老牌百货商场的保安队长阿强有一本黑皮本，上面密密麻麻记着这些年小偷们换过的手法：十几年前，小偷只会撬锁，装上防盗门后，他们改从窗户翻；加了监控后，他们戴上帽子和口罩；如今更离谱，有人用假脸骗过人脸门禁，用变声器冒充老板打电话。阿强叹气：“锁和贼，永远在赛跑。” 反欺诈领域也一样。从最早的批量盗刷，到有组织的团伙欺诈，再到 AI 换脸诈骗，犯罪手法始终朝着“成本更低、收益更高、更难被抓”的方向进化。防守方不能只靠一把锁，而要学会观察贼的生意经、提前预判下一招。本文就用商场保安和窃贼的攻防战，带你完整看懂欺诈模式的演进路径：为什么欺诈会进化、每一代长什么样、自适应风控和对抗学习如何反制，以及怎样做趋势预测和前瞻防御。

岗位关联

掌握欺诈模式的演进路径，能让你在风控场景里把数据、模型和业务规则拧成一根不断进化的防线，而不是只会堆规则。

目录
  1. 可视化演示
  2. 欺诈驱动因素
  3. 批量欺诈骗局
  4. 团伙欺诈识别
  5. AI合成欺诈
  6. 自适应风控
  7. 对抗学习
  8. 趋势预测防御
  9. AI 应用场景
  10. Python 演示
  11. 常见误区
  12. 面试题

可视化演示

展示欺诈从批量盗刷到AI换脸的演化路径，自适应风控动态调阈值，以及对抗学习红蓝博弈增强模型鲁棒性。

本节配有交互动效（进入视口后自动加载，约 3KB）。

欺诈演化路径 盗刷→社工→AI换脸 evolve=升级 攻击手段随技术升级不断复杂化。

欺诈驱动因素

阿强在黑皮本上算过一笔账：小偷撬一次锁，失败概率高、工具要钱、被抓要坐牢。可如果有一种新工具能把成功率从三成提到八成，成本还比撬棍便宜，那全城的小偷都会排队去买。欺诈的本质不是“坏人突然变聪明”，而是一门生意：收益、成本、风险稍有变化，犯罪手法就会跟着变。

在互联网风控里，这个规律同样成立。黑产之所以不断从“批量盗刷”进化到“AI换脸诈骗”，是因为每一次防御升级，都让旧手法的成本变高、收益变低，于是骗子转向技术门槛更低或更难拦截的新攻击方式。数据泄露让黑产拿到海量身份信息，开源AI工具又让换脸、改音的入门成本骤降，这条进化链因此越跑越快。

我们可以把一次欺诈攻击的“值不值得做”写成一张简单的收益账：

理解了这笔账，就会明白：风控的目标不是“抓到所有贼”，而是不断提高欺诈的 C 和 R、降低其 P 和 V，直到这个套路“不划算”。这就是为什么防御体系的进化，会成为欺诈演化的直接推手。

E=P×V−C−R\displaystyle E = P \times V - C - R
欺诈者期望收益 E，等于“成功率 P × 欺诈金额 V”，减去“工具成本 C”和“被抓后的处置成本 R”。收益越高，这个手法就越容易被大规模复制。
  1. 期望收益 E欺诈者评估一个攻击套路是否值得投入的核心指标。
    E\displaystyle E
  2. 成功率 P某种欺诈手法突破现有防御的概率，P 越高越诱人。
    P\displaystyle P
  3. 欺诈金额 V单次攻击能拿到的钱，或后续变现的总价值。
    V\displaystyle V
  4. 工具成本 C买黑产工具、数据、算力的开销，成本越低越容易被复制。
    C\displaystyle C
  5. 处置风险 R被识别、冻结、处罚的代价，防御越强 R 越大，旧手法越不划算。
    R\displaystyle R

批量欺诈骗局

早期小偷的手法很粗糙：趁着夜色挨家挨户试门锁，撬不开就换一家。阿强只需每晚巡逻时多看一眼门锁，就能吓跑大半毛贼。金融领域的第一代欺诈也类似：攻击者拿到大批泄露的账号密码后，在支付页面上像试钥匙一样批量登录，这叫“撞库”；还有用伪卡、小额试探来碰运气。

这代欺诈的特征是“量大、手法单一、只看单点”。防守方只要在交易链路里装几道显眼的锁——比如次数限制、金额阈值、IP黑名单——就能拦住大多数毛贼。规则引擎就是这种思路：把“是否新设备”“是否深夜”“是否高频”等信号分别打分，再加总成一个风险分，超过阈值就拒绝。

