上周,我们强调在第二届年度优步技术日上的一些演讲。在这篇文章中，工程数据科学经理和Uber技术日的演讲者Ting Chen讨论了我们如何利用尖端系统来解决我们平台上的欺诈问题。
欺诈对优步以及用户在平台上的体验都有直接影响。为了打击不法分子，Uber有一个由反欺诈分析师、数据科学家和用户体验专家组成的专门团队，他们在这个问题上协同工作。作为这项工作的一部分，我们建立了内部服务，帮助我们持续监控和应对不断变化的欺诈环境的变化。
这些服务查找错误的行为，即合法用户不会采取的操作。例如，利用我们的反欺诈技术，我们可以区分实际旅行和GPS欺骗产生的旅行，或者分析我们的应用程序是如何被用来揭露欺诈者的。
在本文中，我们将详细介绍一些类型的欺诈以及我们用来对付它们的技术。
欺诈的类型
在优步，我们处理多种类型的欺诈，比如支付欺诈、滥用激励和账户被盗用。我们将这些类别概述如下:
支付欺诈
当坏人用偷来的信用卡支付优步旅行费用时，就会发生支付欺诈。通常情况下，当信用卡持有者发现自己的账户上有未经授权的交易时，他们会打电话给银行或信用卡公司提出异议，优步会退还这笔费用。为了从偷来的信用卡中获得最大的利润，诈骗者自己不会进行这些旅行。相反，他们作为代理服务，在网站和聊天论坛上向其他人宣传打折的旅行服务。
激励滥用
优步经常为注册或推荐朋友的新用户提供积分，并为在给定时间段内完成一定行程的司机提供奖金。欺诈者试图利用这些激励措施，通过创建虚假账户来赚取新用户和推荐积分，或者模拟虚假旅行来赚取司机奖金。
账户被盗
诈骗者还利用网络钓鱼技术访问乘客和司机账户。有了乘车人账户，欺诈者就可以提供代理服务，把乘车人卖给其他人。进入司机账户可能会让骗子取钱。网络钓鱼技术通常包括电子邮件、短信或电话，以欺骗用户放弃他们的密码和双因素身份验证码。
检测系统
大规模打击欺诈是一项具有挑战性的任务。我们打击的不是少数个人，而是组织严密的大型犯罪团体，他们拥有先进的技术和优质的客户服务。然而，我们已经开发出更先进的技术来帮助解决这个问题。
GPS欺骗检测
我们已经看到不法分子使用GPS欺骗应用程序在手机上创建假位置，以模拟真实的旅行，并希望通过司机账户获得报酬。标准的方法是，欺诈者创建一个新的乘客账户，添加一张被盗的信用卡，然后用这个账户从他们的司机账户中支付欺骗/虚假的旅行。信用卡被兑现，付款进入欺诈司机的账户。有时，欺诈者会制造多次欺骗/虚假行程，以增加总行程数，这样他们就可以从优步获得奖励奖金。他们不知道的是，我们可以检测GPS欺骗并阻止这些欺诈性付款。
为此，我们通过汇总历史旅行数据，开发了全球所有地理位置的海拔剖面。然后，我们将每次旅行的高度与剖面高度进行比较。在这个示例中，如图6所示，您可以很容易地看到真实旅行的高度与地球表面非常接近，而假旅行则在空中飞行或在地下旅行。
我们使用类似的计算进行速度匹配，如图7所示，使用一周中每天全球路段的每小时速度概况。通过将旅行的速度与速度剖面进行比较，我们可以看到以异常速度行驶的旅行的百分比，这表明它是假的可能性。
位置完整性作为一种防御策略是一项复杂的任务，并且在优步出行较少的地区受到限制。为了加强我们的欺诈预防，我们通过相应的低旅行概率和高欺诈账户注册率来识别可疑区域。将这些参数与其他信号(如财务损失、设备信息、行程级别或用户级别特征)相结合，我们对行程进行了人工审查。我们有一个专门的人工审查小组负责高度自信地将旅行标记为合法或欺诈，同时也发现了新的欺诈模式。最后，我们建立了一个高精度的机器学习模型来检测GPS欺骗造成的行程。同时，我们可以使用深度学习模型进行异常检测，减少工程新特征的工作量。
序列建模对用户行为进行分类
普通用户和欺诈者与优步应用程序的互动模式不同。当请求乘车时，大多数用户遵循以下顺序:编辑下车位置，在地图上移动大头针，查看不同产品类型的价格，然后单击行程请求按钮。欺诈者遵循一种不同的模式，为他们尽可能快地赚到最多的钱。这些不同的使用模式让我们使用长短期记忆(LSTM)深度学习模型来区分两者。
例如，优步的新用户通常会花时间查看产品类型，比较uberPOOL、uberX和UberBLACK之间的差异。然而，为他人提供代理服务的诈骗者会花更多的时间编辑地址、移动别针和更改付款方式。
我们将抽头流数据视为时间序列并使用在一个炎热的编码以表示每个抽头。我们还将时间戳附加到向量上，以保留时间持续信息。这些向量是LSTM模型的输入。最后一个激活层是一个概率分数，用于预测一系列点击是否来自不良用户。最后一层是一个64维的密集向量，它也可以被看作是抽头流的编码特征。
我们将概率得分和编码特征添加到基线业务模型中，并演示了其有效性使用LSTM进行抽头流分析。我们的实验结果表明，从LSTM中学习到的分数和编码特征是传统模型中最重要的特征，并且模型的召回率是最低的大大lifted与没有LSTM特征的模型相比，高达67%，如下图13所示:
前进
打击欺诈是一项长期的、持续的努力，因为欺诈黑市本身非常复杂，随着时间的推移会适应新产品和新服务。我们需要构建的系统在提供欺诈检测的快速周转和提供健壮、稳定和可扩展的基础设施之间保持良好的平衡。
致谢
Ting Chen, Xiao Cai, Marjan Baghaie和Chenliang Yang是Uber Engineering的主要贡献者，他们构建了本文中概述的两种防欺诈技术。
如果你对通过数据科学和机器学习解决复杂问题感兴趣，可以考虑一下加入我们的团队．
订阅我们的时事通讯以跟上优步工程的最新创新。
