金融交易中的实时欺詐检测

18/24金融交易中的实时欺詐检测第一部分实时欺诈检测的必要性 2第二部分常见的金融交易欺诈类型 4第三部分实时欺诈检测模型的建模方法 6第四部分风险特征识别与提取技术 9第五部分实时欺诈检测中的机器学习算法 11第六部分实时欺诈检测中的大数据分析 13第七部分实时欺诈检测的挑战与应对措施 17第八部分实时欺诈检测的未来趋势 18

第一部分实时欺诈检测的必要性实时欺诈检测的必要性

在现代金融环境中，实时欺诈检测已变得至关重要。随着数字和移动交易的激增，欺诈者找到了新的方式来窃取资金和敏感信息。因此，金融机构必须实施先进的检测系统，以保护其客户和资产免受欺诈攻击。

欺诈的日益复杂性

传统上，欺诈主要通过物理途径进行，例如伪造支票或信用卡盗刷。然而，随着技术的进步，欺诈者采用越来越复杂和隐蔽的方法来实施其计划。如今，常见的欺诈类型包括：

*身份盗窃

*账户接管

*汇款欺诈

*在线购物欺诈

*洗钱

实时检测的优势

实时欺诈检测系统通过在交易发生时对其进行分析，在防止和检测欺诈方面发挥着至关重要的作用。与传统的事后检测方法相比，实时检测提供了以下优势：

*提高准确性：实时系统可以整合多个数据源，包括交易历史、设备指纹和地理位置，以创建一个更全面和准确的客户画像。这有助于识别异常模式，从而提高欺诈检测的准确性。

*更快的响应时间：当检测到欺诈性交易时，实时系统可以立即采取行动，例如冻结账户或拒绝交易。这有助于防止进一步的损失并保护客户的资产。

*减少误报：传统的事后检测系统可能会产生大量误报，从而导致不必要的警报和错误阻止的合法交易。实时系统可以利用高级分析和机器学习算法来减少误报，同时提高检测准确性。

*保护声誉：欺诈事件会对金融机构的声誉造成严重损害。实施实时欺诈检测系统可以帮助防止欺诈，并维护机构对其客户的信任。

数据维度和分析技术

有效的实时欺诈检测需要整合来自多个数据来源的数据。这些维度包括：

*交易数据：金额、日期、时间、交易类型、接收方和发送方信息。

*设备指纹：设备类型、操作系统、网络连接、IP地址和位置。

*行为模式：过去交易历史、消费习惯和地理位置信息。

*外部数据：信用报告、反洗钱数据库和欺诈情报信息。

实时欺诈检测系统利用高级分析技术，包括：

*机器学习：人工智能算法可以学习识别欺诈模式并随着时间的推移提高准确性。

*规则引擎：基于预定义规则的系统可以快速检测特定欺诈模式。

*统计建模：数学模型可以检测交易中的异常模式和趋势。

实施考虑因素

实施实时欺诈检测系统时，金融机构需要考虑以下因素：

*成本：实时系统的实施和维护成本可能很高，因此机构需要权衡成本效益。

*整合：系统需要与现有的核心银行系统和支付网络顺利整合。

*可扩展性：系统应该能够扩展以适应交易量的增长和新的欺诈技术。

*供应商支持：机构应与拥有良好声誉和持续支持的供应商合作。

结论

实时欺诈检测已成为金融行业不可或缺的一部分。通过部署先进的系统，金融机构可以提高欺诈检测的准确性，缩短响应时间，减少误报，并保护客户的资产和声誉。随着数字和移动交易的持续增长，实时欺诈检测对于维护金融系统的完整性至关重要。第二部分常见的金融交易欺诈类型关键词关键要点信用卡欺诈

