数字金融反欺诈的主要技术手段

在欺诈团伙产业化、规模化，且广泛使用大数据、人工智能等前沿技术的今天，反欺诈技术能力直接影响着数字金融反欺诈的实际效果。从技术的运用层级和着力点来看，数字金融反欺诈技术可分为数据采集、数据分析、决策引擎等类型。

数据采集

数据采集技术主要是应用于从客户端或网络获取客户相关数据的技术方法。值得强调的是，数据采集技术的使用，应当严格遵循法律法规和监管要求，在获取用户授权的情况下对用户数据进行采集。数据采集技术包括：设备指纹、网络爬虫、生物识别、地理位置识别、活体检测等等。

数据分析

数据分析技术是指运用数据分析工具从数据中发现知识的分析方法。其中，机器学习技术是一种通过模型预测来反欺诈的数据分析技术。机器学习技术依赖数据，通过对数据的整理分析训练出合适的模型，再利用模型进行预测，达到反欺诈的效果。它包括有监督机器学习模式、无监督机器学习模式和半监督机器学习模式。

决策引擎

反欺诈决策引擎是数字反欺诈体系的大脑和核心。一个功能强大的决策引擎，可以将信誉库、专家规则和反欺诈模型等各类反欺诈方法有效的整合，并为反欺诈人员提供一个操作高效、功能丰富的人机交互界面，大幅降低反欺诈运营成本和响应速度。对于决策引擎好坏的判断，应当从引擎处理能力、响应速度、UI界面等多个维度进行综合判断。

第三章 数字反欺诈在不同金融场景中的应用

本章在对数字金融欺诈不同领域表现形式进行概括的基础上，选择了八个典型的欺诈场景，针对各个场景中的典型欺诈手法，重点介绍反欺诈技术及其应用的真实案例，并分析了技术应用的可移植性。

场景1 网络支付

在网络支付环节，诈骗分子通过社工和技术手段，盗取用户账户，进行盗刷、洗钱等行为。行为序列、生物探针和关系图谱技术可做到前中后期对欺诈行为预警。行为序列记录用户购买历史，生物探针研判用户手机使用习惯，关系图谱则从人际关系网络对用户进行信用估算，三者结合形成立体人物画像，在反欺诈、盗刷以及群体涉黑挖掘场景中均可发挥作用。

场景2 网购运费险

虚构交易骗取保费是网购运费险欺诈的常用手法，利用大数据和机器学习技术能够在事前对保险产品进行差异化定价，在事后预测欺诈的概率。此外，这些技术也能移植到账户险、车险、医疗险等领域的欺诈行为识别中。

场景3 网络借贷

身份冒用是网络借贷中常用的欺诈行为，利用人脸识别、用户画像技术能够刻画客户个人的特征，并用于网络贷款交易事前、事中、事后全过程的欺诈识别。这两类技术不仅在网络借贷虚假申请识别中的应用效果显著，同时也可复制到传统银行业务的信用申请环节。

场景4 网络营销

利用虚假号码注册后批量扫货下单是营销优惠欺诈中的常用手法。首先利用黑名单技术筛选疑似羊毛党的用户，若命中黑名单则直接拦截。在此基础上，利用设备指纹识别技术和机器学习模型能够有效阻击利用设备进行营销欺诈的羊毛党。设备指纹技术在对用户行为的追踪分析和征信数据获取方面具有很大的应用价值。

场景5 供应链金融

供应链金融欺诈归根到底就是将虚假的企业经营数据，作为供应链授信的依据。利用机器学习、关系图谱和设备指纹识别等技术，能够关联出企业在供应链上的经营关系，从而判断企业真实的经营状况。这几类技术的综合运用解决了需要大量人力物力进行信用主体身份核实和资料验真的问题，不仅仅在供应链金融，在消费金融、传统银行业务等领域均可高效使用。

场景6 消费金融

在消费金融领域，诈骗分子骗取身份信息，在分期购物平台或现金贷平台套现，应用设备指纹、生物探针、行为序列等技术手段可以在事前防范、事中识别、事后拦截套现欺诈行为，该反欺诈技术手段可以在套现、盗刷等领域推广、应用。

场景7 手机银行

在手机银行领域，诈骗分子利用木马病毒控制受害人手机，盗取其手机银行钱款。应用生物探针技术可以实现用户的身份判定，识别欺诈分子的恶意登陆行为并实时拦截。这项技术可向“手机防盗”等非金融领域移植应用。

场景8 生猪保险

在生猪保险领域，投保欺诈和重复骗保行为严重侵蚀保险公司利润，应用 “猪脸识别”和区块链技术能够为每头猪建立“唯一可识别编码”，并实现信息互通互享，自动识别保险欺诈和重复报案行为，该技术可向宠物保险领域移植应用。

