1、2018 智能反欺诈洞察报告/研究概要/调研背景2018 年，金融科技成为全球资本青睐的热点产业，中国科技金融在新模式和新技术的推动下，催生而出了以“大数据、AI 人工智能、云计算、机器学习”等新技术为核心数字化、智能化新金融业态。以金融科技为代表的互联网金融在监管强有力的指引下，正朝着合规方向蓬勃、健康发展。但与此同时，这个新兴行业也被黑产等不法份子盯上，运用诈骗伎俩和欺诈技术与科技公司展开一场“攻防”博弈。360 金融研究院调研认为，当前行业共同面临的难点包括：一、黑产规模庞大，人员众多。公开资料显示，截止到 2018 年 6 月，中国网络黑产从业人员已超 150 万人，据估计造成的损失规
2、模高达千亿元级别。二、黑产的反侦查能力增强。新金融业态下，新型网络诈骗“技术含量”显著增加，互联网欺诈蔓延、金融欺诈案件频发、诈骗手段持续升级，金融领域的网络欺诈攻击呈现出“智能化、产业化、攻击迅速隐蔽、内外勾结比例上升、移动端高发”五大趋势。三、传统的反欺诈技术手段相对滞后，应用传统反欺诈手段遏制金融风险，收效甚微。行业统一的征信体系也尚未完善，对金融欺诈的识别能力在一定程度上依赖金融主体的技术能力的高低，因此水平参差不齐。面对日益猖獗的金融欺诈，当前行业现状如何？金融科技企业如何与“坏分子”展开博弈？业内有哪些“魔高一尺、道高一丈”的反欺诈手段？这些答案，与金融欺诈的形态、规模，金融科技企
3、业的技术价值和发展密切联系在一起。研究目标和样本量2018 金融科技行业反欺诈报告，以当前社会面临的网络金融诈骗、金融欺诈、反欺诈科学技术为研究对象。一方面，以覆盖国内最大最全欺诈数据库的互联网巨头 360 的数据为样本，依托 360 安全大脑技术支持，通过深度数据筛查进行金融欺诈风险趋势分析；另一方面，以业内金融科技反欺诈能力排头兵平台 360 金融的金融科技服务能力及反欺诈数据为基础，结合问卷调查、走访调研等方式展开专题研究，立体化的展现金融反欺诈的挑战、探索和成效。本报告数据样本：（1）360 手机安全大数据，包括 360 手机卫士手机先赔产品数据；（2）360 金融反欺诈大数据。“手机
4、先赔”是 360 手机卫士 2014 年全球首家推出的手机电信诈骗先赔服务。360 手机卫士设有“先赔功能”，能够对用户在进行手机支付、网址访问或者在接收短信时，自动识别钓鱼网址和木马，有效的保护用户的个人隐私安全。2018 智能反欺诈洞察报告核心结论在所有诈骗举报中，金融理财类诈骗涉案总金额占比最高，达 35%；其次是赌博博彩诈骗，涉案总金额占比 17.6%；身份冒充诈骗排第三，涉案总金额占比 12%。从金融理财类诈骗举报用户的性别差异来看，男性受害者占 76.3%，女性占 23.7%，男性受害者占比高于女性。从人均损失来看，男性为 12032 元，女性为 10547 元。可见，男性不仅更容
5、易被骗，损失金额也比女性更高。从 2018 年金融理财类诈骗受害者的年龄段上看，90 后受害者占所有受害者总数的37.6%。随着网络普及呈现低龄化，以及中青年群体金融需求的日渐提升，80、90 一代正成为金融电信欺诈的重要目标。从性别上看，男性恶意欠贷人数占比约 78.98%，女性恶意欠贷者人数占比 21.02%。男性履约意识和信用意识较差，“欠钱不还”的几率更大。根据年龄分布统计，在全部恶意欠贷者中，20 岁以下占比 1.57%，21 岁到 30 岁占比52.21%，31 岁到 40 岁占比 33.28%，41-60 岁占比 12.93%。在所有恶意欠贷者中，中青年龄段分布相对集中。根据地域
6、分布统计，广东地区恶意欠贷者数量居全国之首，占比超过 16.97%，与浙江（6%）、江苏（5.92%）、福建（5.42%）、河南（4.82%）、四川（4.71%）、广西（4.62%）、山东（4.51%）、湖南（4.02%）、湖北（3.79%），位列全国 TOP10省份。在遭遇黑中介骗贷的受害者中，20 岁-30 岁占比 45%，30 岁-40 岁占比 35%，40-60岁以上占比 20%。网络贷款、分期消费的主力客群 80、90 后已经成为黑中介盯上的“肥肉”。在遭遇黑中介骗贷的而背负贷款的受害者中，男性受害者占比 76%，女性受害者占比24%。相较于女性，男性更容易成为黑产的“猎物”。根据遭
