Amazon Fraud Detector steht seit dem 7. November 2025 nicht mehr für Neukunden zur Verfügung. Funktionen, die denen von Amazon Fraud Detector ähneln SageMaker AutoGluon, finden Sie unter Amazon und AWS WAF.

Die vorliegende Übersetzung wurde maschinell erstellt. Im Falle eines Konflikts oder eines Widerspruchs zwischen dieser übersetzten Fassung und der englischen Fassung (einschließlich infolge von Verzögerungen bei der Übersetzung) ist die englische Fassung maßgeblich.

Einblicke in die Kontoübernahme

Der Modelltyp Account Takeover Insights (ATI) identifiziert betrügerische Online-Aktivitäten, indem er erkennt, ob Konten durch böswillige Übernahmen, Phishing oder durch den Diebstahl von Zugangsdaten gefährdet wurden. Account Takeover Insights ist ein Modell für maschinelles Lernen, das Anmeldeereignisse aus Ihrem Online-Geschäft verwendet, um das Modell zu trainieren.

Sie können ein trainiertes Account Takeover Insights-Modell in Ihren Echtzeit-Anmeldeablauf einbetten, um zu erkennen, ob ein Konto gefährdet ist. Das Modell bewertet eine Vielzahl von Authentifizierungs- und Anmeldetypen. Dazu gehören Anmeldungen, API-based Authentifizierungen und Single-Sign-On (SSO) für Webanwendungen. Um das Account Takeover Insights-Modell zu verwenden, rufen Sie die GetEventPrediction API auf, nachdem Sie gültige Anmeldeinformationen vorgelegt haben. Die API generiert einen Score, der das Risiko quantifiziert, dass das Konto kompromittiert wird. Amazon Fraud Detector verwendet die Punktzahl und die Regeln, die Sie definiert haben, um ein oder mehrere Ergebnisse für die Anmeldeereignisse zurückzugeben. Die Ergebnisse sind diejenigen, die Sie konfiguriert haben. Basierend auf den Ergebnissen, die Sie erhalten, können Sie für jede Anmeldung die entsprechenden Maßnahmen ergreifen. Das heißt, Sie können die für die Anmeldung angegebenen Anmeldeinformationen entweder genehmigen oder anfechten. Beispielsweise können Sie die Anmeldeinformationen anfechten, indem Sie als zusätzliche Bestätigung nach einer Konto-PIN fragen.

Sie können das Account Takeover Insights-Modell auch verwenden, um Kontoanmeldungen asynchron auszuwerten und Maßnahmen für Konten mit hohem Risiko zu ergreifen. Beispielsweise kann ein Konto mit hohem Risiko zur Ermittlungswarteschlange hinzugefügt werden, damit ein menschlicher Prüfer feststellen kann, ob weitere Maßnahmen ergriffen werden müssen, z. B. das Konto sperren.

Das Account Takeover Insights-Modell wird anhand eines Datensatzes trainiert, der die historischen Anmeldeereignisse Ihres Unternehmens enthält. Sie stellen diese Daten zur Verfügung. Sie können die Konten optional als legitim oder betrügerisch kennzeichnen. Dies ist jedoch nicht erforderlich, um das Modell zu trainieren. Das Account Takeover Insights-Modell erkennt Anomalien auf der Grundlage der Historie erfolgreicher Anmeldungen eines Kontos. Es lernt auch, Anomalien im Verhalten eines Benutzers zu erkennen, die auf ein erhöhtes Risiko einer böswilligen Kontoübernahme hindeuten. Zum Beispiel ein Benutzer, der sich in der Regel von denselben Geräten und IP-Adressen aus anmeldet. Ein Betrüger meldet sich in der Regel von einem anderen Gerät und Standort aus an. Bei dieser Technik wird das Risiko einer Aktivität als ungewöhnlich eingestuft, was in der Regel ein Hauptmerkmal böswilliger Kontoübernahmen ist.

Vor dem Training eines Account Takeover Insights-Modells verwendet Amazon Fraud Detector eine Kombination aus Techniken des maschinellen Lernens, um Datenanreicherung, Datenaggregation und Datentransformation durchzuführen. Während des Trainingsprozesses reichert Amazon Fraud Detector dann die von Ihnen bereitgestellten Rohdatenelemente an. Zu den Rohdatenelementen gehören beispielsweise die IP-Adresse und der Benutzeragent. Amazon Fraud Detector verwendet diese Elemente, um zusätzliche Eingaben zu erstellen, die die Anmeldedaten beschreiben. Zu diesen Eingaben gehören die Geräte-, Browser- und Geolokalisierungseingaben. Amazon Fraud Detector verwendet die von Ihnen angegebenen Anmeldedaten auch, um kontinuierlich aggregierte Variablen zu berechnen, die das vergangene Nutzerverhalten beschreiben. Zu den Beispielen für Benutzerverhalten gehört die Häufigkeit, mit der sich der Benutzer von einer bestimmten IP-Adresse aus angemeldet hat. Mithilfe dieser zusätzlichen Anreicherungen und Aggregate kann Amazon Fraud Detector anhand einer kleinen Anzahl von Eingaben aus Ihren Anmeldeereignissen eine starke Modellleistung generieren.

