是一个专注于检测IP地址欺诈风险及纯净度的在线工具平台，通过分析IP地址的历史行为和关联数据，帮助用户评估其安全性。 核心功能欺诈评分系统：输入IP地址后，系统会生成一个风险评分（0-100），分数越高表示该IP被用于欺诈或恶意活动的可能性越大，例如评分达到100则建议立即更换IP。 主要优势提升安全性：通过拦截高风险IP，减少欺诈交易、虚假账户等行为，保护企业数据与用户隐私。 成本效益：自动化检测降低人工审核成本，同时避免因欺诈造成的业务损失。
2.7K10编辑于 2025-04-21- 来自专栏AI人工智能
金融风控AI引擎：实时反欺诈系统的架构设计与实现
金融风控AI引擎：实时反欺诈系统的架构设计与实现 Hello，我是摘星！ 在彩虹般绚烂的技术栈中，我是那个永不停歇的色彩收集者。 每一个优化都是我培育的花朵，每一个特性都是我放飞的蝴蝶。 因此，构建一套基于AI的实时反欺诈系统成为了金融机构的迫切需求。在我参与的多个金融风控项目中，我见证了从传统规则引擎到机器学习模型，再到深度学习和实时流处理的技术演进。 特别是在最近的一个大型银行项目中，我们成功构建了一套能够在毫秒级别内完成风险评估的AI引擎，将欺诈检测准确率提升到了99.2%，误报率降低到了0.8%以下。 AI引擎绝非易事。 参考链接XGBoost官方文档Apache Kafka实时流处理Redis缓存最佳实践Prometheus监控系统金融风控技术白皮书关键词标签#金融风控 #反欺诈系统 #机器学习 #实时计算 #AI引擎
91910编辑于 2025-08-22 - 来自专栏算法进阶
营销业务反欺诈全流程
1 欺诈定义 欺诈是用户主观、以非法占有为目的，采用虚构事实或隐瞒事实真相的方法，骗取他人财物或金融机构信用，破坏金融管理秩序的行为。 按照欺诈的人数来分可分为：个体欺诈和团伙欺诈； 按照欺诈的主体来可分为第一、第二、第三方欺诈； 按照欺诈的行为可分为：金融信贷欺诈、互联网业务欺诈和信用卡欺诈三大类。 按照欺诈的行为，大的方向上可分为：金融信贷欺诈、互联网业务欺诈和信用卡欺诈三大类，如果进一步 细分落到具体的场景上有：盗刷、薅羊毛、骗贷、套现、刷单、 刷好评等行为，根据不同的欺诈场景的应对方法是有所不同的 2 项目背景 营销欺诈是互联网业务欺诈大类的一种，指的是羊毛党通过虚假身份参加营销活动大量获利的行为。据统计，存在1000万+被滥用身份信息、 200万+网络黑产从业者、超千亿黑产市场规模。 4 欺诈客群分析： 在复杂的欺诈任务上，无法仅凭仅有的少数欺诈标签建立一个良好的欺诈模型（更何况标签质量参差不齐的），知己知彼百战不殆，这需要去了解业务知识、欺诈链，并采用更合适的技术手段来识别欺诈
1.9K61编辑于 2022-06-01 - 来自专栏cwl_Java
C++编程之美-数字之魅(代码清单2-11)
代码清单2-11 Kbig(S, k): if(k <= 0): return [] // 返回空数组 if(length S <= k):
24620编辑于 2022-11-30 - 来自专栏ypw
题目 1676: 算法2-8~2-11：链表的基本操作
题意：根据题意，意思就是实现插入，删除，展示，以及得到元素，并判断是否删除加入成功以及表内元素是否为空。
36400发布于 2021-03-04
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