ในการสร้างบัญชี ผู้ใช้จะต้องระบุทั้งที่อยู่อีเมล หมายเลขโทรศัพท์ และชื่อเพื่อเป็นข้อมูลประกอบกันในรูปแบบใดรูปแบบหนึ่ง แต่ผู้คนก็แต่งข้อมูลนี้ขึ้นเองได้ในเวลาไม่กี่วินาที จึงไม่ได้มีประโยชน์มากนักในการเป็นข้อมูลระบุตัวตนที่แท้จริงของผู้ใช้ ยังมีจุดข้อมูลอื่นที่มีความเกี่ยวข้องกว่ามาก ไม่ว่าจะเป็นอุปกรณ์ที่ผู้ใช้ใช้งาน เครือข่ายที่เชื่อมต่อ พฤติกรรมการกรอกแบบฟอร์มลงทะเบียน และอื่นๆ อีกมากมาย

การให้คะแนนความเสี่ยงของข้อมูลระบุตัวตนคือขั้นตอนการรักษาความปลอดภัยทางไซเบอร์ที่จะกำหนดระดับความเสี่ยงให้กับข้อมูลระบุตัวตนหนึ่งๆ และเปลี่ยนสัญญาณเพิ่มเติมเหล่านั้นให้กลายเป็นการตัดสินใจ เราจะอธิบายด้านล่างนี้ว่าการให้คะแนนความเสี่ยงของข้อมูลระบุตัวตนคืออะไร ทำไมกฎแบบตายตัวจึงไม่สามารถตรวจจับรูปแบบการละเมิดในปัจจุบันได้ และเมื่อติดตั้งระบบให้คะแนนแล้วจะประเมินและใช้งานระบบได้อย่างไรบ้าง

ประเด็นสำคัญ

• การให้คะแนนความเสี่ยงของข้อมูลระบุตัวตนจะพิจารณาสัญญาณหลายสิบรายการพร้อมกัน แทนที่จะหวังพึ่งคุณลักษณะเพียงรายการเดียว จึงทำให้ผู้โจมตีเจาะระบบได้ยากกว่าชุดกฎแบบตายตัวมาก

• การเปิดใช้งานช่วงทดลองใช้ การแลกรับโปรโมชัน และการเข้าสู่ระบบคือตำแหน่งที่มีมูลค่าสูงสุดบางส่วนในการปรับใช้การให้คะแนน

• ทีมควรใช้การปรับระดับเกณฑ์อย่างต่อเนื่องและวงจรการป้อนกลับเสมอเมื่อใช้งานแพลตฟอร์มการให้คะแนน

การให้คะแนนความเสี่ยงของข้อมูลระบุตัวตนคืออะไร

การให้คะแนนความเสี่ยงของข้อมูลระบุตัวตนจะกำหนดค่าความเสี่ยงเป็นตัวเลขหรือหมวดหมู่ให้กับความพยายามมอบข้อมูลระบุตัวตนครั้งหนึ่งๆ โดยอิงจากน้ำหนักรวมของสัญญาณต่างๆ ที่มีอยู่ในขณะนั้น โดยแทนที่จะมุ่งเน้นแต่เพียงว่าอีเมลของผู้ใช้เป็นของจริงหรือไม่ ระบบจะดูความพยายามครั้งนั้นเป็นองค์รวมทั้งหมดว่าสอดคล้องกับลักษณะการดำเนินการอย่างที่ผู้ใช้จริงจะทำหรือไม่

โดยทั่วไปแล้วมีสัญญาณใดบ้างที่ขับเคลื่อนการวิเคราะห์ข้อมูลระบุตัวตน

จุดข้อมูลเพียงจุดเดียวไม่อาจบอกคุณได้ว่าการลงทะเบียนใช้ข้อมูลจริงหรือไม่ แพลตฟอร์มการวิเคราะห์ข้อมูลระบุตัวตนและการให้คะแนนความเสี่ยงจึงใช้วิธีรวบรวมสัญญาณจาก 5 หมวดหมู่ที่แตกต่างกัน ดังนี้

