Amazon Fraud Detector tidak lagi terbuka untuk pelanggan baru per 7 November 2025. Untuk kemampuan yang mirip dengan Amazon Fraud Detector, jelajahi Amazon SageMaker AutoGluon,, dan AWS WAF.
Terjemahan disediakan oleh mesin penerjemah. Jika konten terjemahan yang diberikan bertentangan dengan versi bahasa Inggris aslinya, utamakan versi bahasa Inggris.
# Sumber daya
Model, aturan, dan detektor menggunakan sumber daya seperti variabel, hasil, label, daftar, dan entitas untuk mengevaluasi peristiwa risiko penipuan. Bagian ini memberikan informasi tentang membuat dan mengelola sumber daya.
**Topics**
+ [Variabel](variables.md)
+ [Label](labels.md)
+ [Aturan](rules.md)
+ [Daftar](lists.md)
+ [Hasil](outcomes.md)
+ [Entitas](entity.md)
+ [Mengelola sumber daya Amazon Fraud Detector menggunakan AWS CloudFormation](managing-resources-using-cloudformation.md)
# Variabel
Variabel mewakili elemen data yang ingin Anda gunakan dalam prediksi penipuan. Variabel-variabel ini dapat diambil dari kumpulan data acara yang Anda siapkan untuk melatih model Anda, dari output skor risiko model Amazon Fraud Detector Anda, atau dari model Amazon SageMaker AI. Untuk informasi selengkapnya tentang variabel yang diambil dari kumpulan data peristiwa, lihat[Dapatkan persyaratan set data acara menggunakan penjelajah model Data](create-event-dataset.md#prepare-event-dataset).
Variabel yang ingin Anda gunakan dalam prediksi penipuan Anda harus terlebih dahulu dibuat dan kemudian ditambahkan ke acara saat membuat jenis acara Anda. Setiap variabel yang Anda buat harus diberi tipe data, nilai default, dan opsional tipe variabel. Amazon Fraud Detector memperkaya beberapa variabel yang Anda berikan seperti alamat IP, nomor identifikasi bank (BINs), dan nomor telepon, untuk membuat input tambahan dan meningkatkan kinerja model yang menggunakan variabel ini.
## Jenis Data
Variabel harus memiliki tipe data untuk elemen data yang mewakili variabel dan secara opsional dapat diberikan salah satu yang telah [Jenis variabel](#variable-types) ditentukan. Untuk variabel yang ditetapkan ke tipe variabel, tipe data dipilih sebelumnya. Jenis data yang mungkin termasuk jenis berikut:
| Jenis data | Deskripsi | Nilai default | Contoh nilai |
| --- | --- | --- | --- |
| String | Kombinasi huruf, bilangan bulat, atau keduanya | | abc, 123, 1D3B |
| Bilangan Bulat | Bilangan bulat positif atau negatif | 0 | 1, -1 |
| Boolean | Benar atau Salah | False | Betul, Salah |
| DateTime | Tanggal dan waktu yang ditentukan dalam format UTC standar ISO 8601 saja | | 2019-11-30T 13:01:01 Z |
| Desimal | Angka dengan poin desimal | 0.0 | 4.01, 0,10 |
## Nilai default
Variabel harus memiliki nilai default. Saat Amazon Fraud Detector menghasilkan prediksi penipuan, nilai default ini digunakan untuk menjalankan aturan atau model jika Amazon Fraud Detector tidak menerima nilai untuk variabel. Nilai default yang Anda berikan harus sesuai dengan tipe data yang dipilih. Di AWS Console, Amazon Fraud Detector menetapkan nilai default `0` untuk bilangan bulat, untuk Boolean, `false` untuk float, dan (kosong) `0.0` untuk string. Anda dapat menetapkan nilai default kustom untuk salah satu tipe data ini.
## Jenis variabel
Saat Anda membuat variabel, Anda dapat secara opsional menetapkan variabel ke tipe variabel. Jenis variabel mewakili elemen data umum yang digunakan untuk melatih model dan untuk menghasilkan prediksi penipuan. Hanya variabel dengan tipe variabel terkait yang dapat digunakan untuk pelatihan model. Sebagai bagian dari proses pelatihan model, Amazon Fraud Detector menggunakan tipe variabel yang terkait dengan variabel untuk melakukan pengayaan variabel, rekayasa fitur, dan penilaian risiko.
Amazon Fraud Detector telah menentukan jenis variabel berikut yang dapat digunakan untuk menetapkan variabel Anda.
[\[See the AWS documentation website for more details\]](http://docs.aws.amazon.com/id_id/frauddetector/latest/ug/variables.html)
### Menetapkan variabel ke tipe variabel
Jika Anda berencana menggunakan variabel untuk melatih model Anda, penting bagi Anda untuk memilih jenis variabel yang tepat untuk ditetapkan ke variabel. Penetapan tipe variabel yang salah dapat berdampak negatif pada kinerja model Anda. Ini juga bisa menjadi sangat sulit bagi Anda mengubah tugas nanti, terutama jika beberapa model dan acara telah menggunakan variabel.
Anda dapat menetapkan variabel Anda salah satu dari jenis variabel yang telah ditentukan sebelumnya atau salah satu jenis variabel kustom —`FREE_FORM_TEXT`,`CATEGORICAL`, atau. `NUMERIC`
**Catatan penting untuk menetapkan variabel ke tipe variabel yang tepat**
1. Jika variabel cocok dengan salah satu jenis variabel yang telah ditentukan, gunakan itu. Pastikan tipe variabel sesuai dengan variabel. Misalnya, jika Anda menetapkan variabel *ip\$1address* ke `EMAIL_ADDRESS` tipe variabel, variabel ip\$1address tidak akan diperkaya dengan pengayaan seperti ASN, ISP, geo-location, dan skor risiko. Untuk informasi selengkapnya, lihat [Pengayaan variabel](#variable-enrichments).
1. Jika variabel tidak cocok dengan jenis variabel yang telah ditentukan sebelumnya, ikuti rekomendasi yang tercantum di bawah ini untuk menetapkan salah satu jenis variabel kustom.
1. Tetapkan tipe `CATEGORICAL` variabel ke variabel yang biasanya tidak memiliki urutan alami dan dapat dimasukkan ke dalam kategori, segmen, atau grup. *Dataset yang Anda gunakan untuk melatih model Anda mungkin memiliki variabel ID seperti, *merchant\$1id, *campaign\$1id*, atau policy\$1id*.* Variabel ini mewakili grup (misalnya, semua pelanggan dengan policy\$1id yang sama mewakili grup). Variabel yang memiliki data berikut harus diberi tipe variabel CATEGORICAL -
+ **Variabel yang berisi data seperti *Customer\$1ID, Segment\$1ID, *Color\$1ID**, *department\$1code, atau Product\$1ID*.**
+ Variabel yang berisi data Boolean dengan nilai true, false, atau null.
+ Variabel yang dapat dimasukkan ke dalam kelompok atau kategori seperti nama perusahaan, kategori produk, jenis kartu, atau media rujukan.
**catatan**
`ENTITY_ID`adalah tipe variabel cadangan yang digunakan oleh Amazon Fraud Detector untuk menetapkan ke variabel ENTITY\$1ID. Variabel ENTITY\$1ID adalah ID entitas yang memulai tindakan yang ingin Anda evaluasi. Jika Anda membuat tipe model Transaction Fraud Insight (TFI), Anda harus menyediakan variabel ENTITY\$1ID. Anda harus memutuskan variabel mana dalam data Anda yang secara unik mengidentifikasi entitas yang memulai tindakan dan meneruskannya sebagai variabel ENTITY\$1ID. Tetapkan tipe variabel CATEGORICAL ke semua yang lain IDs dalam dataset Anda, jika ada dan jika Anda menggunakannya untuk pelatihan model. *Contoh lain IDs yang bukan entitas dalam kumpulan data Anda dapat berupa *Merchant\$1ID, *Policy\$1ID*, dan Campaign\$1ID*.*
1. Tetapkan tipe `FREE_FORM_TEXT` variabel ke variabel yang berisi blok teks. *Contoh tipe variabel FREE\$1FORM\$1TEXT adalah — *ulasan pengguna*, *komentar*, *tanggal*, dan kode rujukan.* Data FREE\$1FORM\$1TEXT berisi beberapa token yang dipisahkan oleh pembatas. Pembatas dapat berupa karakter apa pun selain simbol alfa-numerik dan garis bawah. Misalnya, ulasan dan komentar pengguna dapat dipisahkan oleh pembatas “spasi”, tanggal dan kode rujukan dapat menggunakan tanda hubung sebagai pembatas untuk memisahkan awalan, akhiran, dan bagian tengah. Amazon Fraud Detector menggunakan pembatas untuk mengekstrak data dari variabel FREE\$1FORM\$1TEXT.
1. Tetapkan tipe variabel *NUMERIK* ke variabel yang merupakan bilangan real dan memiliki urutan yang melekat. **Contoh variabel NUMERIK termasuk *day\$1of\$1the\$1week, incident\$1severity, customer\$1rating*.** Meskipun, Anda dapat menetapkan tipe variabel CATEGORICAL ke variabel-variabel ini, kami sangat menyarankan untuk menetapkan semua variabel bilangan real dengan urutan yang melekat pada tipe variabel NUMERIK.
## Pengayaan variabel
Amazon Fraud Detector memperkaya beberapa elemen data mentah yang Anda berikan seperti alamat IP, nomor identifikasi bank (BINs), dan nomor telepon, untuk membuat input tambahan dan meningkatkan kinerja model yang menggunakan elemen data ini. Pengayaan membantu mengidentifikasi situasi yang berpotensi mencurigakan dan membantu model untuk menangkap lebih banyak penipuan.
### Pengayaan nomor telepon
Amazon Fraud Detector memperkaya data nomor telepon dengan informasi tambahan yang berkaitan dengan geolokasi, operator asli, dan validitas nomor telepon. Pengayaan nomor telepon diaktifkan secara otomatis untuk semua model yang dilatih pada atau setelah *13 Desember 2021* dan memiliki nomor telepon yang menyertakan kode negara (\$1xxx). Jika Anda telah memasukkan variabel nomor telepon ke dalam model Anda dan telah melatihnya sebelum *13 Desember 2021,* latih kembali model Anda sehingga dapat memanfaatkan pengayaan ini.