7、遇黑中介骗贷的受害者损失金额比例统计，损失 2000 元以下的受害者占比 6%，损失 2000 到 5000 元占比 17%，损失 5000 元到 1 万元占比 28%，损失 1 万元到 5万元占比 38%，损失 5 万元以上占比 11%。黑产团伙发动攻击的高峰期一般是平台上线或活动上线初期，通常是周末或节假日，在凌晨 2 点到 4 点对平台发起密集攻击。黑中介发动攻击的时间段主要为白天工作时间，高峰期出现在中午 10 点到下午 15 点之间，夜间活动频次较低。2018 智能反欺诈洞察报告/目录/CONTENTS一、金融类诈骗主要类型.5（一）金融类电信诈骗.5（二）网络贷款欺诈.5二、金融类
8、电信诈骗数据洞察.7（一）报案量与损失数额.7（二）受害者不同性别举报.8（三）受害者地域分布.8（四）受害者特征画像.9三、网络贷款反欺诈数据洞察.12（一）金融科技平台逾期率.12（二）个人欺诈行为洞察.13（三）团伙欺诈行为洞察.18四、数据智能在风控反欺诈的应用.24（一）大数据金融反欺诈应用.24（二）AI 智能金融反欺诈应用.24五、防诈骗、反欺诈案例解读.28（一）金融类电信诈骗案例解读.28（二）360 金融反欺诈案例解读.312018 智能反欺诈洞察报告PART01金融类诈骗主要类型2018 智能反欺诈洞察报告一、金融欺诈的主要类型金融欺诈，一般是指采用虚构事实或者隐瞒事实真
9、相的方法，骗取公私财物或者金融机构信用的犯罪形式。几乎所有涉及金钱和服务的商业模式都会受到欺诈的攻击。通信、保险、贷款和信用卡申请是一些最容易出现金融欺诈的领域。近年来，随着数字金融快速发展，发生在通信场景及贷款场景的诈骗发生率显著上升。在花样翻新的金融诈骗形式中，本报告特别聚焦“金融电信诈骗”和“网络贷款欺诈”这两类高发欺诈类型，进行深度研究。（一）金融电信诈骗损失方一般为用户，常见的诈骗手段包括：电话诈骗、短信诈骗、网络诈骗、钓鱼网站、恶意程序等，以移动网络为“温床”的金融诈骗，成为用户遭受经济损失的主要渠道。（二）网络贷款欺诈损失方一般为用户和互联网贷款平台两方，常见的欺诈手段：恶意欠贷
10、、多头借贷、伪冒身份欺诈、黑产团伙欺诈、贷款黑中介欺诈等。2018 智能反欺诈洞察报告PART02金融类电信诈骗数据洞察2018 智能反欺诈洞察报告二、金融电信诈骗数据洞察（一）报案量与涉案金额2018 年 360 手机先赔诈骗举报中，恶意程序占比 19.3%，金融理财类诈骗紧随其后，数量占比为 14.9%。其次是虚假兼职（13%）、身份冒充（8.4%）和赌博博彩（8.2%）。从涉案总金额来看，在所有诈骗举报中，金融理财类诈骗涉案总金额占比最高，达 35%；其次是赌博博彩诈骗，涉案总金额占比 17.6%；身份冒充诈骗排第三，涉案总金额占比 12%。下图给出了主要手机诈骗类型的举报量和涉案总金额
11、分布情况：下图给出了金融理财类诈骗人均损失和举报数量的象限图：2018 智能反欺诈洞察报告如上图所示，金融理财、赌博博彩属于高危诈骗类型，受害人数多且人均损失高。退款盗号、信用卡同样属于高危诈骗类型，人均损失高但受害人数少，由于此类诈骗主要利用个人信息泄露发起的定向诈骗，一旦被骗往往损失较大。（二）不同性别受害者举报差异从举报用户的诈骗类型来看，在男性举报诈骗类型中，恶意程序占比最高，为 20.2%；金融理财占比 15.6%紧随其后，其次是赌博博彩（9.9%）和身份冒充(7.5%)。在女性举报诈骗类型中，虚假兼职占比最高，为 28.4%；其次是恶意程序（17.5%）、金融理财（12.9%）、身
12、份冒充（10.8%）和虚假购物（4.6%）。下图给出了手机诈骗男女举报数量和类型分布的情况对比：（三）受害者地域分布从金融理财类诈骗被骗用户举报情况来看，广东（14.9%）、山东（6.6%）、辽宁（5%）、河南（5%）和江苏（5%）五个省级行政区的受害者最多，举报数量约占到了全国用户举报总量的 36.5%。受骗人群以大学毕业生、城市外来务工人员，及农村地区人群居多。下图给出了 2018 年金融理财类诈骗举报数量省份 TOP10：2018 智能反欺诈洞察报告从各城市金融理财类诈骗的举报情况来看，沈阳是举报人数最多的城市，占比 2.9%，其次是深圳（2.6%），北京（2.6%），武汉（1.9%），
