银行反欺诈day1

1.银行反欺诈系统都运行在那些场景?

区分为实时交易监控和事后分析

场景类型	具体场景	风险特征
实时交易拦截	网银/手机银行转账 POS刷卡消费 ATM取现 第三方支付（如支付宝/微信快捷支付） 开放银行API调用（如代扣）	毫秒级响应，需实时拦截盗刷、伪卡交易
准****实时监控	批量代发工资 大额预约转账 账户开户/信息变更（如绑定新设备）	5-30分钟内处理，防范账户盗用、信息篡改
事后分析	日终交易流水分析 客户行为画像更新 诈骗案件回溯(如电信诈骗)	用于模型迭代、规则优化，非实时拦截

高并发场景:双11/春节等高峰期需支撑每秒万级交易请求

新型风险场景:虚拟货币交易、跨境支付、API银行开放生态（如第三方APP调用银行接口）

2.反欺诈系统包涉及到那些系统,是如何实现的?

td {white-space:nowrap;border:0.5pt solid #dee0e3;font-size:10pt;font-style:normal;font-weight:normal;vertical-align:middle;word-break:normal;word-wrap:normal;}

系统	功能	技术实现
数据采集层	整合多源数据： - 交易系统（核心银行系统） - 客户端行为日志（APP点击流） - 外部数据（公安黑名单、征信数据）	Kafka + Flink（实时流） MaxCompute（离线）
特征工程平台	构建动态特征： - 近1小时交易频次 - 设备指纹变化 - 地理位置跳跃（如北京→纽约5分钟内）	Redis（实时特征缓存） Python Featuretools
规则引擎	执行硬规则： - “单笔转账超5万且收款方为高风险地区” - “新设备登录后立即大额转账”	Drools（Java规则引擎） Drools + Redis动态规则
机器学习模型	输出欺诈概率： - 逻辑回归（可解释性强） - XGBoost/LightGBM（高精度） - GNN（识别团伙欺诈）	TensorFlow/Sklearn PMML模型部署
决策中心	综合规则+模型结果： - 规则触发=立即拦截 - 模型评分>阈值=转人工审核	自定义决策流（如Camunda工作流引擎）
处置系统	执行动作： - 冻结账户 - 发送短信验证码二次验证 - 推送预警至风控大屏	对接核心银行系统API 短信网关（如阿里云）

实现要点：

低延迟：规则引擎响应时间 ≤ 100ms（Visa标准）

可解释性：模型需输出“高风险原因”（如“与诈骗账户有资金往来”）供人工复核

灰度发布：新规则/模型先放行1%流量验证效果

3.可疑账号是如何筛选的?

三级漏洞机制

td {white-space:nowrap;border:0.5pt solid #dee0e3;font-size:10pt;font-style:normal;font-weight:normal;vertical-align:middle;word-break:normal;word-wrap:normal;}

层级	筛选方法	案例
一级：规则过滤	硬性规则（高召回）： - 账户在24小时内登录IP跨越3个以上国家 - 新绑定设备后10分钟内转账超历史90%	某账户凌晨3点在巴西登录，5分钟后向尼日利亚转账
二级：模型评分	机器学习打分（平衡精度/召回）： - 特征：交易时间异常度、收款方关联风险、行为序列相似度 - 输出：欺诈概率0~100分	模型评分85分 → 转人工审核
三级：人工研判	风控专家结合： - 客户历史行为（如常出差vs. 退休老人） - 外部情报（如公安最新诈骗手法）	识别“AI换脸视频诈骗”等新型手法

关键指标：

规则层覆盖90%+已知风险（但误报率高）

模型层将误报率降至5%以下（行业优秀水平）

4.身为测试工程师,针对银行反欺诈,如何实际功能,性能,接口用例?