Das Account Takeover Insights-Modell erkennt Fälle, in denen ein böser Akteur auf ein legitimes Konto zugreift, unabhängig davon, ob es sich bei dem schlechten Akteur um einen Menschen oder einen Roboter handelt. Das Modell liefert einen einzelnen Score, der das relative Risiko einer Kontokompromittierung angibt. Konten, die möglicherweise kompromittiert wurden, werden als Konten mit hohem Risiko gekennzeichnet. Sie können Konten mit hohem Risiko auf eine von zwei Arten bearbeiten. Entweder können Sie eine zusätzliche Identitätsprüfung erzwingen. Oder Sie können das Konto zur manuellen Untersuchung in eine Warteschlange stellen.

Datenquelle auswählen

Account Takeover Insights-Modelle werden anhand eines Datensatzes trainiert, der intern in Amazon Fraud Detector gespeichert wird. Um Ihre Anmeldeereignisdaten mit Amazon Fraud Detector zu speichern, erstellen Sie eine CSV-Datei mit den Anmeldeereignissen der Benutzer. Geben Sie für jedes Ereignis Anmeldedaten wie den Zeitstempel des Ereignisses, die Benutzer-ID, die IP-Adresse und den Benutzeragenten an und geben Sie an, ob die Anmeldedaten gültig sind. Laden Sie nach dem Erstellen der CSV-Datei zuerst die Datei auf Amazon Fraud Detector hoch und verwenden Sie dann die Importfunktion, um die Daten zu speichern. Anschließend können Sie Ihr Modell anhand der gespeicherten Daten trainieren. Weitere Informationen zum Speichern Ihres Event-Datensatzes mit Amazon Fraud Detector finden Sie unter Speichern Sie Ihre Veranstaltungsdaten intern mit Amazon Fraud Detector

Vorbereiten von Daten

Amazon Fraud Detector verlangt, dass Sie die Anmeldedaten Ihres Benutzerkontos in einer Datei mit kommagetrennten Werten (CSV) angeben, die in diesem Format codiert ist. UTF-8 Die erste Zeile Ihrer CSV-Datei muss einen Dateiheader enthalten. Der Dateiheader besteht aus Event-Metadaten und Eventvariablen, die jedes Datenelement beschreiben. Die Ereignisdaten folgen dem Header. Jede Zeile in den Eventdaten besteht aus Daten eines einzelnen Anmeldeereignisses.

Für das Accounts Takeover Insights-Modell müssen Sie die folgenden Ereignismetadaten und Ereignisvariablen in der Kopfzeile Ihrer CSV-Datei angeben.

Event-Metadaten

Wir empfehlen, dass Sie die folgenden Metadaten in Ihrem CSV-Datei-Header angeben. Die Event-Metadaten müssen in Großbuchstaben geschrieben sein.

Variablen für Ereignisse

Für das Accounts Takeover Insights-Modell gibt es sowohl erforderliche (obligatorische) Variablen, die Sie angeben müssen, als auch optionale Variablen. Wenn Sie Ihre Variablen erstellen, stellen Sie sicher, dass Sie die Variable dem richtigen Variablentyp zuweisen. Im Rahmen des Modelltrainingsprozesses verwendet Amazon Fraud Detector den Variablentyp, der der Variablen zugeordnet ist, um die Variablenanreicherung und das Feature-Engineering durchzuführen.

Obligatorische Variablen

Die folgenden Variablen sind für das Training eines Accounts Takeover Insights-Modells erforderlich.

Optionale Variablen

Die folgenden Variablen sind optional für das Training eines Accounts Takeover Insights-Modells.

Daten auswählen

Das Sammeln von Daten ist ein wichtiger Schritt zur Erstellung Ihres Account Takeover Insights-Modells. Wenn Sie mit der Erfassung Ihrer Anmeldedaten beginnen, sollten Sie die folgenden Anforderungen und Empfehlungen berücksichtigen:

Erforderlich

Empfohlen

Wenn Sie noch keinen Datensatz haben, der die Mindestanforderungen erfüllt, sollten Sie erwägen, Eventdaten an Amazon Fraud Detector zu streamen, indem Sie den SendEvent API-Vorgang aufrufen.

Daten validieren

Bevor Sie Ihr Account Takeover Insights-Modell erstellen, prüft Amazon Fraud Detector, ob die Metadaten und Variablen, die Sie zum Trainieren des Modells in Ihren Datensatz aufgenommen haben, die Größen- und Formatanforderungen erfüllen. Weitere Informationen finden Sie unter Datensatzvalidierung. Es prüft auch, ob andere Anforderungen erfüllt sind. Wenn der Datensatz die Validierung nicht besteht, wird kein Modell erstellt. Damit das Modell erfolgreich erstellt werden kann, stellen Sie sicher, dass Sie die Daten, die die Validierung nicht bestanden haben, korrigieren, bevor Sie erneut trainieren.

Häufige Fehler bei Datensätzen

Bei der Validierung eines Datensatzes für das Training eines Account Takeover Insights-Modells sucht Amazon Fraud Detector nach diesen und anderen Problemen und gibt einen Fehler aus, wenn eines oder mehrere der Probleme auftreten.