面向電商平臺的即時深度學習欺詐檢測網路

Grab 生態系統每天處理數百萬筆商戶、司機、配送和消費者交易，是欺詐分子的重點目標。常見手法包括釣魚或社會工程導致的賬戶接管以及信用卡欺詐。Grab 已用圖模型追溯可疑賬戶之間的連線，再通過 AISG 與 NUS 合作把圖模型和深度學習能力做深。

圖把實體作為節點、連線作為邊來揭示資料中的隱藏模式；圖神經網路同時學習節點屬性和連線結構來識別欺詐。Spade 處理不斷演變的圖，Spade Plus 加上使用者自定義函式和更高效的流處理。Rush 抓突發的欺詐高峰，PMP 處理多樣化連線。FPGA 上的動態隨機遊走在社交網路中即時掃描、快速識別虛假賬戶。自 2022 年起團隊已發表多篇會議論文，研究成熟後部分模型將整合進 Grab 生產環境。

字幕語言： zh-Hant · 抓取日期： 2026-05-02

在當今快節奏的數字世界中，電子市場正以前所未有的速度增長。每秒鐘都有數百萬筆交易發生。但在這些交易中隱藏著一些暗示欺詐的模式。數字平臺上的欺詐導致財務損失、聲譽受損，同時也增加了行業和所有人的安全成本。在Grab生態系統內，數百萬筆交易發生在我們的商戶、司機、配送合作伙伴和消費者之間，我們成為了不法分子的主要目標。常見的欺詐手段包括通過釣魚或社會工程進行賬戶接管以及信用卡欺詐。在N US，我們開發了基於人工智慧的解決方案，以應對動態、大規模且快速變化的環境中的欺詐問題。Grab一直在利用圖模型來檢測欺詐。

圖模型通過利用可疑連線之間的關聯，使我們能夠更有效地發現欺詐。與N US通過AI Singapore合作，專注於圖模型和深度學習，幫助我們深化欺詐檢測技術。圖是一種非常強大的資料結構，將實體表示為節點，將它們之間的連線表示為邊，有助於揭示資料中的隱藏模式。因此，圖神經網路通過學習每個實體的屬性以及它們之間的連線方式來提升檢測能力。Spay能夠檢測不斷演變的圖中的欺詐行為，而Space Plus則通過使用者定義的函式和更高效的流處理進一步增強了這一能力。Rush能夠快速捕捉突發的欺詐高峰，而Spade Plus則追蹤不斷變化的模式，共同構成了一個強大且響應迅速的防禦系統。

基於圖的欺詐檢測面臨諸如標籤不平衡、網路變化以及日益強大的欺詐手段等挑戰。為了解決這些問題，我們提出了PMP來處理多樣化的連線，Spade用於即時更新，以及強大的圖技術來檢測資料中的隱藏欺詐。就像學生通過練習多樣化的問題來更好地學習一樣，人工智慧通過多樣化的資料學習得更好，幫助其捕捉不斷演變的欺詐行為，即使行為發生變化。我們開發了更好地處理演變圖和適應即時資料變化的技術。我們還探索了異常檢測策略，幫助提升在各種圖中識別異常模式的效能。在龐大的資料池中，我們找到了一種利用特殊硬體FPGA理解大型網路的方法。

基於FPGA的動態隨機遊走是一種超高速的偵測工具，能夠即時掃描社交網路，捕捉並移除虛假使用者。自2022年以來，我們共同撰寫了多篇學術論文，並在多個知名會議上進行了展示。我們計劃在研究成果成熟後，將部分模型整合到GRAP中使用。未來，人工智慧不僅能夠做出反應，還能預測並防止欺詐的發生。欺詐行為不斷演變，我們也在不斷進步。通過人工智慧驅動的欺詐檢測，我們正在保障電子市場的未來，一筆交易接著一筆交易。[音樂]