结账欺诈指的是在交易过程中使用欺骗性或未经授权的手段窃取商品或服务。检测必须在订单确认前进行，这意味着要在数据不完整的情况下实时评估风险。

2024 年，全球银行卡欺诈损失总计 334.1 亿美元，这凸显了实施欺诈防范系统的必要性。下文将介绍结账欺诈是如何运作的、欺诈评分系统如何评估支付节点的风险，以及如何将检测集成到您的结账流程中且不降低转化率。

要点

• 结账欺诈专门针对交易发生的瞬间。授权前的实时风险评分是一道有效的防线。

• 规则引擎和机器学习模型结合使用效果最佳，由规则捕获已知的欺诈形式，由模型识别新型欺诈。

• 摩擦校准（仅在风险信号表明有必要时应用验证步骤）是有效欺诈防范的重要组成部分。

什么是结账欺诈？

结账欺诈指未经授权或滥用支付流程完成账户持有人或持卡人从未批准的交易。它发生在被盗的银行卡数据、自动化测试脚本以及遭到入侵的账户汇聚在结账流程的那一刻。

常见的结账欺诈场景有哪些？

结账欺诈集中在几种明确的模式中。每一种在交易数据中都有独特的行为特征。

访客结账漏洞

访客结账消除了交易中的账户层级。这种方式没有购买记录、没有保存的地址，也没有行为基准，这正是它吸引欺诈者的原因。

合法的访客结账在会话层面通常仍显得正常：客户浏览、添加商品并在页面上花费合理的时间。然而，存在结账欺诈的访客交易通常并非如此：会话持续时间短且导航极少。仅凭这些信号并不具有决定性，但它们组合在一起，会迅速推高风险评分。

结账时的银行卡测试攻击

银行卡测试攻击是一种批量操作。批量获取被盗银行卡数据的犯罪分子需要先弄清楚哪些卡仍处于活动状态，然后才能通过这些卡牟利。结账流程，尤其是包含低价值商品或数字商品的结账流程，成了他们便利的测试场。

其行为特征很难被忽视：快速连续的交易尝试、小额或整数金额、高支付拒绝率，以及任何人类都无法复制的会话速度。为了保持在简单的频率阈值之下，现代测试脚本通过轮换互联网协议 (IP) 地址并在更长的时间窗口内分散尝试，变得愈发精密，这就是分层检测如此重要的原因。

支付阶段的账户接管

账户接管欺诈并不总是出现在登录环节。它通常出现在结账时，那时已经潜入合法账户的犯罪分子会做出与其历史不符的更改：添加了新的收货地址并立即使用，从从未接触过该账户的设备输入了银行卡号，更改开单地址并配合加急运输。这些行为单拎出来看，任何一项可能都是合法的。但在单个会话中将它们结合在一起，就释放出一种强烈的信号：结账的人并非拥有该账户的人。

结账流程中的风险评分机制是如何运作的？

当客户提交支付时，欺诈评分系统会提取可用的信号并生成风险评分。

通常输入的信号包括：

• 银行卡级别的信号：银行识别码 (BIN)、国家/地区、银行卡类型、该银行卡之前是否出现过，以及通过地址验证服务 (AVS) 检查确认的开单地址是否与发卡行登记在册的地址相匹配。

• 设备和会话信号：设备指纹、浏览器特征、IP 地理位置以及 IP 是否与已知的代理或虚拟专用网络 (VPN) 关联。

• 订单特征：商品类型（数字商品的欺诈率通常高于实体商品）、相对于账户历史记录的订单金额以及收货地址与开单信息的匹配情况。

• 行为信号：页面停留时间、导航路径以及客户从登录页面移动到结账页面的速度。

实时结账欺诈检测是如何运作的？

实时检测结合了规则引擎和行为模型，在交易发生的瞬间评估风险。这两种方法各有优势。

规则引擎

规则处理确定性逻辑：如果交易匹配已知的恶意模式，则拦截它。规则引擎速度快、透明度高，您可以确切看到交易被拦截的原因，这对于争议解决和假阳性调查非常重要。其缺点在于缺乏灵活性。针对捕捉一种欺诈形式编写的规则，如果不编写新的规则，可能无法捕捉其变体，这意味着随着攻击模式的改变，规则需要持续维护。

机器学习模型

机器学习模型处理概率评估。它们根据从数百万次过往交易中学习到的模式，对信号组合进行评估，并分配一个概率评分，而非二元标记。它们能够很好地泛化识别新型的欺诈形式，无需您手动定义每一种风险场景。其缺点在于不透明性，“94% 欺诈概率”的模型输出需要一种不同于基于规则拦截的解释方式。