สัญญาณจากอุปกรณ์

ลายนิ้วมือของอุปกรณ์จะรวบรวมข้อมูลเวอร์ชันของเบราว์เซอร์ แบบอักษรที่ติดตั้ง ความละเอียดของหน้าจอ และข้อมูลจำเพาะของฮาร์ดแวร์เข้าด้วยกันเป็นตัวระบุแบบใช้นามแฝงที่คงอยู่ตลอดเซสชัน ซึ่งหมายความว่าอุปกรณ์ที่เกี่ยวพันกับการฉ้อโกงหรือการละเมิดในอดีตจะถูกรายงานแม้ว่าข้อมูลเข้าสู่ระบบของบัญชีจะเปลี่ยนไปก็ตาม แพลตฟอร์มยังมองหาสัญญาณของระบบอัตโนมัติอีกด้วย เช่น เบราว์เซอร์ที่ไม่มีส่วนหัว อินเทอร์เฟซการเขียนโปรแกรมแอปพลิเคชัน (API) ที่คาดหมายขาดหายไป หรือชุดคุณลักษณะที่ไม่พบเห็นในอุปกรณ์ของผู้บริโภคจริง

สัญญาณในเครือข่าย

ชื่อเสียงของอินเทอร์เน็ตโปรโตคอล (IP) สำคัญกว่าตัวที่อยู่ IP เองเสียอีก ตัวอย่างเช่น มีความเชื่อมโยงกับศูนย์ข้อมูล, ผู้ให้บริการเครือข่ายส่วนตัวเสมือน (VPN) ที่รู้จัก, โหนดทางออก Tor หรือเครือข่ายพร็อกซีสำหรับที่พักอาศัยที่อาชญากรใช้เลียนแบบการรับส่งข้อมูลของผู้บริโภคทั่วไปหรือไม่ ความเร็วที่ระดับเครือข่ายอย่างการลงทะเบียน 50 ครั้งจากเครือข่ายย่อยเดียวกันในชั่วโมงเดียวก็ถือเป็นสัญญาณของกิจกรรมการฉ้อโกงได้

ข้อมูลไบโอเมตริกเชิงพฤติกรรม

จังหวะการพิมพ์ รูปแบบการเคลื่อนไหวของเมาส์ เวลาที่ใช้ในแต่ละช่อง และพฤติกรรมว่าผู้ใช้เขียนอีเมลโดยคัดลอกแล้ววางหรือพิมพ์ข้อความเอง ล้วนแล้วแต่เป็นข้อมูลรูปแบบที่วัดผลได้ทั้งสิ้น บอทและเครื่องมือสคริปต์จะทิ้งลายเซ็นที่แตกต่างจากมนุษย์ในทางสถิติเอาไว้ ซึ่งยังคงเป็นอุปสรรคทางวิศวกรรมต่อผู้โจมตีที่จะต้องทำรูปแบบเหล่านั้นให้ดูเป็นธรรมชาติ

สัญญาณคุณลักษณะข้อมูลระบุตัวตน

อายุของอีเมล ชื่อเสียงของโดเมน ข้อมูลว่าที่อยู่อีเมลตรงกับรูปแบบอีเมลที่ใช้แล้วทิ้งหรือไม่ และประเภทหมายเลขโทรศัพท์ (เช่น Voice over Internet Protocol หรือ VoIP ที่ออกโดยผู้ให้บริการ) เป็นสัญญาณที่มีน้ำหนักไม่มากนักเมื่อพิจารณาแยกกัน แต่เมื่อนำมารวมกับสัญญาณอื่นๆ ก็จะมีความสำคัญขึ้นมา

ความเชื่อมโยงข้ามบัญชี

หากมีบัญชี 5 บัญชีปรากฏลายนิ้วมือของอุปกรณ์เหมือนกัน หรือมีการสร้างบัญชี 20 บัญชีจากช่วง IP เดียวกันในสัปดาห์เดียว ความเชื่อมโยงเหล่านั้นถือเป็นสัญญาณ ซึ่งแพลตฟอร์มที่ครอบคลุมในวงกว้างถึงหลากหลายธุรกิจจะสามารถตรวจจับรูปแบบที่ผู้ให้บริการรายเดี่ยวไม่อาจมองเห็นด้วยตัวเองเพียงลำพังได้

