Amazon Fraud Detector n'est plus ouvert aux nouveaux clients depuis le 7 novembre 2025. Pour des fonctionnalités similaires à celles d'Amazon Fraud Detector SageMaker, explorez Amazon AutoGluon, et AWS WAF. Les traductions sont fournies par des outils de traduction automatique. En cas de conflit entre le contenu d'une traduction et celui de la version originale en anglais, la version anglaise prévaudra. # Informations sur les reprises de comptes Le type de modèle Account Takeover Insights (ATI) identifie les activités frauduleuses en ligne en détectant si les comptes ont été compromis par des prises de contrôle malveillantes, par du phishing ou par le vol d'informations d'identification. Account Takeover Insights est un modèle d'apprentissage automatique qui utilise les événements de connexion de votre activité en ligne pour entraîner le modèle. Vous pouvez intégrer un modèle Account Takeover Insights entraîné à votre flux de connexion en temps réel pour détecter si un compte est compromis. Le modèle évalue différents types d'authentification et de connexion. Ils incluent les connexions aux applications Web, les API-based authentifications et l'authentification unique (SSO). Pour utiliser le modèle Account Takeover Insights, appelez l'[GetEventPrediction](https://docs.aws.amazon.com/frauddetector/latest/api/API_GetEventPrediction.html)API après avoir présenté des informations de connexion valides. L'API génère un score qui quantifie le risque de compromission du compte. Amazon Fraud Detector utilise le score et les règles que vous avez définis pour renvoyer un ou plusieurs résultats pour les événements de connexion. Les résultats sont ceux que vous avez configurés. En fonction des résultats que vous recevez, vous pouvez prendre les mesures appropriées pour chaque connexion. En d'autres termes, vous pouvez approuver ou contester les informations d'identification présentées pour la connexion. Par exemple, vous pouvez contester les informations d'identification en demandant un code PIN de compte à titre de vérification supplémentaire. Vous pouvez également utiliser le modèle Account Takeover Insights pour évaluer les connexions aux comptes de manière asynchrone et prendre des mesures sur les comptes à haut risque. Par exemple, un compte à haut risque peut être ajouté à la file d'attente d'investigation pour qu'un évaluateur humain puisse déterminer si d'autres mesures doivent être prises, telles que la suspension du compte. Le modèle Account Takeover Insights est entraîné à l'aide d'un ensemble de données contenant l'historique des événements de connexion de votre entreprise. Vous fournissez ces données. Vous pouvez éventuellement étiqueter les comptes comme légitimes ou frauduleux. Cependant, cela n'est pas nécessaire pour entraîner le modèle. Le modèle Account Takeover Insights détecte les anomalies en fonction de l'historique des connexions réussies à un compte. Il apprend également à détecter les anomalies dans le comportement d'un utilisateur qui suggèrent un risque accru de piratage de compte malveillant. Par exemple, un utilisateur qui se connecte généralement à partir du même ensemble d'appareils et d'adresses IP. Un fraudeur se connecte généralement à partir d'un autre appareil et d'une autre géolocalisation. Cette technique produit un score de risque indiquant qu'une activité est anormale, ce qui est généralement l'une des principales caractéristiques des prises de contrôle de comptes malveillantes. Avant de former un modèle Account Takeover Insights, Amazon Fraud Detector utilise une combinaison de techniques d'apprentissage automatique pour enrichir, agréger et transformer les données. Ensuite, pendant le processus de formation, Amazon Fraud Detector enrichit les éléments de données brutes que vous fournissez. L'adresse IP et l'agent utilisateur sont des exemples d'éléments de données brutes. Amazon Fraud Detector utilise ces éléments pour créer des entrées supplémentaires qui décrivent les données de connexion. Ces entrées incluent l'appareil, le navigateur et les entrées de géolocalisation. Amazon Fraud Detector utilise également les données de connexion que vous fournissez pour calculer en permanence des variables agrégées qui décrivent le comportement antérieur des utilisateurs. Parmi les exemples de comportement des utilisateurs, citons le nombre de fois où l'utilisateur s'est connecté à partir d'une adresse IP spécifique. Grâce à ces enrichissements et agrégats supplémentaires, Amazon Fraud Detector peut générer de solides performances de modèle à