دانلود و پشتیبانی

لورم ایپسوم متن ساختگی با تولید سادگی نامفهوم از صنعت چاپ و با استفاده از طراحان گرافیک است.

s f

اطلاعات تماس
ایران چهارمحال و بختیاری
شهرکرد خیابان اول
[email protected]
038312345678

دژینو | dezhino

چگونه تقلب در کسب و کار ایکامرسی را شناسایی کنیم؟

چگونه تقلب در کسب و کار ایکامرسی را شناسایی کنیم؟

فهرست مطالب

  1. چگونه سفارشات ایکامرس تقلبی را شناسایی کنیم؟
  2. بهترین روشهای حفاظت از تقلب و امنیت
  3. ایکامرس و ابزارهای پیشگیری از تقلب آن
  4. راه حل های جلوگیری از تقلب در ایکامرس با یادگیری ماشین

 

 

چگونه سفارشات ایکامرس تقلبی را شناسایی کنیم؟

اگر کسب و کاری در مقیاس بزرگ دارید، احتمالاً به نرم افزار خاصی برای شناسایی سفارشات تقلب ایکامرس نیاز دارید زیرا کنترل دستی سفارشات کار سختی است. همچنین توجه به شاخص های اصلی زیر ممکن است کمک به پیدا کردن تقلب کند:

  • اطلاعات موجود در سفارش متناقض است. به عنوان مثال کد پستی و آدرس IP واقعی مطابقت ندارند.
  • موقعیت مشتری عادی شما در مقایسه با مکان های قبلی غیر معمول است.
  • در مقایسه با سابقه حساب، سفارش یک مشتری عادی شما  مبلغ بسیار زیادی است.
  • خریدار همزمان چندین خرید را از یک حساب انجام می دهد اما اقلام را به مکان های مختلف ارسال می کند.
  • تعداد زیادی خرید در یک بازه زمانی کوتاه دیده می شود.
  • سفارشات متعدد با استفاده از کارتهای اعتباری مختلف در مدت زمان کوتاه انجام می شود.
  • بیش از دو یا سه معامله پشت سر هم رد می شوند. در این سناریو ، مشتری نمی تواند شماره کارت اعتباری صحیح، ccv2 و تاریخ انقضا را با وجود چندین بار تلاش، که می تواند یک نشان بزرگ برای فعالیت مجرمانه باشد، درج کند.
  • یک سفارش غیر معمول از یک کشور جدید انجام می شود. بله ، بازار شما می تواند مخاطبان جدیدی را مورد حمله قرار دهد و در منطقه جدید مورد توجه قرار گیرد ، اما این احتمال وجود دارد که یک رشته مشکوک از سفارشات منطقه ای که شما هرگز فروشگاه آنلاین خود را در آن بازاریابی نکرده اید، نشان دهنده فعالیت متقلبانه باشد.

اکنون که نحوه شناسایی دستورات تقلبی را شرح دادیم، بیایید راه های جلوگیری از وقوع این اتفاق را به طور کامل بررسی کنیم.

بهترین روشهای حفاظت از تقلب و امنیت

هر درگاه پرداخت می خواهد مورد اعتماد هر یک از مشتریان خود قرار گیرد و وفاداری خود را برای یک رابطه مداوم و طولانی مدت با مشتری خود داشته باشد و تا زمانی که پرداخت فوری در اینترنت محبوب ترین وسیله برای به دست آوردن محصولات و خدمات است، درگاه های پرداخت باید با دقت یک رویکرد مشتری مدار را برای پیشگیری از تقلب در زمان واقعی توسعه دهند. همچنین ، هر ارائه دهنده ایکامرس باید بهترین اقدامات پیشگیری از تقلب را در نظر بگیرد:

بررسی بودجه امنیت داده ها.

احتمالاً اولین گام مربوط به امنیت ایکامرس و حفاظت از تقلب که باید بردارید، تجزیه و تحلیل میزان بودجه ای است که می توانید برای حفاظت از داده اختصاص دهید. نقض داده ها می تواند به راحتی به اعتبار سازمان شما آسیب برساند و مشتری شما را از دست بدهد. بنابراین ، منطقی است که چنین حادثه ای ناگوار را پیش بینی کرده و یک برنامه پاسخگویی در مورد نقض داده ها، کاملاً اندیشیده و کارآمد داشته باشید. سرمایه گذاری در این طرح منطقی است زیرا شما قادر خواهید بود خسارت ناشی از نقض کالا را محدود کرده و تصمیمات سریع و مهم در مورد حادثه بگیرید. این واقعیت را در نظر بگیرید که نه تنها در معرض خطر حمله خارجی قرار دارید، بلکه افراد سازمان شما می توانند دلیل نقض داده ها باشند. همه افراد تیم شما نیازی به دسترسی به همه اطلاعات ندارند، بنابراین اطمینان حاصل کنید که کارمندان شما فقط به اطلاعاتی که باید بدانند دسترسی دارند. امیدوارم، این باعث کاهش تلاش شما برای اطمینان از امنیت ایکامرس، مقابله با موارد تقلب و استفاده از پلتفرم تشخیص تقلب دژینو برای مقابله با آنها شود.

