设备指纹（设备ID）：设备唯一识别码，一般是主动式的设备指纹（公司内容研发自己去加工，当然也可以使用第三方的）用于识别贷款时使用的设备，多人共用同一个设备，就有中介或黑产风险。
先来介绍下在整个申请环节中，所涉及到的具体的操作点：
由上图可以看到，在以上的流程节点里，每个流程、相关页面都可以做相关的设备埋点，比如具体的某个页面：
那在我们申请节点中，如何做关于相关的设备指纹的反欺诈判断，这里我们需要了解下两个概念：一个是主动式的设备指纹，一个是被动式的设备指纹。
在番茄风控之前的文章中介绍过：主动式的设备指纹与被动式的设备指纹，再结合最近上线的欺诈的异常检测，再给大家普及下反欺诈的相关内容。
一.主动式的设备指纹
主动式的设备指纹，就是自己公司研发做的设备指纹。公司的前端研发都能做相关的技术埋点，这个在技术上实现不是难点。
比如我们会根据上述的流程节点，让IT开发以下相关变量：
多人共用注册设备ID
多人共用授信设备ID
多人共用提现设备ID
又或者可以进行以下相关变量开发：
是否ROOT或越狱
手机APP清单（列表）相关
开机时间相关
截屏次数相关
GPS地址相关
IP相关
网络类型（WIFI、4G、3G）
为了帮助各位理解，我们分享以下实际真实业务场景：
场景一：集中式的机器注册
某团伙，在2月1日凌晨2点，突然在我们公司APP申请页面，多人同时操作一个手机进行用户注册，并且通过了到了提现环节。
次日，我们在公司的服务器的数据端，看到该节点该时间段，有将近10个人同时使用设备ID为：XXXXXX12345的数据，我们判断此场景为团伙集中性作案，有多人登录同个设备id，最后在提现环节，我们将这伙申请人全部拒批。
场景二：中介远程换设备操作
某中介，帮客户小明操作申请贷款。在用户注册填写资料环节都是中介操作，因为中介帮小明避开策略将进件信息资料填写得完美些。但这个中介坐标在台湾。之后注册节点结束，中介告知小明具体登录账号跟密码。在登录与OCR环节，由小明自己操作过了人脸。最后到了授信节点。
我们在授信环节，发现同个客户编码对应两个设备，而且还定位到不同的地理位置，很明显该客户有较大为非本人操作嫌疑。
通过这两个具体的场景，希望各位能理解反欺诈的策略是需要分类到具体的反欺诈的业务场景里。如何做变量、做欺诈的定义，都需要我们梳理到具体流程里，并且在合适页面里嵌入相关的指纹设备埋点。
二.被动式的设备指纹
何为被动式的指纹，可以理解为我们寻求第三方的合作，让其在你们APP上嵌入SDK的，这个嵌入放在某个页面，或多个页面，然后获得这个客户的设备信息。
简单点可以这样理解：这个第三方在你们APP某个页面植入木马，那客户走到具体的流程节点页面，就可以获取这个客户的设备信息。等同于他们帮我们抓取设备的信息。
具体的流程节点基本都是集中在： 注册、OCR、人脸识别、个人资料填写、绑卡等页面，比如大数据厂家某骑士，专帮人做埋点数据的，其可以在登录页面嵌入SDK，那它获取的就是登录时的设备ID。
真正完成这些第三方的技术部署后，那在我方的客户信息也会部分跑到第三方平台，所以对相关用户隐私数据保护比较强烈的公司，这样的合作方式慎用。
第三方抓取到的信息相比公司自己团队研发抓取的信息，是否更全面些？其实抓取实现的技术都是类似，不同的只是算法处理方法的差别。比如自己研发的，可能抓取到IMEI号是一致的可能就被判定为同一设备的；如果此时是一部Root过手机，他仅仅只是稍微修改IMEI，可能他就绕过了我们策略点。但如果是技术能力强硬的第三方，他还会加以判断设备的内存、cpu等这些信息，也许就可以更精准地判断真实的设备情况。
跟各位分享下，比较全面的IOS设备信息表：
（详细的内容参见番茄风控大数据的知识星球）
三.异常检测技术
异常检测是在无监督模型学习中比较有代表性的方法，即在数据中找出具有异常性质的点或团体。在检测欺诈团体的情况下，异常检测被认为是比较有效果的。具体的实现算法有有z-score检验、LOF、iforest等方法。
其中一个典型的异常检测技术是：利用多维空间技术在GPS聚类的基础上，结合AI图像模型技术，升级形成了一个“多维空间”的关系。基于密度空间聚类算法，结合机器视觉技术、深度学习的创新应用，对高密度区域（结合数量、时间、频次等）实时高效精准预警，同时形成管控策略。
~视频详细内容可见下篇
当然涉及欺诈相关的黑产的内容，也可以在往期的番茄风控相关的内容中查看，其中诸多课程提到黑产相关内容以及欺诈相关的防范课题，详情请参考：
1.信贷黑产不讲武德，风控人如何守住底线
2.黑产欺诈工具排行榜——大菠萝居然是五星榜首？
3.想要羊毛薅得少，欺诈防控少不了
…
~原创文章
…
end
