KerndataFintechPlannen Performance en Scale

Realtime fraudedetectie

Score elke betaling in het verzoekpad met velocity-tellers, lijsten van bekend slechte partijen, kaartfrequentie en modelfeatures, gelezen van één server.

signalen per betaling: 4
vóór goedkeuring: In het pad
geheugen voor blokkeerlijsten: Constant

Stap 1 van 5

Pogingen per kaart tellen

Eén teller per kaart per minuut, met een verloopdatum van een minuut na de eerste verhoging.

Voorbeeldsessieplaying

# Pogingen per kaart tellen

hotkv> INCR velocity:card:4f1a:m

(integer) 7

Een geanimeerde walkthrough met echte HotKV-commando's en voorbeeldantwoorden. Klik op een stap om ernaartoe te springen. Commando's en antwoorden blijven Engels, precies zoals je ze in HotKV typt en ziet.

Het probleem

Fraudecontroles moeten plaatsvinden voordat een betaling wordt goedgekeurd, binnen het latentiebudget van een checkout. De signalen die ertoe doen, zoals hoeveel pogingen deze kaart de afgelopen minuut deed of of dit apparaat op een blokkeerlijst staat, zijn lastig snel te berekenen uit een transactionele database.

Hoe HotKV het aanpakt

HotKV houdt de signalen klaar. Tellers met korte verloopdatums volgen de velocity, een Bloomfilter beantwoordt of een kaart of apparaat bekend slecht is, een Count-Min Sketch schat hoe vaak een kaart gedurende de dag is gebruikt en de feature store serveert de invoer van het risicomodel. Een regelengine of model combineert ze voordat de betaling doorgaat.

Stap voor stap

Wat er gebeurt, commando voor commando

01
Pogingen per kaart tellen
Eén teller per kaart per minuut, met een verloopdatum van een minuut na de eerste verhoging.
INCR velocity:card:4f1a:m
02
De blokkeerlijst controleren
Een Bloomfilter van bekend slechte apparaten in constant geheugen.
BF.EXISTS blocked:devices dev:8812
03
Hoe vaak vandaag?
Een Count-Min Sketch schat het kaartgebruik over miljoenen kaarten zonder een teller per kaart.
CMS.QUERY cards:today card:4f1a
04
Modelfeatures
Accountleeftijd, gebruikelijk land en gemiddeld winkelmandje voor het risicomodel.
FEATURE.GET risk_features account:42
05
Beslissen vóór het afschrijven
Hoge velocity op een account van drie dagen oud. De betaling gaat ter beoordeling in plaats van naar de provider.
XADD fraud:review * card 4f1a account 42 score 0.91

Waar het past

Praktijkscenario's

Betaalplatforms

Aanvallen met kaarttests worden binnen seconden opgemerkt door velocity-tellers en geblokkeerd voor de volgende poging.

Marktplaatsen

Nieuwe accounts met ongebruikelijke winkelmandjes en apparaten op een blokkeerlijst gaan naar handmatige beoordeling.

Promoties en verwijzingen

Misbruik van coupons wordt gevangen door verzilveringen per apparaat en betaalmethode te tellen.

Ingebouwd

Wat je krijgt

Velocity-tellers

INCR met een verloopdatum per tijdsbucket, tot op nanoseconde-precisie.

INCREXPIRENEXPIRE

Blokkeerlijsten

Bloomfilters voor kaarten, apparaten en e-mailadressen.

BF.ADDBF.EXISTS

Frequentieschattingen

Count-Min Sketches voor gebruik over enorme sleutelruimtes.

CMS.INCRBYCMS.QUERY

Modelfeatures

Getypeerde features voor het risicomodel.

FEATURE.GET

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

Veelgestelde vragen

Kan een Bloomfilter een goede klant blokkeren?

Hij kan een vals positief melden bij het foutpercentage dat je configureert, dus gebruik hem om extra controles te starten in plaats van een harde afwijzing.

Waar draaien de regels?

In je eigen service. HotKV levert de signalen snel, zodat je regels of model kunnen beslissen binnen het latentiebudget van de checkout.

Welke plannen bevatten het?

Tellers en probabilistische structuren werken op elk plan. De feature store maakt deel uit van de plannen Performance en Scale.

Verwante use cases

Machine learning

Realtime ML-feature-store

Getypeerde features voor gebruikers, items en sessies, geschreven door je pipelines en gelezen door je modellen bij inferentie, met hun leeftijd erbij.

Verkennen

API's