partir d'un petit ensemble d'entrées provenant de vos événements de connexion. Le modèle Account Takeover Insights détecte les cas où un acteur malveillant accède à un compte légitime, qu'il s'agisse d'un humain ou d'un robot. Le modèle produit un score unique qui indique le risque relatif de compromission du compte. Les comptes susceptibles d'avoir été compromis sont signalés comme des comptes à haut risque. Vous pouvez traiter les comptes à haut risque de deux manières. Dans les deux cas, vous pouvez appliquer une vérification d'identité supplémentaire. Vous pouvez également envoyer le compte dans une file d'attente pour une investigation manuelle. ## Sélection de la source de données Les modèles Account Takeover Insights sont entraînés sur un ensemble de données stocké en interne, dans Amazon Fraud Detector. Pour stocker les données de vos événements de connexion avec Amazon Fraud Detector, créez un fichier CSV contenant les événements de connexion des utilisateurs. Pour chaque événement, incluez les données de connexion telles que l'horodatage de l'événement, l'ID utilisateur, l'adresse IP, l'agent utilisateur et indiquez si les données de connexion sont valides. Après avoir créé le fichier CSV, téléchargez-le d'abord sur Amazon Fraud Detector, puis utilisez la fonction d'importation pour stocker les données. Vous pouvez ensuite entraîner votre modèle à l'aide des données stockées. Pour plus d'informations sur le stockage de votre ensemble de données d'événements avec Amazon Fraud Detector, consultez [Stockez les données de vos événements en interne avec Amazon Fraud Detector](storing-event-data-afd.md) ## Préparation des données Amazon Fraud Detector exige que vous fournissiez les données de connexion de votre compte utilisateur dans un fichier de valeurs séparées par des virgules (CSV) codé dans ce format. UTF-8 La première ligne de votre fichier CSV doit contenir un en-tête de fichier. L'en-tête du fichier est composé de métadonnées d'événement et de variables d'événement qui décrivent chaque élément de données. Les données relatives aux événements suivent l'en-tête. Chaque ligne des données d'événement est constituée de données provenant d'un seul événement de connexion. Pour le modèle Accounts Takeover Insights, vous devez fournir les métadonnées et variables d'événement suivantes dans la ligne d'en-tête de votre fichier CSV. **Métadonnées de l'événement ** Nous vous recommandons de fournir les métadonnées suivantes dans l'en-tête de votre fichier CSV. Les métadonnées de l'événement doivent être en majuscules. + EVENT\_ID : identifiant unique pour l'événement de connexion. + ENTITY\_TYPE : entité qui exécute l'événement de connexion, par exemple un commerçant ou un client. + ENTITY\_ID : identifiant de l'entité effectuant l'événement de connexion. + EVENT\_TIMESTAMP - L'horodatage auquel l'événement de connexion s'est produit. L'horodatage doit être conforme à la norme ISO 8601 en UTC. + EVENT\_LABEL (recommandé) : étiquette qui classe l'événement comme frauduleux ou légitime. Vous pouvez utiliser n'importe quelle étiquette, telle que « fraude », « légitime », « 1 » ou « 0 ». **Note** Les métadonnées de l'événement doivent être en majuscules. C'est sensible aux majuscules et minuscules. Les étiquettes ne sont pas obligatoires pour les événements de connexion. Nous vous recommandons toutefois d'inclure les métadonnées EVENT\_LABEL et de fournir des libellés pour vos événements de connexion. Ce n'est pas grave si les étiquettes sont incomplètes ou sporadiques. Si vous fournissez des étiquettes, Amazon Fraud Detector les utilisera pour calculer automatiquement le taux de découverte d'une prise de contrôle de compte et l'affichera dans un graphique et un tableau des performances du modèle. **Variables d'événement ** Pour le modèle Accounts Takeover Insights, vous devez fournir à la fois des variables obligatoires et des variables facultatives. Lorsque vous créez vos variables, assurez-vous de les affecter au type de variable approprié. Dans le cadre du processus de formation du modèle, Amazon Fraud Detector utilise le type de variable associé à la variable pour effectuer un enrichissement des variables et une ingénierie des fonctionnalités. **Note** Les noms des variables d'événement doivent être en lettres minuscules. Ils font la distinction entre majuscules et minuscules. **Variables obligatoires ** Les variables suivantes sont requises pour la formation d'un modèle Accounts Takeover Insights. | Catégorie | Type de variable | Description | | --- | --- | --- | | Adresse