En bedrägeripoäng för IP (Internet Protocol) bedömer hur troligt det är att en viss IP-adress är kopplad till bedräglig aktivitet. Poängen beräknas med hjälp av detaljer från virtuella privata nätverk (VPN), felmatchad geolokalisering, transaktionshastighet och proxyanvändning, till exempel genom datacenter. Tyvärr är 30–95 % av trafiken på stora proxy-nätverk för bostäder förknippad med bedrägeriaktivitet av typen black hat eller gray hat, vilket gör bedrägerier till ett globalt problem.

Företag hämtar en IP-bedrägeripoäng – antingen i kassan eller när en kund skapar ett nytt konto – för att hjälpa till att besluta om en transaktion ska godkännas, skickas för granskning eller blockeras helt. På egen hand förmedlar IP-bedrägeripoängen bara information om transaktionens onlineanslutning, inte om personen som använder den; det är här bedrägeristrategier kan slå fel.

Nedan diskuterar vi hur man gör kontroller av IP-bedrägeripoäng, hur företag använder dem i riskmodeller för betalningar och varför man kan få falskt positiva resultat för legitima kunder om man förlitar sig för mycket på dem.

Viktiga lärdomar

• En IP-bedrägeripoäng använder information om VPN- och proxydetektering, felmatchad geolokalisering och frekvensen av transaktionsförsök för att uppskatta risken, men den kan inte bekräfta vem som faktiskt ligger bakom en transaktion.

• Att enbart förlita sig på IP-poäng kan skapa falskt positiva resultat för legitima kunder, inklusive affärsresenärer, distansarbetare som använder företags-VPN och personer i delade mobila nätverk.

• Vissa programvaror kan utnyttja transaktionsdata från miljontals företag för att bygga en mer komplett bild av den potentiella risken med en enskild transaktion än vad en fristående IP-kontroll kan erbjuda.

Vad är en IP-bedrägeripoäng?

En IP-bedrägeripoäng är ett numeriskt eller nivåindelat betyg som uppskattar hur troligt det är att en viss IP-adress är kopplad till bedräglig aktivitet. För att generera den kontrollerar poängverktyg IP-adressen mot databaser med kända VPN:er, proxyservrar, Tor-noder och datacenter och lägger sedan till beteendehistorik, till exempel kontoövertaganden, försök till korttestning och tidigare chargebacks.

Vilka signaler avgör en IP-bedrägeripoäng?

Normalt hämtar poängverktyg in flera typer av information och ger en bild av den faktiska risken.

Här är de viktigaste signalerna som används för att avgöra en IP-bedrägeripoäng:

• VPN- och proxydetektering: IP-adressen kontrolleras mot listor över kända kommersiella VPN:er och öppna proxyservrar, där bedragare kan dölja sin verkliga plats eller växla mellan många identiteter från en och samma anslutning.

• Felmatchad geolokalisering: Om IP-adressen upptäcks vara i St. Petersburg i Ryssland, men faktureringsadressen är i Toronto i Kanada, ses den avvikelsen som en riskfaktor, särskilt vid en första beställning där det inte finns någon köphistorik att jämföra med.

• Transaktionshastighet: En IP-adress som gör ett dussin beställningar på en timme, var och en på ett annat kort, ses som mer misstänkt än en som försöker slutföra en enda transaktion vid ett och samma tillfälle.

• Användning av Tor-exitnod: Tor dirigerar onlinetrafik genom flera reläer för att dölja en potentiell transaktions ursprung, vilket gör det till en nästan automatisk flagga, även om många använder det av helt legitima integritetsskäl.

• Datacentertrafik: Konsumenter handlar normalt inte från IP-intervall hos Amazon Web Services (AWS) eller Google Cloud. Trafik som kommer från sådana webbplatser pekar ofta på en bot, en skrapa eller ett script som kör försök till korttestning.

• Signaler för enhetens fingeravtryck: Webbläsarkonfiguration, skärmupplösning och installerade typsnitt korsrefereras med IP-adressen för att se om transaktionen ser ut som en riktig person eller en skriptad attack.

Hur använder företag IP-bedrägeripoäng i riskmodeller för betalningar?

E-handelsföretag och betalningsplattformar hämtar normalt in en IP-poäng när en potentiell kund skapar ett konto eller försöker köpa något i kassan. Vid registrering kan en hög bedrägeripoäng utlösa extra identitetskontroller innan ett nytt konto får fullständiga rättigheter. I kassan kan den leda till ett beslut om huruvida transaktionen ska godkännas, skickas för manuell granskning eller kräva ett extra autentiseringssteg.

Normalt fungerar riskmodeller utifrån gränsvärden snarare än en enda godkänt-eller-underkänt-gräns. En poäng under 25 kan gå igenom utan komplikationer, medan en poäng mellan 25 och 75 kan kräva ytterligare verifiering eller stoppas för granskning. Allt över 75 motiverar ofta försiktighet, i synnerhet när det kombineras med andra varningstecken, såsom en felmatchad faktureringsadress eller en ovanligt stor första beställning.

Ett företag som blockerar en transaktion enbart på grund av en hög riskpoäng kan dock komma att avvisa riktiga kunder. Genom att väga in faktorer som kortverifiering, enhetsdata och beteendemönster kan ett företag få en mer komplett bild när man försöker fatta ett beslut om en transaktion. Om man sätter intervallen för IP-poäng, eller gränsvärdena, för löst kan bedrägliga beställningar slinka igenom. Men om de är för snäva kan legitima kunder avvisas i kassan. Många bedrägeriteam ser inställningen av gränsvärden som en pågående kalibrering.