 

نظارت روزانه بر حساب و معاملات بانکی.

یک توصیه خوب این است که مشتریان خود را کنترل کنید و به دنبال موارد مشکوک در رفتار خرید آنها باشید. برنامه ریزی برای نظارت بر حساب مشتریان و معاملات آنها در حالی که هشدار دارید که ممکن است چیزی غیر معمول به صورت جزئیات صورتحساب یا جزئیات حمل و نقل یا موقعیت جغرافیایی کاربر ظاهر شود، نظارت کنید. این نوع نظارت را می توان از طریق ابزارهای ویژه برای ردیابی آدرس های IP به دست آورد.

محدودیت در هزینه های روزانه.

برای حداکثر تعداد خریدهای ممکن و کل ارزش پولی پذیرفته شده از یک حساب در هر روز، محدودیتی را در نظر بگیرید. در صورت تقلب حداقل این امر شما را در برابر ضررهای شدیدتر محافظت می کند.

مقدار تأیید کارت مورد نیاز است (CVV).

اکنون هر کارت اعتباری دارای یک شماره امنیتی سه یا چهار رقمی است که در قسمت جلویی آن مشخص شده است. CVV2 را با سایر اطلاعات کارت بانکی کاربر (به عنوان مثال شماره کارت و نام مالک) ذخیره نکنید. مجرمان قادر به دریافت این کد نیستند، مگر اینکه از نظر فزیکی کارت را داشته باشند، بنابراین ذخیره کردن آن منطقی نیست.

رمزهای عبور باید قوی تر باشند.

برخی از برنامه های هک مانند برنامه هایی که با اصل “brute force” کار می کنند می توانند برای آزمایش همه ترکیبات ممکن یک رمز عبور استفاده شوند. بدیهی است که شکستن رمز ورود چهار رقمی ساده و بدون حروف یا علائم خاصی (که به آن آلفا عددی گفته می شود) ساده ترین رمز عبور خواهد بود.

امروز بهترین توصیه برای گذرواژه ها استفاده از رمز عبور عددی آلفا با هشت رقم یا بیشتر، شامل حداقل یک حرف بزرگ و یک حرف خاص است (به عنوان مثال ،! ، # ، _). این ممکن است کمی مشتری شما را آزار دهد اما در آینده از امنیت بالاتری برخوردار خواهد بود.

سیستم عامل ها و نرم افزارهای خود را به موقع به روز کنید.

سیستم عامل شما باید جدیدترین نسخه را داشته باشد زیرا ارائه دهندگان نرم افزار خود را با افزونه های امنیتی جدید به طور دائمی بروزرسانی می کنند تا در برابر آسیب پذیری ها و بدافزارهای تازه کشف شده از شما محافظت کنند.

برنامه های ضد بدافزار و ضد جاسوسی در سطح شرکت نیز باید مرتباً به روز شوند تا از محافظت در برابر روشهای حمله سایبری تازه کشف شده اطمینان حاصل کنند.

همه این اقدامات به شما کمک می کند تا مشتریان خود را در مورد امنیت خود اطمینان دهید.

ایکامرس و ابزارهای پیشگیری از تقلب آن

صنعت ایکامرس فرصت بسیار خوبی برای مشتری فراهم می کند تا هر کالایی را در هر زمان از هر مکان سفارش دهد، اما همزمان تهدید به تقلب آنلاین را به همراه دارد. تعدادی از ابزارهای پیشگیری از تقلب در ایکامرس ادعا می کنند که شما را در برابر متقلبان اینترنتی محافظت می کنند، اما همه چیز در مورد اعتماد است که چنین ابزاری را انتخاب می کنید.

راه حل های جلوگیری از تقلب در ایکامرس با یادگیری ماشین

ما می دانیم که تکنیک های متداول پیشگیری از تقلب ایکامرس مبتنی بر قاعده طبق قوانین خاصی که توسط برنامه نویسان نوشته شده و کار می کنند، که به آنها اجازه نمی دهد با الگوهای جدید تقلب انعطاف پذیر و هوشمند باشند. در همان زمان، راه حل های تقلب ایکامرس ساخته شده با یادگیری ماشین با ورود اطلاعات جدید با گذشت زمان خود را بهبود می بخشند. به عبارت دیگر ، آنها می توانند “یاد بگیرند”.

دو کلاس اصلی الگوریتم های یادگیری ماشین وجود دارد: نظارت شده و بدون نظارت. هر دو می توانند برای کشف و پیشگیری از تقلب استفاده شوند، اما هر یک دارای مزایا و معایب خود هستند.

