自动实时信用卡欺诈检测
本指南向您展示如何使用机器学习（ML）创建专为中央银行量身定制的动态、自我改进且可维护的欺诈检测模型。随着您的客户越来越多地使用数字工具和服务，需要高级欺诈检测解决方案来检测不法分子的欺诈活动。本指南可帮助您运行自动交易处理，既可以实时监控数字货币交易，又可以检测可疑活动，以便在欺诈发生之前采取预防措施。这样，您就可以在努力保持监管合规性的同时提高数字货币的安全性和完整性。
注意：[免责声明]
架构图
[架构图描述]
第 1 步
Amazon Simple Storage Service（Amazon S3）存储桶包含信用卡交易数据集的示例。
第 2 步
将在数据集上训练的包含不同机器学习模型的 Amazon SageMaker Notebook 实例。
第 3 步
AWS Lambda 函数，用于处理来自示例数据集的交易，并调用两个用于将异常得分和分类得分分配给传入数据点的 SageMaker 端点。
第 4 步
Amazon API Gateway REST API 使用签名的 HTTP 请求调用预测。
第 5 步
Amazon Data Firehose（Kinesis Data Firehose 的后继者）传输流将处理过的交易加载到另一个 Amazon S3 结果存储桶中进行存储。
第 6 步
在交易加载到 Amazon S3 之后，您可以使用分析工具和服务，包括 Amazon QuickSight，以进行可视化、报告、个人查询和更详细的分析。
第 1 步
Amazon Simple Storage Service（Amazon S3）存储桶包含信用卡交易数据集的示例。
第 2 步
将在数据集上训练的包含不同机器学习模型的 Amazon SageMaker Notebook 实例。
第 3 步
AWS Lambda 函数，用于处理来自示例数据集的交易，并调用两个用于将异常得分和分类得分分配给传入数据点的 SageMaker 端点。
第 4 步
Amazon API Gateway REST API 使用签名的 HTTP 请求调用预测。
第 5 步
Amazon Data Firehose（Kinesis Data Firehose 的后继者）传输流将处理过的交易加载到另一个 Amazon S3 结果存储桶中进行存储。
第 6 步
在交易加载到 Amazon S3 之后，您可以使用分析工具和服务，包括 Amazon QuickSight，以进行可视化、报告、个人查询和更详细的分析。
Well-Architected 支柱
当您在云中构建系统时，AWS Well-Architected Framework 可以帮助您了解所做决策的利弊。框架的六大支柱使您能够学习设计和操作可靠、安全、高效、经济高效且可持续的系统的架构最佳实践。使用 AWS 管理控制台中免费提供的 AWS Well-Architected Tool，您可以通过回答每个支柱的一组问题，根据这些最佳实践来检查您的工作负载。
上面的架构图是按照 Well-Architected 最佳实践创建的解决方案示例。要做到完全的良好架构，您应该遵循尽可能多的 Well-Architected 最佳实践。
-
卓越运营阅读《卓越运营》白皮书
SageMaker 提供完全托管的 ML 工具，可自动执行从数据准备到模型部署和监控的工作流程。这使您无需管理复杂 ML 基础设施。Lambda 让您无需配置或管理服务器即可运行代码，进一步减轻了您的运营负担。此外，Amazon DynamoDB 有助于低延迟数据存储和检索并最大限度地减少管理任务。最后，AWS Step Functions 可以简化复杂工作流程的编排并提供内置的错误处理功能，从而增强可靠性并减少对手动干预的需求。
-
安全性阅读《安全性》白皮书
AWS Identity and Access Management（IAM）支持您实施最低权限原则，即仅授予授权用户和服务执行其预期任务所需的最低权限，从而降低未经授权的访问或意外滥用的风险。Amazon Virtual Private Cloud（Amazon VPC）为本指南的组成组件提供了逻辑上隔离的环境，让您可以使用安全组和网络访问控制列表来控制入站和出站流量。此外，作为一项无服务器服务，Lambda 通过最小化潜在攻击面来增强安全性。无需管理和保护底层服务器，即可降低与服务器配置错误或软件版本过时相关的漏洞风险。
-
可靠性阅读《可靠性》白皮书
Lambda 可根据传入流量自动扩展计算资源，这就使您的应用程序无需人工干预即可处理需求波动，从而最大限度地减少停机时间。DynamoDB 提供跨多个可用区的内置复制功能，从而提供冗余并最大限度地降低因基础设施故障导致数据丢失的风险。最后，Step Functions 可帮助您创建强大且容错的无服务器工作流。其内置功能（如自动重试和错误处理）可帮助任务从暂时故障中恢复。
-
性能效率阅读《性能效率》白皮书
Lambda 使您的应用程序能够在不影响性能的情况下无缝扩展并处理流量波动。DynamoDB 支持高吞吐量和低延迟数据访问，使您的欺诈检测过程能够实时运行，而不会出现性能瓶颈。此外，SageMaker 可以实现 ML 模型开发生命周期的自动化和加速，使您能够高效快速地迭代和微调模型。这可以提高模型准确性以及整体解决方案性能。
-
成本优化阅读《成本优化》白皮书
Lambda 使用可以根据需求进行扩展的无服务器计算模型，您只需为使用的计算时间付费。这可以帮助您避免与服务器过度预置或利用不足相关的成本。DynamoDB 无需专门的数据库管理员，也不会产生相关成本，并且它可以自动扩展以适应流量波动，无需人工干预。此外，SageMaker 还提供完全托管的 ML 环境，可以降低与采购和维护用于模型开发、训练和部署的硬件和软件相关的成本。
-
可持续性阅读《可持续性》白皮书
Lambda 使您的应用程序能够根据需求自动纵向扩展或缩减，从而在应用程序不使用时最大限度地减少能源消耗。 SageMaker 提供托管的 ML 环境，可减少设置和维护专用 ML 基础设施所需的能源和资源消耗。最后，DynamoDB 会根据流量模式自动扩展资源，优化资源使用情况并最大限度地减少过度预置或未充分利用数据库资源对环境的影响。
免责声明
示例代码；软件库；命令行工具；概念验证；模板；或其他相关技术（包括由我方人员提供的任何前述项）作为 AWS 内容按照《AWS 客户协议》或您与 AWS 之间的相关书面协议（以适用者为准）向您提供。您不应将这些 AWS 内容用在您的生产账户中，或用于生产或其他关键数据。您负责根据特定质量控制规程和标准测试、保护和优化 AWS 内容，例如示例代码，以使其适合生产级应用。部署 AWS 内容可能会因创建或使用 AWS 可收费资源（例如，运行 Amazon EC2 实例或使用 Amazon S3 存储）而产生 AWS 费用。
本指南中提及第三方服务或组织并不意味着 Amazon 或 AWS 与第三方之间存在认可、赞助或从属关系。AWS 的指导是一个技术起点，您可以在部署架构时自定义与第三方服务的集成。