场景1 网络支付

我国网络支付发展迅速，从2013年始，网络支付市场的交易规模平均以50%的年均增速增长。2017年，我国网络支付交易规模达到近154.9万亿元，同比增长率接近44.3%。网络支付在线下小额和零售领域等适用场景不断丰富，渗透于消费、金融、个人应用等各个领域。

新的支付形式也催生了新的欺诈手段。在支付环节，黑色产业集团往往通过社工方式和技术手段，盗取利用个人姓名、手机号码、身份证号码和银行卡号等直接关系账户安全的要素，并进一步用于进行精准诈骗、恶意营销。虚假WiFi、病毒二维码、盗版APP客户端以及木马链接等是盗取用户私人信息的主要手段，获得的关键信息被收入数据库分类储存，其中，账户信息（如游戏账户、金融账户）通过黑色产业链进行金融犯罪和变现，用户真实信息除了贩卖外，更多用于商城盗刷。

网络支付欺诈案例：盗用账号支付

某大学生发现自己银行卡里的5万元“不翼而飞”。反复查询，他被通知自己在某电商平台注册了一个新账号，购买了高达49966元商品。实质上并非本人的购买行为。其实，该商城风控部门利用其风控体系在支付的那一刻已触发预警。接到预警后，风控负责人快速安排对这一订单的拦截，同时安排发货以进一步锁定嫌疑人，最终帮助挽回损失。

图6 盗用账号支付-欺诈过程

该案例是账号盗用的典例，其涉及四步具体操作（见图6）。第一步：放马。该团伙在大学城周边，通过伪基站发送带有木马病毒链接的伪装短信，该学生在点击链接后，用户名及密码均已泄露；第二步：操盘。由于直接盗刷银行卡难度较高、风险较大，骗子掌握各类信息之后，便想起通过商城购物的方式来进行变现。第三步：洗料。注册完账户，绑定银行卡之后，就会通过网上商城购买高价值物品，比如黄金、手机等。并通过对来电进行拦截或者设置呼叫转移，使得商品到达欺诈团伙手中。第四步：变现。通过地下黑色产业链销赃网络，将购买来的物品变现、分赃。

图7 盗用账号支付-反欺诈过程

反欺诈手段：该案例中，主要运用了行为序列、生物探针和关系图谱技术对支付环节的前中后期进行了风险预判（见图7）。

首先，行为序列技术发现了购买记录的异常。行为序列技术记录了该学生在平日购物时的购物金额、浏览时长、对比行为等因素，发现了购物金额不超过1000多元、平时要花时间进行同类对比、寻找优惠券的该学生，本次仅浏览了十分钟便下单购买昂贵的商品，马上触发了预警。其次，生物探针技术发现本次购买行为与往常不同。生物探针技术能够根据用户使用APP的按压力度、手指触面、滑屏速度等120多个指标，判断用户的使用习惯，因此，检测出本次购物中的异常使用情况。最后，关系图谱技术，通过用户关系估算用户的信用，同时周围与之相关人的信用影响到对该用户信用评估。关系图谱技术通过分析发现该学生对本商品的需求并不高，因此也触发了预警。

反欺诈效果和可移植性

行为序列、生物探针、关系图谱等技术综合运用，可以有效识别支付环节的用户风险，同时可向其他场景复制、移植。

行为序列技术对用户购物行为、地址位置信息、过往订单信息、信用卡交易详情等信息进行实时监测，形成多维度用户画像。除了应用于用户身份识别和反欺诈，行为序列分析还能实现“千人千面”的精准营销。根据用户的历史购买和浏览习惯等信息可以推测出用户的年龄、性别、职业、爱好等身份特征，比如某位用户经常浏览母婴网站并购买孕期用品，则可推测该用户为一位准妈妈，进而可根据这些信息在不同时间为用户推荐恰当的商品，提高购买率。

生物探针技术打破了传统判别用户身份的逻辑，基于用户的行为特征模型，而不是仅仅依靠密码、验证码这些易被盗用的数字信息识别用户，这种技术应用在金融场景中效果尤其明显，但同时也可向其他非金融领域复制、移植。一是可以将生物探针这一技术手段广泛应用于社交、游戏、购物等各类移动APP账户安全保护中。智能手机及各类账户中存储着用户的大量信息，包括朋友联系方式、照片、数字资产甚至工作机密资料，一旦手机丢失或账户被盗，后果难以估量。目前应用的账户安全保护技术主要为数字密码、手势密码、手机验证码等数字信息，容易被不法分子攻击、破解，若加入生物探针技术，将能够从更多的维度判别用户身份，且不存在被盗风险。二是生物探针技术可以同账户安全险、手机丢失险等网络保险产品结合，帮助保险公司完善产品结构。生物探针技术集合上百项指标生成特有的用户行为特征模型，可有效进行人机识别和本人识别。若应用于账户安全险、手机丢失险的产品设计中，可有效降低出险率，同时帮助用户进行安全管理，让保险产品不仅能管理风险，还能保障安全。