13、广州（1.7%）等。下图给出了 2018 年金融理财类诈骗举报数量城市 TOP10：（四）受害者特征画像从 2018 年金融理财类诈骗受害者的年龄段上看，90 后受害者占所有受害者总数的37.6%。随着网络普及呈现低龄化，以及中青年群体金融需求的日渐提升，80、90 一代正成为金融电信欺诈的重要目标。下图给出了金融理财类诈骗受害者年龄段分布：2018 智能反欺诈洞察报告从金融理财类诈骗举报用户的性别差异来看，男性受害者占 76.3%，女性占 23.7%，男性受害者占比高于女性。从人均损失来看，男性为 12032 元，女性为 10547 元。可见，男性不仅更容易被骗，损失金额也比女性更高。下图给
14、出了金融类诈骗受害者性别及人均损失情况：2018 智能反欺诈洞察报告PART03网络贷款反欺诈数据洞察2018 智能反欺诈洞察报告三、网络贷款反欺诈数据洞察数字金融时代，公众获得信用贷款的途径，除了传统银行、小额贷款公司，更多来自互联网金融公司或者金融科技平台提供的消费类信贷服务。网络贷款的出现，让用户的体验更加简单、便捷，但也从某种程度上受到了黑色产业和骗贷团队的“虎视眈眈”。根据实施诈骗的行为主体差异，报告将贷款欺诈分为两大类：个人欺诈和团伙欺诈。以下数据以上述分类为基础框架，分别对上述两类网络贷款欺诈数据进行分析研究。（一）金融科技平台逾期率我国从事网络贷款的平台高峰期有数千家，按照资质
15、类型可以大致分为商业银行、消费金融公司、网络小贷公司、互联网贷款平台、助贷服务方、P2P 等。根据行业惯例，各平台之间的逾期率一般按照 M3+（即逾期 90 天以上）维度进行统计和横评。360 金融研究院走访调研发现，造成平台逾期坏账的主要原因包括：用户恶意欠贷、用户多头借贷、伪冒身份欺诈、黑中介骗贷等。根据已上市金融科技公司公开数据统计，下图所覆盖的 4 家上市公司平均逾期率约为1.39%。2018 智能反欺诈洞察报告（二）个人欺诈行为洞察1恶意欠贷存在主观故意恶意欠贷的人俗称“老赖”，广义上泛指所有进行贷款行为却故意不履行还款义务的借款人。近些年来，恶意欠贷已经成为当今社会的痼疾，影响金融
16、行业的健康稳定以及信用社会的长远发展。(1)最高院“老赖”数量2013 年起，最高人民法院集中对失信被执行人名单信息的公开等情况进行通报，建立了网上的“老赖”黑名单系统。被黑名单记录在册之后，“老赖”的交通、住店、旅游、出国、子女上学等方面均会受到不利影响。下图给出了最高人民法院失信被执行人名单数量：根据中华人民共和国最高人民法院公示数据，2017 年全年，约 920 万“老赖”被列入中华人民共和国最高人民法院公布失信被执行人名单，而截至 2019 年 5 月这一数字已经超过 1300 万，增长率超过 50%。不过，更加值得注意的是，相比被最高人民法院记录在案的失信被执行人，在互联网金融平台借
17、贷后恶意欠贷的用户数量更加庞大。由于我国社会征信体系尚不完善，网络借贷中更多“老赖”的失信行为并未被记录在央行征信系统之内，也未被金融机构起诉、判决而记录在失信被执行人名单之内。如何应用风控手段打击废逃债，亦是平台金融反欺诈的重要课题之一。(2)恶意欠贷金额2018 智能反欺诈洞察报告根据逾期金额占比统计，用户恶意欠贷金额在 2000 元以下和 2000-5000 元区间占比最高，分别占比 47.24%和 32.33%。违约比例高，违约金额呈现小额化特征背后，暴露出部分用户信用意识教育的缺失。下图给出了恶意欠贷用户逾期金额分布：(3)恶意欠贷者年龄与性别从性别上看，男性恶意欠贷人数占比约 78
18、.98%，女性恶意欠贷者数占比 21.02%。男性履约意识和信用意识较差，“欠钱不还”的几率更大。根据年龄分布统计，在全部恶意欠贷者中，20 岁以下占比 1.57%，21 岁到 30 岁占比52.21%，31 岁到 40 岁占比 33.28%，41-60 岁占比 12.93%。在所有恶意欠贷者中，中青年龄段分布相对集中。下图给出了恶意欠贷者性别和年龄段分布：2018 智能反欺诈洞察报告(4)恶意欠贷者地域分布根据地域分布统计，广东地区恶意欠贷者数量居全国之首，占比 16.97%，与浙江（6%）、江苏（5.92%）、福建（5.42%）、河南（4.82%）、四川（4.71%）、广西（4.62%）、