行为分析

相比静态数据点，行为信号增加了一层通常更难伪造的防御。支付字段中的复制粘贴操作，标志着自动输入或凭据填充（攻击者使用从其他数据泄露事件中窃取的登录凭据来接管账户）。结账期间异常快速地填写表单、不规律的鼠标移动以及标签页切换，都会对风险评分产生影响，欺诈者如果想规避这种影响，就必须在实时操作中模仿人类的交互行为。

这些系统共同生成的风险评分具有足够的分辨率，能够做出细致的决策。处于边界的交易应被引向审查，而不是被直接拒绝。

如何将欺诈评分集成到结账流程中？

集成发生在介于支付提交与授权之间的 API 层面。您的结账页面收集支付详情，您的后端将这些详情连同会话及订单数据发送至欺诈评分系统，评分系统返回风险评分及建议操作，随后您的结账逻辑会据此对交易进行路由处理。

每个步骤的运作方式如下：

• 传递正确的数据：欺诈评分系统的效力取决于其接收到的信号。如果您在传递支付详情时没有附带设备指纹数据、IP 地址和会话元数据，您就没有充分利用最具信号价值的输入数据。许多评分 API 都包含一个可自动收集设备和会话数据的 JavaScript 客户端库。

• 仔细配置风险阈值：默认阈值通常并未针对您的业务进行校准。适用于高客流量、低利润率交易市场的阈值，有别于适合低客流量、高价值 B2B 结账的阈值。请根据您的目标欺诈率和对假阳性的容忍度设定阈值，然后运用实际交易数据进行调整。

• 建立审查队列而非拦截列表：评分高于您所设拦截阈值的交易会被自动拦截，而处于中间范围的交易（可疑但尚无定论）则应引向队列以供人工审查。自动拦截边界交易会推高假阳性率并导致放弃结账；自动批准这些交易则会增加欺诈损失。

• 与欺诈结果一同监控结账转化率：如果您的拦截率攀升，但欺诈损失并未成比例下降，则说明您的规则可能正在产生假阳性。如果欺诈损失在拦截率居高不下的情况下仍然增加，则可能是您的阈值配置有误，或者欺诈者已经学会了如何避开这些阈值。

结账欺诈防范的最佳实践有哪些？

以下是一些可以帮助您确保欺诈防范系统有效运行而不拦截合法交易的维护实践：

• 更新规则：欺诈形式是不断变化的，针对上个季度的银行卡测试攻击行为调整的规则可能会漏掉本季度的变种。请定期检查您的拦截率和审查率。当您在被拒绝或存在争议的交易中发现新的模式时，请更新规则。

• 跨多个标识符进行分层频率检查：仅检查 IP 地址的频率规则很容易被规避。请跨设备指纹、电子邮件地址和银行卡 BIN 进行分层检查，因为轮换 IP 的欺诈者仍然会触发基于单个设备或单个电子邮件地址的频率规则。

• 将交易后的信号反馈至评分中：交易争议模式、滥用退款行为以及异常派送率等指标，均能揭露在结账时漏网的欺诈行为。由于欺诈评分会随着反馈循环的运行而得到改善，因此请使用上述指标来更新您的规则和评分配置。

• 按订单类型对阈值进行细分：数字商品、礼品卡以及加急运输订单的欺诈率往往更高。应对这些订单类型采用更为严格的阈值，而非在整个商品目录中应用统一的评分标准。

Stripe Radar 如何提供帮助

Stripe Radar 使用 AI 模型来检测和预防欺诈，这些模型基于 Stripe 全球网络的数据进行训练。随着欺诈手段的不断演变，它会根据最新的欺诈趋势不断更新模型，从而保护您的业务。

Stripe 还提供 Radar 风控团队版，该版本允许用户添加自定义规则，以应对特定于其业务的欺诈情境，并支持获得高级欺诈洞察。
Radar 可以帮助您的企业：

• 避免欺诈损失：Stripe 每年处理超过 1 万亿美元的支付交易。这种交易规模赋予了 Radar 独特的能力，使其能够精准检测并预防欺诈，为您避免经济损失。

• 增加收入：Radar 的 AI 模型基于真实的争议数据、用户信息、浏览数据等多维度信息进行训练。赋予 Radar 识别高风险交易并减少误报的能力，从而增加您的收入。

• 节省时间：Radar 内置在 Stripe 中，无需编写任何代码即可启用。您还可以在同一个平台上监控反欺诈表现、编写规则等，从而提高效率。

了解更多 Stripe Radar 信息，或立即开始使用。