关系图谱技术可以进行涉黑群体挖掘。通过记录用户节点信息，以及所有在这些节点上发生行为的相关行为的连接，最终把与之相关的一系列用户和行为都描述出来。它能有效识别数据造假、组团欺诈、辅助信贷审核、失联企业管理等等。在这个维度上做风控，可以将隐蔽在后面的欺诈行为提前预防、并拦截在体系之外。除了能识别金融领域的欺诈风险之外，关系图谱技术还可对持股结构、高管关系、涉诉案件等方面的欺诈行为有效识别。

关系图谱技术的主要特点是能够勾勒出看似不相关的主体间的隐含关系，从而对潜在风险的识别非常有效，从这一点上讲，关系图谱技术非常契合金融业务尤其是数字金融业务参与主体多、流程冗长的特点，能够在复杂的业务流程中梳理出一条简单清晰的主线，这不仅能够识别欺诈行为，而且对于某个业务场景下全局性金融风险的识别防范具有非常现实的意义。

场景2 网购运费险

中国保险行业协会数据显示，截至2017年上半年，互联网保险保费收入较2012年实现了20余倍的增长，特别是运费险、账户险等轻型险种呈现快速发展的趋势，并使许多碎片化、个性化、场景化的保险需求得到满足。以运费险为例，某电商平台推出运费险后退货纠纷率由2.15%下降到2.12%，客服介入概率降低了50%。与此同时，由于互联网保险险种的多样化，以及线上平台投保的便利性，滋生出了很多新型骗保的欺诈行为。同样以运费险为例，某公司上市运费险之初的赔付率竟高达90%，骗保的比重可想而知。因此，如何利用反欺诈技术构建科学有效的风险识别监控体系，已成为互联网保险行业亟需解决的问题。

无论是传统保险还是互联网保险，保险欺诈的主要类型主要有先出险再投保、隐瞒危险、虚构保险标的、重复投保，这些欺诈行为的根本目的是为了骗取保险金，只是在欺诈手段上略有差异。以运费险为例，其欺诈包括四个步骤：首先在网络购物平台注册店铺并购买快递单号；然后进行虚假发货，同时购买运费险；第三步，购买快递单号进行虚假退货；最后，在虚构收到退货的事实后骗取运费险（见图8）。

运费险欺诈案例：利用虚假交易骗取运费险

2017年9月，某保险公司营业部向警方报案称，有人利用在某网络商城的店铺进行虚假交易，骗取保险公司退赔的运费险。保险公司发现，去年7月这三家店铺的交易量突然暴增，2000多个买家集中下单，生成7.5万多笔订单，且这些订单最终都是退货并退赔运费。退赔运费每单20元，4个月的时间，保险公司为这三家店铺退赔了200多万元。

图8 网购运费险-欺诈过程

反欺诈手段：运费险反欺诈主要运用了大数据分析技术和机器学习技术，反欺诈的重点集中在事前定价和事后出险两个阶段（见图9）。

利用大数据和机器学习技术实现运费险产品的差别定价。从客户、商家及产品的多个维度分析，建立机器学习模型，通过模型预测出险的概率，结合产品定价方法对运费险保费实现精准计算，进而实现针对不同投保人的差异化定价。运费险差异化定价主要有三个特点：首先，进行风险定价的数据更加精细。保费和保额将利用买家、卖家在电商平台上的每一笔交易进行精准定价。其次，运费险中进行风险定价的数据更加全面。运费险定价中不仅依照投保人在其公司的内部数据，还可利用电商平台、快递公司提供的用户所有数据，甚至可获得同业公司的相关数据。这些数据极大丰富了风险刻画的维度，使得定价更加全面准确。最后，运费险中进行风险定价的数据是实时的。利用信息技术实时跟踪个体买家或卖家的情况，风险数据可以实时更新，定价也随着风险因子的改变而改变。

利用大数据和机器学习技术识别理赔欺诈。运用大数据及机器学习算法，预测案件在不同环节发生欺诈的概率，根据预测结果将案件分划分为不同等级，制定差异化处理方案。

图9 网购运费险-反欺诈过程

反欺诈效果和可移植性

利用大数据、机器学习等人工智能技术，极大提高了互联网保险的数据获取途径、获取量以及对数据的掌握程度，给保险定价和理赔提供了详细信息。2017年某电商平台利用反欺诈技术避免的运费险损失就高达2000万元。此外，这些技术也能移植到账户险、车险、医疗险等领域的欺诈行为识别中。

从大数据分析的应用趋势来看，不仅在数字金融，在医疗、教育、交通、体育、政府管理等各个行业都能得到广泛应用。大数据分析技术应用的部分共性问题需要引起注意：一是规范数据标准，提高数据可用程度。大数据分析涉及的数据庞杂、混乱，数据的整合难度较大，在数据整合中容易出现结果偏差；二是大数据分析需要海量的数据基础，需要行业内甚至跨行业的数据共享；三是加强敏感信息保护，防范信息泄露风险。