规则引擎的核心其实是一组加权求和：

但规则引擎的弱点很快暴露：它只能拦截已经见过的套路。骗子发现深夜高频会被拦，就改成白天分散试；发现 IP 黑名单会封号，就批量换 IP。手写规则更新慢，黑名单也只能防已知身份。阿强意识到，光靠“记住每张脸”已经守不住商场了。

Score=∑i=1nwixi\displaystyle \text{Score} = \sum_{i=1}^{n} w_i x_i
把 n 个风控特征 x_i 乘上各自的权重 w_i 后加总，得到交易风险分 Score。Score 超过阈值就拦截。
  1. 风险分 Score一条交易或一次登录的可疑程度，分数越高越危险。
    Score\displaystyle \text{Score}
  2. 特征 x_i第 i 个可观测信号，例如交易金额、登录频率、设备新度。
    xi\displaystyle x_i
  3. 权重 w_i每个特征对风险的贡献程度，早期由风控专家凭经验人工设定。
    wi\displaystyle w_i
  4. 累加符号 ∑把所有“特征乘权重”的结果加起来，得到最终分数。
    ∑i=1nwixi\displaystyle \sum_{i=1}^{n} w_i x_i

团伙欺诈识别

第二代小偷开始讲究“团队作战”：有人望风，有人撬门，有人开车接应。阿强即使认出其中一个人，也不知道整张网。更麻烦的是，这些人还会伪装成普通顾客——单个看，每个行为都正常得无可挑剔。

互联网欺诈也进入了团伙化阶段。黑产用“设备牧场”批量注册新设备，用群控软件同时操作上千个账号，甚至通过“养号”让账号看起来有真实交易。这时若只看单笔交易，模型很难分辨；但如果把账号、手机号、设备、IP 画成一张关系网，就会看到一大群人围绕几个核心节点分工协作。

于是风控引入了关系图谱和风险传播。一个节点有多可疑，不再只看自己，还要看它和谁连接：

关系图谱让阿强从“盯一个人”升级成“盯一张网”。哪怕骗子换掉手机号和设备，只要他重新连回同一个团伙核心，风险就会顺着连接重新烧到他身上。

Risk(u)=α×Risklocal(u)+(1−α)∑v∈N(u)Risk(v)deg(v)\displaystyle \text{Risk}(u) = \alpha \times \text{Risk}_{local}(u) + (1-\alpha)\sum_{v \in N(u)} \frac{\text{Risk}(v)}{\text{deg}(v)}
节点 u 的最终风险 = 自身风险 × α + 所有邻居风险按度数归一化后的贡献。连到高风险节点越多，u 的风险越高。
  1. 自身风险 Risk_local(u)节点 u 自己的风险，如设备异常、注册时间短。
    Risklocal(u)\displaystyle \text{Risk}_{local}(u)
  2. 权重 α控制“自己可疑”和“邻居可疑”谁更重要，通常由模型或经验确定。
    α\displaystyle \alpha
  3. 邻居集合 N(u)与 u 有转账、同设备、同 IP 等关系的节点。
    N(u)\displaystyle N(u)
  4. 邻居度数 deg(v)邻居 v 连了多少条边，用来防止大节点把风险无限放大。
    deg(v)\displaystyle \text{deg}(v)

AI合成欺诈

第三波小偷已经不满足于伪装身份，他们开始“伪装活人”。有人戴着一比一复刻的硅胶面具，有人用变声器冒充店长打电话，甚至有人把阿强的脸做成视频去骗值班员开门。阿强苦恼：以前看脸，现在脸也不能信了。

在金融场景中，AI 合成欺诈的典型代表是深度伪造换脸和语音克隆。攻击者用几张公开照片就能生成一张会眨眼、会点头的“活人脸”，在远程开户、贷款面审中绕过人脸核身；再用一段几秒钟的录音克隆声音，冒充他人拨打客服热线。单一维度的生物识别，在这些攻击面前变得脆弱。

应对思路不是抛弃生物识别，而是做“多模态活体校验”：同时看人脸纹理、光线反射、微表情、语音口型是否一致，再用模型判断这段视频是不是真实拍摄。这个判断本质是一个二分类问题，模型要最小化“把假视频当真”的损失：

