利用图神经网络对抗合成身份欺诈

合成身份欺诈（SIF）是金融领域日益严重的问题，据估计每年给机构造成超过 200 亿美元的损失。与传统的身份盗窃不同，SIF 涉及使用真实和虚构的个人身份信息 (PII) 的组合创建全新的身份。随着欺诈分子变得越来越狡猾，传统的基于规则的系统甚至基本的机器学习模型都难以跟上。 这就是图神经网络（GNN）提供对抗这种复杂欺诈类型的新方法的关键。

关键要点 1：合成身份欺诈是一种独特的欺诈形式，需要超越传统基于规则的系统的先进检测方法。

关键要点 2：图神经网络（GNN）擅长识别数据中的复杂关系，使其非常适合检测合成身份的微妙模式。

关键要点 3：将 GNN 与其他欺诈检测技术（如行为分析和设备指纹识别）相结合，可以提供最高级别的准确性。

关键要点 4：利用 GNN 驱动的积极监控和实时风险评估对于最大限度地减少合成身份欺诈造成的损失至关重要。

了解合成身份欺诈

合成身份欺诈发生在犯罪分子结合合法和虚构的 PII（例如，真实姓名和虚假的社会安全号码）以创建新的、完全人造的身份时。然后，该“合成”身份被用于开设欺诈账户、获取信用以及实施其他金融犯罪。问题的规模非常重大。LexisNexis Risk Solutions 2022 年的一项研究发现，SIF 占所有身份欺诈损失的 50% 以上。

传统的欺诈检测系统通常无法识别合成身份，因为它们依赖于将 PII 与现有数据库进行匹配。由于合成身份是新的，因此它们没有先前的欺诈记录。这使得欺诈分子能够在一段时间内 undetected 地运作，积累大量债务并造成巨大的经济损失。

图神经网络（GNN）的力量

图神经网络（GNN）是一类旨在分析表示为图的数据的机器学习模型。与以线性方式处理数据的传统神经网络不同，GNN 能够捕获数据点之间复杂的联系和依赖关系。这种能力使其特别适合检测合成身份欺诈。

在 SIF 的背景下，可以构建一个图，其中：

• 节点代表实体，如个人、地址、电话号码、电子邮件地址和 IP 地址。
• 边代表这些实体之间的关系——例如，与特定个人关联的地址，或链接到多个帐户的电话号码。

GNN 随后可以学习识别图中指示合成身份的模式，例如看似不相关实体之间的异常连接，或多个帐户之间共享的大量信息。它们寻找传统欺诈检测系统无法察觉的异常情况。

GNN 如何检测合成身份：技术深入探讨

GNN 的核心优势在于它们执行消息传递的能力。图中的每个节点都会聚合来自其邻居的信息，并通过迭代的方式基于周围网络的环境来完善其表示。此过程允许 GNN 学习嵌入——向量表示——每个节点，从而捕获其在图中的位置和关系。

具体而言，GNN 可以通过以下方式识别合成身份：

• 异常检测：识别具有异常连接模式或嵌入表示的节点（实体）。
• 社区检测：发现可能与欺诈活动相关的互连实体集群。
• 链接预测：预测实体之间的缺失关系，从而揭示合成身份之间的隐藏连接。

例如，GNN 可能会将合成身份识别为与合法实体联系很少，但与多个可疑节点联系紧密的节点。或者，它可能会检测到使用单个地址注册大量具有不同姓名和社保号码的帐户的模式——这是欺诈分子常用的策略。

Didit 对抗合成身份欺诈检测的方法

Didit 利用 GNN 的力量，结合其他先进的欺诈检测技术，为对抗合成身份欺诈提供全面的解决方案。我们的平台构建了一个动态的身份数据知识图谱，其中包括：

• 身份验证数据：ID 文件检查、活体检测和生物特征身份验证的结果。
• 反洗钱筛选结果：来自制裁名单、PEP 数据库和不利媒体报道的信息。
• 设备指纹识别：有关用户设备的数据，包括操作系统、浏览器和 IP 地址。
• 行为分析：用户行为模式，例如打字速度、鼠标移动和导航模式。

通过将这些不同的数据源集成到单个图中，Didit 的 GNN 可以识别传统欺诈检测系统遗漏的细微模式。该系统还可以不断学习和适应新的欺诈策略，确保我们的检测能力始终保持领先地位。我们发现识别合成身份的效率比传统方法提高了 30%。

准备好开始了吗？

不要让合成身份欺诈损害您的业务。Didit 先进的欺诈检测平台由图神经网络提供支持，可以帮助您保护您的组织和客户。

立即申请演示： https://demos.didit.me

了解更多关于我们的定价： https://didit.me/pricing

常见问题解答

身份盗窃和合成身份欺诈有什么区别？

身份盗窃涉及窃取现有的合法身份。合成身份欺诈涉及使用真实和虚假 PII 的组合创建新的虚假身份。SIF 通常更难检测，因为该身份不存在于现有数据库中。

图神经网络在检测合成身份欺诈方面有多有效？

与传统方法相比，GNN 在检测 SIF 方面表现出明显更高的准确性。它们可以发现指示欺诈活动的隐藏关系和异常情况，从而大大减少误报和漏报。

构建用于合成身份欺诈检测的图需要什么数据？

一个全面的图应包括有关个人、地址、电话号码、电子邮件地址、IP 地址和交易数据的数据。集成来自身份验证、反洗钱筛选、设备指纹识别和行为分析的数据对于获得最佳性能至关重要。

GNN 能适应新的欺诈策略吗？

是的，GNN 是可以不断学习和适应新模式和趋势的机器学习模型。通过使用新数据重新训练模型，您可以确保其在检测新兴欺诈计划方面的有效性。