19、山东（4.51%）、湖南（4.02%）、湖北（3.79%），位列全国 TOP10 省份。下图给出了恶意欠贷者占比 TOP10 省市：2018 智能反欺诈洞察报告2多头借贷360 金融研究院基于行业调研发现，对比正常申请贷款的普通用户，存在恶意欺诈的用户大多存在多头借贷行为（即向多家网贷平台借款），他们习惯“拆东墙补西墙”，违约逾期风险高发。(1)多头借贷者地域分布从地域分布上看，多头借贷人群主要集中在广东地区，占比为 16.87%，其次是浙江（7.98%）、江苏（7.95%）、四川（6.00%）、福建（5.73%）、湖北（4.24%）、山东（4.05%）、广西（3.69%）、河南（3.66%）
20、等省份。下图给出了多头借贷者地域分布：(2)多头借贷者年龄与性别从年龄分布来看，多头借贷人群年龄明显集中在 21-30 岁之间，占比 63.5%。以 90后为代表的新消费人群崇尚提前消费、分期消费，追求时尚和新奇，在享受消费信贷服务时容易超出自身的偿还能力。从性别分布来看，男性比女性更容易陷入“多头借贷”的漩涡。男性更愿意透支未来，也更容易背负超过自身偿还能力的负债。2018 智能反欺诈洞察报告下图给出了多头借贷者的年龄和性别分布：3伪冒身份欺诈伪冒身份欺诈指个人用户利用他人资料或者编造虚假身份来申请贷款。(1)伪冒身份欺诈者年龄与性别从年龄分布来看，伪冒身份欺诈者 21-30 岁占比最高，为
21、 40.53%。31-40 岁及 41-60岁分布较为平均，分别为 27.8%和 27.44%。从性别分布来看，女性伪冒身份欺诈者占比54.08%，比男性（45.92%）略高。下图给出了伪冒身份欺诈者的年龄和性别分布：2018 智能反欺诈洞察报告(2)伪冒身份欺诈者地域分布从地域分布上看，广东仿冒身份进行贷款欺诈的人数比例最高，占全国总量的 11.46%。下图给出了仿冒欺诈者地域分布 TOP10 省份：（三）团伙欺诈行为洞察1黑中介、黑产团伙欺诈行为分析在金融行业中，黑中介、黑产在保险、理财、信用卡领域存在已久。传统意义上，贷款中介是指帮借款人美化个人财务数据，而顺利获得消费贷款，从中抽取提成
22、。随着欺诈技术的发展，黑中介和黑产有相互融合的趋势，开始以团伙形式开展线上贷款申请审批业务，骗取大量资金。黑中介利用互联网金融平台采用大数据线上审核的业务特点，会着重选择一些新上线、不上征信、风控较为薄弱的平台为攻击目标，通过不断地挖掘平台风控规则的漏洞或弱点，进行信息包装或伪造、远程助贷等欺诈操作。部分黑中介还通过社群、传销、面授班等形式，向其他中介和个人提供技术传播、骗贷教学。黑产则承担为黑中介“助攻”的角色，从技术上为黑中介实施骗贷提供技术便利。如批量采集用户信息，窃取金融机构和平台数据库，包装伪造证件信息、银行流水，伪造通讯记录等。下图给出了信贷行业黑产、黑中介欺诈链条：2018 智能
23、反欺诈洞察报告2黑中介、黑产团伙欺诈的智能化趋势随着网络技术的不断迭代，黑中介、黑产的智能化趋势明显。他们同样会利用大数据、AI 技术等技术手段扩大欺诈覆盖面和精准度。围绕欺诈目的达成，黑中介伙同黑产团伙构建了集用户数据获取、身份信息伪造和包装、欺诈策略制定、技术手段实施等一条完整的产业链。黑中介发现目标平台后，会深度梳理平台的风控漏洞，制定欺诈方案，在特定时间发起集中攻击。由于黑中介的隐蔽性强，对于平台反欺诈策略的灵敏度和迭代效率提出了更高的要求。在人员结构上，黑中介团伙中熟悉平台风控逻辑内部员工比例有所上升，“内外勾结”联合骗贷对平台的损害更大。3黑中介、黑产团伙欺诈的陷阱和套路我们从获得
24、贷款贷款资金的流向进行分类，如果所得资金被申请人本人支配使用，则平台为单一受害方。如果所得资金被“黑中介”或其他欺诈犯罪分子骗走或者挪用，受害者则为贷款申请人和平台两方。黑中介、黑产在面对用户时，有哪些陷阱和套路呢？(1)以推荐贷款口子为由，骗取用户信息“黑中介”长期盘踞在贷款、信用卡论坛、贴吧、社区等，发现有贷款需求的用户会主动联系，要求用户提供资料，承诺可以帮忙贷款。当用户提供个人信息后，“黑中介”则将用户信息卖出或在另一平台申请贷款。(2)购买用户信息进行骗贷2018 智能反欺诈洞察报告黑产团伙到偏远地区，如农村等信用保护意识较差的区域，挖掘“白户”人群，以微薄好处诱导这些“白户”人群完