但阿强也明白，没有一劳永逸的锁。合成攻击的逼真度会继续提升，活体检测也必须不断升级，这场“魔高一尺、道高一丈”的较量会一直持续。

L=−[ylog⁡y^+(1−y)log⁡(1−y^)]\displaystyle L = - \left[ y \log \hat{y} + (1-y) \log (1-\hat{y}) \right]
这是交叉熵损失。真实样本 y=1，模型预测概率为 ŷ；预测越错，损失越大，训练时就会推动模型修正。
  1. 真实标签 y这条样本是真人（1）还是伪造（0）。
    y\displaystyle y
  2. 预测概率 ŷ模型判断“这是真人”的概率，值在 0 到 1 之间。
    y^\displaystyle \hat{y}
  3. log 项把概率差距放大成可优化的损失，预测越离谱，惩罚越重。
    log⁡y^\displaystyle \log \hat{y}
  4. 负号让“损失最小化”等价于“预测越来越准”。
    −[⋯ ]\displaystyle - [ \cdots ]

自适应风控

阿强不再只靠黑皮本了。他开始每天记录“今天哪些招数差点得手”，每周调整巡逻路线和门禁规则，发现某个通道连续被试探，当天晚上就加派人手。这套“边打边学”的打法，就是自适应风控的雏形。

传统风控模型几个月才更新一次，规则靠人工手写，等发现新欺诈时损失已经发生。自适应风控则强调“在线”：实时数据来了之后，模型立刻更新参数，规则热更新，风险画像动态调整。这样当欺诈者刚换一个新手法，防线也能在几小时甚至几分钟内作出反应。

在线更新的方式很多，最直观的是在线梯度下降。模型每看到一个“已确认欺诈”或“已确认正常”的新样本，就沿着损失下降的方向修正权重：

不过阿强也知道，光靠“每次行动后复盘”还不够。如果复盘不及时，模型会被错误信息带偏；如果攻击者故意喂假样本，模型还可能“学坏”。所以自适应风控需要人工专家在旁边校准，就像阿强仍会亲自抽查巡逻记录一样。

θt+1=θt−η∇Lt(θt)\displaystyle \theta_{t+1} = \theta_t - \eta \nabla L_t(\theta_t)
新参数 θ 等于旧参数减去学习率 η 乘以当前样本损失 L 的梯度。每一个新标签都在帮模型调整判断。
  1. 模型参数 θ风控模型内部的可调权重，决定各特征有多重要。
    θt\displaystyle \theta_t
  2. 学习率 η每次更新的步长，太大容易震荡，太小学得太慢。
    η\displaystyle \eta
  3. 当前损失 L_t模型对最新一条样本的预测与真实结果的差异。
    Lt(θt)\displaystyle L_t(\theta_t)
  4. 梯度 ∇损失上升最快的方向，负梯度就是让损失下降最快的方向。
    ∇Lt(θt)\displaystyle \nabla L_t(\theta_t)

对抗学习

阿强想了一个狠招：他每个月请一队“假小偷”来攻商场。假小偷会尝试各种新式撬锁、翻窗、伪装，甚至故意模仿真实黑产的最新手法。每次攻破后，阿强就立刻补洞，再让假小偷换个思路继续攻。商场防线就这样在被攻击中得到锤炼。

这对应 AI 里的“对抗学习”。风控模型不能只等在真实攻击中挨打，而要主动生成“对抗样本”——即专门欺骗模型的微小改动。例如给正常交易的特征加一点扰动，让模型把它错判成正常，或反过来让欺诈交易被误判成安全。模型看到这些刁钻样本后再重训，就会变得更鲁棒。

最经典的对抗样本生成方式是 FGSM：

对抗学习让攻防变成一种“红蓝对抗”。防守方主动扮演攻击者，提前找到模型盲区。阿强笑称：“现在不是等贼来，而是请贼来。”这套方法论，正是应对 AI 换脸等新型欺诈的必备武器。

xadv=x+ε⋅sign(∇xL(x,y))\displaystyle x_{adv} = x + \varepsilon \cdot \text{sign}(\nabla_x L(x, y))
在原始特征 x 上，沿着让损失增大的方向加一个很小的扰动 ε，生成能骗过模型的对抗样本 x_adv。
  1. 原始样本 x一条正常或欺诈交易的特征向量。
    x\displaystyle x
  2. 梯度符号 sign(∇_x L)指出“往哪个方向改特征会让模型错得更离谱”。
    sign(∇xL(x,y))\displaystyle \text{sign}(\nabla_x L(x, y))
  3. 扰动强度 ε一个很小的数，保证样本看起来几乎没变，模型却会犯错。
    ε\displaystyle \varepsilon
  4. 对抗样本 x_adv被刻意修改后的样本，用来训练模型补上漏洞。
    xadv\displaystyle x_{adv}

