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 Transaktionsbetrug
Der Modelltyp Transaction Fraud Insights wurde entwickelt, um Online-Betrug oder Transaktionsbetrug ohne Karte zu erkennen. Transaction Fraud Insights ist ein Modell für überwachtes maschinelles Lernen. Das bedeutet, dass das Modell anhand von historischen Beispielen betrügerischer und legitimer Transaktionen trainiert wird.
Das Transaction Fraud Insights-Modell verwendet ein Ensemble von Algorithmen für maschinelles Lernen zur Datenanreicherung, Transformation und Betrugsklassifizierung. Es nutzt eine Feature-Engineering-Engine, um Aggregate auf Entitäts- und Veranstaltungsebene zu erstellen. Im Rahmen des Modelltrainings reichert Transaction Fraud Insights Rohdatenelemente wie IP-Adresse und BIN-Nummer mit Daten von Drittanbietern an, wie z. B. der Geolokalisierung der IP-Adresse oder der ausstellenden Bank für eine Kreditkarte. Zusätzlich zu den Daten von Drittanbietern verwendet Transaction Fraud Insights Deep-Learning-Algorithmen, die Betrugsmuster berücksichtigen, die bei Amazon beobachtet wurden. AWS Diese Betrugsmuster werden mithilfe eines Gradienten-Tree-Boosting-Algorithmus zu Eingabefunktionen für Ihr Modell.
Um die Leistung zu steigern, optimiert Transaction Fraud Insights die Hyperparameter des Gradienten-Tree-Boosting-Algorithmus mithilfe eines Bayesschen Optimierungsprozesses. Dabei werden nacheinander Dutzende verschiedener Modelle mit unterschiedlichen Modellparametern (wie Anzahl der Bäume, Baumtiefe, Anzahl der Proben pro Blatt) trainiert. Außerdem werden verschiedene Optimierungsstrategien wie die Erhöhung der Anzahl der Betrüger aus der Minderheit berücksichtigt, um sehr niedrige Betrugsraten zu verhindern.
Im Rahmen des Modelltrainingsprozesses berechnet die Feature-Engineering-Engine des Transaction Fraud-Modells Werte für jede einzelne Entität in Ihrem Trainingsdatensatz, um Betrugsvorhersagen zu verbessern. Während des Trainingsprozesses berechnet und speichert Amazon Fraud Detector beispielsweise, wann ein Unternehmen das letzte Mal einen Kauf getätigt hat, und aktualisiert diesen Wert dynamisch bei jedem Aufruf der GetEventPrediction SendEvent OR-API. Bei einer Betrugsprognose werden die Ereignisvariablen mit anderen Entitäts- und Ereignismetadaten kombiniert, um vorherzusagen, ob es sich um eine betrügerische Transaktion handelt.
Datenquelle auswählen
Transaction Fraud Insights-Modelle werden nur anhand von Datensätzen trainiert, die intern mit Amazon Fraud Detector (INGESTED_EVENTS) gespeichert wurden. Dadurch kann Amazon Fraud Detector die berechneten Werte über die Entitäten, die Sie evaluieren, kontinuierlich aktualisieren. Weitere Informationen zu den verfügbaren Datenquellen finden Sie unter Speicherung von Veranstaltungsdaten
Vorbereiten von Daten
Bevor Sie ein Transaction Fraud Insights-Modell trainieren, stellen Sie sicher, dass Ihre Datendatei alle Header enthält, die unter Event-Datensatz https://docs.aws.amazon.com/frauddetector/latest/ug/create-event-dataset.html#prepare-event-dataset vorbereiten aufgeführt sind. Das Transaction Fraud Insights-Modell vergleicht neu eingegangene Entitäten mit den Beispielen betrügerischer und legitimer Entitäten im Datensatz. Daher ist es hilfreich, viele Beispiele für jede Entität bereitzustellen.
Amazon Fraud Detector wandelt den gespeicherten Event-Datensatz automatisch in das richtige Format für das Training um. Nachdem das Modell das Training abgeschlossen hat, können Sie die Leistungskennzahlen überprüfen und entscheiden, ob Sie Entitäten zu Ihrem Trainingsdatensatz hinzufügen sollten.