25、成消费金融平台的注册、实名认证过程，再通过缴存社保公积金、人为制造银行流水、完善征信记录等手段，对多个平台进行高额度的骗贷，待贷款到手，各自分成后跑路。(3)采集、伪造用户信息，先养信用再骗贷黑产团伙利用各种手段获取大量真实信息，比对平台风控策略，投入时间和精力养成良好的信用记录，再进行骗贷。(4)与平台风控管理人员里应外合进行骗贷突破平台风控最直接的方式是充分了解平台的风控策略和技术手段，因此黑中介、黑产团伙会尝试与内部员工里应外合，突破贷款平台的风控防线。4黑中介欺诈数据洞察(1)黑中介、黑产攻击时间分布黑中介发动攻击的时间段主要为白天工作时间，与正常用户申请贷款的时间相一致。高峰期出现在
26、上午 10 点到下午 15 点之间，夜间活动频次较低。下图给出了黑中介团伙向平台发动攻击的时间走势图：黑产团伙发动攻击一般会选择贷款平台技术保护或风控相对薄弱的时间段。高峰期在平台上线或活动上线初期、周末或节假日，在凌晨 2 点到 4 点对平台发起密集攻击。下图给出了欺诈团伙向平台发起攻击的时间走势图：2018 智能反欺诈洞察报告(2)黑中介骗贷受害者地域分布从地域上看，黑中介骗贷更容易向信用意识相对薄弱的三四线城市人群下手，受害者数量占比 Top5 城市依次为河南（8.18%）、山东（6.8%）、福建（6.78%）、广东（6.11%）、黑龙江（5.99%）。下图给出了遭遇黑中介骗贷受害者分布
27、 TOP10 省份：(3)黑中介骗贷受害者年龄与性别在遭遇黑中介骗贷的受害者中，20 岁-30 岁占比 45%，30 岁-40 岁占比 35%，40-60岁以上占比 20%。网络贷款、分期消费的主力客群 80、90 后已经成为黑中介盯上的“肥肉”。从性别比例分析，男性受害者占比 76%，女性受害者占比 24%。相较于女性，男性更容易成为黑产的“猎物”。2018 智能反欺诈洞察报告下图给出了黑中介骗贷的受害者年龄和性别比例：(4)黑中介骗贷受害者损失数额根据遭遇黑中介骗贷的受害者损失金额比例统计，损失 2000 元以下的受害者占比 6%，损失 2000 到 5000 元占比 17%，损失 500
28、0 元到 1 万元占比 28%，损失 1 万元到 5 万元占比 38%，损失 5 万元以上占比 11%。下图给出了遭遇黑产骗贷的受害者损失金额比例：2018 智能反欺诈洞察报告(3)黑产团伙攻击时间分布PART04数据智能在风控反欺诈的应用2018 智能反欺诈洞察报告四、数据智能在风控反欺诈的应用金融反欺诈是一个复杂而棘手的问题，黑产的攻击手段瞬息万变，因此平台防范规则策略需要灵活迅速。当前，我国金融机构内部各条业务系统以自建风控模块为主，随着科技驱动着金融业一次又一次的变革，具备强劲科技实力的平台，大多已经采用多层面的欺诈检测方法：用户身份信息认证、黑名单对比、智能反欺诈模型。通过大数据、云
29、计算、人工智能、区块链等最新互联网技术，平台能获得更丰富、精准的信息采集来源；更个性化、定向化的风险定价模型；更科学、严谨的投资决策过程；更透明、公正的信用中介角色等，从而能大大的提高金融业务效率和服务水平。（一）大数据金融反欺诈应用目前我国征信体系是“政府市场”双轮驱动的发展模式，国家信用信息基础数据库，已经接入了 3500 多家银行和其他金融机构的信用信息数据，9.9 亿自然人的信用信息，还有 2600 多万户的企业和其他法人组织的信用信息。与此同时，数字金融时代，大数据技术为金融行业带来了裂变式的创新活力。除央行征信外，百行征信、第三方征信数据公司百花齐放。但由于征信体系尚未完全打通，行
30、业仍旧存在一定的数据孤岛的现象。不同背景的公司有不同的数据优势，如 BATJ360 分别在各自生态领域内有数据优势。以 360 金融大数据为例，360 作为国内最大的互联网安全公司，在全球的 100 多座数据中心部署了超过 10 万台服务器，数据存储量达到 EB 级，安全服务覆盖全球 6 亿台计算机，累计连接超过 10 亿台的移动设备，拥有总样本数超过 180 亿的全球最大的程序文件样本库。作为 360 的合作伙伴，360 金融目前已积累了千万级别的黑名单和数亿的白名单库。自主研发的 Argus 智能风控引擎从数十万个变量中用机器学习方法筛选出超过 3000 个风控模型数据变量，近 96%的授