机器学习技术通过计算机手段实现模拟或学习人类的行为，是人工智能的核心技术，可广泛应用于保险、反洗钱等金融领域及物流、医疗等非金融领域。以在反洗钱中的应用为例，反洗钱监控不仅要监测账户的交易行为，还要在相对较长的时间段对个交易行为进行模式分析，应用人工智能技术能不断学习不法分子的洗钱套路并有效识别、精准打击。

场景3 网络借贷

我国网络借贷行业出现早、发展快。自2007年，我国第一家网络借贷平台拍拍贷成立。经过数年的发展，我国P2P网贷规模已经成为世界第一。据网贷之家的数据显示，2017年全年网贷成交量接近2.8万亿元，相比2016年增长0.8万亿元，接近2015年成交量的3倍。

网络借贷行业快速发展的同时欺诈行为也层出不穷，据爱钱进网的统计，每100个拒贷案件中大约有16起涉及不同程度的蓄意造假或欺骗。由于线上造假成本低廉，诈骗技术不断更新，代办公司迅速崛起，社会个人征信体系不完善等原因，网贷行业也成为诈骗者竞相追逐的“蛋糕”。

网络借贷的欺诈行为主要有中介代办、团伙作案、机器行为、账户盗用、身份冒用和串联交易等。其中，身份冒用是比较常见的欺诈行为，它是指贷款人对提供的个人身份、财产证明等材料进行造假，甚至采用欺骗等违法手段获取他人信息，进而冒充他人身份骗贷。

网络借贷欺诈案例：网络借贷中的身份冒用欺诈

2017年3月，某中介通过QQ群招揽学生做兼职，中介给予每个学生一张手机卡，并要求学生拿此卡去银行办理工资卡。中介以登记为由，利用银行卡和手机号获取了学生的身份证、学籍、学历等信息，而后用绑卡方式向网贷平台申请了多笔信贷业务（见图10）。

图10 网络借贷-欺诈过程

反欺诈手段：针对身份冒用的欺诈行为，主要采取了人脸识别、用户画像等技术。

具体步骤包括：一方面，利用人脸识别技术识别是否是借款人本人发起的申请，具体操作上利用视频画面截取申请人脸部特征，与身份证照片进行比对验证。但由于该网贷平台没有视频验证的流程，就需要配合精准画像等技术进一步验证；另一方面，通过文本语义分析、用户行为分析、终端分析等等方法，刻画客户个人的特征，并用于网络贷款交易事前、事中、事后全过程的欺诈识别。例如，通过大数据分析投资者的行为轨迹发现，正常投资者会在申请的每个节点都停留几秒，而数据分析发现欺诈者不到10秒钟就走完所有流程，正常用户完成整个贷款申请流程至少需5分钟，且该用户的申请时间是凌晨2点。根据对用户申请速度、申请时间的分析，就可以判定出来这个人应该是欺诈者，于是平台立即拒绝了其贷款申请（见图11）。

图11 网络借贷-反欺诈过程

反欺诈效果和可移植性

人脸识别和用户画像技术在身份冒用的欺诈行为识别中发挥了重要作用，通过图像采集、人脸检测、精确定位、数据标准化、人脸特征比对等步骤识别是否是本人操作，利用用户画像能够锁定客户的个性化特征，综合判定欺诈的可能性。这两类技术不仅在网络借贷虚假申请识别中的应用效果显著，同时也可向其他金融及非金融领域移植，复制。

人脸识别技术除在金融反欺诈中得到应用外，还可在公安刑侦、社会保障、边境检查等公共服务领域得到广泛应用。当然，该技术也存在一定的风险：一是脸部数据的可复制性，个人的脸部特征数据可在公开环境下直接获取并复制。二是脸部数据的不稳定性。脸部化妆、过敏、受伤、整容都会导致脸部特征发生变化，从而影响人脸识别准确率甚至无法识别。三是后台数据的安全性至关重要，一旦人脸识别、虹膜识别的后台数据被黑客攻破，对行业和社会都是毁灭性的打击。因此，人脸识别技术并不是风控中具有绝对杀伤力的武器，而应该结合反欺诈的其他技术手段配套使用，这是人脸识别技术运用的重要前提。

用户画像技术的本质是给用户行为贴标签，该技术的主要作用是通过数据挖掘，利用关联规则计算以及聚类算法分析用户偏好行为以及行为之间的内在联系。因此，该技术不仅能够识别用户潜在的欺诈行为，更重要的是能准确了解用户习惯和需求，在基于用户需求角度下的各类商业场景和公共服务场景都有应用的可能。值得注意的是，用户画像技术是多学科的结合，需要知识图谱、自然语言处理、机器学习和数据挖掘等方面的交叉融合。

