安全是有分量的

高防cdn_防高反的药_怎么防

2021-06-11 23:09栏目:科技报

高防cdn_防高反的药_怎么防

在我之前的文章中,我描述了开放银行欺诈分析的工作原理。在介绍了行为分析之后,这篇文章重点介绍了如何将通过行为配置文件提炼的数据组合到一个无监督的机器学习模型中,以生成一个指示欺诈或非欺诈的分数。使用无监督模型的基本原理对于开放银行的欺诈分析,由于历史数据尚不可用,防火墙如何防御ddos攻击,开放银行在采用方面的演变仍不清楚,无监督机器学习可以成为打击金融犯罪事件的有力武器。没有足够的标记历史数据,就无法建立有监督的机器学习模型,如神经网络。因此,无监督机器学习模型提供了一个有价值的选择。FICO的无监督机器学习技术被称为多层自校准(MLSC)模型,由FICO开发并获得专利,以确定交易有多不寻常,该技术基于关键特征检测器,通常基于专家知识来确定生产中的风险行为。 图1。FICO-Falcon平台中有监督与无监督学习 自校准和分位数简介一般来说,自校准被定义为模型能够适应预测变量分布的变化,以适应不断变化的支付转移模式和适应经济变化。分位数是指将一个数据样本分成大小相等、相邻的子群。例如,中位数是一个分位数,它被置于概率分布中,因此一半的数据低于中位数,另一半高于中位数。百分位数是将一个分布分成100个相等部分的分位数(图2)。 图2。分布中的百分位 MLSC模型MLSC模型使用机器学习和统计技术动态地缩放变量,估计变量值分布并确定关键特征检测器中的异常值,云ddos防御,然后计算比单独输入更具预测性的潜在特征。对于同一个收款人组账户,示例中显示了同一个收款人账户的相对分配金额3。由于开放银行环境的动态性,这一特征的分布预计会随着时间的推移而改变。换言之,作为异常值的百分位阈值在日常基础上可能有所不同;今天的异常值在明天可能是正常的。因此,淘宝是如何防御ddos,为了使模型健壮,它必须在生产环境中"动态地"重新计算百分位阈值的值。不管分布类型(正态还是非正态),百分位都可以用作异常值阈值。 图3。新收款人账户大额转账分布的变化 在MLSC模型中,如前所述,服务器ddos防御方法,异常行为是基于分位数来度量的。用于缩放输入的标准化参数是百分位估计值,每次新事务进入FICO Falcon平台时都会导出和更新这些估计值(图4)。MLSC模型从生产中的事务中学习,随着行为模式的变化而调整。 图4。MLSC模型中的自适应离群点检测  重要的是要认识到MLSC模型类似于神经网络,高防免费cdn1001无标题,因为它们将神经网络的特性与自适应异常检测相结合(图5)。 图5。传统神经网络与MLSC模型的比较 在神经网络中,节点通常是完全连接的,因为网络需要学习如何将数据输入映射到相应的标签。学习是通过迭代调整网络权值和最小化预测误差来完成的。在训练之后,缩放参数被"冻结",这保留了模型的操作方面,以便正确操作,但如果行为模式快速演化,则可能会导致网络性能随时间的推移而下降。另一方面,在MLSC模型中,隐藏层中的每个节点都是一个表示潜在特征的自校正小模型,该模型能够学习特定输入的分布变化以及潜在特征中输入组合的变化,以实时检测行为异常值。这些来自隐藏层的潜在特征所产生的输出随后被组合到输出层中,以生成最终分数,指示欺诈或非欺诈。由于MLSC模型结合了来自多个自校正迷你模型的输出,它们可以利用潜在的预测因子来达到期望的预测水平。如图5所示,为了克服在将输入层中的变量分配给隐藏层中的节点时可能存在的选择偏差,将输入层中的变量分组在一起,以便包含相互信息的相关变量创建"因子组"。这里的目标是不让隐藏层中的任何一个节点过于依赖于任何一种欺诈特征。通常,每个隐藏节点与每个因子组中的1个变量(或无)连接。了解更多有关开放银行业欺诈分析的更多信息,请参阅我之前关于欺诈分析、行为分析的文章,以及我关于FICO的人工智能和机器学习如何应对开放银行革命的白皮书。开放银行:行为分析的流式分析。了解流式分析和机器学习如何为每个客户创建一个考虑其典型和最常见行为的行为概要文件。开放银行:多层自校准模型(MLSC)。了解无监督机器学习和自校准异常值分析的用途,这些分析可根据预测特征分布的变化实时捕获行为异常值。深度学习:模型监控的自动编码器。了解如何使用深度学习方法来监视机器学习模型(包括上述MLSC模型)的操作行为。