1.盗用信用卡号码、到期日和安全码，进行未经授权的购买或取现。

2.创建虚假信用卡账户并使用它们来进行欺诈性交易。

3.通过网络钓鱼或恶意软件窃取信用卡信息。

身份盗用欺诈

金融交易中的常见欺诈类型

在金融交易中，欺诈行为是一个持续的威胁，给个人和组织造成重大损失。了解常见的欺诈类型至关重要，以便采取预防措施并保护您的财务。以下是金融交易中常见的欺诈类型：

信用卡欺诈

这是一种未经授权使用他人信用卡进行购买或交易的行为。它可以通过盗取或复制信用卡信息、欺骗性索赔或冒名身份窃取来实施。

借记卡欺诈

类似于信用卡欺诈，借记卡欺诈涉及未经授权使用他人借记卡。由于借记卡直接连接到银行账户，因此此类欺诈可能造成即时财务损失。

支票欺诈

支票欺诈涉及伪造或篡改支票，以从他人的账户中提取资金。欺诈者可以使用偷来的支票本、伪造签名或更改支票金额。

网上银行欺诈

随着网上银行的普及，欺诈者找到了利用数字渠道实施欺诈的新方法。这可能涉及黑客攻击账户、盗取登录凭据或使用恶意软件窃取敏感信息。

投资欺诈

投资欺诈是诱骗他人投资于虚假或高风险投资计划。欺诈者可能伪造投资组合、夸大回报或使用庞氏骗局来吸引投资者。

保险欺诈

保险欺诈涉及夸大或伪造保险索赔，以从保险公司获取不当收益。这可能涉及夸大损失、伪造事故或提交虚假文件。

身份盗窃

身份盗窃涉及获取和使用他人的个人信息，进行欺诈交易或开设账户。欺诈者可以使用丢失的文件、网络钓鱼电子邮件或社交媒体账户窃取这些信息。

洗钱

洗钱是指通过掩盖或隐藏其非法来源将非法所得资金合法化的过程。欺诈者使用复杂的金融交易网络来洗钱，使资金来源难以追踪。

金融滥用

金融滥用涉及非法或不道德地使用金融信息或产品。这可能包括内幕交易、市场操纵或使用特权信息谋取个人利益。

欺诈性发票

欺诈性发票包括提交虚假或夸大的发票，以从企业或个人那里索取付款。欺诈者可能伪造成合法的供应商或创建虚假公司来实施此类欺诈。

网络钓鱼

网络钓鱼是一种骗局，欺诈者通过冒充合法的机构或个人发送电子邮件或消息，诱骗受害者提供个人或财务信息。这些信息可用于进行身份盗窃或欺诈交易。

跨境欺诈

跨境欺诈涉及跨越多个司法管辖区的欺诈行为。由于国际合作和执法方面的复杂性，此类欺诈可能更难检测和调查。第三部分实时欺诈检测模型的建模方法实时欺诈检测模型的建模方法

实时欺诈检测模型的建模方法旨在快速有效地识别和拦截欺诈交易。这些方法通常利用实时数据和机器学习算法来检测异常模式和行为。以下是对常见模型建模方法的概述：

1.规则引擎

规则引擎是基于预定义的规则和条件集的传统方法。这些规则通常基于专家知识和历史欺诈事件，旨在识别和阻止潜在欺诈交易。虽然规则引擎易于实现和维护，但它们可能缺乏灵活性，且可能无法适应新的欺诈模式。

2.统计建模

统计建模使用统计技术（如逻辑回归、决策树和神经网络）来识别欺诈交易。这些模型通过分析历史交易数据来学习欺诈模式，并使用这些知识对新交易进行评分。与规则引擎相比，统计建模更具灵活性，可以适应新的欺诈模式，但它们可能需要大量数据进行训练并且可能难以解释。

3.机器学习模型

机器学习模型利用机器学习算法（如监督学习、无监督学习和深度学习）自动学习欺诈模式，无需明确的规则或条件。这些模型可以处理大量数据，并随着时间的推移自动调整，以适应不断变化的欺诈景观。

监督学习模型

监督学习模型通过使用带标签的数据进行训练，其中已知交易是否为欺诈。这些模型学习输入变量和输出（欺诈与否）之间的关系，并使用这些知识对新交易进行分类。常见的监督学习算法包括：

*逻辑回归：一种线性分类器，使用逻辑函数对交易进行评分。

*决策树：一种分层模型，将交易基于特征值划分为不同类。

*支持向量机：一种非线性分类器，在高维空间中将交易映射到最佳分离超平面。

无监督学习模型

无监督学习模型使用未标记的数据来识别欺诈模式。这些模型通过查找未标记数据中的模式和异常值来工作。常见的无监督学习算法包括：

*聚类：将类似的交易分组到簇中，然后分析簇的行为以识别欺诈模式。

*异常检测：识别与正常交易显着不同的交易，这些交易可能表示欺诈。

深度学习模型

深度学习模型是一种高级机器学习算法，使用神经网络架构来学习复杂模式。这些模型可以处理大量数据，并自动学习欺诈交易的特征和关系。深度学习模型在实时欺诈检测中变得越来越流行，因为它们能够识别复杂和微妙的欺诈模式。

