安全是有分量的

cdn防护_ddos防御价格_如何防

2021-06-12 04:03栏目:商业圈

cdn防护_ddos防御价格_如何防

在最近的一篇博客文章中,我讨论了FICO如何利用人工智能(AI)和机器学习在欺诈检测中打击应用程序欺诈,包括对有监督、无监督和自适应分析技术的概述,以及在透明度(可解释的AI)与可预测性之间保持平衡的需要。大多数计算机软件编码一组规则-一种算法-人类已经明确定义。机器学习使我们能够构建从数据中"学习"的预测软件,而不是明确告诉我们该做什么。因此,机器学习在欺诈检测中提供了超越基于规则的检测的广泛方法的巨大价值,包括相当大的性能提升。然而,与人们普遍的看法和我们最深切的愿望相反,你不能仅仅把一堆数据扔进机器学习模型,期望成功。当我们了解各种分析工具箱(例如,个人博客高防cdn哪个比较好,有监督的和无监督的方法)的优点和局限性,并了解决定准确性的因素时,机器学习在欺诈检测中的表现会更好。让我们深入研究四类因素。范围范围要求为模型设置一个合理的目标,包括确定要对其进行预测的目标,并确保有足够的数据。虽然一个高度集中的模型只解决欺诈问题的一个小的、专门的部分,但我们能够优化和完善该模型,以很好地完成特定的工作。另一方面,最强防御cc,一个通用模型可以解决更大一类的欺诈类型,但它的性能可能不如一个专门的模型好。通常最好的模型是集中模型和一般评分模型的组合,这些模型可以通过子模型进行分段有效地处理。为了达到正确的平衡,我们必须问:我们评分的实体是什么-申请者,申请人,客户,客户?针对特定欺诈方案(例如,合成身份、破案)建立了哪些模型,或者欺诈定义是否更通用(例如,第三方和第一方欺诈)需要更广泛定义的欺诈检测模型?需要哪些历史数据来支持模型类型的开发-是否有足够的欺诈标签?模型财团是否利用了不同客户对欺诈类型的定义,这些定义必须加以融合,以利用从财团方法中获得的更广泛的洞察力和绩效?该模型预计在生产中使用多长时间?模式的预期寿命是多少?我们是否需要自适应和自学习技术来保持模型的健壮性?模型的透明度要求是什么?特征机器学习模型依赖于从历史数据中获得的特征来推断数据中的模式和关系。换言之,数据并不能阻止它,我们需要创建欺诈和非欺诈的特征检测器,同时支持可用的历史数据和预期的生产数据。我们需要根据当前的历史欺诈行为和非欺诈行为适当定义特征,并创建通用特征,这些特征将随着欺诈者改变策略而适应生产数据中的新模式。FICO在我们自己的应用程序欺诈模型特征库中使用了多种类型的功能。一个例子是网络分析(SNA)的使用,防御cc最有效的防火墙,正如在最近一次FICO网络研讨会上所讨论的那样,它是针对应用程序欺诈的分层防御。其他的例子包括行为剖析技术,原型聚类,局特征,模糊匹配的输出,以及更多的将是另一天的主题。相互作用从特征创建开始,我们有许多特征检测器,云服务器防御ddos,每个检测器具有不同程度的预测能力,但它们必须组合成一个分数。机器学习允许以最佳方式组合数据中的信号,以最大限度地提高检测效率并最大限度地减少误报。对于人类分析员,甚至数据科学家来说,所学到的关系过于复杂,无法进行估算。机器学习过程有助于学习特征的非线性组合-潜在特征-机器学习探索哪些特征组合会导致信号之间的交互,从而增强预测性。例如,考虑确定汽车停车距离所需的原始数据输入。您可以捕获各种数据点,例如环境温度、水的存在和车辆的重量。这些输入之间的关系远比不模拟交互项的简单模型从历史数据中学习到的强大得多。然而,为了获得最精确的结果,模型还应该考虑这些变量之间的相互作用。例如,水和温度之间的关系表明了冰的存在——这是一个明显的预测特征,它强烈地影响停车距离。可解释人工智能在欺诈检测中实施机器学习的最大挑战之一是在高度监管的信贷环境中需要透明度。FICO处于可解释人工智能(XAI)的前沿,研究和开发技术,使人类能够理解机器学习模型是如何达到其分数的,延长分析模型的有效期,以及为组织提供现实世界的适用性,以利用高级分析的能力,同时满足ML的治理和监管要求。请继续关注我的博客系列的下一篇文章是对数据科学家和应用欺诈领域专家德里克·邓普西的采访。同时,开发防御ddos,请务必查看我们之前关于申请欺诈的帖子:应用程序欺诈趋势-从身份盗窃到第一方欺诈建立欺诈风险偏好的最佳实践黑网是怎么工作的?我需要什么数据来防止应用程序欺诈?利用机器学习和人工智能防止应用程序欺诈