Kami sangat menyarankan Anda menggunakan format berikut untuk variabel nomor telepon untuk memastikan bahwa data Anda berhasil diperkaya.
| Variabel | Format | Deskripsi |
| --- | --- | --- |
| TELEPON\$1NOMOR | Standar [E.164](https://en.wikipedia.org/wiki/E.164) | Pastikan untuk menyertakan kode negara (\$1xxx) dengan nomor telepon. |
| BILLING\$1PHONE dan SHIPPING\$1PHONE | Standar [E.164](https://en.wikipedia.org/wiki/E.164) | Pastikan untuk menyertakan kode negara (\$1xxx) dengan nomor telepon. |
### Pengayaan geolokasi
Mulai *8 Februari 2022* Amazon Fraud Detector menghitung jarak fisik antara nilai IP\$1ADDRESS, BILLING\$1ZIP, dan SHIPPING\$1ZIP yang Anda berikan untuk suatu peristiwa. Jarak yang dihitung digunakan sebagai input untuk model deteksi penipuan Anda.
Untuk mengaktifkan pengayaan geolokasi, data acara Anda harus menyertakan setidaknya dua dari tiga variabel: IP\$1ADDRESS, BILLING\$1ZIP, atau SHIPPING\$1ZIP. Selain itu, setiap nilai BILLING\$1ZIP dan SHIPPING\$1ZIP harus memiliki kode BILLING\$1COUNTRY yang valid dan kode SHIPPING\$1COUNTRY masing-masing. Jika Anda memiliki model yang dilatih sebelum *8 Februari 2022* dan menyertakan variabel-variabel ini, Anda harus melatih kembali model tersebut untuk mengaktifkan pengayaan geolokasi.
Jika Amazon Fraud Detector tidak dapat menentukan lokasi yang terkait dengan nilai IP\$1ADDRESS, BILLING\$1ZIP, atau SHIPPING\$1ZIP untuk peristiwa karena data tidak valid, nilai placeholder khusus akan digunakan sebagai gantinya. Misalnya, misalkan suatu peristiwa memiliki nilai IP\$1ADDRESS dan BILLING\$1ZIP yang valid, tetapi nilai SHIPPING\$1ZIP tidak valid. Dalam hal ini, pengayaan dilakukan hanya untuk IP\$1ADDRESS-> BILLING\$1ZIP. Pengayaan tidak dilakukan untuk IP\$1ADDRESS-> SHIPPING\$1ZIP dan BILLING\$1ZIP—>SHIPPING\$1ZIP. Sebaliknya, nilai placeholder digunakan di tempatnya. Tidak masalah apakah pengayaan geolokasi diaktifkan untuk model Anda atau tidak, kinerja model Anda tidak berubah.
Anda dapat memilih keluar dari pengayaan geolokasi dengan memetakan variabel BILLING\$1ZIP dan SHIPPING\$1ZIP Anda ke tipe variabel CUSTOM\$1CATEGORICAL. Mengubah tipe variabel tidak memengaruhi kinerja model Anda.
**Format variabel geolokasi**
Kami sangat menyarankan Anda menggunakan format berikut untuk variabel geolokasi untuk memastikan bahwa data lokasi Anda berhasil diperkaya.
| Variabel | Format | Deskripsi |
| --- | --- | --- |
| IP\$1ALAMAT | [IPv4](https://en.wikipedia.org/wiki/IP_address#IPv4_addresses)alamat | Misalnya - 1.1.1.1 |
| BILLING\$1ZIP dan SHIPPING\$1ZIP | Kode pos [ISO 3166-1 alpha-2](https://en.wikipedia.org/wiki/ISO_3166-1_alpha-2) untuk negara yang ditentukan | Untuk informasi selengkapnya, lihat bagian Kode negara dan wilayah dalam topik ini. |
| BILLING\$1COUNTRY dan SHIPPING\$1COUNTRY | [Kode negara standar dua huruf ISO 3166-1 alpha-2](https://en.wikipedia.org/wiki/ISO_3166-1_alpha-2) | Untuk informasi selengkapnya, lihat bagian Kode negara dan wilayah dalam topik ini. Amazon Fraud Detector mencoba mencocokkan semua variasi umum nama suatu negara dengan kode negara standar dua huruf ISO 3166-1 mereka. Namun, kami tidak dapat menjamin mereka akan dicocokkan dengan benar. |
#### Kode negara dan wilayah
Tabel berikut menyediakan daftar lengkap negara dan wilayah yang didukung oleh Amazon Fraud Detector untuk pengayaan geolokasi. Setiap negara dan wilayah memiliki kode negara yang ditetapkan (khususnya, kode negara dua huruf ISO 3166-1 alpha-2) dan kode pos.
**Format kode pos**
+ 9 - angka
+ a - surat
+ [X] - X adalah opsional. Misalnya, Guersney "GY9[9] 9aa” berarti “9aa” dan “GY9 9aa” GY99 valid. Gunakan satu format.
+ [X/XX] - baik X atau XX dapat digunakan. Misalnya, Bermuda “aa [aa/99]” berarti “aa aa” dan “aa 99" adalah valid. Gunakan salah satu dari format ini, tetapi *jangan* gunakan keduanya.
+ Beberapa negara memiliki awalan tetap. Misalnya, kode pos untuk Andorra adalah. AD999 Ini berarti kode negara harus dimulai dengan huruf *AD* diikuti oleh tiga angka.
| Code | Nama | Kode Pos |
| --- | --- | --- |
| AD | Andorra | AD999 |
| AR | Antillen Belanda | 9999 |
| DI | Austria | 9999 |
| AU | Australia | 9999 |
| AZ | Azerbaijan | AZ 9999 |
| BD | Bangladesh | 9999 |
| ADA | Belgium | 9999 |
| BG | Bulgaria | 9999 |
| BM | Bermuda | aa [aa/99] |
| OLEH | Belarus | 999999 |
| CA | Kanada | a9a 9a9 |
| CH | Swiss | 9999 |
| CL | Chili | 9999999 |
| CO | Kolombia | 999999 |
| CR | Kosta Rika | 99999 |
| CY | Cyprus | 9999 |
| CZ | Ceko | 999 99 |
| DE | Germany | 99999 |
| DK | Denmark | 9999 |
| BERBUAT | Republik Dominika | 99999 |
| DZ | Aljazair | 99999 |
| EE | Estonia | 99999 |
| ES | Spain | 99999 |
| FI | Finland | 99999 |
| FM | Negara Federasi Mikronesia | 99999 |
| FO | Kepulauan Faroe | 999 |
| FR | France | 99999 |
| GB | Britania Raya | a [a] 9 [a/9] 9aa |
| GG | Guernsey | GY9[9] 9aa |
| GL | Greenland | 9999 |
| GP | Guadeloupe | 99999 |
| GT | Guatemala | 99999 |
| GU | Guam | 99999 |
| JAM | Croatia | 99999 |
| HU | Hungary | 9999 |
| YAKNI | Ireland | a99 [a/9] [a/9] [a/9] [a/9] |
| IM | Pulau Man | IM9[9] 9aa |
| DI DALAM | India | 999999 |
| ADALAH | Islandia | 999 |
| IA | Italy | 99999 |
| JE | Jersey | JE9[9] 9aa |
| JP | Jepang | 999-9999 |
| KR | Republik Korea | 99999 |
| LI | Liechtenstein | 9999 |
| LK | Sri Lanka | 99999 |
| LT | Lithuania | 99999 |
| LU | Luxembourg | L-9999 |
| LV | Latvia | LV-9999 |
| MC | Monako | 99999 |
| MD | Republik Moldova | 9999 |
| MH | Kepulauan Marshall | 99999 |
| MK | Makedonia Utara | 9999 |
| MP | Kepulauan Mariana Utara | 99999 |
| MQ | Matinique | 99999 |
| MT | Malta | aaa 9999 |
| MX | Meksiko | 99999 |
| SAYA | Malaysia | 99999 |
| NL | Netherlands | 9999 aa |
| TIDAK | Norwegia | 9999 |
| NZ | Selandia Baru | 9999 |
| PH | Filipina | 9999 |
| PK | Pakistan | 99999 |
| PL | Poland | 99-999 |
| PR | Puerto Riko | 99999 |
| PT | Portugal | 9999-999 |
| PW | Palau | 99999 |
| KEMBALI | Reunion | 99999 |
| RO | Romania | 999999 |
| RU | Federasi Rusia | 999999 |
| SE | Sweden | 999 99 |
| SG | Singapura | 999999 |
| SI | Slovenia | 9999 |
| SK | Slovakia | 999 99 |
| SM | San Marino | 99999 |
| TH | Thailand | 99999 |
| TR | Turki | 99999 |
| UA | Ukraina | 99999 |
| AS | Amerika Serikat | 99999 |
| UY | Uruguay | 99999 |
| VI | Kepulauan Virgin, AS | 99999 |
| WF | Wallis dan Futuna | 99999 |
| YT | Mayotte | 99999 |
| ZA | Afrika Selatan | 9999 |
### Pengayaan Useragent
Jika Anda membuat model Account Takeover Insights (ATI), Anda harus menyediakan variabel tipe `useragent` variabel dalam kumpulan data Anda. Variabel ini berisi browser, perangkat, dan data OS dari peristiwa login. Amazon Fraud Detector memperkaya data agen pengguna dengan informasi tambahan seperti `user_agent_family``OS_family`, dan. `device_family`
# Buat variabel
Anda dapat membuat variabel di konsol Amazon Fraud Detector, menggunakan perintah [create-variable](https://awscli.amazonaws.com/v2/documentation/api/latest/reference/frauddetector/create-variable.html), menggunakan, atau menggunakan [CreateVariable](https://docs.aws.amazon.com/frauddetector/latest/api/API_CreateVariable.html) AWS SDK untuk Python (Boto3)
## Buat variabel menggunakan konsol Amazon Fraud Detector
Contoh ini menciptakan dua variabel, `email_address` dan`ip_address`, dan menetapkan mereka untuk jenis variabel yang sesuai (`EMAIL_ADDRESS`dan`IP_ADDRESS`). Variabel-variabel ini digunakan sebagai contoh. Jika Anda membuat variabel yang akan digunakan untuk pelatihan model Anda, gunakan variabel dari kumpulan data Anda yang sesuai untuk kasus penggunaan Anda. Pastikan untuk membaca tentang [Jenis variabel](variables.md#variable-types) dan [Pengayaan variabel](variables.md#variable-enrichments) sebelum Anda membuat variabel Anda.