4.混合模型

混合模型结合了不同类型的建模方法以增强整体欺诈检测性能。例如，规则引擎可以用于快速识别已知的欺诈模式，而机器学习模型可以用于检测更复杂的欺诈模式。混合模型可以利用不同建模方法的优势，提供更全面和有效的欺诈检测能力。

模型评估和调整

实时欺诈检测模型的建模后，需要进行评估和调整以确保其准确性和有效性。评估指标通常包括准确率、召回率和F1分数。模型调整涉及调整其参数，例如规则阈值或机器学习算法的超参数，以优化性能。

持续的模型监控和更新对于确保实时欺诈检测系统保持其有效性至关重要。随着时间的推移，欺诈模式可能会发生变化，因此模型需要定期更新以适应这些变化。通过监控模型性能并根据需要进行调整，可以最大程度地提高欺诈检测的准确性和预防欺诈损失的能力。第四部分风险特征识别与提取技术关键词关键要点主题一：账户活动异常检测

1.分析账户登录时间、频率、地理位置等，识别异常登录或活动模式。

2.监控账户资金流动，检测大额或可疑交易，如短时间内多次高频交易。

3.检查账户风险评估信息是否与账户活动相符，发现异常风险状况。

主题二：交易模式识别

金融交易中的实时诈骗检测

简介

实时诈骗检测是金融机构保护自身免受欺诈交易影响的重要工具。通过部署先进技术，机构可以识别和阻止异常交易，最大限度地减少损失和维护客户信任。

风险特征识别

实时诈骗检测系统利用机器学习算法识别交易中的风险特征，例如：

*异常消费模式

*异常的大额交易

*对敏感商品或服务的不寻常购买

*欺诈性IP地址或设备

*与已知欺诈者关联的账户

提取技术

从交易数据中提取风险特征的技术包括：

*规则引擎：使用预定义规则识别可疑交易。

*统计异常检测：比较交易模式与历史基准，识别异常值。

*机器学习算法：使用数据训练模型来预测欺诈的可能性。

*神经网络：复杂的算法，可以从数据中学习高级模式。

特征提取与风险评分

提取的风险特征与每个特征关联的风险权重结合。权重由相关的欺诈风险确定。这些权重加总以产生交易的风险评分。

实时决策

实时诈骗检测系统根据风险评分做出决策。低风险交易将被批准，而高风险交易将被标记为审查或拒绝。系统还可以触发警报以供人工调查。

优点

*实时预防欺诈交易

*减少损失

*维护客户信任

*遵守法规

结论

实时诈骗检测是金融机构应对欺诈交易的不可或缺的工具。通过识别风险特征，提取技术和风险评分，机构可以保护自身并为客户创造一个安全可靠的交易环境。第五部分实时欺诈检测中的机器学习算法关键词关键要点主题名称：监督式学习

