风控要略：互联网业务反欺诈之路

　　《风控要略——互联网业务反欺诈之路》是一本全面描述互联网业务反欺诈体系的书籍，全书主要分为洞察黑产、体系构建、实战教程和新的战场4个部分。第1部分介绍了黑产欺诈团伙的运作套路和攻击手段；第2部分总结了我们在构建反欺诈技术体系过程中沉淀的实践经验；第3部分分享了我们和黑产对抗的多个实战案例，以及机器学习算法的综合运用；第4部分介绍了我们在物联网、内容安全、隐私合规等方面的实践和对海外厂商的观察。读者通过仔细阅读《风控要略——互联网业务反欺诈之路》，可以对互联网反欺诈的过去、现在和未来有一个系统的认识。希望《风控要略——互联网业务反欺诈之路》能够为正在关注该领域或从事相关工作的读者提供有价值的参考。《风控要略——互联网业务反欺诈之路》适合互联网投资人、创业者、产品经理、运营人员和安全风控人员阅读。

　　马传雷 曾任同盾科技反欺诈研究院执行院长、广州中国科学院软件应用技术研究所电子数据取证实验室特聘专家，还曾担任腾讯安全应急响应中心技术负责人、绿盟科技安全技术部总监等职务，国内知名安全专家。 孙　奇 曾任同盾科技反欺诈产品研发总监，浙江大学硕士，知名Java架构师、Qcon全球开发者大会讲师。 高　岳 东南大学硕士，曾任同盾科技移动安全产品研发总监，也曾在腾讯安全平台部负责移动产品安全检测能力建设和安全产品研发，业务安全专家。