**Untuk membuat variabel,**
1. Buka [Konsol AWS Manajemen](https://console.aws.amazon.com/) dan masuk ke akun Anda.
1. Arahkan ke Amazon Fraud Detector, pilih **Variabel** di navigasi kiri, lalu pilih **Buat**.
1. Di halaman **variabel Baru**, masukkan `email_address` sebagai nama variabel. Secara opsional, masukkan deskripsi variabel.
1. Dalam **Variable type**, pilih **Email Address**.
1. Amazon Fraud Detector secara otomatis memilih tipe data untuk tipe variabel ini karena tipe variabel ini telah ditentukan sebelumnya. Jika variabel Anda tidak secara otomatis ditetapkan tipe variabel, pilih jenis variabel dari daftar. Untuk informasi selengkapnya, lihat [Jenis variabel](variables.md#variable-types).
1. Jika Anda ingin memberikan nilai default untuk variabel Anda, pilih **Tentukan nilai default kustom** dan masukkan nilai default untuk variabel Anda. Lewati langkah ini jika Anda mengikuti contoh ini.
1. Pilih **Buat**.
1. Di halaman ikhtisar **email\$1address**, konfirmasikan detail variabel yang baru saja Anda buat.
Jika Anda perlu memperbarui, pilih **Edit** dan berikan pembaruan. Pilih **Simpan perubahan**.
1. Ulangi proses untuk membuat variabel lain `ip_address` dan pilih **Alamat IP** untuk tipe variabel.
1. Halaman **Variabel** menunjukkan variabel yang baru dibuat.
**penting**
Kami menyarankan Anda membuat variabel sebanyak yang Anda inginkan dari kumpulan data Anda. Anda dapat memutuskan nanti saat membuat jenis acara variabel mana yang ingin Anda sertakan untuk melatih model Anda guna mendeteksi penipuan dan menghasilkan deteksi penipuan.
## Buat variabel menggunakan AWS SDK untuk Python (Boto3)
Contoh berikut menunjukkan permintaan untuk [CreateVariable](https://docs.aws.amazon.com/frauddetector/latest/api/API_CreateVariable.html)API. Contoh menciptakan dua variabel, `email_address` dan`ip_address`, dan menetapkan mereka untuk jenis variabel yang sesuai (`EMAIL_ADDRESS`dan`IP_ADDRESS`).
Variabel-variabel ini digunakan sebagai contoh. Jika Anda membuat variabel yang akan digunakan untuk pelatihan model Anda, gunakan variabel dari kumpulan data Anda yang sesuai untuk kasus penggunaan Anda. Pastikan untuk membaca tentang [Jenis variabel](variables.md#variable-types) dan [Pengayaan variabel](variables.md#variable-enrichments) sebelum Anda membuat variabel Anda.
Pastikan untuk menentukan sumber variabel. Ini membantu untuk mengidentifikasi di mana nilai variabel diturunkan. Jika sumber variabel adalah **EVENT**, nilai variabel dikirim sebagai bagian dari [GetEventPrediction](https://docs.aws.amazon.com/frauddetector/latest/api/API_GetEventPrediction.html)permintaan. Jika nilai variabelnya`MODEL_SCORE`, itu diisi oleh Amazon Fraud Detector. Jika`EXTERNAL_MODEL_SCORE`, nilai variabel diisi oleh model SageMaker AI yang diimpor.
```
import boto3
fraudDetector = boto3.client('frauddetector')
#Create variable email_address
fraudDetector.create_variable(
name = 'email_address',
variableType = 'EMAIL_ADDRESS',
dataSource = 'EVENT',
dataType = 'STRING',
defaultValue = ''
)
#Create variable ip_address
fraudDetector.create_variable(
name = 'ip_address',
variableType = 'IP_ADDRESS',
dataSource = 'EVENT',
dataType = 'STRING',
defaultValue = ''
)
```
# Hapus variabel
Saat Anda menghapus variabel, Amazon Fraud Detector menghapus variabel tersebut secara permanen dan data tidak lagi disimpan di Amazon Fraud Detector.
Anda tidak dapat menghapus variabel yang disertakan dalam jenis peristiwa di Amazon Fraud Detector. Anda harus terlebih dahulu menghapus jenis acara yang dikaitkan dengan variabel dan kemudian menghapus variabel.
Anda tidak dapat menghapus variabel keluaran model Amazon Fraud Detector dan variabel keluaran model SageMaker AI secara manual. Amazon Fraud Detector secara otomatis menghapus variabel keluaran model saat Anda menghapus model.
Anda dapat menghapus variabel di konsol Amazon Fraud Detector, menggunakan perintah [CLI delete-variable](https://awscli.amazonaws.com/v2/documentation/api/latest/reference/frauddetector/delete-variable.html), menggunakan [DeleteVariable](https://docs.aws.amazon.com/frauddetector/latest/api/API_DeleteVariable.html)API, atau menggunakan AWS SDK untuk Python (Boto3)
## Hapus variabel menggunakan konsol
**Untuk menghapus variabel,**
1. Masuk ke Konsol Manajemen AWS dan buka konsol Amazon Fraud Detector di [https://console.aws.amazon.com/frauddetector](https://console.aws.amazon.com/frauddetector).
1. Di panel navigasi kiri konsol Amazon Fraud Detector, pilih **Resources**, lalu pilih **Variables**.
1. Pilih variabel yang ingin Anda hapus.
1. Pilih **Tindakan**, lalu pilih **Hapus**.
1. Masukkan nama variabel, lalu pilih **Hapus variabel**.
## Hapus variabel menggunakan AWS SDK untuk Python (Boto3)
Contoh kode berikut menghapus variabel *customer\$1name* menggunakan API. [DeleteVariable](https://docs.aws.amazon.com/frauddetector/latest/api/API_DeleteVariable.html)
```
import boto3
fraudDetector = boto3.client('frauddetector')
fraudDetector.delete_variable (
name = 'customer_name'
)
```
# Label
Label mengklasifikasikan peristiwa sebagai penipuan atau sah. Label dikaitkan dengan jenis acara dan digunakan untuk melatih model pembelajaran mesin di Amazon Fraud Detector. **Jika Anda berencana untuk melatih model Wawasan Penipuan Online (OFI) atau Transaction Fraud Insights (TFI), minimal 400 peristiwa dalam kumpulan data pelatihan Anda harus diklasifikasikan sebagai fradulent atau sah.** Anda dapat menggunakan label apa pun seperti *penipuan*, *legit*, *1*, atau *0* untuk mengklasifikasikan acara dalam kumpulan data pelatihan Anda. Setelah pelatihan selesai, model terlatih mengevaluasi peristiwa untuk penipuan dan menggunakan nilai-nilai ini untuk mengklasifikasikan peristiwa sebagai penipuan atau sah.
Anda harus terlebih dahulu membuat label dengan nilai yang digunakan dalam kumpulan data pelatihan Anda dan kemudian mengaitkan label dengan jenis acara yang digunakan untuk membangun dan melatih model deteksi penipuan Anda.
# Buat label
Anda dapat membuat label di konsol Amazon Fraud Detector, menggunakan perintah [put-label](https://awscli.amazonaws.com/v2/documentation/api/latest/reference/frauddetector/put-label.html), menggunakan [PutLabel](https://docs.aws.amazon.com/frauddetector/latest/api/API_PutLabel.html)API, atau menggunakan. AWS SDK untuk Python (Boto3)
## Membuat label menggunakan konsol Amazon Fraud Detector
**Untuk membuat label,**
1. Buka [Konsol AWS Manajemen](https://console.aws.amazon.com/) dan masuk ke akun Anda.
1. Arahkan ke Amazon Fraud Detector, pilih **Label** di navigasi kiri, lalu pilih **Buat**.
1. Di halaman **Buat label**, masukkan nama label Anda untuk peristiwa penipuan sebagai nama label. Nama label harus sesuai dengan label yang mewakili aktivitas penipuan dalam kumpulan data pelatihan Anda. Secara opsional, masukkan deskripsi label.
1. Pilih **Buat label**.
1. Buat label kedua dan masukkan nama label untuk acara yang sah. Pastikan nama label sesuai dengan nilai yang mewakili aktivitas yang sah dalam kumpulan data pelatihan Anda.
## Buat label menggunakan AWS SDK untuk Python (Boto3)
AWS SDK untuk Python (Boto3) Contoh kode berikut membuat dua label (penipuan, legit) menggunakan [PutLabel](https://docs.aws.amazon.com/frauddetector/latest/api/API_PutLabel.html)API. Setelah membuat label, Anda dapat menambahkannya ke jenis acara untuk mengklasifikasikan peristiwa tertentu.
```
import boto3
fraudDetector = boto3.client('frauddetector')
fraudDetector.put_label(
name = 'fraud',
description = 'label for fraud events'
)
fraudDetector.put_label(
name = 'legit',
description = 'label for legitimate events'
)
```
# Perbarui label
Jika kumpulan data peristiwa disimpan dengan Amazon Fraud Detector, Anda mungkin perlu menambahkan atau memperbarui label untuk peristiwa yang disimpan, seperti saat Anda melakukan investigasi penipuan offline untuk suatu peristiwa dan ingin menutup loop balik umpan pembelajaran mesin.
Anda dapat menambahkan atau memperbarui label untuk peristiwa tersimpan menggunakan [update-event-label](https://awscli.amazonaws.com/v2/documentation/api/latest/reference/frauddetector/update-event-label.html)perintah, menggunakan [UpdateEventLabel](https://docs.aws.amazon.com/frauddetector/latest/api/API_UpdateEventLabel.html)API, atau menggunakan AWS SDK untuk Python (Boto3)
Kode AWS SDK untuk Python (Boto3) contoh berikut menambahkan *penipuan* label yang terkait dengan *pendaftaran* jenis peristiwa menggunakan `UpdateEventLabel` API.