ทำไมกฎแบบตายตัวจึงล้มเหลวในสิ่งที่การให้คะแนนความเสี่ยงของข้อมูลระบุตัวตนทำได้

กฎแบบตายตัวเปรียบเสมือนเป้านิ่ง หาก IP ศูนย์ข้อมูลถูกบล็อก ผู้โจมตีก็เปลี่ยนไปใช้พร็อกซีสำหรับที่พักอาศัยแทนได้ เมื่อกฎอีเมลแบบใช้แล้วทิ้งทำงานก็แค่สลับไปใช้โดเมนที่กำหนดเอง และเมื่อถูกจำกัดความเร็วก็แค่กระจายการรับส่งข้อมูลไปยังหลาย IP ก็เพียงพอ

การให้คะแนนจะแก้ไขความล้มเหลวดังกล่าวด้วยวิธีการดังนี้

การตัดสินใจแบบไบนารีจากการกระจายข้อมูลที่ต่อเนื่อง

การรับส่งข้อมูลในความเป็นจริงตั้งอยู่บนสเปกตรัมของความถูกต้องเป็นจริงไปจนถึงการฉ้อโกง และมีบริเวณทับซ้อนกว้าง ผู้ใช้ VPN ที่มีประวัติสะอาดและพฤติกรรมปกติย่อมไม่เหมือนกับผู้ใช้ VPN บนพร็อกซีสำหรับที่พักอาศัยที่ถูกรายงานซึ่งมีรูปแบบการพิมพ์คล้ายบอทและที่อยู่อีเมลที่เพิ่งสร้างได้ 3 นาที กฎแบบตายตัวจะไม่สามารถแสดงความแตกต่างนั้นได้ แต่การให้คะแนนทำได้

การปรับตัวของผู้โจมตี

เมื่อผู้กระทำการฉ้อโกงเปลี่ยนกลยุทธ์ ระบบที่ใช้กฎจะไม่สังเกตเห็นจนกว่าจะมีคนเขียนกฎใหม่ แต่ระบบการให้คะแนนที่ฝึกด้วยรูปแบบพฤติกรรมสามารถตรวจจับกลยุทธ์ใหม่ได้ว่าเป็นความผิดปกติเมื่อเทียบกับฐานข้อมูลการรับส่งข้อมูลที่ถูกต้องเป็นจริง และมักทำได้ก่อนที่จะระบุชื่อให้กลยุทธ์นั้นอย่างชัดแจ้งเสียอีก

โซนสีเทา

ระบบการผลิตหลายระบบใช้กฎแบบเด็ดขาดสำหรับสัญญาณการขาดคุณสมบัติอย่างชัดเจน เช่น โครงสร้างพื้นฐานมัลแวร์ที่รู้จักหรือรายการที่ตรงกับรายการคว่ำบาตร และใช้การให้คะแนนสำหรับทุกอย่างที่เหลือระหว่างนั้น

การให้คะแนนความเสี่ยงของข้อมูลระบุตัวตนเป็นส่วนสำคัญที่ตำแหน่งใดบ้าง

รูปแบบการละเมิดจะติดตามผู้ใช้ไปตลอดวงจรการใช้งานทั้งวงจรบนแพลตฟอร์มของคุณ การให้คะแนนความเสี่ยงจะทำงานในแต่ละจุดต่อไปนี้ ซึ่งเป็นจุดที่จะมีการยืนยันตัวตนหรืออาจมีการนำข้อมูลระบุตัวตนไปใช้ในทางที่ผิด

การสร้างบัญชี

ตัวอย่างเป้าหมายที่ชัดเจนของการละเมิด ได้แก่ การเอาเปรียบโดยใช้บริการระดับฟรี การสร้างฟาร์มข้อมูลเข้าสู่ระบบ บัญชีรีวิวปลอม และการกอบโกยโปรโมชัน ซึ่งการให้คะแนนที่จุดลงทะเบียนจะเป็นโอกาสแรกและบางครั้งอาจเป็นโอกาสเดียวให้คุณได้ตรวจจับพฤติกรรมเหล่านี้ก่อนที่บัญชีจะเปิดใช้งาน

