大数据：通过设备行为分析降低支付风险

从2012年起，大数据的话题在中国互联网以及各个行业开始大热，据说2013年已经被国外媒体称为“大数据元年”。除了最常规的用户挖掘、广告价值提升，大数据被用来制作热门电视剧，建设医疗机构，甚至帮助奥巴马连任等各种神话已经层出不穷。但互联网最最基础的一项工作——安全工作，似乎一直跟这股潮流没什么关系。

　　很多人的印象中，互联网安全无非就是装个杀毒软件，网上支付的时候最好再拿个硬件盾(U盾)心里才能踏实点。一出问题，得出互联网始终还是比传统世界不安全的结论，那是必须的。我们搞互联网安全的，有那么没有技术含量吗？这里简单给大家介绍下网上支付控制风险的一个利器——正是现在所有人热捧的大数据。

　　传统安全认证方式及其问题

　　之前有人说“在互联网上，没人知道你是一条狗”，这种“身份不确定性”对于互联网金融服务来说，是一个永远的风险。网络钓鱼、木马传播、账号窃取等带来的盗用和欺诈都是这种风险的直接体现。

　　所以，就有了人们最熟悉的几种安全认证手段：一是用户所知道的东西，比如密码；二是用户所拥有的东西，比如数字证书、硬件盾。他们的本质都是，当支付服务接收到支付请求时，为了减低支付风险，服务端要先确认支付发起者的身份是合法的。

　　但以上两种方法都会遇到一些障碍，比如密码容易忘记，有些人所有应用都用同一个密码，密码还可能存在泄露的风险。这一点，2011年底的CSDN密码泄露事件就给了所有人一个警示。

　　数字证书和硬件盾的问题在于，更换电脑或者重装系统之后，电脑中没有数字证书，用户就会无法支付，而硬件盾可能丢失或者损坏，发生这种情况，用户也会无法支付。这也是至今很多用户都没有选择这些安全产品的原因。

　　第三种现在广泛使用的安全认证方式是手机检验码。 用户在电子商务网站、网上银行或者第三方支付网站预留手机之后，就可以在需要进行身份确认时接收动态验证码。 手机有良好的携带性、私密性，手机短信的达到率可以达到90%以上。因此手机短信动态验证码被电子银行和第三方支付大量使用。

　　在手机短信验证码被大量使用之后，不法分子也开始针对性的展开攻势。钓鱼网站、电话的方式骗取验证码甚至成为一个黑色产业链，对电子商务环境造成很大的负面影响。

　　举个真实的案例，支付宝为了防止不法分子冒充工作人员向用户骗取手机校验码，曾经在发送短信校验码的短信文案中明确写到“淘宝或支付宝工作人员不会向您索取短信校验码”。有一次，一位用户接到一位假客服的电话，假客服以帮她处理交易为由向她索取校验码，这位用户跟假客服说，“短信里面说了工作人员不会向我索取短信校验码的。”假客服可能也是灵机一动，回答说，“我不是淘宝和支付宝的，我是卖家。”这位用户就把校验码告诉假客服了。为此，支付宝只好更改了短信校验码的文案，明确说明“任何索取短信校验码的行为均是诈骗行为。”

　　即使这样，用户被骗取短信校验码的情况还是不能绝迹。因为这类非法骗取验证码的行为很多是有组织的实施，加上受害者的防范意识比较薄弱，成功骗取的概率始终是存在的。电子银行和第三方支付想要很好的控制这种非法行为，存在很大的难度。

　　设备行为分析的优势：你可以易容，但你的行为特征很难改变

　　为了降低支付风险而引入了身份认证，但是身份认证过程本身也存在被攻击的可能性。那么，能否减少网络行为中的“身份认证”环节呢？

　　答案是肯定的。不法分子可能通过各种方式掌握你的密码，骗取你的校验码，但他要完全使自己的行为特征跟你相似，那就要难得多。就好像整容很容易，但要改变你的行为特征却很难一样。能够通过这样的数据化、技术化的手段去控制风险，这就是互联网做安全的优势。

　　事实上，通过对用户支付行为的习惯数据进行分析来进行身份认证，可以很好的减少在支付过程中身份认证对用户的打扰。

　　用户在网络上的行为都会留下“信息”，比如在什么时间支付、购物的金额、使用什么样的网络。

　　行为在一段时间之内形成规律，就好比某个人习惯用左手写字。通过分析这种行为习惯，就可以知道用户的真实身份。

　　网络行为一般包含5个方面的因素：在什么时间、使用什么设备、账号、登录什么网站、做了什么。

　　在网络上，一个人能获取到的设备是有限的，一般是办公室电脑、家里电脑、手机等。如果在一个“可信”的设备上登录系统，那么当前行为的可信度就较高。那么设备又是行为分析中的关键点。

　　我们可以给每个设备一个“可信度”，用户的行为与设备进行关联，每次用户的行为都可以动态的改变“可信度”。

　　一次可信的、合法的行为会增加可信度，一次不可信的、非法的行为会减少可信度。而增加和减少的“度”，是通过一套复杂的模型，采用机器学习的方式获得。这样就围绕设备形成一个闭环，“输入-处理-输出-反馈”。

　　除了可以改变用户直接使用的设备的可信度，甚至还可以通过“设备”与“设备”之间的关联关系动态改变设备的可信度。比如，用户A使用手机A，使用声波支付给用户B的手机B转账1000块，那么除了手机A的可信度提升，手机B的可信度也可以相应提升。 分析设备直接的关系同样也可以建立一套复杂的模型。

　　因为用户网络行为会映射到设备的操作行为，所以通过对设备可信度的分析，就可以知道行为的风险有多高。而且这个过程中，不需要用户主动安装数字证书或者硬件盾，不需要接收校验码，对用户的体验也会有明显提升。

　　随着移动互联网兴起，地理位置定位、加速度感应等成为主流智能手机的标准配置。智能设备上的传感器，就好比人的五官，不断的采集周围环境的信息，这就为设备行为的分析提供更丰富的数据。这些智能化的设备散步在世界的每个角落，分分秒秒都在生产和传输信息；未来的挑战，不是用于分析的数据不够，而在于对如此庞大数据的储存和分析能力。

　　通过设备行为分析的方式去控制风险，只是通过大数据的方法去进行风险控制的一种。在国外paypal就没有数字证书、硬件盾这样的安全产品，就是靠分析用户与设备的行为去控制风险。中国的环境下，用户对安全的要求更高，安全感也更差，之前国内领先的第三方支付公司更多还是采取安全产品、校验码这些用户能够明显感知到的安全认证方式。但设备行为分析这样的新方式也已经开始起步。

　　还是那句话，这个世界上没有绝对意义上的安全，互联网上也是如此。但不论是要降低风险发生率本身，还是要提升风控过程中的用户体验和效率，互联网的方式、大数据的方式都要优于传统方式，这就是时代进步的必然。大家既要看到问题，也要看到这样更积极的一面。