```
import boto3
fraudDetector = boto3.client('frauddetector')
fraudDetector.update_event_label(
eventId = '802454d3-f7d8-482d-97e8-c4b6db9a0428',
eventTypeName = 'registration',
assignedLabel = 'fraud',
labelTimestamp = '2020-07-13T23:18:21Z'
)
```
# Memperbarui label peristiwa dalam data peristiwa yang disimpan di Amazon Fraud Detector
Anda mungkin perlu menambahkan atau memperbarui label penipuan untuk peristiwa yang sudah disimpan di Amazon Fraud Detector, seperti saat Anda melakukan investigasi penipuan offline untuk suatu peristiwa dan ingin menutup loop umpan balik pembelajaran mesin. Untuk memperbarui label untuk peristiwa yang sudah disimpan di Amazon Fraud Detector, gunakan operasi `UpdateEventLabel` API. Berikut ini menunjukkan contoh panggilan UpdateEventLabel API.
```
import boto3
fraudDetector = boto3.client('frauddetector')
fraudDetector.update_event_label(
eventId = '802454d3-f7d8-482d-97e8-c4b6db9a0428',
eventTypeName = 'sample_registration',
assignedLabel = 'fraud',
labelTimestamp = '2020-07-13T23:18:21Z'
)
```
# Hapus label
Saat Anda menghapus label, Amazon Fraud Detector menghapus label tersebut secara permanen dan data tidak lagi disimpan di Amazon Fraud Detector.
Anda tidak dapat menghapus label yang disertakan dalam jenis peristiwa di Amazon Fraud Detector. Dan Anda juga tidak dapat menghapus label yang ditetapkan ke ID peristiwa. Anda harus terlebih dahulu menghapus ID acara yang relevan.
Anda dapat menghapus label di konsol Amazon Fraud Detector, menggunakan perintah [hapus-label](https://awscli.amazonaws.com/v2/documentation/api/latest/reference/frauddetector/delete-label.html), menggunakan [DeleteLabel](https://docs.aws.amazon.com/frauddetector/latest/api/API_DeleteLabel.html)API, atau menggunakan AWS SDK untuk Python (Boto3)
## Hapus label menggunakan konsol
**Untuk menghapus label**
1. Masuk ke Konsol Manajemen AWS dan buka konsol Amazon Fraud Detector di [https://console.aws.amazon.com/frauddetector](https://console.aws.amazon.com/frauddetector).
1. Di panel navigasi kiri konsol Amazon Fraud Detector, pilih **Sumber Daya**, lalu pilih **Label**.
1. Pilih label yang ingin Anda hapus.
1. Pilih **Tindakan**, lalu pilih **Hapus**.
1. Masukkan nama label, lalu pilih **Hapus label**.
## Hapus label menggunakan AWS SDK untuk Python (Boto3)
AWS SDK untuk Python (Boto3) Contoh kode berikut menghapus label *legit* menggunakan API. [DeleteLabel](https://docs.aws.amazon.com/frauddetector/latest/api/API_DeleteLabel.html)
```
import boto3
fraudDetector = boto3.client('frauddetector')
fraudDetector.delete_event_label (
name = 'legit'
)
```
# Aturan
Aturan adalah kondisi yang memberi tahu Amazon Fraud Detector bagaimana menafsirkan nilai variabel selama prediksi penipuan. Aturan adalah bagian dari logika detektor dan terdiri dari elemen-elemen berikut:
+ **Variabel atau Daftar** - Variabel mewakili elemen data dalam dataset acara Anda yang ingin Anda gunakan dalam prediksi penipuan. Daftar adalah sekumpulan elemen data masukan untuk variabel dalam dataset acara Anda. Variabel yang digunakan dalam aturan harus ditentukan sebelumnya dalam jenis peristiwa yang dievaluasi dan daftar yang digunakan dalam aturan harus dikaitkan dengan tipe variabel. Untuk informasi selengkapnya, lihat [Variabel](variables.md) dan [Daftar](lists.md).
+ **Ekspresi** — Ekspresi dalam aturan menangkap logika bisnis Anda. Jika Anda menggunakan variabel dalam aturan Anda, ekspresi aturan sederhana dibangun menggunakan variabel, operator perbandingan seperti >, <, <=, >=. ==, dan nilai. Jika Anda menggunakan daftar, ekspresi aturan dibangun sebagai entri daftar`in`, dan nama daftar. Untuk informasi selengkapnya, lihat [Referensi bahasa aturan](rule-language-reference.md). Anda dapat menggabungkan beberapa ekspresi bersama-sama menggunakan `and` dan`or`. Semua ekspresi harus mengevaluasi nilai Boolean (benar atau salah) dan panjangnya kurang dari 4.000 karakter. Kondisi tipe jika-lain tidak didukung.
+ **Hasil** - Hasil adalah respons yang dikembalikan oleh Amazon Fraud Detector ketika aturan dicocokkan. Hasilnya menunjukkan hasil prediksi penipuan. Anda dapat membuat hasil untuk setiap prediksi penipuan yang mungkin dan menambahkannya ke aturan. Untuk informasi selengkapnya, lihat [Hasil](outcomes.md).
Detektor harus memiliki setidaknya satu aturan terkait. Aturan dapat memiliki hingga 3 daftar, dan detektor dapat memiliki hingga 30 daftar. Anda membuat aturan sebagai bagian dari proses pembuatan detektor. Anda juga dapat membuat dan mengaitkan aturan baru dengan detektor yang ada.
# Referensi bahasa aturan
Bagian berikut menguraikan kemampuan ekspresi (yaitu penulisan aturan) di Amazon Fraud Detector.
## Menggunakan variabel
Anda dapat menggunakan variabel apa pun yang ditentukan dalam jenis peristiwa yang dievaluasi sebagai bagian dari ekspresi Anda. Gunakan tanda dolar untuk menunjukkan variabel:
```
$example_variable < 100
```
## Menggunakan daftar
Anda dapat menggunakan daftar apa pun yang terkait dengan tipe variabel dan diisi dengan entri sebagai bagian dari ekspresi aturan Anda. Gunakan tanda dolar untuk menunjukkan nilai entri daftar:
```
$example_list_variable in @list_name
```
## Perbandingan, keanggotaan, dan operator identitas
Amazon Fraud Detector mencakup operator perbandingan berikut: >, >=, <, <=,\$1 =, ==, di, tidak di
Berikut ini adalah beberapa contohnya:
Contoh: <
```
$variable < 100
```
Contoh: di, bukan di
```
$variable in [5, 10, 25, 100]
```
Contoh:\$1 =
```
$variable != "US"
```
Contoh: ==
```
$variable == 1000
```
**Tabel Operator**
| Operator | Operator Detektor Fraud Amazon |
| --- | --- |
| Sama dengan | == |
| Tidak sama dengan | \$1= |
| Lebih besar dari | > |
| Kurang dari | < |
| Besar dari atau sama dengan | >= |
| Kurang dari atau sama dengan | <= |
| Masuk | in |
| Dan | and |
| Atau | atau |
| Bukan | \$1 |
## Matematika dasar
Anda dapat menggunakan operator matematika dasar dalam ekspresi Anda (misalnya, \$1, -, \$1,/). Kasus penggunaan yang umum adalah ketika Anda perlu menggabungkan variabel selama evaluasi Anda.
Dalam aturan di bawah ini, kami menambahkan variabel `$variable_1` dengan`$variable_2`, dan memeriksa apakah totalnya kurang dari 10.
```
$variable_1 + $variable_2 < 10
```
**Data Tabel Matematika Dasar**
| Operator | Operator Detektor Fraud Amazon |
| --- | --- |
| Ditambah | \$1 |
| Minus | - |
| Lipat gandakan | \$1 |
| Membagi | / |
| Modulo | % |
## Ekspresi Reguler (regex)
Anda dapat menggunakan regex untuk mencari pola tertentu sebagai bagian dari ekspresi Anda. Ini sangat berguna jika Anda ingin mencocokkan string atau nilai numerik tertentu untuk salah satu variabel Anda. Amazon Fraud Detector hanya mendukung pencocokan saat bekerja dengan ekspresi reguler (misalnya, ia kembali True/False tergantung pada apakah string yang disediakan cocok dengan ekspresi reguler). Dukungan ekspresi reguler Amazon Fraud Detector didasarkan pada .matches () di java (menggunakan library RE2 J Regular Expression). Ada beberapa situs web bermanfaat di internet yang berguna untuk menguji pola ekspresi reguler yang berbeda.
Pada contoh pertama di bawah ini, pertama-tama kita mengubah variabel `email` menjadi huruf kecil. Kami kemudian memeriksa apakah polanya `@gmail.com` ada dalam `email` variabel. Perhatikan periode kedua lolos sehingga kita dapat secara eksplisit memeriksa string. `.com`
```
regex_match(".*@gmail\.com", lowercase($email))
```
Pada contoh kedua, kami memeriksa apakah variabel `phone_number` berisi kode negara `+1` untuk menentukan apakah nomor telepon berasal dari AS. Simbol plus diloloskan sehingga kita dapat secara eksplisit memeriksa string. `+1`
```
regex_match(".*\+1", $phone_number)
```
**Tabel Regex**
| Operator | Contoh Fraud Detector Amazon |
| --- | --- |
| Cocokkan string apa pun yang dimulai dengan | regex\$1match (“^mystring”, \$1 variabel) |
| Cocokkan seluruh string dengan tepat | regex\$1match (“mystring”, \$1 variabel) |
| Cocokkan karakter apa pun kecuali baris baru | regex\$1match (” . “, \$1 variabel) |
| Cocokkan sejumlah karakter kecuali baris baru sebelum 'mystring' | regex\$1match (”. \$1 mystring”, \$1 variabel) |
| Melarikan diri dari karakter khusus | \$1 |
## Memeriksa nilai yang hilang
Terkadang bermanfaat untuk memeriksa apakah nilainya hilang. Di Amazon Fraud Detector ini diwakili oleh null. Anda dapat melakukan ini dengan menggunakan sintaks berikut:
```
$variable != null
```
Demikian pula, jika Anda ingin memeriksa apakah suatu nilai tidak ada, Anda dapat melakukan hal berikut:
```
$variable == null
```
## Beberapa kondisi
Anda dapat menggabungkan beberapa ekspresi bersama-sama menggunakan `and` dan`or`. Amazon Fraud Detector berhenti dalam `OR` ekspresi ketika satu nilai sebenarnya ditemukan, dan berhenti `AND` ketika satu nilai palsu ditemukan.