การเปิดใช้งานช่วงทดลองใช้ฟรี

การละเมิดช่วงทดลองใช้มีรูปแบบที่คาดเดาได้ นั่นคือสร้างบัญชี เปิดใช้งานช่วงทดลองใช้ ใช้จนหมดเวลา แล้วสร้างบัญชีใหม่ ซึ่งการให้คะแนนเมื่อเปิดใช้งานช่วงทดลองใช้นอกเหนือจากลงทะเบียนเพียงอย่างเดียวจะช่วยตรวจจับผู้ใช้ที่เล็ดลอดผ่านการคัดกรองเบื้องต้นมาได้

การแลกรับโปรโมชันและการแนะนำ

การละเมิดโปรโมชันเป็นไปตามรูปแบบโครงสร้างที่แน่นอน การให้คะแนนเมื่อทำการแลกรับจะตรวจจับบัญชีที่ผ่านการคัดกรองการลงทะเบียนมาได้แต่ตอนนี้แสดงพฤติกรรมที่สัมพันธ์กับการละเมิด

การเข้าสู่ระบบ

การเข้าควบคุมบัญชีเป็นภัยคุกคามที่มีรูปแบบแตกต่างจากการฉ้อโกงด้วยบัญชีใหม่ แต่ก็มีสัญญาณบ่งชี้ที่ทับซ้อนกัน ความพยายามเข้าสู่ระบบที่ผิดปกติจำเป็นต้องจัดการด้วยชั้นการให้คะแนนอีกชั้นโดยเฉพาะ

บางแพลตฟอร์มให้คะแนนอย่างต่อเนื่องตลอดเซสชัน ผู้ใช้ที่ผ่านการให้คะแนนที่จุดลงทะเบียนมาได้แต่หลังจากนั้นพยายามเรียกใช้ API ด้วยความเร็วสูง ส่งออกข้อมูลจำนวนมาก หรือชำระเงินล้มเหลวซ้ำหลายครั้งจะถูกให้คะแนนใหม่ตามพฤติกรรมดังกล่าว Stripe Radar ให้คะแนนธุรกรรมโดยใช้สัญญาณจากทั่วทั้งเครือข่ายของ Stripe ซึ่งช่วยให้มองเห็นรูปแบบที่ธุรกิจเดี่ยวๆ ไม่อาจมองเห็นได้ด้วยตัวเอง สำหรับธุรกิจที่กำลังสร้างระบบป้องกันการลงทะเบียนที่เชื่อมต่อกับการชำระเงินของ Stripe ชั้นการให้คะแนนที่ขั้นตอนการชำระเงินนี้จะทำหน้าที่เป็นกลไกป้องกันสุดท้ายจากการฉ้อโกงที่ผ่านการคัดกรองในขั้นตอนก่อนหน้ามาได้

วิธีประเมินแพลตฟอร์มการให้คะแนนความเสี่ยงของข้อมูลระบุตัวตน

คุณอาจเทียบความแตกต่างระหว่างผู้ให้บริการในหน้าการตลาดของแต่ละรายไม่ได้ง่ายๆ เสมอไป การเลือกแพลตฟอร์มผิดอาจกลับกลายเป็นปิดกั้นไม่ให้ผู้ใช้ตัวจริงได้ใช้งานหรือปล่อยให้ผู้ละเมิดลอดผ่านมาได้

สิ่งที่คุณควรมองหาในแพลตฟอร์มการให้คะแนนความเสี่ยงมีดังนี้

ความครอบคลุมและความใหม่ของสัญญาณ

ตรวจสอบว่าแพลตฟอร์มนำเข้าสัญญาณกี่ประเภทและข้อมูลชื่อเสียงเป็นปัจจุบันเพียงใด แพลตฟอร์มที่มีข้อมูลชื่อเสียงของ IP เป็นข้อมูลชุดเก่า หรือมีความครอบคลุมที่จำกัดในการตรวจสอบเอกลักษณ์ของอุปกรณ์ จะสร้างคะแนนที่พลาดรูปแบบการโจมตีในปัจจุบันไป สอบถามผู้ให้บริการอย่างเจาะจงเกี่ยวกับความสามารถในการตรวจจับพร็อกซีสำหรับที่พักอาศัยและข้อมูลไบโอเมตริกเชิงพฤติกรรม ซึ่งเป็นส่วนที่แพลตฟอร์มต่างๆ มีความแตกต่างกันอย่างมาก

