Memilih sumber data Mempersiapkan data Memilih data Memvalidasi data

Wawasan pengambilalihan akun

Jenis model Account Takeover Insights (ATI) mengidentifikasi aktivitas online penipuan dengan mendeteksi apakah akun dikompromikan melalui pengambilalihan berbahaya, phishing, atau dari kredensi yang dicuri. Account Takeover Insights adalah model pembelajaran mesin yang menggunakan acara login dari bisnis online Anda untuk melatih model.

Anda dapat menyematkan model Account Takeover Insights yang terlatih dalam alur login real time Anda untuk mendeteksi apakah akun disusupi. Model menilai berbagai jenis otentikasi dan login. Mereka termasuk login aplikasi web, oten API-based tikasi, dan single-sign-on (SSO). Untuk menggunakan model Account Takeover Insights, panggil GetEventPrediction API setelah kredenSIAL login yang valid disajikan. API menghasilkan skor yang mengukur risiko akun dikompromikan. Amazon Fraud Detector menggunakan skor dan aturan yang Anda tetapkan untuk mengembalikan satu atau lebih hasil untuk acara login. Hasilnya adalah yang Anda konfigurasikan. Berdasarkan hasil yang Anda terima, Anda dapat mengambil tindakan yang sesuai untuk setiap login. Artinya, Anda dapat menyetujui atau menantang kredenSIAL yang disajikan untuk login. Misalnya, Anda dapat menantang kredenSIAL dengan meminta PIN akun sebagai verifikasi tambahan.

Anda juga dapat menggunakan model Account Takeover Insights untuk mengevaluasi login akun secara asinkron dan mengambil tindakan pada akun berisiko tinggi. Misalnya, akun berisiko tinggi dapat ditambahkan ke antrian investigasi untuk peninjau manusia untuk menentukan apakah tindakan lebih lanjut perlu diambil, seperti menangguhkan akun.

Model Account Takeover Insights dilatih menggunakan dataset yang berisi peristiwa login historis bisnis Anda. Anda memberikan data ini. Anda dapat secara opsional memberi label akun sebagai sah atau penipuan. Namun, ini tidak diperlukan untuk melatih model. Model Account Takeover Insights mendeteksi anomali berdasarkan riwayat keberhasilan login akun. Ini juga mempelajari cara mendeteksi anomali dalam perilaku pengguna yang menunjukkan peningkatan risiko peristiwa pengambilalihan akun berbahaya. Misalnya, pengguna yang biasanya masuk dari kumpulan perangkat dan alamat IP yang sama. Seorang penipu biasanya masuk dari perangkat dan geolokasi yang berbeda. Teknik ini menghasilkan skor risiko aktivitas yang anomali, yang biasanya merupakan karakteristik utama pengambilalihan akun berbahaya.

Sebelum melatih model Account Takeover Insights, Amazon Fraud Detector menggunakan kombinasi teknik pembelajaran mesin untuk melakukan pengayaan data, agregasi data, dan transformasi data. Kemudian, selama proses pelatihan, Amazon Fraud Detector memperkaya elemen data mentah yang Anda berikan. Contoh elemen data mentah termasuk alamat IP dan agen pengguna. Amazon Fraud Detector menggunakan elemen-elemen ini untuk membuat input tambahan yang menggambarkan data login. Input ini termasuk input perangkat, browser, dan geolokasi. Amazon Fraud Detector juga menggunakan data login yang Anda berikan untuk terus menghitung variabel agregat yang menggambarkan perilaku pengguna masa lalu. Contoh perilaku pengguna termasuk berapa kali pengguna masuk dari alamat IP tertentu. Dengan menggunakan pengayaan dan agregat tambahan ini, Amazon Fraud Detector dapat menghasilkan kinerja model yang kuat dari serangkaian input kecil dari acara login Anda.

Model Account Takeover Insights mendeteksi contoh di mana akun yang sah diakses oleh aktor jahat, terlepas dari apakah aktor jahat itu manusia atau robot. Model menghasilkan skor tunggal yang menunjukkan risiko relatif kompromi akun. Akun yang mungkin telah dikompromikan ditandai sebagai akun berisiko tinggi. Anda dapat memproses akun berisiko tinggi dengan salah satu dari dua cara. Entah, Anda dapat menerapkan verifikasi identitas tambahan. Atau, Anda dapat mengirim akun ke antrian untuk penyelidikan manual.