Pada contoh di bawah ini, kami memeriksa dua kondisi menggunakan `and` kondisi tersebut. Dalam pernyataan pertama, kami memeriksa apakah variabel 1 kurang dari 100. Yang kedua kita periksa apakah variabel 2 bukan AS.
Mengingat aturan menggunakan`and`, keduanya harus BENAR untuk seluruh kondisi untuk mengevaluasi ke TRUE.
```
$variable_1 < 100 and $variable_2 != "US"
```
Anda dapat menggunakan tanda kurung untuk mengelompokkan operasi Boolean, seperti yang ditunjukkan berikut:
```
$variable_1 < 100 and $variable_2 != "US" or ($variable_1 * 100.0 > $variable_3)
```
## Jenis ekspresi lainnya
### DateTime fungsi
| Fungsi | Deskripsi | Contoh |
| --- | --- | --- |
| getcurrentdatetime () | Memberikan waktu eksekusi aturan saat ini dalam format ISO8601 UTC. Anda dapat menggunakan getepochmilliseconds (getcurrentdatetime ()) untuk melakukan operasi tambahan | getcurrentdatetime () == “2023-03-28T 18:34:02 Z” |
| adalahsebelum (DateTime1, DateTime 2) | Mengembalikan boolean (True/False) jika pemanggil 1 sebelum 2 DateTime DateTime | isbefore (getcurrentdatetime (), “2019-11-30T 01:01:01 Z”) == “Salah” isbefore (getcurrentdatetime (), “2050-11-30T 01:05:01 Z”) == “Benar” |
| isafter (DateTime1, DateTime 2) | Mengembalikan boolean (True/False) jika pemanggil 1 setelah 2 DateTime DateTime | isafter (getcurrentdatetime (), “2019-11-30T 01:01:01 Z”) == “Benar” isafter (getcurrentdatetime (), “2050-11-30T 01:05:01 Z”) == “Salah” |
| getepochmilliseconds () DateTime | Mengambil DateTime dan mengembalikannya DateTime dalam milidetik epoch. Berguna untuk melakukan operasi matematika pada tanggal | getepochmilliseconds (“2019-11-30T 01:01:01 Z”) == 1575032461 |
### Operator String
| Operator | Contoh |
| --- | --- |
| Ubah string ke huruf besar | huruf besar (\$1 variabel) |
| Ubah string menjadi huruf kecil | huruf kecil (\$1 variabel) |
### Lainnya
| Operator | Komentar |
| --- | --- |
| Tambahkan komentar | \$1 komentar saya |
# Buat aturan
Anda dapat membuat aturan di konsol Amazon Fraud Detector, menggunakan perintah [create-rule](https://awscli.amazonaws.com/v2/documentation/api/latest/reference/frauddetector/create-rule.html), menggunakan [CreateRule](https://docs.aws.amazon.com//frauddetector/latest/api/API_CreateRule.html)API, atau menggunakan. AWS SDK untuk Python (Boto3)
Setiap aturan harus berisi satu ekspresi yang menangkap logika bisnis Anda. Semua ekspresi harus mengevaluasi nilai Boolean (benar atau salah) dan panjangnya kurang dari 4.000 karakter. Kondisi tipe jika-lain tidak didukung. Semua variabel yang digunakan dalam ekspresi harus ditentukan sebelumnya dalam jenis acara yang dievaluasi. Demikian pula, semua daftar yang digunakan dalam ekspresi harus ditentukan sebelumnya, terkait dengan tipe varible, dan diisi dengan entri.
Contoh berikut membuat aturan `high_risk` untuk detektor yang ada`payments_detector`. Aturan mengaitkan ekspresi dan hasil `verify_customer` dengan aturan.
**Prasyarat**
Untuk mengikuti langkah-langkah yang disebutkan di bawah ini, pastikan Anda menyelesaikan yang berikut ini sebelum melanjutkan dengan membuat aturan:
+ [Buat detektor](create-a-detector.md)
+ [Ciptakan hasil](create-an-outcome.md)
Jika Anda membuat detektor, aturan, dan hasil untuk kasus penggunaan Anda, ganti contoh nama detektor, nama aturan, ekspresi aturan, dan nama hasil dengan nama dan ekspresi yang relevan dengan kasus penggunaan Anda.
## Buat aturan baru di konsol Amazon Fraud Detector
1. Buka [Konsol AWS Manajemen](https://console.aws.amazon.com/) dan masuk ke akun Anda. Arahkan ke Amazon Fraud Detector.
1. **Di panel navigasi kiri, pilih **Detektor dan pilih detektor** yang Anda buat untuk kasus penggunaan Anda, contoh payments\$1detector.**
1. **Di halaman **payments\$1detector**, pilih tab **Aturan terkait dan kemudian pilih Buat aturan**.**
1. Di halaman **Aturan baru**, masukkan yang berikut ini:
1. Dalam **Nama**, masukkan nama untuk aturan, contoh **high\$1risk**
1. Dalam **Deskripsi - opsional**, secara opsional masukkan deskripsi aturan, contoh, **This rule captures events with a high ML model score**
1. Dalam **Ekspresi**, masukkan ekspresi aturan untuk kasus penggunaan Anda menggunakan **panduan referensi cepat Ekspresi**. Contoh `$sample_fraud_detection_model_insightscore >900`
1. Dalam **Outcome, pilih hasil** yang Anda buat untuk kasus penggunaan Anda, misalnya **verify\$1customer**. Hasil adalah hasil dari prediksi penipuan dan dikembalikan jika aturan cocok selama evaluasi.
1. Pilih **Simpan aturan**
Anda membuat aturan baru untuk detektor Anda. Ini adalah versi 1 dari aturan yang Amazon Fraud Detector secara otomatis membuatnya tersedia untuk digunakan detektor.
## Buat aturan menggunakan AWS SDK untuk Python (Boto3)
Contoh kode berikut menggunakan [CreateRule](https://docs.aws.amazon.com//frauddetector/latest/api/API_CreateRule.html)API untuk membuat aturan `high_risk` untuk detektor yang ada`payments_detector`. Kode contoh juga menambahkan ekspresi aturan dan hasil `verify_customer` pada aturan.
**Prasyarat**
Untuk menggunakan kode contoh, pastikan bahwa Anda telah menyelesaikan hal-hal berikut sebelum Anda melanjutkan dengan membuat aturan:
+ [Buat detektor](create-a-detector.md)
+ [Ciptakan hasil](create-an-outcome.md)
Jika Anda membuat detektor, aturan, dan hasil untuk kasus penggunaan Anda, ganti contoh nama detektor, nama aturan, ekspresi aturan, dan nama hasil dengan nama dan ekspresi yang relevan dengan kasus penggunaan Anda.
```
import boto3
fraudDetector = boto3.client('frauddetector')
fraudDetector.create_rule(
ruleId = 'high_risk',
detectorId = 'payments_detector',
expression = '$sample_fraud_detection_model_insightscore > 900',
language = 'DETECTORPL',
outcomes = ['verify_customer']
)
```
Anda telah membuat versi 1 dari aturan yang Amazon Fraud Detector secara otomatis membuatnya tersedia untuk digunakan detektor.
# Perbarui aturan
Anda dapat memperbarui aturan kapan saja dengan menambahkan atau memperbarui deskripsi aturan, memperbarui ekspresi aturan, atau menambahkan atau menghapus hasil untuk aturan tersebut. Saat Anda memperbarui aturan, versi aturan baru dibuat.
Anda dapat memperbarui aturan di konsol Amazon Fraud Detector, menggunakan [update-rule-version](https://awscli.amazonaws.com/v2/documentation/api/latest/reference/frauddetector/update-rule-version.html)perintah, menggunakan [UpdateRuleVersion](https://docs.aws.amazon.com//frauddetector/latest/api/API_UpdateRuleVersion.html)API, atau menggunakan AWS SDK.
Setelah Anda memperbarui aturan, pastikan untuk memperbarui versi detektor Anda untuk menggunakan versi aturan baru.
## Aturan pembaruan di konsol Amazon Fraud Detector
**Untuk memperbarui aturan,**
1. Buka [Konsol AWS Manajemen](https://console.aws.amazon.com/) dan masuk ke akun Anda. Arahkan ke Amazon Fraud Detector.
1. Di panel navigasi kiri, pilih **Detektor**.
1. Di panel **Detektor**, pilih detektor yang terkait dengan aturan yang ingin Anda perbarui.
1. Di halaman detektor Anda, pilih tab **Aturan terkait** dan pilih aturan yang ingin Anda perbarui.
1. Di halaman aturan Anda, pilih **Tindakan** dan pilih **Buat versi**.
1. Perhatikan bahwa versi telah berubah. Masukkan deskripsi, ekspresi, atau hasil yang diperbarui.
1. Pilih **Simpan versi baru**
## Perbarui aturan menggunakan AWS SDK untuk Python (Boto3)
Contoh kode berikut menggunakan [UpdateRuleVersion](https://docs.aws.amazon.com//frauddetector/latest/api/API_UpdateRuleVersion.html)API untuk memperbarui ambang batas aturan `high_risk` dari 900 ke 950. Aturan ini dikaitkan dengan detektor`payments_detector`.
```
fraudDetector.update_rule_version(
rule = {
'detectorId' : 'payments_detector',
'ruleId' : 'high_risk',
'ruleVersion' : '1'
},
expression = '$sample_fraud_detection_model_insightscore > 950',
language = 'DETECTORPL',
outcomes = ['verify_customer']
)
```
# Daftar
Daftar adalah sekumpulan data masukan untuk variabel dalam dataset acara Anda. Anda menggunakan data input dalam aturan yang terkait dengan detektor Anda. Aturan adalah kondisi yang memberi tahu Amazon Fraud Detector bagaimana menafsirkan data input selama prediksi penipuan. Misalnya, Anda dapat membuat daftar alamat IP dan kemudian membuat aturan untuk menolak akses jika alamat IP tertentu ada dalam daftar. Aturan yang menggunakan daftar dinyatakan dalam `@list_name` format `$ip_address_value` in.