ประสิทธิภาพการทำงานแบบเรียลไทม์

การให้คะแนนข้อมูลระบุตัวตนที่จุดลงทะเบียนต้องส่งคืนผลลัพธ์ก่อนที่ผู้ใช้จะคาดหวังการตอบสนอง ความหน่วงเกินกว่าสองสามร้อยมิลลิวินาทีจะเริ่มส่งผลต่อคอนเวอร์ชัน จึงควรรับตัวเลขความหน่วงเปอร์เซ็นไทล์ที่ 99 ตามจริง

ความแม่นยำและอัตราผลบวกลวง

ระบบที่ปิดกั้นการฉ้อโกงได้ 95% แต่ปฏิเสธผู้ใช้ตัวจริงไป 3% อย่างไม่ถูกต้องอาจถือว่าได้ไม่คุ้มเสีย ขึ้นอยู่กับว่าธุรกิจของคุณเป็นอย่างไร อัตราผลบวกลวงจะต้องได้รับการวัดผลเทียบกับโปรไฟล์การรับส่งข้อมูลเฉพาะของคุณ เมื่อระบบรายงานบัญชีใด ระบบควรบอกคุณได้ว่าสัญญาณใดเป็นตัวขับเคลื่อนการตัดสินใจนั้น

ตัวเลือกการผสานการทำงาน

ค้นหาดูว่าแพลตฟอร์มมีการผสานการทำงานที่สร้างไว้ล่วงหน้ากับสแต็กของคุณหรือไม่ และมี API แบบเรียลไทม์ที่เหมาะกับขั้นตอนการลงทะเบียนของคุณหรือไม่ ดูวิธีที่ระบบจัดการกับการตัดสินใจที่ต้องป้อนกลับเข้าสู่ระบบการตรวจสอบสิทธิ์หรือระบบการชำระเงินของคุณ

เครื่องมือการปฏิบัติงาน

การให้คะแนนจำเป็นต้องมีแดชบอร์ดที่แสดงการกระจายคะแนน เครื่องมือสำหรับตรวจสอบบัญชีที่ถูกรายงาน ความสามารถในการปรับเกณฑ์ และกลไกการป้อนกลับที่ช่วยให้การตัดสินใจจากการตรวจสอบโดยเจ้าหน้าที่ปรับปรุงโมเดลได้ แพลตฟอร์มที่ไม่ลงทุนในโครงสร้างพื้นฐานนี้จะด้อยประสิทธิภาพลงเมื่อเวลาผ่านไป

วิธีใช้งานและปรับระบบให้คะแนนความเสี่ยงของข้อมูลระบุตัวตนเมื่อเวลาผ่านไป

การใช้แพลตฟอร์มการวิเคราะห์ข้อมูลระบุตัวตนและการให้คะแนนความเสี่ยงเป็นเพียงจุดเริ่มต้นของกระบวนการที่ต้องทำอย่างต่อเนื่อง

สิ่งที่คุณต้องรู้ตั้งแต่ต้นมีดังนี้

กำหนดเกณฑ์ตามระดับความเสี่ยงที่ยอมรับได้

แพลตฟอร์มหลายแห่งใช้เกณฑ์คะแนนเริ่มต้นที่จะสั่งบล็อก ใช้คำถามตรวจสอบสิทธิ์ หรือปล่อยให้ผ่านได้ ค่าเริ่มต้นเหล่านั้นได้รับการปรับเทียบกับลูกค้าตามค่าเฉลี่ย จึงอาจต้องมีการปรับให้เหมาะสม ให้รันระบบในโหมดทดสอบ (Shadow Mode) และตรวจสอบการกระจายของคะแนนกับผลลัพธ์ที่คุณทราบ ข้อมูลนี้จะบอกคุณว่าเกณฑ์ของคุณควรอยู่ที่ใด

ติดตามความคลาดเคลื่อน

พฤติกรรมของผู้โจมตีเปลี่ยนแปลงได้ และพฤติกรรมของผู้ใช้ตัวจริงก็เช่นกัน โดยเฉพาะอย่างยิ่งเมื่อคุณเปิดตัวในตลาดใหม่ ปรับเปลี่ยนผลิตภัณฑ์ หรือใช้แคมเปญที่ดึงดูดการรับส่งข้อมูลมากเป็นพิเศษ การกระจายคะแนนที่เปลี่ยนไปโดยที่อัตราการฉ้อโกงจริงไม่ได้เปลี่ยนแปลงอย่างสอดคล้องกันเป็นสัญญาณบ่งบอกว่ามีบางอย่างเปลี่ยนไปจากเดิมและจำเป็นต้องตรวจสอบ