راه حل های شناسایی مبتنی بر یادگیری ماشین معاملات را اسکن می کنند و نمره تهدید آنها را ارزیابی می کنند، از جمله بین 0 تا 1. سپس نمره با یک آستانه از پیش تعیین شده مقایسه می شود که معامله را جعلی یا غیرمجاز می داند. بیایید نگاهی دقیق تر به ماهیت برخی از این الگوریتم ها بیندازیم:

درخت تصمیم نظارت شده

پس از تغذیه اطلاعات مربوط به معاملات جعلی و عادی، یک درخت تصمیم تحت نظارت، یک طبقه بندی (پیش بینی) می کند. محاسبه نمره تقلب هنگامی که به گره های پایین تقسیم می شود از گره ریشه درخت شروع می شود. گره های دیگر نیز به گره های پایین با شرایط باینری یا چند مد تقسیم می شوند. این بسته به مقدار متغیر ورودی انجام می شود.

هنگامی که درخت ساخته می شود، ورودی داده جدید (یک معامله) با عبور از ریشه درخت با شروع از گره ریشه، با توجه به مقادیر ویژگی ورودی، طبقه بندی می شود.

نظارت بر ماشین بردار (SVM)

ماشین بردار پشتیبانی (SVM) به روشی دیگر کار می کند، این نمونه داده های معامله را به ترتیب در نمودارهای صفحه به دو کلاس جدا می کند که فرمول مورد نیاز برای آن کوچکترین خطا را در مقایسه با مجموعه داده حقیقت زمین نشان می دهد (معاملات واقعی با برچسب) . ایده اصلی پشت SVM ترسیم خطی بین کلاسهایی است که بیشترین حاشیه را بین معاملات تقلب و غیر تقلب برای دستیابی به سطح بالایی از کشف باقی بگذارد.


حتما بخوانید: سه مورد از پر کاربردترین مدل های یادگیری ماشین

 


تشخیص ناهنجاری با استفاده از رمزگذار خودکار

درصورتی که مشتری تعداد معدودی از معاملات تقلب را داشته باشد، بهتر است از Autoencoder استفاده کنید، جایی که نمونه های جعلی در مرحله آموزش مدل حذف می شوند، اما هنوز برای آزمایش استفاده می شوند. تمام تکنیک های تشخیص ناهنجاری برای نشان دادن وقایع غیرمعمول یا غیر منتظره در داده ها است.

رمزگذار خودکار عصبی نوعی از معماری است که در یک کلاس از وقایع آموزش می بیند و از آن برای آگاه سازی ما درباره وقایع غیرمعمول استفاده می شود. روند آموزش به معنای تعداد مساوی واحدهای ورودی و خروجی است که تعداد مشخصی لایه بین آنها وجود دارد. تصمیم نهایی در مورد جعل یا معامله بودن یک معامله براساس مقدار آستانه و فاصله بین ورودی و لایه خروجی تولید شده آن است.

تشخیص دور از دسترس: جنگل انزوا

تکنیک دیگری که در مواردی که معاملات تقلبی در یک مجموعه داده بسیار کم یا بدون معامله انجام می شود، مقابله می کند، Isolation Forest است که به کلاس تکنیک های outlier تعلق دارد. ایده پشت Isolation Forest این است که می توان با ایجاد انشعابات تصادفی کمتر از یک نقطه داده که متعلق به کلاس عادی است، مقدار دور از مرز را تعریف کرد. ناهمواری ها بسیار نادر از نمونه های معمولی اتفاق می افتند و مقادیری دارند که برای مقادیر متوسط ​​یک مجموعه داده معمول نیستند.

الگوریتم یک مقدار تقسیم را از یک محدوده مقدار به طور تصادفی انتخاب شده از یک ویژگی انتخاب شده به طور تصادفی انتخاب می کند. در نتیجه انتخاب ها، یک درخت رشد می کند. عمق درخت با تعداد تقسیم های تصادفی مورد نیاز (که طول متوسط ​​نامیده می شود) اندازه گیری می شود. هنگامی که یک جنگل متشکل از چنین درختانی رشد می کند، تعداد متوسط ​​طول بر روی تمام درختان اندازه گیری می شود و به معیار نرمال یا به عبارت دیگر عملکردی که ما برای ردیابی نقاط دورتر استفاده می کنیم تبدیل می شود.

انشعابات تصادفی دارای عمق درخت به طور قابل توجهی کوتاه تر در مواردی با نمونه های طبیعی است. این به ما کمک می کند تا مشخص کنیم کدام نقاط داده دور از دسترس هستند.


 

حتما بخوانید: چرا یادگیری ماشینی برای کشف تقلب در ایکامرس خیلی خوب کار می کند؟

 


 

ارسال نظر