31、信申请和 99%的订单申请实现全自动审核，秒级反馈结果。目前，头部科技平台的大数据已经相对成熟和丰满，可以够涵盖信贷、社交、消费、通讯数据等诸多范畴。360 金融研究院统计调研发现，作用于构建用户人群画像、甄别借款用户还款能力贡献度最大的两类数据是：消费和社交，安全类大数据更有助于判断借款用户的还款意愿。2018 智能反欺诈洞察报告（二）AI 智能金融反欺诈应用犯罪分子诈骗手段层出不穷、防不胜防，个体欺诈已迅速演变为有组织、有规模的群体欺诈和关联风险，金融行业的风控正面临的严峻的挑战。在这种情况下，360 金融基于人工智能技术建立的反欺诈模型和反欺诈策略成为平台预测、抵挡欺诈风险的有力武器。一
32、方面，人工智能可以利用机器对数据的大规模以及高频率的处理能力，将申请人相关的各类信息节点构建庞大网络图，并在此基础上建立基于机器学习的反欺诈模型并对其进行反复训练和实时识别。另一方面，人工智能基于庞大的知识图谱，还能监测整个互联网的风险动态，当发现信用表现出现风险的时候，能够及时做出风险预警，启动“先知”的防御机制。1360 金融在 AI 方面的应用360 金融在实际应用中结合场景应用 AI 分别构建相应的业务模型，同时重视 AI 在底层信息上的识别应用。(1)采用生物活体检测和大数据交叉匹配借款用户信息，判别提供虚假信息的客户并拒绝其借款申请。(2)在中介风险识别的场景下，利用社交关系图谱模
33、型、自然语言处理等 AI 建模技术在社交关系上有效识别团案风险。(3)在伪冒风险及账户盗用风险等业务场景下，高度重视 AI 在客户行为埋点数据、客户社交关系等非传统建模数据对该类风险的识别帮助，构建了伪冒评分、账户安全评分、客户行为异常模型、设备异常行为模型等模型评分，有效识别该类风险。(4)在底层信息处理上，360 金融构建设备识别模型，有效提升对于设备认定的有效性及准确度，特别提升了线上贷款对于设备数据使用的鲁棒性。同时 AI 对于底层数据的识别分类应用在实践中也非常有帮助，例如底层数据标注等业务场景中，通过 AI 判定识别、人工过滤清洗的结合，有效帮助了高可用性内部数据的增长。2360
34、金融反欺诈举措及成果与网络安全巨头 360 集团紧密合作，360 金融在风险管理和诈骗预防方面有着得天独厚的优势。360 金融在工具层面，引入了复杂关系网络分析；在算法层面，引入了无监督机器学习；在系统层面，实现了全自动化建模。通过三重风控科技手段，在新用户源源不断涌入的同时，360 金融实现了更好的用户风险区分，从而更为高效地管理风险、预防欺诈。(1)实时监控高效灵敏，识别隐秘攻击2018 智能反欺诈洞察报告通过实时风控系统等数据平台对全网欺诈行为的监控、收集、分析，结合关系图谱对客户进行实时标签识别，形成欺诈情报的毫秒级识别能力，如南方某地 1040 团案中对于集群式传销组织进行深入挖掘并
35、收集全流程数据进行传销的标签化划分。在风险预警方面，识别确认近 1000 个 50 人以上团伙、拦截高风险客户日均逾 2 万个。(2)模型策略迭代快，欺诈场景全覆盖构建自动化模型建模环境，贴合最新欺诈风险，实现欺诈模型的自动化构建与更新迭代。结合各产品特性及业务风险场景，在现金贷、大额现金贷、商品分期等场景下，利用自动化建模流程及技术，有效实现欺诈风险产品条线定制化识别。目前 360 金融有超过 200+个风控子模型在线上运行，且具备实时自动更新模型的能力，部分风险模型的迭代时间以周为单位频次。(3)海量数据全方位识别黑产，深层次防范批量风险重视内外部数据的积累与挖掘，利用爬虫、人工清洗、AI
36、 识别等技术手段，形成了数据应用的内外部循环，有效积累了高质量风险名单，包括中介、赌博、传销等名单，名单量级达到千万级。如西南某地区麻将涉赌风险团案例中，以赌博风险维度精准识别了相关涉赌人员。同时高度重视社交类数据的应用，自建了关系图谱，关系网节点达到 10 亿+。引进集团安全技术，重视黑灰产数据的攻防，积累黑设备、IP 等基础安全数据库，全面保障业务安全。(4)风控人工全流程智能化辅助，实现欺诈风险持续高效识别构建信审全流程系统、人工智能电核系统、人工操作全流程质检系统等人工侧欺诈风险识别辅助系统，通过人工系统侧对于欺诈风险进行深层次挖掘，有效保证欺诈风险识别的持续有效性。如西北某中介伪冒团