สร้างวงจรการป้อนกลับ

คะแนนเป็นการคาดการณ์ ผลลัพธ์ที่ได้ต่างหากคือข้อเท็จจริง แพลตฟอร์มที่นำเข้าข้อมูลป้อนกลับและปรับโมเดลของตนได้จะมีความแม่นยำมากกว่าอย่างวัดผลได้เมื่อเวลาผ่านไปเมื่อเทียบกับแพลตฟอร์มที่ทำไม่ได้

ทบทวนเกณฑ์เป็นประจำ

ทีมมักจะกำหนดเกณฑ์ในระหว่างกระบวนการเริ่มต้นใช้งานแล้วไม่กลับมาทบทวนเลยหลายเดือนหลังจากนั้น แต่ในขณะเดียวกันอัตราการฉ้อโกงเปลี่ยนไป ตำแหน่งแสดงผลิตภัณฑ์เปลี่ยนไป และเกณฑ์ที่ปรับเทียบกับโปรไฟล์การรับส่งข้อมูลของปีที่แล้วก็อาจเข้มงวดเกินไปหรือผ่อนปรนเกินไปแล้วในตอนนี้ จึงควรกำหนดรอบการตรวจสอบที่จะทบทวนประสิทธิภาพของคะแนนเทียบกับผลลัพธ์และปรับตามความเหมาะสม

Stripe Radar ช่วยอะไรได้บ้าง

Stripe Radar ใช้โมเดล AI ในการตรวจจับและป้องกันการฉ้อโกง โดยฝึกด้วยข้อมูลจากเครือข่ายทั่วโลกของ Stripe โมเดลเหล่านี้จะได้รับการอัปเดตอย่างต่อเนื่องตามแนวโน้มการฉ้อโกงล่าสุด เพื่อปกป้องธุรกิจของคุณเมื่อการฉ้อโกงพัฒนา

Stripe ยังมี Radar for Fraud Teams ซึ่งช่วยให้ผู้ใช้เพิ่มกฎที่กำหนดเองเพื่อจัดการกับสถานการณ์การฉ้อโกงเฉพาะสำหรับธุรกิจของตนและเข้าถึงข้อมูลเชิงลึกเกี่ยวกับการฉ้อโกงที่ล้ำสมัย
Radar สามารถช่วยธุรกิจของคุณได้ดังนี้

• ป้องกันการสูญเสียจากการฉ้อโกง: Stripe ประมวลผลการชำระเงินมากกว่า 1 ล้านล้านดอลลาร์ต่อปี ปริมาณที่มากเช่นนี้ช่วยให้ Radar ตรวจจับและป้องกันการฉ้อโกงได้อย่างแม่นยำ ซึ่งช่วยประหยัดเงินให้คุณ

• เพิ่มรายรับ: โมเดล AI ของ Radar ได้รับการฝึกฝนจากข้อมูลการโต้แย้งการชำระเงินที่เกิดขึ้นจริง ข้อมูลลูกค้า ข้อมูลการเรียกดู และอื่นๆ ซึ่งทำให้ Radar สามารถค้นหาธุรกรรมที่มีความเสี่ยงและลดการตรวจพบที่ผิดพลาดได้ ซึ่งส่งผลให้คุณมีรายรับเพิ่มขึ้น

• ประหยัดเวลา: Radar ถูกสร้างขึ้นใน Stripe และไม่ต้องใช้โค้ดในการตั้งค่า คุณยังสามารถติดตามตรวจสอบประสิทธิภาพในการจัดการการฉ้อโกง เขียนกฎ และอื่นๆ อีกมากมายได้ในแพลตฟอร์มเดียว ซึ่งจะช่วยเพิ่มประสิทธิภาพ

ดูข้อมูลเพิ่มเติมเกี่ยวกับ Stripe Radar หรือเริ่มใช้งานเลยวันนี้