趋势预测防御

阿强现在每个月都会翻三样东西：商场失窃记录、同行商场被偷的新闻、二手市场上新出现的撬锁工具。他发现，某种工具一旦在邻市出现，自己这里多半三个月后也会遭殃。于是他开始提前准备。

欺诈趋势预测不是算命，而是基于威胁情报、黑产舆情和历史模式的概率推断。比如暗网聊天中“虚拟货币换现”的帖子突然增多，可能预示下一波洗钱欺诈；某个开源换脸模型被破解，可能预示远程开户攻击即将爆发。把这些信号和历史数据放进时间序列模型，就能推算未来一段时间的欺诈压力。

一种简单又实用的预测方法是指数平滑。它认为下一期预测值 = 本期实际值 × α + 本期预测值 × (1-α)：

有了趋势预测，阿强就能把防御前置：提前演练、提前升级门禁、提前培训保安。欺诈演进的终点不是“没有骗子”，而是让防线永远比下一招快半步。

y^t+1=αyt+(1−α)y^t\displaystyle \hat{y}_{t+1} = \alpha y_t + (1-\alpha)\hat{y}_t
新预测 = α × 当前观测 + (1-α) × 旧预测。越接近 1 的 α，越相信最新数据；越接近 0，越相信历史平稳趋势。
  1. 本期实际值 y_t这个月实际发生的欺诈数量或风险指标。
    yt\displaystyle y_t
  2. 本期预测值 ŷ_t模型上个月对本月做的预判。
    y^t\displaystyle \hat{y}_t
  3. 平滑系数 α在“最新实际值”和“旧预测”之间取多高权重。
    α\displaystyle \alpha
  4. 下一期预测 ŷ_{t+1}给风控团队提前部署策略用的参考指标。
    y^t+1\displaystyle \hat{y}_{t+1}

AI 应用场景

新设备注册与首笔交易防护

阶段：风险识别与实时决策

解决的问题：传统黑名单只防已知设备，黑产用设备牧场换新指纹就能绕过。自适应风控把设备、IP、网络环境和关联账号拼成动态风险画像，新手法出现时模型可在线调整权重，快速压低恶意注册。

具体案例：某消费金融公司发现凌晨批量注册高发，旧规则需要人工提工单、隔天上线。引入自适应风控后，模型在几小时内自动加大“设备新度”和“夜间注册”的权重，把可疑通过率压下来，人工只审核少数高价值案例。

远程人脸核身里的深度伪造防线

阶段：身份核验与反作弊

解决的问题：AI 换脸和照片活化能骗过老式“眨眼检测”，单张人脸图像不足为信。多模态活体检测综合人脸纹理、光线反射、语音口型和实时行为链路，大幅提高伪造攻击成本。

具体案例：某银行远程开户遇到合成视频攻击：攻击者用公开照片生成动态人脸，试图冒用他人身份开通账户。上线多模态活体校验后，系统识别出视频中背景噪点不一致，在授信前拦截了攻击。

黑产威胁情报驱动的策略预研

阶段：威胁情报与趋势预测

解决的问题：防御总比攻击慢半拍。通过监控暗网黑话、开源攻击工具和社会工程话术，结合历史欺诈时间序列做趋势预测，可提前预研防御策略，而不是等损失发生后再补救。

具体案例：某支付团队监测到“虚拟币换现”和“新式伪卡”的黑产帖子快速增长，提前上线了转入限额与异常设备标记。两周后相关欺诈集中爆发，团队已提前完成灰度测试，损失远低于行业同期水平。