37、案中对于伪冒身份的精细识别与准确防范。高度重视人工侧欺诈风险识别辅助系统在智能化、时效性、准确性、行为可追踪性等方面能力，提升人工审核效率，实现操作可追踪化，提升系统整体安全性，防范内外部欺诈协同作案风险。对于不在黑名单中的借款用户,Argus 引擎将使用机器学习算法和关系网分析来识别可疑的欺诈行为模式，利用有监督的机器学习来识别已知的欺诈类型,基于已知欺诈案例的规则来筛选甄别欺诈行为，并拒绝这些欺诈申请。利用过去欺诈账户、可疑设备信息及各类关联信息，进行实时的社会网络分析，预测发现有规模的欺诈组织和复杂的欺诈攻击。截止目前 Argus 引擎中反欺诈模块已经积累了数千万的欺诈设备、手机号等，并
38、实时处理百亿级的关系网络节点和关系数据，可准确地识别出潜在的欺诈组织。2018 智能反欺诈洞察报告PART05防诈骗、反欺诈案例解读2018 智能反欺诈洞察报告五、防诈骗、反欺诈案例解读（一）金融类电信诈骗案例解读案例一：以不注销网贷账户影响个人征信为由，引导用户转账贷款资金4 月 14 日，福建省邵武的王某接到一通骗子打来的电话，骗子自称是 xx 网贷平台的客服，称王某两年前注册过该网贷平台的账户，现在如果不注销此账户，会对王某的个人征信产生影响。王某信以为真后问骗子要如何操作，骗子先让王某将“某网贷”内的贷款额度提现出来并转至骗子的账户，王某照做并向骗子转了 1 万余元。接着骗子又以同样的
39、手法让王某在另外 7 个贷款软件内提现并转账。最终，王某被骗 8 万余元。专家解读：(1)该案例是近期非常高发的新型金融电信诈骗，诈骗团伙根据不法途径获取消费者的贷款信息，冒充客服，通过“影响个人征信”的理由进行恐吓。(2)在网贷平台注册获得授信额度，只要按时还款并不会产生不良信用记录。个人征信由中国人民银行征信中心统一管理，无论是银行还是个人都无权删除和修改，用户切勿轻信骗子所谓“不注销账户就影响征信”的虚假言辞。防骗提示：任何自称某平台客服的来电，都需要提高警惕，如果提及“注销网贷账户”，并且要求提前缴款的，都属于诈骗，消费者要警惕这种新型诈骗套路！案例二：以贷款包装为噱头，骗取用户保证金
40、2018 年 8 月，王先生接到一个自称“A 平台客服”的陌生号码来电，称王先生在 A 平台申请的贷款已通过初审并根据资质匹配到了对应的贷款平台，建议王先生添加客服的微信进行沟通。由于王先生事先在 A 平台等多家平台申请过贷款且贷款意愿比较强烈，因此在接到电话时并没有质疑对方的身份。添加客服微信后，对方自称“*融贷”公司客服，可为王先生申请 25000 元的贷款额度，但前期需要交纳包装费 1500 元，后续凭借订单信息可生成平台提现码至 APP 内提现，10 分钟可到账。王先生考虑后接受缴纳 1500 元包装费的要求，然后扫描客服发送的二维码进行了支付。2018 智能反欺诈洞察报告王先生根据客
41、服发送的下载链接下载了“*融贷”APP，随后根据提示进行输入提现码提现额度，但最终 APP 提示资金冻结。王先生联系客服询问，客服解释称，这是由于王先生填写的提现银行卡信息错误导致，现在需要缴纳解冻资金，时效 3 分钟。王先生返回 APP 查看，所填写个人账户信息确实错了一位数字。于是相信了客服的说辞，在其引导下，王先生通过银行卡转账给对方 5000 元。付款后，客服又称付款的资金超时，异常资金已经划入贷款账户中，只能重新充值一笔，处理完成后会同贷款资金一起退回。但由于王先生没有多余的资金了，没有再次进行支付。2018 智能反欺诈洞察报告专家解读：（1）分发平台是企业为一些待测试 APP 提供
42、的免费应用内测分发托管平台，这些 APP一般没有在正规商店上架应用。案例中的不法分子利用第三方的分发平台传播贷款 APP，如果用户不了解相关内容就很容易误认为正规 APP。即使用户查询该网站信息，由于平台是企业备案，也会返回安全结果。（2）在利用 APP 的显示提现额度和提现码等内容骗取用户信任后，通过 APP 内的“信息填写错误导致账户冻结”等虚假提示再次引导用户转账。其实，不法分子可以随意设置APP 内用户看到的错误提示，让用户对账户冻结这一情况深信不疑。为了解冻账户，用户将会听信不法分子的说辞，再次进行支付。防骗提示：(1)不要轻易相信莫名接到的贷款短信或电话，在对方详知自己的身份信息时
