每秒上万笔交易，摩根大通如何打造又快又省钱的即时欺诈侦测平台？

百年金融集团摩根大通（JPMorgen Chase）是全球最大金融机构之一，每秒处理数万笔交易、每日交易金额超过10兆美元。这么庞大的交易量，他们如何知道每一笔交易是不是欺诈？Karthik Devarapalli是摩根大通首席软件工程师，他和同事Jimit Raithatha在去年12月一场会议中，披露摩根大通支付服务团队如何设计云计算金融欺诈即时侦测平台，来快速判断每笔交易的欺诈风险。

金融欺诈越趋严峻，摩根大通用6大原则自建AI/ML欺诈侦测平台

Devarapalli首先指出，随着科技发展，金融欺诈越来越严重。美国财务专业人士协会（AFP）调查显示，光是2023年一年，就有80%的金融机构遭遇支付欺诈，比起2022年增加非常多。

摩根大通这个老牌大型金融企业，应对金融欺诈也有不少经验。他们将自己的应对策略和技术，包装成服务，在摩根大通支付服务团队旗下提供“信任与安全”解决方案，里面有用来验证账户、业务和文件的验证服务，还有账户风险评估服务、支付控制中心服务，以及AI/ML驱动的即时欺诈侦测平台。

这个即时欺诈侦测平台，正是Devarapalli讨论的重点。该平台靠内部规则、机器学习模型评分、异常侦测和例外清单来判断每笔支付的欺诈风险，但光有这些还不够，要能在摩根大通全球据点即时侦测，还要满足6大需求：

其中第5点的脱机分析很重要，因为这样才能主动发现新欺诈趋势。Devarapalli点出，就算是已知的欺诈行为，从业人员也能通过脱机分析来调查、找出预防对策。

接着，摩根大通根据这6大需求，创建欺诈侦测平台。他们先画了张平台组件图（如下图），按照需求列出不同组件，比如将支付数据送进平台的请求截取组件、请求优先排序组件（图左），来进行数据验证或清理。

接着纳入嵌入矢量和信号（Embeddings & signals）组件、厂商数据扩展组件（Vendor enrichment）。这个厂商数据扩展组件也很重要，因为要侦测欺诈交易，不只依赖规则，还需要其他补充数据来补强。而摩根大通的厂商数据扩展组件，就包含丰富的合作厂商数据，以及摩根大通自己的银行参考数据，来强化侦测能力。

其他组件还有特征存储（Feature Store），专门用来转换数据、计算聚合数据。Devarapalli解释，这里的特征分为两种，一是历史特征，比如用户的长期交易概况（如上个月的交易总量、金额、时间、地点等），另一种是即时特征，也就是直到前几分钟、甚至几秒钟的使用行为。

再来是决策服务（Decision service），也就是以规则来侦测欺诈，另外还有推论服务（Inference service），以机器学习模型来计算欺诈风险分数。此外还有个界面层，系统可以API来调用模型或管理模块。

最后则是执行程序（Action handler），能根据前述的分析结果和规则，执行相对应的处置。

Devarapalli说，正因为摩根大通将任务拆分成多个组件，所以可依需求快速扩展。“最重要的是能处理高吞吐量，而且在几毫秒内处理。”这是摩根大通即时处理每秒上万笔交易的先决条件。

即时欺诈侦测平台如何运行

有了组件组成，接下来就是平台架构（如下图）。首先，当摩根大通支付处理系统（图左上）接收支付交易时，会发送请求给欺诈侦测平台，来判断这笔交易是不是欺诈。

接着，请求送到侦测引擎。这个引擎包含一系列侦测欺诈的微服务，也有专门处理请求的网关微服务，能用来接受请求、验证数据，必要时还会清理数据，是请求必经的第一个微服务。

在侦测引擎根据规则处理请求前，还有个检索数据的步骤，也就是调用API来搜索数据集，像是厂商扩展数据、特征，或是判断欺诈的规则等等。之后，平台会再调用API来进行规则式判断和模型评分，综合评估这笔支付是不是欺诈，最后由执行程序进行相对应的处置。通常，这个欺诈侦测平台可以终止任何高风险交易。

这个侦测引擎所使用的数据，都存储在不同数据库，比如他们将规则的Metadata存储在Amazon Aurora，将扩展数据、特征数据和例外清单等放在DynamoDB，至于交易数据则都存储在Amazon S3中。

Devarapalli还点出一个很重要的规则验证UI（图左下），有了它，摩根大通可以即时更新或添加规则，不必等待几个小时甚至好几天。

即时欺诈侦测平台如何又快又省钱

“欺诈侦测平台每秒接收3、400个请求，每天要处理上千万个请求！”Raithatha指出，要处理的请求如此大量，每往平台加一层（如网络层），就会让处理时间多个几毫秒。为避免这个状况，摩根大通用了些优化方法，来减少平台的IT层数和延迟时间。

首先是使用AWS负载均衡控制器。Raithatha说明，他们用Amazon EKS来管理欺诈侦测平台，通常，在EKS实例中，会有应用程序负载均衡器和在EKS集群执行的服务，这两者间还有个反向代理层，来将负载均衡器的流量分配到EKS Pod。不过，摩根大通选用开源的AWS负载均衡控制器，可直接跳过反向代理层，直接将EKS Pod连到特定的负载均衡器，省下几毫秒。

再来，摩根大通也用VPC端点服务来访问云计算资源。在一次跨区域测试中，他们用VPC端点来访问DynamoDB数据库资源，发现跨区域查询性能提高了86%。另一个优化方法则是使用DynamoDB数据表，来作为大量数据寻找（lookup）使用。

不只这3种加速方法，摩根大通还有套成本优化方法，来确保欺诈侦测平台又快又省钱（如下图）。在切入主题前，Raithatha先强调：“成本优化是打造平台第一天就要做的事，你不能建好一个平台，再回头去降低成本。”尤其，当平台处理高流量业务，要再降低成本是一件很困难的事。也因此，摩根大通在进行每个设计决策前，都会预留带宽给成本分析。