1.在监督式机器学习中，模型使用已标记的数据训练，该数据包含输入特征和相应的目标变量。

2.训练后，模型能够预测新数据的目标变量，从而识别欺诈交易。

3.常见的监督式算法包括逻辑回归、决策树和支持向量机。

主题名称：无监督式学习

实时欺诈检测中的机器学习算法

1.监督学习算法

1.1决策树

*易于解释和可视化

*可处理高维数据和缺失值

*对异常值敏感

1.2随机森林

*集成算法，通过组合多个决策树来提高准确性

*鲁棒性高，不易过拟合

*可通过特征重要性得分识别关键欺诈指标

1.3SVM（支持向量机）

*非线性分类器，通过找到数据点之间的最佳分隔超平面来工作

*擅长处理复杂和高维数据

*对噪声和异常值具有鲁棒性

2.非监督学习算法

2.1密度估计

*建立数据的概率密度函数

*检测密度函数中异常值或模式变化，这些异常值或模式变化可能表示欺诈行为

2.2聚类

*将数据点划分为不同的簇或组

*检测欺诈行为，这些行为可能表现为从正常簇中的异常值或创建新的簇

3.时间序列分析算法

3.1隐马尔可夫模型（HMM）

*序列模型，假设数据是由隐藏随机变量生成的

*可用于检测欺诈序列，例如欺诈交易模式

3.2卡尔曼滤波

*递归算法，通过结合观测和预测来估计状态

*可用于检测欺诈行为，这些行为可能表现为状态估计中的异常值或不一致性

4.神经网络算法

4.1深层神经网络（DNN）

*多层神经网络，可提取数据的非线性特征

*可用于检测复杂且难以用传统方法检测的欺诈行为

4.2递归神经网络（RNN）

*处理序列数据的特殊神经网络，例如时间序列数据

*可用于检测序列欺诈，例如连续欺诈交易

5.算法评估和选择

算法评估和选择是实时欺诈检测的关键步骤。评估指标包括：

*精确度

*召回率

*F1分数

*混淆矩阵

算法选择取决于数据类型、欺诈模式和计算资源。考虑因素包括：

*数据维度和复杂性

*欺诈行为的性质

*可用计算能力

*可解释性要求第六部分实时欺诈检测中的大数据分析关键词关键要点实时欺诈检测中的大数据分析

主题名称：数据预处理和特征工程

1.大量异构数据集的整合和清理，包括交易数据、设备信息、用户行为数据。

2.特征提取和选择，从原始数据中识别出对欺诈检测相关的特征变量。

3.异常点检测和数据增强，识别可疑交易并生成合成数据以丰富训练数据集。

主题名称：机器学习模型

实时欺诈检测中的大数据分析

前言

大数据分析在实时欺诈检测中发挥着至关重要的作用，它提供了大量的数据和见解，使金融机构能够及时识别和应对欺诈活动。本文将深入探讨大数据分析在实时欺诈检测中的应用及其带来的优势。