Memilih sumber data

Model Account Takeover Insights dilatih pada dataset yang disimpan secara internal, di Amazon Fraud Detector. Untuk menyimpan data acara login Anda dengan Amazon Fraud Detector, buat file CSV dengan acara login pengguna. Untuk setiap acara, sertakan data login seperti stempel waktu acara, ID pengguna, alamat IP, agen pengguna, dan apakah data login valid. Setelah membuat file CSV, pertama-tama unggah file ke Amazon Fraud Detector, lalu gunakan fitur impor untuk menyimpan data. Anda kemudian dapat melatih model Anda menggunakan data yang disimpan. Untuk informasi selengkapnya tentang menyimpan kumpulan data acara Anda dengan Amazon Fraud Detector, lihat Simpan data acara Anda secara internal dengan Amazon Fraud Detector

Mempersiapkan data

Amazon Fraud Detector mengharuskan Anda memberikan data login akun pengguna dalam file nilai yang dipisahkan koma (CSV) yang dikodekan dalam format tersebut UTF-8 . Baris pertama file CSV Anda harus berisi header file. Header file terdiri dari metadata peristiwa dan variabel peristiwa yang menggambarkan setiap elemen data. Data acara mengikuti header. Setiap baris dalam data acara terdiri dari data dari satu peristiwa login.

Untuk model Accounts Takeover Insights, Anda harus memberikan metadata peristiwa dan variabel peristiwa berikut di baris header file CSV Anda.

Metadata acara

Kami menyarankan Anda memberikan metadata berikut di header file CSV Anda. Metadata acara harus dalam huruf besar.

EVENT_ID - Pengidentifikasi unik untuk acara login.
ENTITY_TYPE - Entitas yang melakukan acara login, seperti pedagang atau pelanggan.
ENTITY_ID - Pengidentifikasi untuk entitas yang melakukan acara login.
EVENT_TIMESTAMP - Stempel waktu saat peristiwa login terjadi. Stempel waktu harus dalam standar ISO 8601 di UTC.
EVENT_LABEL (disarankan) - Label yang mengklasifikasikan acara sebagai penipuan atau sah. Anda dapat menggunakan label apa pun, seperti “penipuan”, “legit”, “1", atau “0".

catatan

Metadata acara harus dalam huruf besar. Ini peka huruf besar/kecil.
Label tidak diperlukan untuk acara login. Namun, kami menyarankan Anda menyertakan metadata EVENT_LABEL dan memberikan label untuk acara login Anda. Tidak apa-apa jika labelnya tidak lengkap atau sporadis. Jika Anda memberikan label, Amazon Fraud Detector akan menggunakannya untuk menghitung Tingkat Penemuan Pengambilalihan Akun secara otomatis dan menampilkannya dalam bagan dan tabel kinerja model.

Variabel peristiwa

Untuk model Account Takeover Insights, ada variabel wajib (wajib) yang harus Anda berikan dan variabel opsional. Saat Anda membuat variabel Anda, pastikan untuk menetapkan variabel ke jenis variabel yang tepat. Sebagai bagian dari proses pelatihan model, Amazon Fraud Detector menggunakan tipe variabel yang terkait dengan variabel untuk melakukan pengayaan variabel dan rekayasa fitur.

catatan

Nama variabel acara harus dalam huruf kecil. Mereka peka huruf besar/kecil.

Variabel wajib

Variabel berikut diperlukan untuk melatih model Account Takeover Insights.

Kategori	Tipe variabel	Deskripsi
Alamat IP	ALAMAT IP	Alamat IP yang digunakan dalam acara login
Browser dan perangkat	AGEN PENGGUNA	Browser, perangkat, dan OS yang digunakan dalam acara login
Kredensibilitas yang valid	VALID CREDIT	Menunjukkan apakah kredenSIAL yang digunakan untuk login valid

Variabel opsional

Variabel berikut bersifat opsional untuk melatih model Account Takeover Insights.

