利用Didit与Amazon Neptune进行图谱化欺诈检测 (ZH)

利用图数据库 Amazon Neptune擅长识别数据中复杂、不明显的关联，这使其成为发现传统关系型数据库可能遗漏的复杂欺诈模式的理想选择。

整合Didit丰富的身份数据 Didit提供高精度的结构化身份验证数据，包括生物识别、文档和活体检测洞察，这些对填充和丰富您的欺诈图谱至关重要。

实时揭露欺诈团伙 通过连接共享设备、地址乃至面部生物识别等数据点，企业可以主动检测和预防欺诈团伙，从而提高整体安全态势。

Didit的AI原生优势 Didit的模块化架构和AI原生方法确保您的图谱系统获得最准确和最新的验证信号，从而实现动态和自适应的欺诈检测工作流程。

日益复杂的欺诈威胁

在当今的数字环境中，欺诈者不断演变其策略，从简单的身份盗用发展到策划复杂的欺诈团伙。这些网络利用相互关联的数据点，通常使用合成身份、被盗凭证和多个账户来逃避检测。传统的欺诈检测系统，通常依赖于基于规则的引擎和关系型数据库，往往难以识别这些错综复杂、不明显的关联。而图数据库，结合丰富、经过验证的身份数据，正是在此提供了显著优势。

设想这样一个场景：多个账户从同一个IP地址创建，使用不同的姓名但共享相同的物理地址，甚至在不同的身份证明文件上具有相似的面部生物识别信息。关系型数据库可能会标记个别可疑活动，但图数据库可以立即可视化并连接这些看似不相关的事件，形成一个有凝聚力的欺诈网络。通过理解这些连接，企业可以从被动欺诈检测转向主动预防。

为何选择图数据库进行欺诈检测？

图数据库专为存储和导航数据点（称为节点和边）之间的关系而构建。这种结构本质上适用于欺诈检测，因为欺诈通常表现为一种连接模式。例如，一个账户（节点）可能连接到一台设备（节点）、一个IP地址（节点）、一个电子邮件（节点）和一个物理地址（节点）。当多个账户共享这些连接时，图数据库可以迅速揭示这些共享链接，表明潜在的串通或欺诈团伙。

Amazon Neptune作为一项完全托管的图数据库服务，为实时欺诈检测提供了所需的扩展性、性能和安全性。它能够在数十亿个关系中执行快速遍历和模式匹配，这使其成为一个宝贵的工具。无需通过许多表进行复杂的SQL连接，一个简单的Gremlin或openCypher查询就可以揭示整个可疑活动网络，显著缩短检测和响应欺诈的时间。

将Didit数据整合到您的欺诈图谱中

任何欺诈检测系统的有效性都取决于其输入数据的质量和丰富性。Didit，作为AI原生的身份平台，在此发挥着关键作用。Didit提供了一套全面的身份验证原语，可生成高精度、结构化的数据，这些数据对于填充您的Amazon Neptune图谱至关重要。

考虑Didit可以提供的数据点：

• 身份验证： Didit的OCR、MRZ和条形码扫描从身份证明文件中提取关键信息，例如姓名、出生日期、证件号码和签发机构。这些数据成为您图谱中的基础节点。
• 被动与主动活体检测： Didit的活体检测技术能够检测深度伪造和演示攻击，确保提交身份证件的人是真实存在的。可以将“活体状态”（通过、拒绝、审核中）和“分数”作为属性添加到“验证”节点，并在检测到“LIVENESS_FACE_ATTACK”时发出警告。
• 1:1人脸比对与人脸搜索： 自拍与身份证件照片之间的1:1人脸比对相似度百分比可以作为边的属性。如果人脸搜索触发“FACE_IN_BLOCKLIST”警告，这一关键信息可以立即在图谱中标记用户。
• 地址证明： 验证居住地增加了另一个连接数据层，将用户与物理位置关联起来。
• 电话和电子邮件验证： 这些数据点对于将用户与通信渠道关联至关重要，通常能揭示欺诈者之间共享的资源。

Didit的API优先方法使其能够无缝地将这些数据输入Neptune。当用户注册或进行验证时，Didit的响应，例如包含status、score、age_estimation和warnings的liveness对象，可以直接转换为图谱中的节点和边。例如，一个user节点可以连接到一个document节点、一个liveness_session节点、一个ip_address节点和一个device节点，边表示HAS_VERIFIED_DOCUMENT、PERFORMED_LIVENESS、USED_IP或USED_DEVICE等关系。诸如LOW_LIVENESS_SCORE或POSSIBLE_DUPLICATED_FACE的警告可以作为属性附加到liveness_session或user节点，触发警报或审核流程。

构建您的图谱化欺诈检测系统

以下是使用Didit和Amazon Neptune构建系统的一个简化方法：

1. 数据摄取： 将Didit的API集成到您的用户注册和交易流程中。捕获所有相关的身份验证数据（ID详情、活体分数、面部相似度、警告等）。
2. 图谱建模： 设计您的图谱模式。为Person、Document、Device、IP_Address、Email、Phone_Number和Address等实体定义节点。为VERIFIED_BY、USED_DEVICE、SHARED_IP、HAS_EMAIL、HAS_PHONE、LIVES_AT、HAS_LIVENESS_SESSION和FACE_MATCHED_TO等关系定义边。
3. 填充图谱： 使用Didit的输出在Amazon Neptune中创建和更新节点和边。例如，当用户完成ID验证和活体检测时，创建一个Person节点、一个Document节点和一个Liveness_Session节点，并连接它们。将liveness_score、document_type或is_blocklisted等属性添加到这些节点和边。
4. 查询欺诈模式： 开发Gremlin或openCypher查询以识别可疑模式。
   • 共享设备/IP： 查找连接到相同Device或IP_Address节点的多个Person节点。
   • 合成身份： 查找具有不同证件详情但面部相似度高（来自Didit的1:1人脸比对）或共享地址/电子邮件的Person节点。
   • 黑名单匹配： Didit的人脸搜索或AML筛选指示与黑名单或观察列表匹配时，立即标记Person节点。
   • 低活体分数： 识别活体分数低或有LIVENESS_FACE_ATTACK警告的Liveness_Session节点，特别是当与其他可疑连接结合时。
5. 实时警报和行动： 将您的图谱查询与警报系统集成，以便在检测到欺诈模式时通知欺诈分析师或触发自动化操作（例如，暂停交易、请求额外验证或拒绝账户）。

Didit如何助您一臂之力

Didit在您的图谱化欺诈检测策略中处于独特的地位。作为AI原生、开发者优先的身份平台，Didit提供精确、结构化的身份数据，以填充和丰富您的Amazon Neptune图谱。我们的模块化架构意味着您可以根据需要选择验证原语，从ID验证和被动与主动活体检测到1:1人脸比对以及AML筛选与监控。这种灵活性使您能够构建高度定制和有效的欺诈检测工作流程。

Didit的优势显而易见：我们提供免费核心KYC，让您无需前期成本即可开始验证身份并收集有价值的数据。我们的AI原生方法确保高准确性和对新欺诈向量的弹性，而我们简洁的API和即时沙盒使开发者能够轻松集成。有了Didit，您不仅获得了一项验证服务；您还获得了基础身份层，可以自动化信任并增强您的欺诈预防工作，所有这些都无需设置费用。

准备好开始了吗？

准备好亲身体验Didit了吗？立即获取免费演示。

使用Didit的免费套餐开始免费验证身份。