功能测试用例设计

td {white-space:nowrap;border:0.5pt solid #dee0e3;font-size:10pt;font-style:normal;font-weight:normal;vertical-align:middle;word-break:normal;word-wrap:normal;}

测试类型	用例示例	验证点
规则覆盖	1. 模拟同一设备1小时内登录5个不同账户 → 触发“设备共享风险”规则 2. 新设备登录后立即转账50万（超历史单笔限额）→ 触发拦截	规则是否生效、拦截动作是否正确
模型验证	1. 构造“典型诈骗交易”数据（如向高风险地区转账+夜间交易）→ 模型评分>80 2. 用历史真实欺诈案例回放测试	模型召回率、误报率是否达标
边界场景	1. 转账金额=规则阈值（如50,000.00元）→ 是否拦截 2. 时区切换时（如UTC+8→UTC+0）的交易时间判定	边界值处理、时区兼容性

性能****测试用例

td {white-space:nowrap;border:0.5pt solid #dee0e3;font-size:10pt;font-style:normal;font-weight:normal;vertical-align:middle;word-break:normal;word-wrap:normal;}

场景	测试方法	通过标准
高并发交易	JMeter模拟5000TPS交易请求（含10%欺诈流量）	99%请求响应时间<200ms，0%超时
规则引擎压力	注入1000条动态规则（如每分钟更新）+ 持续交易流	规则加载延迟<5s，无交易堆积
灾备切换	主节点宕机，验证备用节点接管时间	切换时间<30s，无交易丢失

接口****测试用例

td {white-space:nowrap;border:0.5pt solid #dee0e3;font-size:10pt;font-style:normal;font-weight:normal;vertical-align:middle;word-break:normal;word-wrap:normal;}

接口类型	测试要点
内部系统接口	- 规则引擎与核心银行系统接口：验证拦截指令是否准确传递 - 特征平台接口：测试特征超时（如Redis故障）时的降级策略
外部数据接口	- 征信系统接口：模拟超时/返回错误码，验证系统是否走本地缓存兜底 - 公安黑名单接口：测试空返回时的处理逻辑

测试工具链：

数据构造：Faker 生成合规测试数据（脱敏）

流量回放：TCPCopy 复用生产流量

监控：Grafana 看板跟踪规则触发率、模型AUC

5.银行反欺诈和机器学习的应用,机器学习如何选用训练方法和数据清洗?

模型选择与训练方法

td {white-space:nowrap;border:0.5pt solid #dee0e3;font-size:10pt;font-style:normal;font-weight:normal;vertical-align:middle;word-break:normal;word-wrap:normal;}

问题类型	适用模型	选择原因
个体欺诈检测	LightGBM/XGBoost	处理高维特征快，支持特征重要性分析
团伙欺诈识别	Graph Neural Network (GNN)	捕捉资金网络中的异常子图（如环形转账）
新型诈骗发现	Isolation Forest	无监督学习，识别未知模式（如0day攻击）