Kategori	Tipe	Deskripsi
Browser dan perangkat	SIDIK JARI	Pengidentifikasi unik untuk sidik jari browser atau perangkat
Id Sesi	SESSION_ID	Pengidentifikasi untuk sesi otentikasi
Label	LABEL_ACARA	Label yang mengklasifikasikan acara sebagai penipuan atau sah. Anda dapat menggunakan label apa pun, seperti “penipuan”, “legit”, “1", atau “0".
Stempel waktu	LABEL_TIMESTAMP	Stempel waktu saat label terakhir diperbarui. Ini diperlukan jika EVENT_LABEL disediakan.

catatan

Anda dapat memberikan nama variabel apa pun untuk kedua variabel wajib variabel opsional. Penting bahwa setiap variabel wajib dan opsional ditetapkan ke jenis variabel yang tepat.
Anda dapat memberikan variabel tambahan. Namun, Amazon Fraud Detector tidak akan menyertakan variabel-variabel ini untuk melatih model Accounts Takeover Insights.

Memilih data

Mengumpulkan data merupakan langkah penting untuk membuat model Account Takeover Insights Anda. Saat Anda mulai mengumpulkan data login Anda, pertimbangkan persyaratan dan rekomendasi berikut:

Diperlukan

Berikan setidaknya 1.500 contoh akun pengguna, masing-masing dengan setidaknya dua peristiwa login terkait.
Dataset Anda harus mencakup setidaknya 30 hari acara login. Anda nantinya dapat menentukan rentang waktu tertentu dari peristiwa yang akan digunakan untuk melatih model.

Direkomendasikan

Dataset Anda mencakup contoh peristiwa login yang gagal. Anda dapat secara opsional memberi label login yang gagal ini sebagai “penipuan” atau “sah.”
Siapkan data historis dengan acara login yang mencakup lebih dari enam bulan dan termasuk 100K entitas.

Jika Anda tidak memiliki kumpulan data yang sudah memenuhi persyaratan minimum, pertimbangkan streaming data peristiwa ke Amazon Fraud Detector dengan memanggil operasi SendEvent API.

Memvalidasi data

Sebelum membuat model Account Takeover Insights, Amazon Fraud Detector memeriksa apakah metadata dan variabel yang Anda sertakan dalam kumpulan data untuk melatih model memenuhi persyaratan ukuran dan format. Untuk informasi selengkapnya, lihat Validasi dataset. Ini juga memeriksa persyaratan lainnya. Jika dataset tidak lulus validasi, model tidak dibuat. Agar model berhasil dibuat, pastikan untuk memperbaiki data yang tidak lulus validasi sebelum Anda berlatih lagi.

Kesalahan kumpulan data umum

Saat memvalidasi kumpulan data untuk melatih model Account Takeover Insights, Amazon Fraud Detector memindai masalah ini dan masalah lainnya dan menampilkan kesalahan jika mengalami satu atau lebih masalah.

File CSV tidak dalam UTF-8 format.
Header file CSV tidak berisi setidaknya satu dari metadata berikut:EVENT_ID,ENTITY_ID, atauEVENT_TIMESTAMP.
Header file CSV tidak berisi setidaknya satu variabel dari jenis variabel berikut:IP_ADDRESS,USERAGENT, atauVALIDCRED.
Ada lebih dari satu variabel yang terkait dengan tipe variabel yang sama.
Lebih dari 0,1% nilai dalam EVENT_TIMESTAMP berisi nol atau nilai selain format tanggal dan stempel waktu yang didukung.
Jumlah hari antara acara pertama dan terakhir kurang dari 30 hari.
Lebih dari 10% variabel tipe IP_ADDRESS variabel tidak valid atau null.
Lebih dari 50% variabel tipe USERAGENT variabel mengandung nol.
Semua variabel dari tipe VALIDCRED variabel diatur kefalse.

Awas Javascript dinonaktifkan atau tidak tersedia di browser Anda.

Untuk menggunakan Dokumentasi AWS, Javascript harus diaktifkan. Lihat halaman Bantuan browser Anda untuk petunjuk.

Konvensi Dokumen

Wawasan penipuan transaksi

Bangun model