AI 反欺诈是怎么工作的：从规则引擎到图神经网络

做风控的人有个共同体会：规则永远慢一步。欺诈分子研究你的规则，绕过它，你再打补丁，然后他们再绕。这是一场持续的军备竞赛。AI 反欺诈的崛起，正是为了让防守方从”追着改规则”变成”自己学会识别异常”。

一、三代技术演进

第一代：规则引擎

人工写规则，比如”同一设备 1 小时内下单超过 5 笔就拦截”。

• 优点：透明、可解释、易上线。
• 缺点：欺诈一变形就失效；规则越堆越多，维护爆炸；对新型欺诈无感知。

第二代：机器学习模型

用逻辑回归、梯度提升树等，基于历史数据学出欺诈模式。

• 优点：能捕捉非线性关系，比规则灵活。
• 缺点：依赖有标签的欺诈样本（且样本极不平衡）；对新出现的团伙欺诈仍难。

第三代：图神经网络与序列模型

它把用户、设备、银行卡、IP 之间的关系建模成一张图，识别团伙行为。

• 优点：能发现”一伙人协同作案”，而不只是单个异常账户。
• 缺点：工程复杂，实时推理成本高。

二、核心方法拆解

1. 图神经网络（GNN）

欺诈很少是孤立的。一批账户共用同一设备、同一收货地址，就是团伙信号。

把实体和关系建图，GNN 能在图上传播信息，让”看起来正常”的账户因为和黑产节点相连而被标记。这是当前反欺诈最有力的武器之一。

2. 异常检测

欺诈样本极少，很难监督学习。异常检测只学正常用户的行为模式，偏离即报警。

• 登录时间、地点、设备突变。
• 交易金额、频率突然异常。
• 操作序列不符合常理。

好处是能抓没见过的欺诈类型，代价是误报需要人工复核。

3. 序列建模

欺诈往往在时间上有前兆。用序列模型（如时序网络）看用户的行为轨迹，能提前捕捉风险信号——比如注册后立刻大额转账、短时间频繁修改绑定信息。

三、特征才是王道

反欺诈里，特征工程的重要性常超过模型选择。关键特征包括：

• 设备指纹：同一设备关联多少账户。
• 行为节奏：操作间隔、打字数度到毫秒差异（机器 vs 人）。
• 关系网络：和设备、地址、支付方式共享的邻居数。
• 时序突变：与历史模式的偏离度。

四、真实局限

保持清醒：

• 样本不平衡：欺诈是极少数，模型容易被”全判正常”带偏。
• 概念漂移：欺诈手法一直在变，模型会过时，需持续更新。
• 对抗性：对手会主动研究你的模型，进行对抗攻击。
• 误杀成本：把正常用户判成欺诈，伤害体验和信任。
• 隐私合规：设备指纹、行为画像涉及个人信息，需合规处理。

五、务实架构

现实中最有效的是分层防御：

1. 规则层：处理明确的、高置信的硬规则，快且透明。
2. 模型层：ML 模型做实时评分。
3. 图分析层：定期跑 GNN，发现团伙和复杂关系。
4. 人工层：高风险案件转人工复核。

没有哪一层能单打独斗，组合起来才能兼顾速度、覆盖和准确。

六、结语

AI 反欺诈的本质，是用机器的学习速度去追平欺诈的进化速度。规则引擎打的是阵地战，AI 打的是游击战的应对。但要记住：没有一劳永逸的模型——风控是一场持续对抗，模型、数据、人审，缺一不可。