场景4 网络营销

营销欺诈即俗称的“羊毛党”，是指有选择地参与各互联网渠道的优惠促销活动，以相对较低的成本甚至零成本换取物质上实惠的人群。界定羊毛党的关键特征是，多频率、有组织地在单次营销活动中多次获取优惠金额的行为，其实质是由于其薅羊毛的行为侵占了其他用户本应享受的优惠活动，这种行为即是打击的对象。目前，羊毛党已形成15余工种、160余万从业人员、产业规模不低于1000亿元人民币的产业链，分工明确、合作流程成熟，并且逐渐向隐蔽、专业、精准方向发展。以某上市公司力推直播软件的营销活动为例，为获取客户量，只要注册软件就能获得奖励金并立即提现。2016年底，该公司投入近16亿元后净亏损约10亿元，最终被ST，而其中大部分奖励被羊毛党撸走，这说明羊毛党的行为已经严重影响了企业的正常经营。

羊毛党的主要类型：第一类是个人纯手工进行薅羊毛的行为，这类行为往往因涉案金额和规模小，不易受到商家的重视；第二类利用商家网站或APP，使用外挂程序将薅羊毛过程完全自动化；第三类通过破解后台接口建立虚假客户端进行薅羊毛；第四类是团伙羊毛党，通常是组织者利用QQ群、微信群指挥团伙成员薅羊毛，且这类薅羊毛行为呈现与平台、商家瓜分利益的趋势。

羊毛党的欺诈步骤为：首先，利用虚假号码进行批量注册，有些还会配合模拟器或IP地址修改工具进行；其次，利用上述账号进行集中的批量扫货下单；最后，将买到的明显低于市场价格的商品，以比较合理的价格倒手卖出，赚取差价（见图12）。

羊毛党欺诈案例：营销优惠欺诈

某网上商城每周六推出满80减20活动，活动开始后一个月发现大量订单支付失败，其中金额恰为80元的订单占比较高，且这些订单绑定的支付卡余额均为60元。该商城风控部门利用其风控体系及时识别了疑似薅羊毛的订单，并在支付时进行事中拦截。

图12 网络营销优惠-欺诈过程

反欺诈手段：在识别羊毛党的过程中，主要使用了设备指纹识别技术和神经网络模型等机器学习技术。

具体步骤包括：首先，利用黑名单技术筛选疑似羊毛党的用户，若命中黑名单则直接拦截。在此基础上，综合运用设备指纹技术和机器学习技术识别羊毛党的欺诈行为。一是利用设备指纹技术识别出部分羊毛党在一台终端设备上登录上千个PIN码进行操作，同时发现出现大量金额恰好为80元的订单，据此判断存在欺诈的可能。二是利用机器学习技术对用户的购物行为、交易习惯、交易次数等数据进行综合分析后，判断该用户是否为羊毛党（见图13）。

图13 网络营销优惠-反欺诈过程

反欺诈效果和可移植性

该案例最终拦截近10%的支付订单，为商家挽回100余万元的损失。据估算，采用反欺诈技术每年能为全行业节约10%-50%的营销优惠成本。设备指纹识别技术配合机器学习模型能够有效阻击利用设备进行营销欺诈的羊毛党。

设备指纹识别技术根据不同的识别方法，大体上可分为主动式、被动式和混合式三种。三种方式在隐私保护、响应速度和准确率方面存在一定差异。设备指纹识别技术在数字金融领域的应用集中体现在两个方面：一是对用户行为的追踪和分析，比如购物网站会采集用户的设备信息，并根据设备指纹信息对用户进行相关的商品推荐，实现精准营销。更为重要的是，利用采集的信息形成设备指纹，给用户提供更好的安全保障，比如检测到用户的风险登录、更换设备登录要求用户进行二次验证等等；另一方面，利用设备指纹技术记录用户在互联网上的活动并进行信用评分，这将对互联网征信体系健全起到极大的促进作用。

机器学习技术的可移植性参考场景1。

场景5 供应链金融

供应链金融是指金融机构将核心企业和上下游企业联系在一起提供灵活运用的金融产品和服务的一种融资模式，它在为中小企业拓宽融资渠道、为银行等金融机构开源新财路等方面效果显著。2014年以来，受益于应收账款、商业票据及融资租赁市场的不断发展，供应链金融在我国发展较为迅速。一方面，供应链金融正不断创新求变，探索新模式、新市场、新领域，在解决中小企业融资难方面发挥了重要作用，推动了商业生态的发展；另一方面，由于参与主体众多、欺诈风险难以识别和控制，也制约了行业长期健康发展。

供应链金融企业欺诈行为的本质是利用经营数据造假来骗取供应链信贷支持的行为，因此，供应链金融欺诈归根到底就是企业经营行为的欺诈，具体表现在采购收回扣、销售截留货款、财务挪用公款、营销套取渠道费用、招投标索贿、售后虚报维修费用、生产虚构加班费、行政虚报管理费等等。这些欺诈行为一旦被认定为真实的经营数据，并以此作为授信依据，将对供应链金融发展产生巨大的风险隐患（见图14）。

