10月11日-14日，由阿里巴巴集团举办的2017云栖大会在浙江杭州召开。作为业界知名的技术大会之一，每年的云栖大会都会吸引无数目光的关注，本届也不例外。据统计，现场参与云栖大会的观众超过4万人次，通过线上参与大会的更是不计其数。DataVisor作为领先的人工智能科技创新公司也受邀参展，并进行了“云时代基于人工智能大数据的欺诈检测”主题分享。
David Ting，DataVisor技术副总裁
DataVisor技术副总裁David Ting在演讲中表示，随着时间的推移，欺诈检测变得越发重要。其中原因有三：一是由欺诈引发的损失在不断增加。全球每秒钟有12位线上用户成为网络犯罪的受害者，每天有超过100万用户受到侵害。统计数据显示，2015年全球范围内由欺诈造成的损失约3万亿美元，而预计到2021年，这一数字将翻一倍达到6万亿美元。
二是现有的检测技术不完善。全球500强中有75％会受到网络犯罪的侵害，但它们从被侵害到检测出受到侵害所需要的平均时间为146天，这其中可能存在的潜在威胁可想而知。
三是受攻击的范围在增加。物联网正在普及，2017年全球联网设备数量在87亿左右，到2020年，这一数字将增加至210亿，这意味着可能受到的攻击大大增加。预测显示，到2020年，企业受到攻击中的25%可能是针对物联网的。
除此之外，每天我们都面临着新的挑战，来自线上的，比如EMV芯片（银行卡芯片）的普及、大规模数据泄漏带来的风险、不断增长的线上和移动交易量；更多的欺诈手段，如云托管的基础设施、代理服务器和VPN、模拟器、移动设备刷机、人工智能等。
David Ting强调，如今的攻击是多样化的、协同的，这使得传统检测技术变得越来越难以应对，而这就是DataVisor赋予自己的使命。DataVisor公司成立于2013年，创始团队成员来自微软研究院，公司核心技术是独创的无监督机器学习算法。
在演讲中，David Ting就当前应用比较广泛的四种检测技术进行了比较。
一、信誉库和设备指纹 与数据库中的特征比对，匹配就通过，反之则不通过。其局限性在于覆盖率和准确度有限，可以通过模拟机逃避检测。
二、规则引擎 基于数据库知识独自管理运行规则，同样可以使用加权打分评分机制。其局限性在于需要对欺诈行为有深入了解，需要人工手动持续调节规则，不能有效应对变化的欺诈手段。
三、有监督机器学习 需要大量有标签数据训练检测模型，可用于检测同样行为的攻击，但无法检测未知欺诈行为。
四、无监督机器学习 和有监督机器学习最大的不同在于能够进行自学习，自动生成标签，用于机器训练检测模型；自动产生规则，节省大量人工规则调试成本；自动挖掘和检测各种已知、未知的欺诈行为。
（David Ting分享－关于欺诈技术检测比较）
从一到四，技术越来越智能化、自动化，有效性越来越高。David Ting进一步解释说，DataVisor无监督机器学习是一套自动化的、系统化的方法，支持结构化和非结构化数据的分析处理，能够发现未知用户间可疑的关联，对欺诈行为进行提早预警。
根据David Ting现场公布的一组DataVisor无监督机器学习算法和K-Means聚类算法的检测效果对比数据显示，得益于可扩展计算的普及，240万条数据的检测时间由5小时缩减为6分钟，更好算法的应用使得检测错误率由41%降低至4%。
凭借突出的表现，DataVisor正获得越来越多用户的认可。截止当前，DataVisor保护着全球超过20亿账户、分析处理超过6000亿用户事件、检测出1亿7千万坏账户，服务客户包括阿里巴巴、大众点评、猎豹移动、Yelp、Pinterest等。
关于我们
DataVisor是提供在线欺诈和金融犯罪检测服务的领先者，成立的初衷是希望利用最先进的人工智能技术结合无监督学习算法以及大数据应用，最大程度保护用户的数字资产。
免责声明：本网站内容主要来自原创、合作伙伴供稿和第三方自媒体作者投稿，凡在本网站出现的信息，均仅供参考。本网站将尽力确保所提供信息的准确性及可靠性，但不保证有关资料的准确性及可靠性，读者在使用前请进一步核实，并对任何自主决定的行为负责。本网站对有关资料所引致的错误、不确或遗漏，概不负任何法律责任。任何单位或个人认为本网站中的网页或链接内容可能涉嫌侵犯其知识产权或存在不实内容时，应及时向本网站提出书面权利通知或不实情况说明，并提供身份证明、权属证明及详细侵权或不实情况证明。本网站在收到上述法律文件后，将会依法尽快联系相关文章源头核实，沟通删除相关内容或断开相关链接。