引言 互联网业务安全概述 1
第一部分 洞察黑产
第1章 黑产发展态势 8
1.1 黑产组织结构 8
1.2 黑产成员分布 11
1.3 黑产专业化分工 12
1.4 黑产攻击规模 13
1.5 电信欺诈黑产 15
1.6 本章小结 16
第2章 黑产武器库概览 17
2.1 虚假号码 17
2.1.1 猫池 18
2.1.2 短信验证码 20
2.1.3 接码平台 21
2.1.4 空号注册 22
2.1.5 流量卡和物联网卡 22
2.1.6 手机rom后门 23
2.2 代理IP 23
2.3 设备伪造工具 25
2.3.1 改机工具 25
2.3.2 多开工具 26
2.3.3 Root/越狱工具 27
2.3.4 Xposed 28
2.3.5 Cydia Substrate 28
2.3.6 Frida 28
2.3.7 硬改工具 29
2.3.8 脱机挂 29
2.3.9 备份恢复/抹机恢复 30
2.3.10 模拟器 32
2.3.11 定制浏览器 33
2.3.12 自动化脚本 34
2.4 其他工具 35
2.4.1 位置伪造工具 35
2.4.2 群控 36
2.4.3 工具集 42
2.5 本章小结 43
第二部分 体系构建
第3章 反欺诈体系建设思路 46
3.1 动态防控理念 46
3.2 防控体系构建 47
3.3 本章小结 50
第4章 风控核心组件设备指纹 51
4.1 设备指纹的原理 51
4.2 设备指纹的技术实现 52
4.2.1 Android设备指纹 52
4.2.2 iOS设备指纹 54
4.2.3 Web设备指纹 56
4.2.4 设备ID生成与恢复逻辑 58
4.2.5 被动式识别技术 61
4.3 代码保护 62
4.3.1 JS代码混淆技术 63
4.3.2 Android/iOS SDK加固保护 77
4.4 本章小结 92
第5章 基于用户行为的生物探针 93
5.1 生物探针 94
5.2 无感认证 95
5.2.1 无感认证的基础 96
5.2.2 无感认证的构建 97
5.3 生物探针的应用场景 100
5.4 本章小结 100
第6章 智能验证码的前世今生 102
6.1 验证码的诞生 102
6.1.1 验证码的本质 103
6.1.2 验证码的发展 105
6.2 验证码的攻防 108
6.2.1 字符验证码的识别 108
6.2.2 新型验证码的识别 112
6.2.3 对抗黑产的方案 115
6.3 设计一款优秀的验证码 117
6.3.1 设计标准 117
6.3.2 设计实战 118
6.4 本章小结 122
第7章 风控中枢决策引擎系统 123
7.1 规则引擎 123
7.1.1 脚本引擎 124
7.1.2 开源规则引擎 125
7.1.3 商业规则引擎 125
7.1.4 几种规则引擎实现方案的对比 126
7.2 规则管理 127
7.3 规则推送 128
7.4 规则执行 129
7.5 外部系统集成 129
7.6 灰度测试 130
7.7 本章小结 131
第8章 海量数据的实时指标计算 132
8.1 实时指标计算概述 132
8.2 实时指标计算方案 135
8.2.1 基于数据库SQL的计算方案 135
8.2.2 基于事件驱动的计算方案 135
8.2.3 基于实时计算框架的计算方案 136
8.2.4 实时指标计算方案对比 141
8.3 反欺诈实时指标计算实践 141
8.3.1 实时指标计算引擎原型 141
8.3.2 数据拆分计算 144
8.3.3 分片计算 147
8.3.4 引入Flink 148
8.3.5 Lambda架构 148
8.4 反欺诈实时指标计算系统 149
8.5 本章小结 151
第9章 风险态势感知系统 152
9.1 基于统计分析的方法 153
9.1.1 核心风控指标数据 154
9.1.2 核心业务数据 156
9.2 基于无监督学习的方法 157
9.3 基于欺诈情报的方法 158
9.4 预警系统 159
9.5 本章小结 160
第10章 风险数据名单体系 161
10.1 名单体系的价值 162
10.2 名单体系的设计 162
10.3 名单体系的生命周期 166
10.4 名单体系质量管理 168
10.5 本章小结 168
第11章 欺诈情报体系 169
11.1 情报采集 169
11.1.1 数据情报 170
11.1.2 技术情报 171
11.1.3 事件情报 174
11.2 情报分析 175
11.3 本章小结 179
第三部分 实战教程
第12章 机器学习算法的使用 182
12.1 机器学习的广泛应用 182
12.2 机器学习的落地过程 183
12.2.1 特征工程 183
12.2.2 模型选择 187
12.2.3 模型训练 195
12.2.4 工程化和业务落地 197
12.3 机器学习实战案例 198
12.3.1 案例一：黑产设备群控网络挖掘 198
12.3.2 案例二：黑产用户行为聚类分析 205
12.3.3 案例三：金融在线申请反欺诈 212
12.4 本章小结 220
第13章 互联网反欺诈实战 221
13.1 典型反欺诈业务场景风险分析 221
13.1.1 垃圾注册风险识别 222
13.1.2 批量登录风险识别 223
13.1.3 “薅羊毛”风险识别 225
13.1.4 裂变拉新作弊风险识别 227
13.1.5 “任务”作弊风险识别 229
13.1.6 恶意退单风险识别 229
13.2 解决方案设计示例 231
13.2.1 电商薅羊毛 233
13.2.2 裂变拉新 236
13.3 策略部署 239
13.3.1 策略配置 239
13.3.2 策略迭代 241
13.4 运营监控 241
13.4.1 监控预警报表 241
13.4.2 态势感知 242
13.4.3 情报监控 243
13.5 本章小结 244
第四部分 新的战场
第14章 物联网时代的风控 246
14.1 物联网安全态势 246
14.2 物联网安全威胁分析 247
14.2.1 云端平台安全威胁 248
14.2.2 网络通信安全威胁 249
14.2.3 设备终端安全威胁 250
14.2.4 物联网安全监管要求 253
14.3 物联网安全风险控制体系建设思路 254
14.4 物联网安全风险态势感知系统 256
14.5 本章小结 260
第15章 内容安全与合规 261
15.1 内容安全合规概述 261
15.2 文本内容安全 263
15.2.1 敏感词系统 264
15.2.2 基于NLP的AI模型 267
15.3 图像内容安全 271
15.3.1 图像分类 271
15.3.2 敏感人物识别 276
15.3.3 图像文字识别 285
15.4 语音内容安全 286
15.4.1 有语义语音 286
15.4.2 无语义语音 287
15.5 视频内容安全 288
15.5.1 视频内容安全处理流程 289
15.5.2 关键帧提取 289
15.6 内容安全工程 290
15.7 内容安全系统的评价指标 291
15.8 本章小结 292
第16章 风控与数据合规使用 293
16.1 网络安全立法进程 293
16.2 个人数据合规使用 294
16.2.1 用户隐私政策 295
16.2.2 数据安全流转 296
16.3 数据合规技术创新实践 298
16.3.1 数据匿名查询 298
16.3.2 区块链共享黑名单 299
16.4 本章小结 300
第17章 海外风控公司 302
17.1 Arkose Labs 302
17.2 Sift 304
17.3 Forter 305
17.4 Shape Security 306
17.5 Okta 308
17.6 本章小结 313