对风控的理解
Posted ivyharding
tags:
篇首语：本文由小常识网(cha138.com)小编为大家整理，主要介绍了对风控的理解相关的知识，希望对你有一定的参考价值。
最近一直关注风控方向的知识和业务，我做下总结吧！
1. 技术篇
机器学习算法（这个是最多的，要明白每个模型的优缺点，适用范围，对模型本身要理解透彻）
深度学习算法：GAN,迁移学习，强化学习等新的技术
2. 基本理解
（1）风控的定义：风控就是风险控制
主要分为2大方向：信用风控（打分，芝麻分之类）；反舞弊风控（很多黑产活跃在互联网上，你就要通过风控和坏人做对抗；这个对抗不能只停留在防御上，更多的要站在坏人的角度去思索他们是怎么欺诈的，怎么获取利益的）
风险行为的定义：
账户安全问题：盗卡，盗余额支付
商家刷单：帅排名，刷销量，刷好评
用户作弊：”薅羊毛“，也就是获取一些优惠卷（通过反复注册新用户等行为）
（2）风控的特性
高对抗性：要24小时防御；因为有组织的找平台bug进行盗卡，或者是盗号这样的太多了。
准确性：2个要素准确性和召回率（我们关注的是异常样本，宁可错杀100也不放过一个？？？其实这个准确度也很重要，把好的用户判别成坏的用户会遭到用户的投诉之类，不划算啊）
灵活性：人工对抗不合理，最好我们设计出的模型或者产品可以实现谁是监督，随时修改，实现一个自我判断学习的过程！
3.风控的整体架构
风控的整体架构可以分为三个大的系统：
- 实时风控；
- 准实时风控；
- 离线风控。
区分的标准是根据策略的速度：
- 实时风控：举个例子美团的实时风控要求必须为毫秒级同步返回，用户下单时必须要实时监控同步调用，每天亿级的调用量就要求每次调用不可以是秒级别。
- 准实时风控：一般来讲几秒甚至几分钟以内返回都可以，因为采用的是异步调用事后处理，这种方式计算的数据量和可利用的数据量资源比实时风控会多很多。
- 离线风控：一般通过 ETL 来做。
如图所示第二层是策略系统。策略系统时风控的核心系统，包含着规则、管理以及监控的功能。
策略系统在设计的过程中，最关键的是：
- 配置是否方便快捷，策略能不能够快速上线是决定性的要素。因为我们一般在上线之前，首先需要灰度测试→人工处理→机器处理，因此要去策略系统配置一定要方便快捷。
- 规则引擎性能要高。
最下面一层是特征库，具备黑白名单、统计数据以及特征数据等功能。特种库对于系统的性能应该是最重要的，因为亿级体量的数据量是十分庞大的，因此在设计时要用到一些大数据框架。
图中左侧的处理系统即统一的处罚系统，无论是对商家还是用户的处罚都会归到这个处罚系统中；右侧主要是一些公共组建，包含过载保护、报表、监控报警等等功能。这就是一个完整的风控架构。
4.风控模型策略
1. 异常检测
可以简单分为三种：
- 基于数据统计，例如同一个 IP 登陆成功率非常高，这是有风险的信号，背后可能意味着是同一伙人，100 个人不可能说一次性都能输对密码，违反常理；同样的，登录成功率非常低的，可能就是暴力破解、撞库。基于数据统计，可以找到异常特征。
- 聚类，聚类完成之后会有离群点，离群点即可判断为异常。
- 孤立森林，这个方法在异常检测领域效果最好，它的理论是将一个人的所有行为想象成一棵树，在某些分支上与其他分支出现了强不同，则该分支出现了问题。例如你同一台设备同一个 IP，导致你的行为都是类似的；但有的人同一个 IP 多台设备，很容易被这种方法捕捉到异常。
2. 知识图谱
如图所示，知识图谱即多对多的关系，举登录的例子，设备 ID 与 登录 ID 未必是一对一的关系，同一台设备可以有多个人登录，同一个登录 ID 又可以在多个设备上登录，但重要的是一个人无法同时登录 N 个设备，同样 N 个设备也不可能被 N 个人登录，因此很容易捉到异常。
3. 用户画像
以上是关于对风控的理解的主要内容，如果未能解决你的问题，请参考以下文章