供应链金融中企业欺诈的案例：企业经营数据异常的欺诈

某上市公司A企业接受尽职调查时提供给会计师事务所和券商的财务报表，除了银行贷款是真实的，隐瞒了应收账款、销售利润、民间借款、对外担保等信息存在造假的事实。而此时，B企业作为A企业的关联公司，向某线上平台提出了贷款申请（但B企业并没有告知平台其为A企业关联公司的关键信息）。

图14 供应链金融-欺诈过程

反欺诈手段：在识别上述企业的经营欺诈行为时，主要利用了机器学习、关系图谱和设备指纹识别等技术。

具体步骤包括：第一步，运用机器学习等技术对A企业的公开信息进行自动化审计后发现，其企业经营数据不真实。第二步，在发现A企业存在经营欺诈行为后，该线上平台自有的企业图谱及舆情系统利用公开的上市公司报告信息，能够描绘出包括注册地址、股东结构、经营范围、组织形态等信息在内的数千家企业关系图谱，关联出B企业是A企业的关联公司；第三步，由于B企业对线上平台提出了信贷申请，因此需要利用机器学习技术对B企业的经营数据等信息进行全方位审核。与此同时，利用设备指纹技术和机器学习技术发现B企业存在刷单欺诈行为（具体技术细节见场景4中营销欺诈案例）。第四步，综合B企业与A企业的关联关系事实和B企业刷单炒信的行为，该线上平台拒绝了B企业的信贷申请（见图15）。

图15 供应链金融-反欺诈过程

反欺诈效果和可移植性

企业隐瞒经营信息并骗取信贷支持的行为，是供应链金融中比较常见的欺诈现象。综合运用设备指纹识别技术、关系图谱和机器学习技术，解决了需要大量人力物力进行信用主体身份核实和资料验真的问题，特别是关系图谱技术能够将企业经营行为表现在图上，从而呈现出不同企业的关联性和聚集性，增强识别企业欺诈行为的能力，能够极大地提高了此类欺诈行为的精准打击率。

各技术的可移植性参考其他场景。其中，关系图谱参考场景1、机器学习参考场景2、设备指纹参考场景4。

场景6 消费金融

消费金融行业发展不断规范，前景依然广阔。艾瑞咨询数据显示，2017年，中国消费金融市场交易规模近2万亿，相较2016年增长128%。从资产端看，消费金融市场分为消费分期和现金贷两类，其中消费分期覆盖网购、租房、汽车、旅游、装修、教育、医美等行业和场景。

随着行业不断发展，专门从事消费金融欺诈的黑色产业也愈加猖獗，不法分子盯上了各类分期购物平台和现金贷平台，想方设法让其成为实施诈骗转账汇款的“工具”。监测数据显示，超过40%的逾期订单发生在疑似诈骗的用户群中，一旦黑客通过违法冒用客户信息申请到贷款，这笔订单注定违约。

消费金融的诈骗套现行为可能发生在账户注册、激活、登陆、交易、信息修改等各个环节。一是犯罪分子可能盗用空白身份信息，自己注册消费金融平台账号进而完成一系列的套现操作；二是用户本身注册过消费金融平台账号，不法分子通过拖库撞库等手段盗取账号，冒名登陆套现诈骗；三是受害人在不知情的情况下，陷入犯罪分子编织的骗局，客观帮助犯罪分子完成整个诈骗过程。最常见的冒用身份诈骗一般分两步进行，首先骗取身份信息或账号信息，不法分子利用网络、短信等发送假网站、假链接骗取账号密码，验证码，或冒充中介、客服直接骗取客户信息；然后冒用身份在消费金融平台进行借贷或购物套现。

消费金融欺诈案例：冒充中介，以兼职为名骗贷套现

某电商平台后台系统检测到某范围内的几个移动终端在短时间内通过多个账号登录平台，分期购买手机等数码产品，且购买习惯也同以往不同。发现这一情况后，平台及时拦截其继续交易并报案。

警方经侦查发现，包括黄某、王某等三人组成的犯罪团伙在附近的几所高校，谎称中介“借取”学生账号信息进行“刷单”并支付商品价值10%的费用，同时向学生承诺不需要学生承担任何还款义务和风险。实际上三人冒用这些身份信息在分期网站上购买手机等数码产品，准备销售套现后跑路。由于网站报案及时，警方及时为大学生挽回损失并将犯罪分子绳之以法（见图16）。