大数据和欺诈检测

大数据是指海量、多样化和快速增长的数据集，超出了传统数据处理系统的处理能力。在欺诈检测中，大数据提供了：

*全面覆盖：从多个来源收集大量交易数据，包括POS终端、移动应用程序和在线交易。

*实时洞察：通过流处理和事件驱动的架构，对交易进行实时分析，允许立即识别可疑活动。

*复杂模式识别：分析海量数据中的复杂模式和异常情况，发现欺诈分子使用的先进技术。

大数据分析技术

大数据分析用于欺诈检测的常见技术包括：

*流处理：实时处理数据流，允许即时检测欺诈活动。

*机器学习：运用算法训练模型，识别欺诈性交易模式。

*人工智能：使用自然语言处理(NLP)和计算机视觉等技术，分析非结构化数据并检测异常。

*关联规则挖掘：识别不同交易之间隐藏的关联，揭示欺诈行为。

优势

大数据分析为实时欺诈检测提供了以下优势：

*提高检测准确性：分析来自多个来源的大量数据，提高检测可疑交易的准确性。

*缩短检测时间：通过流处理和实时分析，加快欺诈活动的检测速度，减少损失。

*识别新兴欺诈趋势：不断分析数据可以识别欺诈分子的新兴技术和模式。

*个性化欺诈预防：基于客户行为和交易历史的数据，为每个客户制定个性化的欺诈检测策略。

*降低运营成本：自动化实时欺诈检测流程，降低人力成本和运营开支。

用例

大数据分析在实时欺诈检测中的应用包括：

*信用卡欺诈：分析交易数据以识别未经授权的购买、帐户接管和身份盗用。

*电子银行欺诈：检测可疑转账、登录尝试和资金盗窃。

*保险欺诈：分析索赔数据以识别虚假索赔和夸大索赔。

*反洗钱：监控交易以识别可疑活动并符合监管要求。

*网络攻击检测：分析网络流量数据以识别恶意活动和安全性漏洞。

挑战

尽管大数据分析在实时欺诈检测中提供了许多优势，但它也面临一些挑战，包括：

*数据质量：确保数据的准确性和完整性至关重要，以避免做出错误的检测。

*计算能力：处理海量数据需要强大的计算能力和基础设施。

*人才短缺：需要具有大数据技能和欺诈检测专业知识的熟练人才。

*监管合规：金融机构必须遵守数据隐私和安全法规，这增加了复杂性。

*可解释性：解释大数据分析模型用于做出决策的原因可能具有挑战性。

未来趋势

大数据分析在实时欺诈检测中不断发展，预计会有以下趋势：

*更先进的机器学习算法

*边缘计算和物联网集成

*人工智能和自动化

*云原生解决方案

*注重可解释性和道德算法

结论

大数据分析已成为实时欺诈检测中必不可少的工具。通过分析来自多个来源的海量数据，金融机构能够提高检测准确性、缩短检测时间并识别新兴的欺诈趋势。尽管面临一些挑战，但大数据分析的持续进步有望进一步增强金融机构应对欺诈活动的防御能力。第七部分实时欺诈检测的挑战与应对措施实时欺诈检测的挑战与应对措施

挑战

*数据量巨大：金融交易每天产生大量数据，实时分析这些数据具有挑战性。

*欺诈行为不断演变：欺诈者不断开发新的方法，使实时检测变得困难。

*系统延迟：实时欺诈检测的要求是分析交易并在毫秒内做出响应，即使对大型数据集也是如此。

*误报和漏报：实时欺诈检测系统必须能够平衡误报和漏报之间的取舍，避免过度警报或错过合法交易。

*法规合规：金融机构必须遵守不断变化的法规，同时实施实时欺诈检测解决方案。

应对措施

*机器学习模型：运用监督和无监督机器学习算法构建检测模型，根据历史欺诈数据识别异常交易模式。

*流式数据处理：使用流式数据处理平台，对不断到达的数据进行实时分析，以检测欺诈行为。

*实时评分卡：根据预定义的规则和变量创建实时评分卡，为每一笔交易分配欺诈风险分数。

*行为分析：监控用户行为模式，以检测可疑活动，例如异常的登录时间或交易频率。

*设备指纹识别：收集和分析个人设备指纹（例如IP地址、浏览器类型），以识别欺诈者试图掩盖其身份。

*多因素身份验证：实施多因素身份验证机制，以增强安全性并减少欺诈风险。

*规则引擎：制定基于规则的系统，以识别交易中的常见欺诈模式，并触发警报。

*合作与信息共享：与外部组织合作，共享欺诈数据和信息，以识别跨平台的欺诈活动。

*欺诈调查和响应计划：建立明确的欺诈调查和响应计划，以妥善处理可疑交易和防止欺诈损失。

*持续监控和调整：定期监控实时欺诈检测系统，并根据欺诈模式的变化和监管要求进行调整。

通过采用这些应对措施，金融机构可以提高其实时欺诈检测能力，减少欺诈损失，并维护客户的信任。第八部分实时欺诈检测的未来趋势关键词关键要点【智能欺诈模型】

1.机器学习和深度学习算法的进步，使欺诈模型能够更准确地识别异常交易模式。

2.可扩展且可部署的实时欺诈检测平台，可以处理大规模交易数据，并快速适应不断变化的欺诈策略。

3.持续的模型优化和功能改进，确保欺诈检测系统保持高准确性，并降低误报率。

【生物识别技术】

实时欺诈检测的未来趋势

随着技术的发展和全球金融格局的不断变化，实时欺诈检测也面临着新的挑战和机遇。以下是一些备受期待的未来趋势：

1.人工智能(AI)和机器学习(ML)

AI和ML算法在实时欺诈检测中发挥着越来越重要的作用。这些算法可以处理大量数据，识别复杂模式和趋势，从而提高检测准确性。机器学习模型能够随着时间的推移进行学习和适应，以便应对新的欺诈威胁。

2.大数据分析

大数据分析使企业能够收集和分析大量结构化和非结构化数据，包括交易记录、客户行为和社交媒体数据。通过分析这些数据，企业可以获得对欺诈者行为模式的深入了解，并开发更有效的检测模型。

3.生物特征识别

生物特征识别技术，如指纹识别、面部识别和虹膜识别，正在被用于增强实时欺诈检测的安全性。这些技术可以帮助验证用户的身份，并防止欺诈者冒用他人身份进行交易。

4.欺诈情报共享

金融机构和科技公司正在建立合作关系，共享有关欺诈威胁的情报。这种共享可以帮助识别新的欺诈模式，并提高检测效率。

5.区块链技术

区块链技术有潜力革命化实时欺诈检测。分布式账本技术提供了一个不可篡改且安全的记录系统，可以用于存储和共享欺诈交易数据。这可以提高检测准确性并促进各机构之间的协作。