Dengan Amazon Fraud Detector, Anda dapat mengelola daftar dengan menambahkan atau menghapus data tanpa perlu memperbarui aturan terkait. Aturan yang terkait dengan daftar Anda secara otomatis memasukkan data yang baru ditambahkan atau dihapus.
Daftar dapat berisi hingga 100.000 entri unik dan setiap entri dapat mencapai 320 karakter. Setiap daftar yang Anda gunakan dalam aturan, secara default, terkait dengan [Jenis variabel](variables.md#variable-types) FREE\$1FORM\$1TEXT Amazon Fraud Detector. Anda dapat menetapkan tipe variabel ke daftar Anda kapan saja. Anda dapat menggunakan hingga 3 daftar dalam aturan.
Anda dapat membuat daftar, menambahkan entri ke daftar, menghapus daftar, atau menghapus satu atau beberapa entri dalam daftar, atau menetapkan jenis variabel ke daftar Anda di konsol Amazon Fraud Detector, menggunakan API, menggunakan AWS CLI, atau menggunakan SDK. AWS
# Buat daftar
Anda dapat membuat daftar yang berisi data masukan (entri) variabel dalam kumpulan data acara Anda dan menggunakan daftar dalam ekspresi aturan. Entri dalam daftar dapat dikelola secara dinamis tanpa memperbarui aturan yang menggunakan daftar.
Untuk membuat daftar, Anda harus terlebih dahulu menentukan nama dan kemudian secara opsional mengaitkan daftar dengan yang [Jenis variabel](variables.md#variable-types) didukung oleh Amazon Fraud Detector. Secara default, Amazon Fraud Detector mengasumsikan daftar sebagai tipe variabel FREE\$1FORM\$1TEXT.
Anda dapat membuat daftar di konsol Amazon Fraud Detector, menggunakan API, menggunakan AWS CLI, atau menggunakan AWS SDK.
## Buat daftar menggunakan konsol Amazon Fraud Detector
**Untuk membuat daftar**
1. Buka [Konsol AWS Manajemen](https://console.aws.amazon.com/) dan masuk ke akun Anda. Arahkan ke Amazon Fraud Detector.
1. Di panel navigasi kiri, pilih **Daftar**.
1. Di bawah **Daftar** rincian
1. Dalam **nama Daftar**, masukkan nama untuk daftar Anda.
1. Dalam **Deskripsi**, secara opsional, masukkan deskripsi.
1. (Opsional) Dalam **tipe Variabel**, pilih tipe variabel untuk daftar Anda.
**penting**
Jika daftar Anda berisi alamat IP, pastikan untuk memilih **IP\$1ADDRESS** sebagai tipe variabel. Jika Anda tidak memilih jenis variabel, Amazon Fraud Detector mengasumsikan daftar tersebut sebagai tipe variabel **FREE\$1FORM\$1TEXT**.
1. Dalam **Tambahkan data daftar**, tambahkan entri daftar, satu entri di setiap baris. Anda juga dapat menyalin dan menempelkan entri dari spreadsheet.
**catatan**
Pastikan entri tidak dipisahkan menggunakan koma dan unik dalam daftar. Jika dua entri identik dimasukkan, hanya satu yang akan ditambahkan.
1. Pilih **Buat**.
## Buat daftar menggunakan AWS SDK untuk Python (Boto3)
Anda membuat daftar dengan menentukan nama daftar. Anda secara opsional dapat memberikan deskripsi, mengaitkan jenis variabel, atau menambahkan entri ke daftar Anda saat Anda membuat daftar. Atau, Anda dapat memperbarui daftar nanti dengan menambahkan entri atau deskripsi. Anda dapat menetapkan tipe variabel ke daftar nanti jika Anda belum menetapkannya ketika pada saat pembuatan daftar. Jenis variabel daftar tidak dapat diubah setelah ditetapkan.
**penting**
Jika daftar Anda berisi alamat IP, pastikan untuk menetapkan **IP\$1ADDRESS sebagai tipe** variabel. Jika Anda tidak menetapkan tipe variabel, Amazon Fraud Detector mengasumsikan daftar tersebut sebagai tipe variabel **FREE\$1FORM\$1TEXT**.
Contoh berikut menggunakan operasi [CreateList](https://docs.aws.amazon.com//frauddetector/latest/api/API_CreateList.html)API untuk membuat `allow_email_ids` daftar dengan memberikan deskripsi, tipe variabel, dan dengan menambahkan empat entri daftar.
```
import boto3
fraudDetector = boto3.client('frauddetector')
fraudDetector.create_list (
name = 'allow_email_ids',
description = 'legitimate email_ids'
variableType = 'EMAIL_ADDRESS',
elements = ['emailId _1', 'emailId_2', 'emailId_3','emailId_4']
)
```
# Menambahkan entri dalam daftar
Setelah membuat daftar, Anda dapat menambahkan atau menambahkan entri dalam daftar Anda kapan saja. Saat menambahkan atau menambahkan entri dalam daftar, Anda tidak perlu memperbarui aturan yang terkait dengan daftar tersebut. Aturan secara otomatis memasukkan entri yang baru ditambahkan.
Daftar Anda dapat berisi hingga 100.000 entri unik dan setiap entri dapat mencapai 320 karakter.
Anda dapat menambahkan entri di konsol Amazon Fraud Detector, menggunakan API, menggunakan AWS CLI, atau menggunakan AWS SDK.
## Menambahkan entri dalam daftar menggunakan konsol Amazon Fraud Detector
**Untuk menambahkan satu atau beberapa entri dalam daftar**
1. Buka [Konsol AWS Manajemen](https://console.aws.amazon.com/) dan masuk ke akun Anda. Arahkan ke Amazon Fraud Detector.
1. Di panel navigasi kiri, pilih **Daftar**.
1. Di halaman **Daftar**, pilih daftar yang ingin Anda tambahkan entri.
1. Di halaman detail daftar Anda, pilih tab **Daftar data** dan pilih **Tambahkan data**.
1. Dalam kotak **Tambahkan data daftar**, tambahkan satu entri di setiap baris atau salin dan tempel entri dari spreadsheet. Pastikan untuk tidak menggunakan koma untuk memisahkan entri.
1. Pilih **Tambahkan**.
## Tambahkan entri dalam daftar menggunakan AWS SDK untuk Python (Boto3)
Contoh berikut menggunakan operasi [UpdateList](https://docs.aws.amazon.com//frauddetector/latest/api/API_UpdateList.html)API untuk menambahkan dua entri baru dalam `allow_email_ids` daftar. Pastikan entri yang Anda tambahkan unik dalam daftar.
```
import boto3
fraudDetector = boto3.client('frauddetector')
fraudDetector.update_list (
name = 'allow_email_ids',
updateMode = 'APPEND'
elements = ['emailId_11','emailId_12']
```
# Menetapkan tipe variabel ke daftar
Setiap daftar yang Anda gunakan dalam aturan harus dikaitkan dengan jenis [Jenis variabel](variables.md#variable-types) variabel Amazon Fraud Detector. Secara default, Amazon Fraud Detector mengasumsikan daftar sebagai tipe variabel FREE\$1FORM\$1TEXT. Penting untuk dicatat bahwa daftar yang terdiri dari alamat IP harus dikaitkan dengan tipe variabel IP\$1ADDRESS.
Anda dapat mengaitkan daftar Anda dengan tipe variabel baik pada saat pembuatan daftar atau kapan saja nanti. Jika Anda sudah mengaitkan daftar Anda dengan tipe variabel dan ingin mengubahnya nanti, Anda harus membuat daftar baru. Anda tidak dapat mengubah jenis variabel daftar.
Anda dapat menetapkan tipe variabel di konsol Amazon Fraud Detector, menggunakan API, menggunakan AWS CLI, atau menggunakan AWS SDK.
## Tetapkan tipe variabel ke daftar menggunakan konsol Amazon Fraud Detector
**Untuk menetapkan tipe variabel ke daftar**
1. Buka [Konsol AWS Manajemen](https://console.aws.amazon.com/) dan masuk ke akun Anda. Arahkan ke Amazon Fraud Detector.
1. Di panel navigasi kiri, pilih **Daftar**.
1. Di halaman **Daftar**, pilih daftar yang ingin Anda tetapkan tipe variabel.
1. Di halaman detail daftar Anda, pilih **Tindakan** dan pilih **Edit daftar**.
1. Di kotak **daftar Edit**, pilih jenis variabel untuk daftar Anda.
1. Pilih **Simpan**.
## Tetapkan tipe variabel ke daftar menggunakan AWS SDK untuk Python (Boto3)
Contoh berikut menggunakan operasi [UpdateList](https://docs.aws.amazon.com//frauddetector/latest/api/API_UpdateList.html)API untuk menetapkan tipe variabel ke `allow_ip_address` daftar.
```
import boto3
fraudDetector = boto3.client('frauddetector')
fraudDetector.update_list (
name = 'allow_ip_address',
variableType = 'IP_ADDRESS'
)
```
# Hapus daftar
Anda dapat menghapus daftar yang tidak digunakan dalam aturan apa pun. Saat Anda menghapus daftar, Amazon Fraud Detector secara permanen menghapus daftar tersebut dan semua entri dalam daftar.
Anda dapat menghapus daftar di konsol Amazon Fraud Detector, menggunakan API, menggunakan AWS CLI atau AWS SDK.
## Hapus daftar menggunakan konsol Amazon Fraud Detector
**Untuk menghapus daftar**
1. Buka [Konsol AWS Manajemen](https://console.aws.amazon.com/) dan masuk ke akun Anda. Arahkan ke Amazon Fraud Detector.
1. **Di panel navigasi kiri, pilih Daftar**
1. Di halaman **Daftar**, pilih daftar yang ingin Anda hapus.
1. Di halaman detail daftar Anda, pilih **Tindakan** dan pilih **Hapus daftar**.
1. Pilih **Hapus daftar**.
## Hapus daftar menggunakan AWS SDK untuk Python (Boto3)
Contoh berikut menggunakan operasi [DeleteList](https://docs.aws.amazon.com//frauddetector/latest/api/API_DeleteList.html)API untuk menghapus`allow_email_ids`.