图16 消费金融-套现欺诈过程

反欺诈手段：设备指纹、生物探针、行为序列技术在事前、事中、事后全流程反欺诈。

在反消费信贷套现欺诈过程中，主要应用了设备指纹、生物探针、行为序列等多项先进智能技术。设备指纹技术通过用户指纹为每个用户账户建立唯一的ID，一旦发现冒用身份登录行为，可及时拦截；生物探针技术通过采集用户在使用设备的按压力度、设备仰角、手指触面等使用习惯，为其建立专属的行为模型，发现异常操作及时阻止；行为序列技术可以将用户的购买行为同历史购买习惯进行比对，预警可能发生的欺诈行为。 在上述的案例中，诈骗分子通过移动终端在短时间内登录多个账号申请消费分期产品，且专门挑选价值较高、易变现的数码产品进行购买这一异常行为，触发了电商平台的反欺诈预警。

上述反欺诈手段，不仅可应用在事后，还可对账号的异常登录和交易行为进行实时、多维度、动态校验，在事前、事中防范、识别欺诈风险（见图17）。

事前评估 依托大数据技术建立完善的风控模型和应用策略体系，能够剔除高风险用户，为安全交易建立第一道防线，防患于未然。

事中监控 风险订单监控系统可以对异常账户和套现风险进行实时监控和全面预警。通过各类数据接口、技术手段和安全体系对异常交易进行拦截。

事后处理 将识别出的套现欺诈信息关联扩散后加入黑名单体系，进行策略和模型优化升级，从而更精准的识别和拦截欺诈交易，提高欺诈分子的作案成本。

图17 消费金融-反套现欺诈过程

反欺诈效果和可移植性

设备指纹、生物探针、行为序列等反欺诈技术手段可广泛应用于借贷类互金业务及各类账户安全反欺诈中，有效监测异常的注册、交易、登陆行为，降低欺诈风险，同时该类技术手段还可向信用审核领域复制移植。

综合运用各技术手段可实现全线上、零人工的授信和放款，相比于传统手段，信贷审核效率提高10倍以上，客单成本降低70%以上。传统的线下信贷审核需要依赖人工实地调查，获取客户授权打印征信报告，调取银行资金流水，担保人担保等繁琐流程。利用技术手段分析客户的账户基本信息、资金流信息、交易信息、物流信息等可从更多纬度形成客户的精准画像，进而为不同客户匹配不同的授信额度。值得注意的是，实现线上信审必须依托线上交易场景并沉淀足够的历史数据信息。

各技术的可移植性参考其他场景。其中，生物探针和行为序列参考场景1、设备指纹参考场景5。

场景7 手机银行

商业银行对金融科技的发展日益重视，逐步加大在技术建设方面的投入。各银行纷纷利用互联网技术和手段，拓展包括直销银行、网上银行、手机银行等多元化的服务渠道，提升用户体验，增加用户粘性。随着智能手机的广泛普及应用，手机银行已成为商业银行的客户服务主要渠道之一，《2017年中国银行业服务报告》显示，我国手机银行个人客户已达15.02亿，同比增长57.52%。

在电子化渠道深化创新下，相应的欺诈手段与反欺诈技术也不断进化。根据中国银行业协会《中国银行业产业发展蓝皮书》数据，2016年中国信用卡欺诈损失排名前三的欺诈类型分别为伪卡、虚假身份和互联网欺诈。诈骗电话、钓鱼网站、木马病毒、短信劫持是诈骗分子的惯用伎俩和套路。随着人们防备的增加，诈骗分子的手法也越来越精准，他们会根据不同的人群特征，精心编造出各种主题实施诈骗，如会议邀请、包裹藏毒等。

手机银行欺诈案例：会议邀请二维码植入木马病毒

某公司员工打开手机邮箱，发现一封主题为会议邀请的邮件。打开会议邀请，提示可通过扫描邮件二维码注册信息，该员工对会议主题很感兴趣就用手机扫描了二维码并填写相关信息报名参会，几天后，发现自己网银账户中的两万元钱被盗。

事实上，会议邀请完全是骗子编造的钓鱼邮件，而二维码被植入木马病毒，该恶意控制应用会偷偷申请手机权限，隐藏图标，进而控制受害者手机，手机里的敏感信息进而被回传到骗子的邮箱，骗子通过后台登录受害者的网银账户，将钱款转移（见图18）。

图18 手机银行-欺诈过程

反欺诈手段：生物探针技术判别用户身份

生物探针技术，可以在用户操作手机APP时采集到包括手指触面、线性加速度、触点间隔等数百个行为指标，根据历史行为数据，通过机器学习计算专属行为模型，在用户操作手机时，可以将其当前操作习惯同历史模型比对，判断这个人是否为风险用户，实现用户的身份判定。这项技术应用于反欺诈和防盗刷的场景中，将能减少甚至避免风险事件的发生。在上面提到的案例中，如果应用了生物探针技术，将能够及时识别欺诈分子的恶意登录行为，并阻止转账行为的发生（见图19）。

图19 手机银行-反欺诈过程

反欺诈效果和可移植性

生物探针技术打破了传统判别用户身份的逻辑。基于用户的行为特征模型，而不是仅仅依靠密码、验证码这些易被盗用的数字信息识别用户，这种应用在金融场景中效果尤其明显，但同时也可向其他非金融领域复制、移植。生物探针技术的可移植性参考场景1。