Python 演示

python48 行
import mathimport random  class AdaptiveRiskModel:    def __init__(self, lr=0.1):        self.w = [0.0, 0.0, 0.0, 0.0]        self.lr = lr     def predict(self, x):        z = sum(wi * xi for wi, xi in zip(self.w, x))        return 1.0 / (1.0 + math.exp(-z))     def update(self, x, y):        p = self.predict(x)        err = p - y        self.w = [wi - self.lr * err * xi for wi, xi in zip(self.w, x)]  def synthetic_transaction():    x = [        random.uniform(0, 1),  # 金额分位        random.uniform(0, 1),  # 时段风险        random.uniform(0, 1),  # 设备异常分        random.uniform(0, 1)   # 关系图中邻居风险    ]    y = 1 if 0.6 * x[0] + 0.3 * x[1] + 0.25 * x[2] + 0.4 * x[3] > 0.5 else 0    if random.random() < 0.05:        y = 1 - y  # 5% 标注噪声    return x, y  def evaluate(model, n=5000):    hit = 0    for _ in range(n):        x, y = synthetic_transaction()        pred = model.predict(x)        hit += 1 if (pred >= 0.5) == (y == 1) else 0    return hit / n  if __name__ == "__main__":    model = AdaptiveRiskModel(lr=0.05)    print("初始准确率: %.3f" % evaluate(model, 2000))    for _ in range(10000):        x, y = synthetic_transaction()        model.update(x, y)    print("训练后准确率: %.3f" % evaluate(model, 5000))
目的：模拟自适应风控的在线逻辑回归——每来一笔交易就预测风险，事后拿到真实标签立刻更新权重，体现防线随新欺诈手法持续进化的过程。
  1. z = sum(wi * xi for wi, xi in zip(self.w, x))把每个特征的权重乘特征值后加总，得到线性评分。
  2. return 1.0 / (1.0 + math.exp(-z))用 sigmoid 把评分转成 0 到 1 的风险概率。
  3. err = p - y计算预测概率与真实标签的误差，这是模型“学到了什么”的关键信号。
  4. self.w = [wi - self.lr * err * xi for wi, xi in zip(self.w, x)]沿误差下降方向更新权重，等价于正文中的在线梯度下降。
  5. y = 1 if 0.6 * x[0] + 0.3 * x[1] + 0.25 * x[2] + 0.4 * x[3] > 0.5 else 0模拟一个隐藏在数据里的“真实欺诈规律”。
  6. if random.random() < 0.05: y = 1 - y模拟人工复核可能带来的少量标签噪声。
  7. model = AdaptiveRiskModel(lr=0.05)以较小学习率初始化模型，避免单条样本把权重带偏。
  8. model.update(x, y)每笔交易确认后立刻更新模型，这是自适应风控“边打边学”的最小实现。

常见误区

误区只要能拿到骗子的手机号、身份证和银行卡号，全部拉黑就安全了，没必要花力气做模型。

正解黑名单是静态指纹，只能拦截“已经认识”的坏人。欺诈者会不断换手机号、换设备、换话术，就像小偷换装再进商场。真正有效的防线必须结合行为特征、关系图谱和模型分数，并对新特征做自适应更新。

为何常见：黑名单见效快、可解释强，刚入门时很容易把“见过”当成“能防”。

误区AI 换脸视频那么逼真，人脸核身肯定形同虚设，干脆放弃生物识别。

正解深度伪造确实让“静态人脸”不可信，但多模态活体检测看的是人脸之外的信息：光线反射、微表情、语音和口型一致性、设备行为链路。攻击者伪造的维度越多，成本越高，规模化攻击就越难。

为何常见：被公开的高仿真换脸案例震撼，误以为“以假乱真”等于“无法检测”。

误区对抗学习是把两个模型放在一起打比赛，谁赢谁上线。

正解对抗学习在风控中的核心是“主动制造困难样本再训练模型”，让模型对微小扰动不敏感。比如用 FGSM 生成对抗样本，再把这些样本加入训练集，提升鲁棒性。这更像请假小偷来攻商场，而不是两个保安互殴。

为何常见：对抗生成网络（GAN）里“生成器 vs 判别器”的经典画面，让人误以为所有对抗学习都是互相对战。

误区预测欺诈趋势就是拍脑袋猜“下个月会不会有大案”，不可能准。

正解趋势预测依赖威胁情报、黑产舆情、历史欺诈时间序列和外部攻击事件，本质是概率推演。它不追求预测每一笔个案，而是预测“欺诈压力会不会上升、哪类攻击可能爆发”，让团队提前部署策略。

为何常见：把“预测”等同于“精确到个案的算命”，忽视了风控场景真正需要的是“提前准备”。

误区既然模型会自动更新，风控团队就能彻底放手，让系统自我进化。

正解自适应风控也会被噪声样本污染、被攻击者主动投毒、或因反馈延迟而学错方向。它需要人工专家制定兜底规则、监控特征漂移、复盘模型决策，就像保安队长仍然要抽查巡逻记录。