IP | IP\_ADDRESS | L'adresse IP utilisée lors de l'événement de connexion | | Navigateur et appareil | AGENT UTILISATEUR | Le navigateur, l'appareil et le système d'exploitation utilisés lors de l'événement de connexion | | Informations d'identification valides | CRÉDIT VALIDE | Indique si les informations d'identification utilisées pour la connexion sont valides | **Variables facultatives ** Les variables suivantes sont facultatives pour la formation d'un modèle Accounts Takeover Insights. | Catégorie | Type | Description | | --- | --- | --- | | Navigateur et appareil | EMPREINTE DIGITALE | L'identifiant unique de l'empreinte digitale d'un navigateur ou d'un appareil | | ID de session | SESSION\_ID | L'identifiant d'une session d'authentification | | Étiquette | ÉTIQUET\_ÉVÉNEMENT | Une étiquette qui classe l'événement comme frauduleux ou légitime. Vous pouvez utiliser n'importe quelle étiquette, telle que « fraude », « légitime », « 1 » ou « 0 ». | | Horodatage | LABEL\_TIMESTAMP | Horodatage de la dernière mise à jour de l'étiquette. Cela est obligatoire si EVENT\_LABEL est fourni. | **Note** Vous pouvez fournir n'importe quel nom de variable pour les deux variables obligatoires (variables facultatives). Il est important que chaque variable obligatoire et facultative soit affectée au type de variable approprié. Vous pouvez fournir des variables supplémentaires. Cependant, Amazon Fraud Detector n'inclura pas ces variables pour la formation d'un modèle Accounts Takeover Insights. ## Sélection des données La collecte de données est une étape importante de la création de votre modèle Account Takeover Insights. Lorsque vous commencez à recueillir vos données de connexion, tenez compte des exigences et recommandations suivantes : **Obligatoire** + Fournissez au moins 1 500 exemples de comptes utilisateur, chacun étant associé à au moins deux événements de connexion. + Votre ensemble de données doit couvrir au moins 30 jours d'événements de connexion. Vous pouvez spécifier ultérieurement la plage temporelle spécifique des événements à utiliser pour entraîner le modèle. **Recommandée** + Votre ensemble de données inclut des exemples d'événements de connexion infructueux. Vous pouvez éventuellement qualifier ces connexions infructueuses de « frauduleuses » ou de « légitimes ». + Préparez des données historiques avec des événements de connexion s'étendant sur plus de six mois et incluant 100 000 entités. Si aucun jeu de données ne répond déjà aux exigences minimales, envisagez de diffuser les données relatives aux événements vers Amazon Fraud Detector en appelant l'opération [ SendEvent ](https://docs.aws.amazon.com/frauddetector/latest/api/API_SendEvent.html) API. ## Validation des données Avant de créer votre modèle Account Takeover Insights, Amazon Fraud Detector vérifie si les métadonnées et les variables que vous avez incluses dans votre ensemble de données pour entraîner le modèle répondent aux exigences de taille et de format. Pour de plus amples informations, veuillez consulter [Validation d’un jeu de données](create-event-dataset.md#dataset-validation). Il vérifie également les autres exigences. Si le jeu de données ne passe pas la validation, le modèle n'est pas créé. Pour que le modèle soit créé avec succès, assurez-vous de corriger les données qui n'ont pas passé la validation avant de vous entraîner à nouveau. **Erreurs d'ensemble de données courantes ** Lors de la validation d'un ensemble de données pour la formation d'un modèle Account Takeover Insights, Amazon Fraud Detector analyse ces problèmes et d'autres et génère un message d'erreur s'il rencontre un ou plusieurs problèmes. + Le fichier CSV n'est pas au UTF-8 format. + L'en-tête du fichier CSV ne contient pas au moins l'une des métadonnées suivantes : `EVENT_ID``ENTITY_ID`, ou`EVENT_TIMESTAMP`. + L'en-tête du fichier CSV ne contient pas au moins une variable des types de variables suivants : `IP_ADDRESS``USERAGENT`, ou`VALIDCRED`. + Plusieurs variables sont associées au même type de variable. + Plus de 0,1 % des valeurs dans `EVENT_TIMESTAMP` contiennent des valeurs nulles ou des valeurs autres que les formats de date et d'horodatage pris en charge. + Le nombre de jours entre le premier et le dernier événement est inférieur à 30 jours. + Plus de 10 % des variables du type de `IP_ADDRESS` variable sont invalides ou nulles. + Plus de 50 % des variables de ce type contiennent des valeurs nulles. `USERAGENT` + Toutes les variables du type de `VALIDCRED` variable sont définies sur`false`.