关键实践原则

1. 样本不平衡处理：

   1. 欺诈交易占比通常<0.1%，采用 SMOTE过采样 + 随机****欠采样

   2. 损失函数加权：class_weight='balanced'（Scikit-learn参数）

2. 特征工程****核心：

   1. 动态特征：滑动窗口统计（如“近10分钟登录失败次数”）

   2. 关联特征：收款方历史欺诈率、设备指纹关联账户数

3. 避免特征穿越：

   1. 严格按时间切分数据：训练集用T-30天~T-1天数据，测试集用T日数据

   2. 特征计算仅使用T时刻前的信息（如T日10:00交易，特征仅用10:00前数据）

4. 持续监控：

   1. 每日跟踪 PSI（Population Stability Index****），若特征分布漂移>0.25则触发模型重训

   2. A/B测试：新模型与旧模型并行运行，对比拦截率/误报率

行业经验：

• 不要追求100%召回率：误报率每降低1%，客户投诉量下降30%（某国有大行数据）

• 模型可解释性 > 精度：监管要求必须说明“为什么拦截”，SHAP值/LIME是必备工具

---

总结建议

• 测试重点：功能测试聚焦规则覆盖度和边界场景，性能测试模拟极端流量峰值，接口测试验证故障降级能力

• 机器学习****落地：80%精力在数据清洗和特征工程，模型选择反而是最简单的部分

• 合规红线：测试数据必须脱敏（符合GDPR/《个人信息保护法》），禁止使用真实客户信息

工商银行总行 融安e信 风险信息平台 电诈防控 公安查获电信账号

渠道: 网银 自助终端 ATM

对转账汇款进行实时拦截和预警信息

网银

网点柜台

掌上银行

超柜

ATM

(可扩充)

方式:可疑账户提示 拒绝转账 冻结在途 强制落地 警台寻呼 sim卡物理断连 暂停非柜面业务

对公帐号 异常流水预警信息 对于新创 僵尸 未足缴纳 涉案涉信 涉诈灰

判断 转账账号 转账附言

App 后台数据监控 监控其录屏(强制黑屏) 非同名大额转账且共享屏幕

渤海银行风控平台(拓展)

基于客户交易多要素评分的反欺诈风控平台

名单规则、评分规则、调整规则的次序进行客户交易要素评分，结合客户交易习惯进行针对性的风险等级调整，之后采取相对应的强化认证和交易管控策略，可初步实现普遍适用规则与客户行为个性化之间的平衡，为实现千人千面的精准防控积累经验和数据。

名单规则

评分规则

调整规则

客户交易要素+客户交易习惯评估

强化认证+交易管控

普遍金融反诈政策和个性化客户(千人千面)

评分卡模型

1.流处理技术基础

融合cep

可增量计算缓存

时间切片

业务系统交易数据-数据流水流转嵌入流处理引擎-计算脚本,得到时间脚本可伸展的计算结果,合成一个多维度可计算数据魔方

2.综合评分和个性化调整确定客户交易风险等级

名单规则:黑白名单(行内/人行/监管/公安/涉外)

评分规则:对交易要素进行评估,按照重要性进行赋分

交易时间

交易地点

交易金额

交易对象

交易渠道

调整规则:客户日常交易行为的特征,对评分规则相应的改变

3.多数据源,评分和专家规则双轨制

多数据源:监管机构,合作机构,各级分行,友商银行,人行

(常见的满足银行反欺诈的数据源来源有哪些?)

评分和专家规则:不仅仅以来评分卡,也依赖专家判断和规则补充

项目效果评估(重点)

一、各渠道交易的全面覆盖

覆盖线上线下多个交易渠道，近20个业务系统，共计部署规则模型超过400余条，实现了对超过200支各类交易、月均超2500万笔的监控，通过月均超25万次的提醒、超5万次的强化认证，实现对客户资金超1亿元/月的风险防控。

如何实现消息提醒和强化认证?

消息提醒和强化认证的方式去有那些?

二.精准防控的有益探索

保证预警覆盖率和命中率

降低交易误报率和漏报率

华夏银行:手机银行反欺诈机器学习模型与信识模型项目

信息识别/风险控制

反欺诈机器学习模型

自然语言处理(NLP) 实体识别 样本打样

(长文本识别 提取信息 标识重要信息)

词频-逆文档频率（TF-IDF）算法挖掘欺诈特征，丰富了模型的数据维度

附言中正常:餐饮消费 超市购物

异常:赌博 套现 欺诈:充值 刷单 比特币 游戏币

自动量化这些可疑标签 并标识该数据

并将这些创建出新的维度

信识模型

用户画像:

数据收集-数据分析-加工用户画像

数据收集:用户信息 登录数据 交易数据 绑定设备信息 涉诈类名单数据

数据分析:选取多个观察点 不同时间窗口下的用户行为变化,数据时间和客户范围 统计用户交易记录,提取分析行为习惯

例:倾向于 大额 小额 消费类型 消费时间 消费区域 支付方式

加工用户画像:聚合客户信息,交易行为,交易方式,构建用户画像