为何常见：“自动化”三个字容易让人误以为“无人化”，但风控链路中人的判断依然是最后一道保险。

面试题

Q1. 关于欺诈模式演化的根本驱动力，下列说法最准确的是？

单选题 · easy

  • A.黑客技术自主快速进步
  • B.防御升级倒逼手法迭代← 正确答案
  • C.用户安全意识整体下降
  • D.金融机构主动放开风控

答案：B。欺诈演化的核心是攻防双方的收益账变化。防御升级让旧手法成本变高，黑产才转向新手法；A 只看到技术进步的表象，C、D 均不是主因。

Q2. 第一代批量盗刷欺诈最主要的特征是？

单选题 · easy

  • A.使用AI换脸伪装真人
  • B.用撞库伪卡大批量试单← 正确答案
  • C.依靠团伙关系网络作案
  • D.通过深度伪造语音通话

答案：B。第一代欺诈像挨家试钥匙，典型手段是撞库和伪卡批量试单。A、D 属于 AI 合成欺诈，C 属于团伙欺诈阶段。

Q3. 规则引擎面对新型欺诈时的主要局限是？

单选题 · easy

  • A.计算速度太慢无法实时
  • B.只能识别已知规则模式← 正确答案
  • C.需要大量人工标注数据
  • D.无法自动生成风险分数

答案：B。规则引擎是手写规则的加权评分，擅长拦截已被总结的套路；但新欺诈只要换 IP、换设备或换剧本，旧规则就失效。它不是速度慢，也不是不能打分，而是“没见过就不认识”。

Q4. 关系图谱主要用于识别哪一类欺诈？

单选题 · mid

  • A.单人盗刷信用卡行为
  • B.有组织团伙的连带风险← 正确答案
  • C.AI换脸个例攻击
  • D.撞库批量登录行为

答案：B。关系图谱把账号、设备、手机号连成网，通过风险传播识别团伙。撞库和盗刷更依赖单点规则，AI 换脸攻击则属于影像伪造识别。

Q5. 深度伪造欺诈给风控带来的核心挑战是？

单选题 · mid

  • A.攻击数量和频率降低
  • B.传统生物特征可被伪造← 正确答案
  • C.所有静态规则全部失效
  • D.数据标注需要手工完成

答案：B。AI 换脸和语音克隆骗过“看脸”“听声”的传统核身，核心威胁是生物特征不再是可靠证据。C 过于绝对，规则并未全部失效；A 与事实相反。

Q6. “对抗学习”在风控中的正确理解是？

单选题 · mid

  • A.让两个模型互相竞争淘汰
  • B.主动生成对抗样本增强鲁棒性← 正确答案
  • C.每次交易自动更换算法
  • D.用更多规则替代所有模型

答案：B。对抗学习是主动生成让模型出错的样本，再训练模型补上漏洞。它不是随机换算法，也不是靠堆规则，而是让模型在“被攻击”中变强。

Q7. 在线逻辑回归的风控更新中，模型权重 W 的更新方向主要由什么决定？

单选题 · hard

  • A.预测分数与真实标签的差← 正确答案
  • B.风险数据的平均金额
  • C.交易发生的小时数
  • D.白名单用户的数量

答案：A。在线梯度下降用“预测概率与真实标签之差”作为误差信号，乘以学习率和特征值后更新权重。B、C、D 只是一些特征或统计量，不直接决定权重的更新方向。

Q8. 面对 AI 合成欺诈，下列哪些措施是有效的？

多选题 · mid

  • A.多模态交叉验证活体信息← 正确答案
  • B.对生物识别做单一依赖
  • C.加入实时行为链路校验← 正确答案
  • D.完全禁用所有远程开户

答案：AC。多模态活体和实时行为链路能提高伪造难度；单一依赖生物特征正是软肋；完全禁用远程开户属于因噎废食，也不现实。

Q9. 欺诈趋势预测常用的输入包括哪些？

多选题 · hard

  • A.黑产舆情与暗网情报← 正确答案
  • B.历史欺诈模式的时间序列← 正确答案
  • C.防御命中率的实时统计← 正确答案
  • D.员工考勤打卡记录

答案：ABC。趋势预测要融合外部威胁情报、内部历史数据和防御效果统计，才能判断攻击压力是否上升。员工考勤与欺诈趋势无关。

Q10. 自适应风控体系可能面对哪些“反自适应”风险？

多选题 · extreme

  • A.攻击者利用规则切换周期← 正确答案
  • B.模型被大量低质样本污染← 正确答案
  • C.复核不及时导致反馈延迟← 正确答案
  • D.参数永久固定且无法更新

答案：ABC。攻击者会观察策略更新节奏，卡时间窗下手；低质样本会让模型学错方向；延迟反馈会让更新滞后。D 描述的是“非自适应”状态，与自适应体系矛盾。