Daten auswählen
Standardmäßig trainiert Transaction Fraud Insights Ihren gesamten gespeicherten Datensatz für den von Ihnen ausgewählten Ereignistyp. Sie können optional einen Zeitraum festlegen, um die Anzahl der Ereignisse zu reduzieren, die zum Trainieren Ihres Modells verwendet werden. Stellen Sie beim Festlegen eines Zeitbereichs sicher, dass die Datensätze, die zum Trainieren des Modells verwendet werden, ausreichend Zeit hatten, um ausgereift zu sein. Das heißt, es ist genug Zeit vergangen, um sicherzustellen, dass legitime Aufzeichnungen und Betrugsfälle korrekt identifiziert wurden. Beispielsweise dauert es bei Rückbuchungsbetrug oft 60 Tage oder länger, bis betrügerische Ereignisse korrekt identifiziert sind. Stellen Sie sicher, dass alle Datensätze in Ihrem Trainingsdatensatz ausgereift sind, um eine optimale Modellleistung zu erzielen.
Es ist nicht erforderlich, einen Zeitraum auszuwählen, der einer idealen Betrugsrate entspricht. Amazon Fraud Detector erfasst automatisch Ihre Daten, um ein Gleichgewicht zwischen Betrugsraten, Zeitspanne und Anzahl der Entitäten zu erreichen.
Amazon Fraud Detector meldet während des Modelltrainings einen Validierungsfehler, wenn Sie einen Zeitraum auswählen, für den es nicht genügend Ereignisse gibt, um ein Modell erfolgreich zu trainieren. Bei gespeicherten Datensätzen ist das Feld EVENT_LABEL optional, Ereignisse müssen jedoch beschriftet sein, um in Ihren Trainingsdatensatz aufgenommen zu werden. Bei der Konfiguration Ihres Modelltrainings können Sie wählen, ob Sie Ereignisse ohne Bezeichnung ignorieren, von einer legitimen Bezeichnung für Ereignisse ohne Bezeichnung oder von einer betrügerischen Bezeichnung für Ereignisse ohne Bezeichnung ausgehen möchten.
Event-Variablen
Der zum Trainieren des Modells verwendete Ereignistyp muss, abgesehen von den erforderlichen Ereignismetadaten, mindestens 2 Variablen enthalten, die die Datenvalidierung bestanden haben und bis zu 100 Variablen enthalten können. Im Allgemeinen gilt: Je mehr Variablen Sie angeben, desto besser kann das Modell zwischen Betrug und legitimen Ereignissen unterscheiden. Obwohl das Transaction Fraud Insight-Modell Dutzende von Variablen, einschließlich benutzerdefinierter Variablen, unterstützen kann, empfehlen wir, dass Sie die IP-Adresse, die E-Mail-Adresse, den Typ des Zahlungsinstruments, den Bestellpreis und die Karten-BIN angeben.
Daten validieren
Im Rahmen des Trainingsprozesses validiert Transaction Fraud Insights den Trainingsdatensatz auf Datenqualitätsprobleme, die sich auf das Modelltraining auswirken könnten. Nach der Validierung der Daten ergreift Amazon Fraud Detector geeignete Maßnahmen, um das bestmögliche Modell zu erstellen. Dazu gehören das Ausgeben von Warnungen vor potenziellen Problemen mit der Datenqualität, das automatische Entfernen von Variablen, die Probleme mit der Datenqualität aufweisen, oder das Ausgeben eines Fehlers und das Stoppen des Modelltrainingsprozesses. Weitere Informationen finden Sie unter Datensatzvalidierung.
Amazon Fraud Detector gibt eine Warnung aus, fährt aber mit dem Training eines Modells fort, wenn die Anzahl der eindeutigen Entitäten weniger als 1.500 beträgt, da dies die Qualität der Trainingsdaten beeinträchtigen kann. Wenn Sie eine Warnung erhalten, überprüfen Sie die Leistungsmetrik.
