反欺诈是机器学习在金融业落地最早也最成功的领域之一,因为它的判定标准清晰、反馈迅速、错误成本可量化。但它也是「模型越强,攻击者越强」的典型战场——三十年的攻防史,几乎可以看作一部双方策略互相进化的对照表。

一、1990-2000 年代:规则引擎与专家系统
1990 年代的反欺诈完全依赖规则:分析人员根据案例总结模式,写成规则库由系统执行。同期出现了专家系统尝试把分析员的判断逻辑化,在某些场景下能捕捉到人工忽略的组合。这一时期的问题非常明确:规则数量增长快于分析员编写速度,且规则之间开始出现冲突与误触发。一个长期存在的对抗现实是:规则一旦公开就会被攻击者针对性规避,防守方陷入持续的规则更新循环。1990 年代的反欺诈完全依赖规则,由分析员总结案例模式后写成规则库执行。同期专家系统尝试把分析员判断逻辑化,在特定场景下能捕捉人工忽略的组合。这一时期的问题明确:规则数量增长快于编写速度,且规则之间开始出现冲突与误触发。
二、2000-2012:统计建模与实时评分
2000 年代中期,逻辑回归与决策树被用于信用与交易欺诈评分,取代了部分规则。同期电信运营商的大规模实时反欺诈系统证明了实时评分架构的可扩展性,这套架构后来被金融业直接复用。2010 年前后,社交网络特征被引入:账户之间的关联关系成为新的信号源,这是后来图方法的前身。这一阶段的核心挑战是不平衡:真实欺诈占比极低,直接训练模型容易把正常交易判成异常。2005 年前后逻辑回归与决策树被用于信用与交易欺诈评分,取代了部分规则。2010 年前后社交网络特征被引入,账户之间的关联关系成为新信号源。不平衡是这一阶段的核心挑战:真实欺诈占比极低,直接训练容易把正常交易判成异常。
三、2013-2020:深度学习与对抗性攻击
2013 年后,深度学习被用于交易序列的行为建模,能捕捉规则难以描述的时序模式。同期也出现了攻击方的对应技术:对抗样本让攻击者构造出模型判为正常的伪造交易。2017 年前后,图神经网络被引入反欺诈:把账户、设备、地址建成图,用社群结构发现团伙。一个被充分认识的问题是漂移:攻击策略变化后模型性能会缓慢衰减,需要持续再训练与监控。2014 年后深度学习被用于交易序列的行为建模,能捕捉规则难以描述的时序模式。
同期攻击方也引入对抗技术,构造出模型判为正常的伪造交易。2018 年前后图神经网络被引入反欺诈,把账户、设备与地址建成图,用社群结构发现团伙。漂移是被充分认识的问题:攻击策略变化后模型性能缓慢衰减,需要持续再训练与监控。
四、2021-2025:合成欺诈与对抗性检测的军备竞赛
2021 年后,生成模型使合成欺诈成为现实:伪造证件、合成语音与批量生成虚假身份的成本大幅下降。同期检测侧引入扩散模型来生成训练样本以增强鲁棒性,形成「以毒攻毒」的思路。2023 至 2025 年间,一个被公开讨论的转向是身份体系本身:可验证凭证与去中心化身份成为减少伪造的根本路径。整个领域的共识是:欺诈检测无法单靠模型解决,必须与身份验证、交易延迟与人工复核机制配合。2021 年后生成模型让合成欺诈成为现实:伪造证件、合成语音与批量生成虚假身份的成本大幅下降。
同期检测侧引入扩散模型生成训练样本以增强鲁棒性,形成以毒攻毒的思路。2023 年后一个被公开讨论的转向是身份体系本身:可验证凭证成为减少伪造的根本路径。领域共识是:欺诈检测无法单靠模型解决,必须与身份验证、交易延迟与人工复核机制配合。
资料来源
- Dal Pozzolo et al., Credit Card Fraud Detection: a Realistic Modeling, 2017
- Wang et al., Graph neural networks for fraud detection, ICDM 2019
- 各支付网络与银行公开的反欺诈技术白皮书
- 各国金融监管机构关于支付欺诈与身份认证的公开指引