43、，注意核实对方身份信息，注意识别骗子是否是在冒充正规平台名义进行诈骗。通话中不要透漏任何个人敏感信息，谨防不法分子冒充知名网贷平台客服人员利用泄露的个人信息进行诈骗。2018 智能反欺诈洞察报告(2)此外，贷款需缴纳大额包装费、保险费等费用，或者贷款 APP 内存在提现密码、冻结等字样等内容时，这些贷款平台可能存在一定问题，谨慎下载。案例三：冒充商家理赔，引导用户借贷缴纳保证金2018 年 12 月，客户常先生致电某互联网金融平台客服热线，表示自己遭遇电话诈骗。常先生表示，10 月底时接到电话，骗子冒充淘宝商家，称常先生购买的产品丢失，可以以双倍价格赔付，不过需要客户先打保证金 5000 元，
44、才能走赔付流程。常先生因储蓄账户中余额不够，骗子引导用户下载了三款在线借贷 APP，分别借款 1200 元、2000 元和 1700元。把 5000 元打给骗子后对方失联，常先生并未收到所谓赔付金。被骗后常先生以为事情就这样过去了，殊不知一个月后，常先生收到三个平台的催收短信和电话，均称常先生已经违约逾期还款，需要尽快连本带利偿付贷款。综合下来，常先生一共受骗损失 5300 元。专家解读：(1)这是一次典型的电信诈骗+贷款欺诈的案件，骗子通过技术手段获取用户在电商网站的购买记录，以真实消费记录匹配的订单信息为切入点，突破用户的心理防线。(2)如果用户账户有余额往往骗子会直接骗取现金，但如果用户
45、余额不足，骗子利用用户不具备金融常识和贷款经验，哄骗用户通过借贷的方式取得现金。防骗提示：(1)用户接到所谓淘宝、京东等电商的客服电话时，要谨慎辨别对方身份，从官方渠道再次验证对方所说事件的真伪，尝试与官方客服沟通验证，切记盲目相信骗子的一面之词。(2)在骗子引导用户申请贷款时，用户需要多留心，看清楚每一步操作意味着什么，切忌盲目听从他人指挥,以免被欺诈分子利用。同时，在使用身份证件、银行卡等个人信息时要尤其谨慎。（二）360 金融反欺诈案例解读案例一：西南某地区 1040 团伙诈骗案2019 年初，360 金融反欺诈部发现西南某地区 1040 阳光工程传销人员批量异常进件，经风控核查后发现为
46、 6000 人传销团伙恶意欺诈，予以成功拦截。该批客户批量进件后，360金融通过实时风控系统等数据平台对客户进行实时标签识别，根据各客户的事件更新进行欺诈事件的宏观重新计算，觉察疑似团伙攻击风险后进行毫秒级预警。同时通过关系图谱确认风险聚集团中心及其一层关联、二层关联相关标签具有疑似传销性质，且通过各号段分布客户的全流程各维度分析，确认各运营商手机号段代表不同传销体系群簇。并根据全网信息的2018 智能反欺诈洞察报告搜集、监控、分析、由此深入挖掘出该地区超 6000 人传销团伙，成功识别近 70 个传销人员使用运营商手机号段。案例二：东南某地某公司中介诈骗案2018 年中，360 金融反欺诈部
47、发现以某中介公司为中心的欺诈关联团，通过调查取证，证实该公司是以帮助申请贷款为幌子诈骗客户钱财的皮包公司。该批中介代办团案进件后，360 金融通过关系图谱社群计算，利用原始数据进行超高维组合、衍生、计算出疑似中介风险客户并根据关系图谱中多维关联聚集现象确认为中介代办。通过对设备、线下位置和使用者的网络关系分析，最终确认网贷中介公司该公司，主营业务包括市场营销、客户关系、销售推广等，即典型中介公司。通过实时风控系统的风险评估，针对于各个地域风险能够进行准确特征构建，实时预警，以地理纬度进行分析判断。案例三：以房地产为名的中介皮包公司案2018 年末，360 金融反欺诈部发现以房地产中介为幌实际进行中介贷款的皮包公司及其关联团。360 金融通过多方数据源整合分析，运用社会网络分析技术，关系图谱实现了对于设备、线下位置和使用者的网络关系分析，根据原有中介风险群体（欺诈团伙）的特征识别。运用欺诈团伙识别功能，有效洞察了中介代办的客户特征，与正常房产中介相关特征区分，并进行了精准打击。扫码关注：金融干货精选获取更多干货资料