6.云计算

云计算平台提供可扩展且经济高效的计算能力，用于实时欺诈检测。企业可以利用云资源快速部署和扩展其欺诈检测系统，以适应不断变化的需求。

7.自适应实时决策引擎

自适应实时决策引擎可以根据不断变化的欺诈威胁和业务规则动态调整欺诈检测策略。这些引擎能够在交易发生时做出决策，从而提高响应能力和准确性。

8.欺诈行为建模

欺诈行为建模是指开发基于心理学和行为经济学的模型，以理解和预测欺诈者的行为。这些模型可以帮助企业识别高风险交易，并开发更有效的预防措施。

9.持续监控和响应

实时欺诈检测系统需要持续监控和响应，以应对不断演变的欺诈威胁。企业应定期审查其检测策略，并根据需要进行调整，以保持对其欺诈预防计划的有效性。

10.客户教育

客户教育对于提高对欺诈行为的认识和预防至关重要。企业应该教育客户有关欺诈的常见类型、风险和预防措施。通过提高客户意识，企业可以减少欺诈行为的发生率。

结论

实时欺诈检测的未来充满着机遇和挑战。随着新技术和策略的出现，企业可以提升其欺诈预防能力，保护客户和他们的金融资产。通过拥抱这些趋势，金融机构可以创建更加强大、有效和适应性强的欺诈检测系统，以应对瞬息万变的威胁格局。关键词关键要点主题名称：金融欺诈的日益复杂化

关键要点：

*网络攻击技术的进步使欺诈者能够绕过传统的安全措施。

*欺诈团伙的专业化和组织化，使他们能够实施复杂的欺诈计划。

*日益增长的数字金融服务采用，扩大了攻击面并创造了新的欺诈机会。

主题名称：快速检测和响应的重要性

关键要点：

*实时欺诈检测可防止欺诈交易导致的损失。

*及时采取行动有助于阻止欺诈者进一步攻击并降低声誉损害。

*遵守监管要求需要有效的欺诈检测系统。

主题名称：实时欺诈检测的技术进步

关键要点：

*人工智能（AI）和机器学习（ML）算法可以分析大量数据来识别欺诈模式。

*生物特征识别技术可提高身份验证安全性，减少欺诈风险。

*基于云的欺诈检测平台可提供可扩展性、灵活性并连接到多个数据源。

主题名称：与执法机构和金融机构的合作

关键要点：

*跨部门合作有助于信息共享和情报分析，以识别和打击欺诈团伙。

*法律和监管措施的更新可提供对欺诈者的更强大威慑力。

*金融机构之间的伙伴关系可以促成欺诈检测系统和最佳实践的共享。

主题名称：持续的教育和培训

关键要点：

*定期培训员工识别和应对欺诈至关重要。

*欺诈检测团队应了解最新的欺诈趋势和技术。

*定期演习有助于测试响应能力并改进欺诈检测流程。

主题名称：客户体验影响

关键要点：

*实时欺诈检测应以最小的干扰来保护客户。

*错误警报可能会导致客户沮丧和失去信任。

*实时欺诈检测系统应通过数字渠道提供无缝且安全的客户体验。关键词关键要点主题名称：实时欺诈检测模型的建模方法

关键要点：

1.机器学习算法的应用：利用监督式学习算法，如决策树、支持向量机和神经网络，基于历史欺诈数据训练模型，识别欺诈交易模式。

2.统计异常检测：利用贝叶斯定理或基于距离的度量，检测偏离正常行为模式的交易，并将其标记为潜在欺诈。

主题名称：机器学习模型的训练和优化

关键要点：

1.特征工程：从交易数据中提取相关特征，包括交易金额、时间、设备信息和用户信息，以增强模型的预测能力。

2.模型选择和调优：根据数据集特征和欺诈检测要求，选择最合适的算法并优化其超参数，以提高模型性能。

主题名称：人工智能技术在欺诈检测中的应用

关键要点：

1.神经网络的优势：深度神经网络具有强大的特征学习能力，可以自动提取复杂的欺诈模式，提高检测精度。

2.生成对抗网络（GAN）：利用GAN生成合成欺诈数据，扩大训练数据集并提高模型的鲁棒性。

主题名称：非监督式欺诈检测模型