Varför skapar IP-bedrägeripoäng falskt positiva resultat?

Legitimt beteende kan framstå som riskfyllt på nätverksnivå, men varje kund som felaktigt blockeras eller tvingas slutföra extra verifieringssteg kan skada ett företags resultat. Å andra sidan kan upprepade komplikationer i kassan driva kunder till konkurrenter med enklare kassor.

Några av de största orsakerna till falskt positiva resultat är:

• Företags- och universitetsnätverk: Stora organisationer dirigerar tusentals anställda genom ett litet antal delade IP-adresser, så en adress kan se ut att generera en orimlig volym av orelaterade transaktioner.

• Mobiloperatörer: Carrier-Grade Network Address Translation (CGNAT) innebär att en enda IP-adress kan representera hundratals eller tusentals olika abonnenter på samma gång, vilket sätter all poängsättning baserad på transaktionshastighet ur spel.

• Internationella resor: En kortinnehavare som handlar från ett land som inte har funnits med i kundens köphistorik skapar en felmatchad geolokalisering som får transaktionen att se ut som att den rör ett stulet kort när kunden kanske bara är ute och reser utomlands.

• Integritetsverktyg: VPN:er används av skäl som inte har med bedrägeri att göra, från säkerhetspolicyer på arbetsplatsen till personliga preferenser, men poängmodeller behandlar dem fortfarande som en förhöjd riskfaktor som standard.

Hur kontrollerar man en IP-bedrägeripoäng?

När ett företag kontrollerar en enskild IP-adress tar flera fristående kontroller för IP-bedrägeripoäng en adress och returnerar ett riskbetyg, delvis baserat på varningssignaler såsom användning av VPN, proxy eller datacenter. Sådana system är bra för en engångskontroll av riskbetyg eller för att förstå varför en viss transaktion blev flaggad.

Men att kontrollera IP-adresser en åt gången är inte alltid hanterbart för företag som behandlar en stor volym transaktioner. Helst ska IP-poängsättningen byggas in i samma system som utvärderar kortet, enheten och kundens beteende i realtid i kassan, utan något extra manuellt steg. På så sätt behöver företag inte hämta in poäng manuellt och bygga sina egna regler kring dem. Poängsättningen sker automatiskt som en del av betalningsflödet.

Stripe Radar väger in IP-adress och platsdata i sin bedrägeripoäng, men behandlar inte de uppgifterna som en fristående beslutspunkt. Radar utvärderar varje transaktion mot hundratals signaler, inklusive IP-adressens rykte och geolokalisering, tillsammans med kortbeteende, enhetsegenskaper och mönster som är specifika för ett företags egen transaktionshistorik.

Skalan bakom Radars analys av IP-adresser skiljer den från en dedikerad IP-adresskontroll. Radar tränar sina maskininlärningsmodeller med transaktionsdata från miljontals företag på Stripe, vilket ger en tydligare bild av normalt och onormalt transaktionsbeteende i många olika branscher, geografier och kundtyper än vad ett enskilt företag kan bygga enbart genom att övervaka sin egen trafik. Den skalan gör att Radar upptäcker nya bedrägerimönster, till exempel ett nytt proxy-nätverk eller en samordnad våg av korttestningar, snabbare än ett företag som förlitar sig på statiska IP-blockeringslistor. Radar låter också företag lägga till anpassade regler ovanpå dess poäng för maskininlärning så att ett företag självt kan bestämma hur de ska reagera när en transaktion flaggas för en IP-adressrelaterad risk.

Hur Stripe Radar kan hjälpa till

Stripe Radar hjälper till att upptäcka bedrägerier och frigöra tillväxt, med hjälp av AI som tränats på data från Stripes globala nätverk. Radar hjälper till att skydda ditt företag från bedrägerier genom hela kundlivscykeln innan det påverkar ditt slutresultat, samtidigt som det hjälper dig att godkänna fler legitima kunder och betalningar.

Radar kan hjälpa ditt företag att:

• Förhindra förluster från bedrägerier: Radars AI lär sig från årliga transaktioner på mer än 1,9 biljoner USD över Stripes globala nätverk, vilket hjälper den att identifiera och blockera bedrägerimönster som enskilda företag kanske inte upptäcker på egen hand.

• Skapa ett enhetligt skydd mot nya bedrägeriattacker: Radar samlar skydd mot transaktionsbedrägeri, kontobedrägeri och kundmissbruk i en och samma lösning, så att du får ett enhetligt skydd mot de största bedrägerityperna.

• Anpassas i takt med att bedrägerierna utvecklas: Radar anpassar sig kontinuerligt till föränderliga bedrägerimönster, från förstapartsmissbruk till agentdrivna transaktioner, vilket hjälper till att skydda ditt företag mot framväxande hot.

• Arbeta med din befintliga teknikstack: Använd Radar med Stripe-betalningar utan att någon integration krävs, eller få tillgång till Radars intelligens via programmerbara API:er, oavsett om du behandlar betalningar på Stripe eller inte.

Läs mer om Stripe Radar eller börja idag.

Vanliga frågor om IP-bedrägeripoäng