```
import boto3
fraudDetector = boto3.client('frauddetector')
fraudDetector.delete_list(
name = 'allow_email_ids'
)
```
# Hapus entri dari daftar
Anda dapat menghapus satu atau beberapa entri dari daftar Anda kapan saja. Ketika Anda menghapus entri dalam daftar Anda, Anda tidak perlu memperbarui aturan yang terkait dengan daftar tersebut. Aturan secara otomatis memasukkan daftar yang diperbarui.
Anda dapat menghapus entri dari daftar di konsol Amazon Fraud Detector, menggunakan API, menggunakan AWS CLI atau AWS SDK.
## Menghapus entri dari daftar menggunakan konsol Amazon Fraud Detector
**Untuk menghapus satu atau beberapa entri dari daftar**
1. Buka [Konsol AWS Manajemen](https://console.aws.amazon.com/) dan masuk ke akun Anda. Arahkan ke Amazon Fraud Detector.
1. **Di panel navigasi kiri, pilih Daftar**
1. Di halaman **Daftar**, pilih daftar yang berisi entri yang ingin Anda hapus.
1. Di halaman detail daftar Anda, pilih tab **Daftar data** dan pilih entri yang ingin Anda hapus.
1. Pilih **Hapus** dan pilih **Hapus** lagi untuk mengonfirmasi.
## Hapus entri dari daftar menggunakan AWS SDK untuk Python (Boto3)
Dalam contoh berikut, operasi [UpdateList](https://docs.aws.amazon.com//frauddetector/latest/api/API_UpdateList.html)API menghapus entri dari `allow_email_ids` daftar.
```
import boto3
fraudDetector = boto3.client('frauddetector')
fraudDetector.update_list(
name = 'allow_email_ids',
updateMode = 'REMOVE',
elements = ['emailId_4', 'emailId_12']
)
```
# Hapus semua entri dari daftar
Anda dapat menghapus semua entri dalam daftar Anda, jika daftar tidak digunakan dalam aturan. Anda dapat menghapus semua entri yang ada dalam daftar dan kemudian menambahkan entri dalam daftar yang sama.
Anda dapat menghapus entri dari daftar di konsol Amazon Fraud Detector, menggunakan API, menggunakan AWS CLI atau AWS SDK.
## Hapus semua entri dari daftar menggunakan konsol Amazon Fraud Detector
**Untuk menghapus semua entri dari daftar**
1. Buka [Konsol AWS Manajemen](https://console.aws.amazon.com/) dan masuk ke akun Anda. Arahkan ke Amazon Fraud Detector.
1. **Di panel navigasi kiri, pilih Daftar**
1. Di halaman **Daftar**, pilih daftar yang berisi entri yang ingin Anda hapus.
1. Di halaman detail daftar Anda, pilih tab **Daftar data** dan pilih **Hapus semua**.
1. Di kotak **Hapus semua**, ketik `delete all` untuk mengonfirmasi dan kemudian pilih **Hapus semua data daftar**.
## Hapus semua entri dari daftar menggunakan AWS SDK untuk Python (Boto3)
Dalam contoh berikut, operasi [UpdateList](https://docs.aws.amazon.com//frauddetector/latest/api/API_UpdateList.html)API menghapus semua entri dari `allow_email_ids` daftar.
```
import boto3
fraudDetector = boto3.client('frauddetector')
fraudDetector.update_list(
name = 'allow_email_ids',
updateMode = 'REPLACE',
elements = []
)
```
# Hasil
Hasil adalah hasil dari prediksi penipuan. Anda dapat membuat hasil untuk setiap kemungkinan hasil prediksi penipuan. Misalnya, Anda mungkin ingin hasil mewakili tingkat risiko (high\$1risk, medium\$1risk, dan low\$1risk) atau tindakan (menyetujui, meninjau). Setelah hasil dibuat, Anda dapat menambahkan satu atau lebih hasil ke aturan. Sebagai bagian dari [GetEventPrediction](https://docs.aws.amazon.com/frauddetector/latest/api/API_GetEventPrediction.html)respons, Amazon Fraud Detector mengembalikan hasil yang ditentukan untuk setiap aturan yang cocok.
# Ciptakan hasil
Anda dapat membuat hasil di konsol Amazon Fraud Detector, menggunakan perintah [put-outcome](https://awscli.amazonaws.com/v2/documentation/api/latest/reference/frauddetector/put-outcome.html), menggunakan [PutOutcome](https://docs.aws.amazon.com/frauddetector/latest/api/API_PutOutcome.html)API, atau menggunakan. AWS SDK untuk Python (Boto3)
## Buat hasil menggunakan konsol Amazon Fraud Detector
**Untuk menghasilkan satu atau lebih hasil,**
1. Buka [Konsol AWS Manajemen](https://console.aws.amazon.com/) dan masuk ke akun Anda. Arahkan ke Amazon Fraud Detector.
1. Di panel navigasi kiri, pilih **Hasil**.
1. Di halaman **Hasil**, pilih **Buat**.
1. Di halaman **hasil Baru** Anda, masukkan yang berikut ini:
1. Dalam **nama Hasil**, masukkan nama untuk hasil Anda.
1. Dalam **deskripsi Hasil**, secara opsional, masukkan deskripsi.
1. Pilih **Simpan hasil**.
1. Ulangi langkah 2 hingga 5 untuk menciptakan hasil tambahan.
## Ciptakan hasil dengan menggunakan AWS SDK untuk Python (Boto3)
Contoh berikut menggunakan `PutOutcome` API untuk membuat tiga hasil. Mereka adalah`verify_customer`,`review`, dan`approve`. Setelah hasil dibuat, Anda dapat menetapkannya ke aturan.
```
import boto3
fraudDetector = boto3.client('frauddetector')
fraudDetector.put_outcome(
name = 'verify_customer',
description = 'this outcome initiates a verification workflow'
)
fraudDetector.put_outcome(
name = 'review',
description = 'this outcome sidelines event for review'
)
fraudDetector.put_outcome(
name = 'approve',
description = 'this outcome approves the event'
)
```
# Hapus hasil
Anda tidak dapat menghapus hasil yang digunakan dalam versi aturan.
Saat Anda menghapus hasil, Amazon Fraud Detector menghapus hasil tersebut secara permanen dan data tidak lagi disimpan di Amazon Fraud Detector.
Anda dapat menghapus hasil di konsol Amazon Fraud Detector, menggunakan perintah [delete-outcome](https://awscli.amazonaws.com/v2/documentation/api/latest/reference/frauddetector/delete-outcome.html), menggunakan [DeleteOutcome](https://docs.aws.amazon.com/frauddetector/latest/api/API_DeleteOutcome.html)API, atau menggunakan AWS SDK untuk Python (Boto3)
## Menghapus hasil di konsol Amazon Fraud Detector
**Untuk menghapus hasil**
1. Masuk ke Konsol Manajemen AWS dan buka konsol Amazon Fraud Detector di [https://console.aws.amazon.com/frauddetector](https://console.aws.amazon.com/frauddetector).
1. Di panel navigasi kiri konsol Amazon Fraud Detector, pilih **Resources**, lalu pilih **Outcome**.
1. Pilih hasil yang ingin Anda hapus.
1. Pilih **Tindakan**, lalu pilih **Hapus**.
1. Masukkan nama hasil, lalu pilih **Hapus hasil**.
## Hapus hasil menggunakan AWS SDK untuk Python (Boto3)
Contoh berikut menggunakan [DeleteOutcome](https://docs.aws.amazon.com/frauddetector/latest/api/API_DeleteOutcome.html)API untuk menghapus `verify_customer` hasilnya. Setelah hasilnya dihapus, Anda tidak dapat lagi menetapkannya ke aturan.
```
import boto3
fraudDetector = boto3.client('frauddetector')
fraudDetector.delete_outcome(
name = 'verify_customer'
)
```
# Entitas
Entitas mewakili orang atau benda yang melakukan acara tersebut. Jenis entitas mengklasifikasikan entitas. Contoh klasifikasi termasuk pelanggan, pedagang, pengguna, atau akun. Anda memberikan tipe entitas (ENTITY\$1TYPE) dan pengenal entitas (ENTITY\$1ID) sebagai bagian dari kumpulan data acara Anda untuk menunjukkan entitas tertentu yang melakukan peristiwa tersebut.
Amazon Fraud Detector menggunakan jenis entitas saat membuat prediksi penipuan untuk suatu peristiwa untuk menunjukkan siapa yang melakukan acara tersebut. Jenis entitas yang ingin Anda gunakan dalam prediksi penipuan Anda harus terlebih dahulu dibuat di Amazon Fraud Detector dan kemudian ditambahkan ke acara saat membuat jenis acara Anda.
# Buat tipe entitas
Anda dapat membuat tipe entitas di konsol Amazon Fraud Detector, menggunakan [put-entity-type](https://awscli.amazonaws.com/v2/documentation/api/latest/reference/frauddetector/put-entity-type.html)perintah, menggunakan [PutEntityType](https://docs.aws.amazon.com/frauddetector/latest/api/API_PutEntityType.html)API, atau menggunakan AWS SDK untuk Python (Boto3). Contoh di bawah ini membuat tipe entitas `customer` di konsol Amazon Fraud Detector dan menggunakan SDK for Python (Boto3). Jika Anda membuat tipe entitas untuk dikaitkan dengan jenis peristiwa untuk melatih model deteksi penipuan, gunakan tipe entitas dari kumpulan data peristiwa yang sesuai untuk kasus penggunaan Anda.
## Membuat tipe entitas menggunakan konsol Amazon Fraud Detector
**Untuk membuat tipe entitas,**
1. Buka [Konsol AWS Manajemen](https://console.aws.amazon.com/) dan masuk ke akun Anda.
1. Arahkan ke Amazon Fraud Detector, pilih **Entitas** di navigasi kiri, lalu pilih **Buat**.
1. Di halaman **Buat entitas**, masukkan **pelanggan** sebagai nama tipe entitas. Secara opsional, masukkan deskripsi entitas.
1. Pilih **Buat entitas**.
## Buat tipe entitas menggunakan AWS SDK untuk Python (Boto3)
Contoh AWS SDK untuk Python (Boto3) kode berikut menggunakan `PutEntityType` API untuk membuat tipe entitas`customer`. Jika Anda membuat tipe entitas untuk dikaitkan dengan jenis peristiwa untuk melatih model deteksi penipuan, gunakan entitas dari kumpulan data peristiwa yang sesuai untuk kasus penggunaan Anda.