场景8 生猪保险

农业保险在乡村振兴中发挥着重要作用，但我国农业保险目前还主要依靠国家财政转移支付，商业保险占比较低。2004年原保监会正式启动政策性农业保险试点，至2017年我国农业保险已经覆盖全国所有省份，实现保费收入479.06亿元，支付赔款334.49亿元，参保农户2.13亿户次，受益农户5388.3万户次。但由于保费收费低、经营成本高、操作难度大、出险率高等原因，我国商业农险发展举步维艰，发生在农业保险领域的理赔欺诈，让本就发展受阻的农业保险处境更加艰难。

生猪保险是农业保险的重要险种之一，由于理赔欺诈及出险成本过高等原因，一直处于亏损状态。生猪保险的理赔欺诈主要有两种类型，一是投保欺诈，比如一个农户共养了100头猪，但只给其中的50头猪投保，100头猪中任何一头猪出现死亡都会向保险公司索赔，由于保险公司很难识别出险的猪是否投保，赔付率倍增；二是重复骗保，即猪死亡后，养殖户串通保险公司勘察员对死猪反复拍照，谎报死猪数量重复骗保。

生猪保险欺诈案例：保险公司勘察员串通养殖户骗保

某保险公司勘察员小张在半年时间内，多次串通养猪户投保人虚报保单、并自导自演死猪假现场，骗得保险理赔款15万元。后案件告破经警方问讯，原来，小吴半年前为某养殖户办理理赔勘察时，养殖户为了多获得保费，悄悄塞给小吴一包香烟并请他“通融”一下，后来两人合谋对死猪从不同角度拍照骗取保费。小吴发现这一“商机”之后又多次“指导”其他养殖户骗保，并从中收取好处费（见图20）。

图20 生猪保险-欺诈过程

反欺诈手段：猪脸识别、区块链技术，解决“活体唯一识别问题”。

上述生猪保险理赔欺诈的主要问题在于运用传统手段，很难解决“活体唯一识别问题”，将“猪脸识别”和区块链技术结合运用，可有效解决这一难题。一是“猪脸识别”采用迁移学习算法，可从不同角度进行猪脸信息采集，自动识猪，可以为每一头猪建立“唯一可识别编码”；二是由于从“小猪”到“大猪”的全养殖周期中，猪的外貌特征会发生较大变化，可选择若干关键节点，在猪的外貌特征没有发生质变的时刻不断更新图像数据，确保“唯一可识别编码”的连续性；三是运用区块链技术建立反欺诈信息共享平台，将投保信息以及历史索偿信息上链存储，有新的赔付事件发生时，只需将照片信息上传就能自动识别保险欺诈和重复报案行为（见图21）。

图21 生猪保险-反欺诈过程

反欺诈效果和可移植性

运用“猪脸识别”和区块链技术可有效防止理赔欺诈，增加保险公司的盈利能力，从而促进农业保险持续、健康发展。

以“猪脸识别”为代表的图片识别技术还可向以下两个领域复制、移植。

一是应用在死猪无害化处理理赔产业链上，降低理赔成本。根据国务院要求，在2020年前要完成死猪无害化处理体系建设。原来养猪户发现死猪后，需上报保险公司，保险公司派勘察员现场勘察，确认之后等无害化处理厂将死猪回收处理后，保险公司才能进行理赔，整个流程耗时费力。应用“猪脸识别”技术，可以将整个流程线上化，养殖户只需将死猪照片上传给保险公司和无害化处理厂，无害化处理厂将猪回收，处理前在传送带再对死猪进行拍照匹配，便可实现自动化理赔，每头猪的理赔成本由原来的6元钱降低为6毛钱，节省90%的理赔成本。

二是优化 “单体”养殖管理流程，降本增效。在农业养殖过程中，需要对一些价值较高的单体单独建档管理，以对“种猪”的管理为例，猪场需要对每头种猪建立数据档案并每天更新数据信息，传统流程包括棚舍信息采集、纸笔记录、EXCEL录入、系统录入等多个环节，耗费大量的人力、物力。应用“猪脸识别”技术可在养殖技术人员巡查猪舍时，直接对猪进行拍照识别，并将相应的信息录入到智能手机应用中，后台自动对每头猪的档案信息进行跟踪记录。值得注意的是，在实际落地应用过程中，由于环境遮挡、光线、移动等问题，会影响识别精准度，针对这一问题，可将“猪脸识别”和二维码识别技术结合运用，用产品方案弥补技术落地中遇到的实际问题，为行业提供更便利、可行的解决方案。

区块链技术的分布式存储、去中心化、不可篡改等特征，决定了其除了应用在金融反欺诈领域之外，还能改善众多金融及非金融场景的流程效率、降本增效。在资产证券化、资产托管、医疗、教育、政务等领域，区块链技术正在广泛应用。