Dati di baseFintechPiani Performance e Scale

Rilevamento frodi in tempo reale

Valuta ogni pagamento nel percorso della richiesta con contatori di velocità, liste di elementi noti come fraudolenti, frequenza delle carte e feature dei modelli, letti da un solo server.

segnali per pagamento: 4
prima dell'approvazione: Nel percorso
memoria per le blocklist: Costante

Passo 1 di 5

Conta i tentativi per carta

Un contatore per carta al minuto, con una scadenza di un minuto dopo il primo incremento.

Sessione di esempioplaying

# Conta i tentativi per carta

hotkv> INCR velocity:card:4f1a:m

(integer) 7

Una dimostrazione animata con comandi HotKV reali e risposte di esempio. Clicca su un passo qualsiasi per andarci. Comandi e risposte restano in inglese, esattamente come li digiti e li vedi in HotKV.

Il problema

I controlli antifrode devono avvenire prima che un pagamento venga approvato, entro il budget di latenza di un checkout. I segnali che contano, come quanti tentativi ha fatto questa carta nell'ultimo minuto o se questo dispositivo è in una blocklist, sono difficili da calcolare velocemente da un database transazionale.

Come lo gestisce HotKV

HotKV tiene pronti i segnali. Contatori con scadenze brevi misurano la velocità, un filtro Bloom risponde se una carta o un dispositivo è noto come fraudolento, un Count-min sketch stima quante volte una carta è stata usata nel corso della giornata e il feature store serve gli input del modello di rischio. Un motore di regole o un modello li combina prima che il pagamento vada a buon fine.

Passo dopo passo

Cosa succede, comando per comando

01
Conta i tentativi per carta
Un contatore per carta al minuto, con una scadenza di un minuto dopo il primo incremento.
INCR velocity:card:4f1a:m
02
Controlla la blocklist
Un filtro Bloom dei dispositivi fraudolenti noti, in memoria costante.
BF.EXISTS blocked:devices dev:8812
03
Quante volte oggi?
Un Count-min sketch stima l'uso delle carte su milioni di carte senza un contatore per carta.
CMS.QUERY cards:today card:4f1a
04
Feature del modello
Età dell'account, paese abituale e carrello medio per il modello di rischio.
FEATURE.GET risk_features account:42
05
Decidi prima di addebitare
Velocità alta su un account di tre giorni. Il pagamento viene mandato in revisione invece che al provider.
XADD fraud:review * card 4f1a account 42 score 0.91

Dove si usa

Scenari reali

Piattaforme di pagamento

Gli attacchi di card testing vengono individuati dai contatori di velocità in pochi secondi e bloccati prima del tentativo successivo.

Marketplace

I nuovi account con carrelli insoliti e i dispositivi in blocklist vengono mandati in revisione manuale.

Promozioni e referral

L'abuso dei coupon viene scoperto contando i riscatti per dispositivo e metodo di pagamento.

Integrato

Cosa ottieni

Contatori di velocità

INCR con una scadenza per intervallo di tempo, fino alla precisione al nanosecondo.

INCREXPIRENEXPIRE

Blocklist

Filtri Bloom per carte, dispositivi ed email.

BF.ADDBF.EXISTS

Stime di frequenza

Count-min sketch per l'utilizzo su keyspace enormi.

CMS.INCRBYCMS.QUERY

Feature del modello

Feature tipizzate per il modello di rischio.

FEATURE.GET

Riferimento:BF.EXISTS CMS.QUERY FEATURE.GET INCR

Domande frequenti

Un filtro Bloom può bloccare un buon cliente?

Può segnalare un falso positivo con il tasso di errore che configuri, quindi usalo per attivare controlli aggiuntivi piuttosto che un rifiuto netto.

Dove girano le regole?

Nel tuo servizio. HotKV fornisce i segnali velocemente, così le tue regole o il tuo modello possono decidere entro il budget di latenza del checkout.

Quali piani lo includono?

Contatori e strutture probabilistiche funzionano su ogni piano. Il feature store fa parte dei piani Performance e Scale.

Casi d'uso correlati

Machine learning

Feature store ML in tempo reale

Feature tipizzate per utenti, elementi e sessioni, scritte dalle tue pipeline e lette dai tuoi modelli al momento dell'inferenza, con la loro età allegata.

Scopri

API