当移动支付遇上风控系统：实时反欺诈的实现

点击蓝字 关注我们

SUBSCRIBEto us

今天系统突然给报了个警，说是线上那个阿三的支付请求被拒了。运营小姑娘吓得赶紧打电话给我：“喂，老王啊，这单子咋被拒了啊？客户可是贵宾，搞坏了关系咋整啊？”

一打开监控面板，马上就明白了。这笔5万的订单，用的是个刚注册3小时的账号，IP还从印度蹦到了新加坡，这不明显是个高危单嘛。风控系统直接给切了，省了不少事。

说白了，风控系统就是给每笔交易打分，看看这笔钱该不该让它过。咱们支付场景风控最重要的就是实时性，必须在几百毫秒内拿出结论。就跟打王者荣耀似的，你反应慢了，这钱就被人薅走了。

def risk_score(transaction)：
score = 0
# 账号维度
if transaction.account_age < timedelta(hours=24)：
score += 50
# IP维度
if transaction.ip_country ！= transaction.register_country：
score += 30
# 行为维度
if transaction.amount > 10000：
score += 20
return score >= 80 # True表示高危

光有规则可不够，得把特征工程做好。比方说一个IP，你得知道它是不是代理IP、是不是数据中心IP，这都需要提前准备好数据。

class IPFeature：
def __init__(self)：
self.proxy_ips = redis_client.smembers('proxy_ips')
def get_ip_risk(self， ip)：
if ip in self.proxy_ips：
return 100
return self._check_datacenter(ip)

温馨提示：特征数据要定期更新，不然容易被黑产钻空子。咱们一般是每天凌晨更新一次IP库。

实时计算说起来容易做起来难。一个用户一秒内可能发起好几笔交易，这时候就得用流式计算了。

from pyflink.datastream import StreamExecutionEnvironment
from pyflink.table import StreamTableEnvironment
env = StreamExecutionEnvironment.get_execution_environment()
t_env = StreamTableEnvironment.create(env)
def process_transaction(transaction_stream)：
return transaction_stream \
.key_by(lambda x： x.user_id) \
.window(TumblingProcessingTimeWindows.of(Time.seconds(1))) \
.process(RiskWindowFunction())

规则多了就乱，得有个好设计。咱用决策树的思路，把规则分层。

class RuleEngine：
def __init__(self)：
self.rules = {
'account'： AccountRules()，
'transaction'： TransactionRules()，
'device'： DeviceRules()
}
def evaluate(self， context)：
results = []
for rule_type， rule_engine in self.rules.items()：
score = rule_engine.run(context)
results.append((rule_type， score))
return max(results， key=lambda x： x[1])

现在再来看开头那个案例。系统发现这是个新账号（+50分），IP和注册地不一致（+30分），交易金额还不小（+20分），总分100分，妥妥的高危。这种单子要是放过去，搞不好第二天钱就不见了。

这套系统上线后，欺诈率下降了60%，误杀率只有2%。最爽的是，再也不用半夜被运营打电话了，可以安心睡大觉了。