```
import boto3
fraudDetector = boto3.client('frauddetector')
fraudDetector.put_entity_type(
name = 'customer',
description = 'customer'
)
```
# Menghapus tipe entitas
Di Amazon Fraud Detector, Anda tidak dapat menghapus jenis entitas yang disertakan dalam jenis peristiwa. Anda harus terlebih dahulu menghapus jenis peristiwa yang terkait dengan entitas dan kemudian menghapus jenis entitas.
Saat Anda menghapus jenis entitas, Amazon Fraud Detector secara permanen menghapus jenis entitas tersebut dan data tidak lagi disimpan di Amazon Fraud Detector.
Jenis entitas dapat dihapus di konsol Amazon Fraud Detector, menggunakan [delete-entity-type](https://awscli.amazonaws.com/v2/documentation/api/latest/reference/frauddetector/delete-entity-type.html)perintah, menggunakan [DeleteEntityType](https://docs.aws.amazon.com/frauddetector/latest/api/API_DeleteEntityType.html)API, atau menggunakan AWS SDK untuk Python (Boto3)
## Menghapus jenis entitas di konsol Amazon Fraud Detector
**Untuk menghapus jenis entitas,**
1. Masuk ke Konsol Manajemen AWS dan buka konsol Amazon Fraud Detector di [https://console.aws.amazon.com/frauddetector](https://console.aws.amazon.com/frauddetector).
1. Di panel navigasi kiri konsol Amazon Fraud Detector, pilih **Sumber Daya**, lalu pilih **Entitas**.
1. Pilih jenis entitas yang ingin Anda hapus.
1. Pilih **Tindakan**, lalu pilih **Hapus**.
1. Masukkan nama tipe entitas, lalu pilih **Hapus jenis entitas**.
## Hapus jenis entitas menggunakan AWS SDK untuk Python (Boto3)
AWS SDK untuk Python (Boto3) Contoh kode berikut menghapus tipe entitas *pelanggan* menggunakan [DeleteEntityType](https://docs.aws.amazon.com/frauddetector/latest/api/API_DeleteEntityType.html)API.
```
import boto3
fraudDetector = boto3.client('frauddetector')
fraudDetector.delete_entity_type (
name = 'customer'
)
```
# Mengelola sumber daya Amazon Fraud Detector menggunakan AWS CloudFormation
Amazon Fraud Detector terintegrasi dengan AWS CloudFormation, layanan yang membantu Anda memodelkan dan menyiapkan sumber daya Amazon Fraud Detector sehingga Anda dapat menghabiskan lebih sedikit waktu untuk membuat dan mengelola sumber daya dan infrastruktur Anda. Anda membuat templat yang menjelaskan semua sumber daya Amazon Fraud Detector yang Anda inginkan (seperti Detektor, Variabel,, EntityType, Hasil EventType, dan Label), serta menyediakan CloudFormation serta mengonfigurasi sumber daya tersebut untuk Anda. Anda dapat menggunakan kembali template untuk menyediakan dan mengonfigurasi sumber daya secara konsisten dan berulang kali di beberapa akun dan Wilayah AWS.
Tidak ada biaya tambahan untuk menggunakan AWS CloudFormation.
## Membuat template Amazon Fraud Detector
Untuk menyediakan dan mengonfigurasi sumber daya untuk Amazon Fraud Detector dan layanan terkait, Anda harus memahami [CloudFormation templat](https://docs.aws.amazon.com/AWSCloudFormation/latest/UserGuide/template-guide.html). Templat adalah file teks dengan format JSON atau YAML. Template ini menjelaskan sumber daya yang ingin Anda sediakan di CloudFormation tumpukan Anda. Jika Anda tidak terbiasa dengan JSON atau YAMAL, Anda dapat menggunakan CloudFormation Designer untuk membantu Anda memulai dengan template. CloudFormation Untuk informasi lebih lanjut, lihat [Apa itu CloudFormation Desainer?](https://docs.aws.amazon.com/AWSCloudFormation/latest/UserGuide/working-with-templates-cfn-designer.html) dalam *AWS CloudFormation User Guide*.
Anda juga dapat membuat, memperbarui, dan menghapus sumber daya Amazon Fraud Detector menggunakan CloudFormation templat. Untuk informasi selengkapnya, termasuk contoh templat JSON dan YAMAL untuk sumber daya Anda, lihat [referensi jenis sumber daya Amazon Fraud Detector](https://docs.aws.amazon.com/AWSCloudFormation/latest/UserGuide/AWS_FraudDetector.html) di *AWS CloudFormation Panduan Pengguna*.
Jika Anda sudah menggunakan CloudFormation, tidak perlu mengelola kebijakan IAM tambahan atau CloudTrail logging.
## Mengelola tumpukan Amazon Fraud Detector
Anda dapat membuat, memperbarui, dan menghapus tumpukan Amazon Fraud Detector melalui CloudFormation konsol atau melalui AWS CLI.
Untuk membuat tumpukan, Anda harus memiliki template yang menjelaskan sumber daya apa yang CloudFormation akan disertakan AWS dalam tumpukan Anda. Anda juga dapat membawa sumber daya Amazon Fraud Detector yang telah Anda buat ke dalam CloudFormation manajemen dengan [mengimpornya](https://docs.aws.amazon.com/AWSCloudFormation/latest/UserGuide/resource-import.html) ke tumpukan baru atau yang sudah ada.
Untuk petunjuk mendetail untuk mengelola tumpukan, lihat *Panduan AWS CloudFormation Pengguna* untuk mempelajari cara [membuat](https://docs.aws.amazon.com/AWSCloudFormation/latest/UserGuide/cfn-console-create-stack.html), [memperbarui](https://docs.aws.amazon.com/AWSCloudFormation/latest/UserGuide/using-cfn-updating-stacks-get-template.html), dan [menghapus](https://docs.aws.amazon.com/AWSCloudFormation/latest/UserGuide/cfn-console-delete-stack.html) tumpukan.
### Mengatur tumpukan Detektor Fraud Amazon Anda
Cara Anda mengatur AWS CloudFormation tumpukan Anda sepenuhnya terserah Anda. Umumnya praktik terbaik adalah mengatur tumpukan berdasarkan siklus hidup dan kepemilikan. Ini berarti mengelompokkan sumber daya berdasarkan seberapa sering mereka berubah atau oleh tim yang bertanggung jawab untuk memperbaruinya.
Anda dapat memilih untuk mengatur tumpukan Anda dengan membuat tumpukan untuk setiap detektor dan logika pendeteksiannya (misalnya, aturan, variabel, dll.). Jika Anda menggunakan layanan lain, Anda harus mempertimbangkan apakah Anda ingin mengumpulkan sumber daya Amazon Fraud Detector dengan sumber daya dari layanan lain. Misalnya, Anda dapat membuat tumpukan yang menyertakan sumber daya Kinesis yang membantu mengumpulkan data dan sumber daya Amazon Fraud Detector yang memproses data. Ini bisa menjadi cara yang efektif untuk memastikan bahwa semua produk tim penipuan Anda bekerja sama.
## Memahami CloudFormation parameter Amazon Fraud Detector
Selain parameter standar yang tersedia di semua CloudFormation templat, Amazon Fraud Detector memperkenalkan dua parameter tambahan yang akan membantu Anda mengelola perilaku penerapan. Jika Anda tidak menyertakan salah satu atau kedua parameter ini, CloudFormation akan menggunakan nilai default yang ditunjukkan di bawah ini.
| Parameter | Nilai | nilai default |
| --- | --- | --- |
| DetectorVersionStatus | **AKTIF:** Setel versi new/updated detektor ke status Aktif **DRAFT:** Setel versi new/updated detektor ke status Draft | DRAF |
| Sebaris | **BENAR:** Izinkan CloudFormation create/update/delete the resource when creating/updating/deleting ke tumpukan. **FALSE:** Izinkan CloudFormation untuk memvalidasi bahwa objek ada tetapi tidak membuat perubahan apa pun pada objek. | BETUL |
## Contoh CloudFormation template untuk sumber daya Amazon Fraud Detector
Berikut ini adalah contoh template CloudFormation YAMAL untuk mengelola detektor dan versi detektor terkait.
```
# Simple Detector resource containing inline Rule, EventType, Variable, EntityType and Label resource definitions
Resources:
TestDetectorLogicalId:
Type: AWS::FraudDetector::Detector
Properties:
DetectorId: "sample_cfn_created_detector"
DetectorVersionStatus: "DRAFT"
Description: "A detector defined and created in a CloudFormation stack!"
Rules:
- RuleId: "over_threshold_investigate"
Description: "Automatically sends transactions of $10000 or more to an investigation queue"
DetectorId: "sample_cfn_created_detector"
Expression: "$amount >= 10000"
Language: "DETECTORPL"
Outcomes:
- Name: "investigate"
Inline: true
- RuleId: "under_threshold_approve"
Description: "Automatically approves transactions of less than $10000"
DetectorId: "sample_cfn_created_detector"
Expression: "$amount <10000"
Language: "DETECTORPL"
Outcomes:
- Name: "approve"
Inline: true
EventType:
Inline: "true"
Name: "online_transaction"
EventVariables:
- Name: "amount"
DataSource: 'EVENT'
DataType: 'FLOAT'
DefaultValue: '0'
VariableType: "PRICE"
Inline: 'true'
EntityTypes:
- Name: "customer"
Inline: 'true'
Labels:
- Name: "legitimate"
Inline: 'true'
- Name: "fraudulent"
Inline: 'true'
```
## Pelajari lebih lanjut tentang CloudFormation
Untuk mempelajari selengkapnya CloudFormation, lihat sumber daya berikut:
+ [AWS CloudFormation](https://aws.amazon.com/cloudformation/)
+ [AWS CloudFormation Panduan Pengguna](https://docs.aws.amazon.com/AWSCloudFormation/latest/UserGuide/Welcome.html)
+ [CloudFormation Referensi API](https://docs.aws.amazon.com/AWSCloudFormation/latest/APIReference/Welcome.html)
+ [AWS CloudFormation Panduan Pengguna Antarmuka Baris Perintah](https://docs.aws.amazon.com/cloudformation-cli/latest/userguide/what-is-cloudformation-cli.html)