Diese Anleitung zeigt Ihnen, wie Sie mithilfe von Machine Learning (ML) um dynamische, sich selbst verbessernde und wartungsfreundliche Modelle zur Betrugserkennung zu erstellen, die auf Zentralbanken zugeschnitten sind. Da Ihre Kunden zunehmend digitale Tools und Services nutzen, erfordern betrügerische Aktivitäten böser Akteure fortschrittliche Lösungen zur Betrugserkennung. Mit dieser Anleitung können Sie eine automatisierte Transaktionsverarbeitung durchführen, die sowohl digitale Währungstransaktionen in Echtzeit überwacht als auch verdächtige Aktivitäten erkennt, sodass Sie Maßnahmen ergreifen können, um Betrug zu verhindern, bevor er auftritt. Auf diese Weise können Sie die Sicherheit und Integrität digitaler Währungen verbessern, während Sie an der Einhaltung gesetzlicher Vorschriften arbeiten.

Hinweis: [Haftungsausschluss]

Architekturdiagramm

[Beschreibung des Architekturdiagramms]

Architekturdiagramm als PDF herunterladen 

Erste Schritte

Diese Anleitung anwenden

Well-Architected-Säulen

Das AWS-Well-Architected-Framework hilft Ihnen, die Vor- und Nachteile der Entscheidungen zu verstehen, die Sie beim Aufbau von Systemen in der Cloud treffen. Die sechs Säulen des Frameworks ermöglichen es Ihnen, architektonische bewärhte Methoden für die Entwicklung und den Betrieb zuverlässiger, sicherer, effizienter, kostengünstiger und nachhaltiger Systeme zu erlernen. Mit dem AWS-Well-Architected-Tool, das kostenlos in der AWS-Managementkonsole verfügbar ist, können Sie Ihre Workloads anhand dieser bewährten Methoden überprüfen, indem Sie eine Reihe von Fragen für jede Säule beantworten.

Das obige Architekturdiagramm ist ein Beispiel für eine Lösung, die unter Berücksichtigung der bewährten Methoden von Well-Architected erstellt wurde. Um eine vollständige Well-Architected-Lösung zu erhalten, sollten Sie so viele bewährte Methoden von Well-Architected wie möglich befolgen.

  • SageMaker bietet vollständig verwaltete ML-Tools, die Workflows automatisieren, von der Datenaufbereitung bis hin zur Modellbereitstellung und Überwachung. Dadurch müssen Sie keine komplexe ML-Infrastruktur verwalten. Mit Lambda können Sie Code ausführen, ohne Server bereitzustellen oder zu verwalten, was Ihren betrieblichen Aufwand weiter reduziert. Darüber hinaus ermöglicht Amazon DynamoDB das Speichern und Abrufen von Daten mit niedriger Latenz und minimiert Verwaltungsaufgaben. Schließlich vereinfacht AWS Step Functions die Orchestrierung komplexer Workflows und bietet integrierte Funktionen zur Fehlerbehebung, wodurch die Zuverlässigkeit erhöht und der Bedarf an manuellen Eingriffen reduziert wird.

    Whitepaper zur operativen Exzellenz lesen 

  • Mit AWS Identity and Access Management (IAM) können Sie das Prinzip der geringsten Berechtigung implementieren, das autorisierten Benutzern und Services nur die Mindestberechtigungen gewährt, die für die Ausführung ihrer beabsichtigten Aufgaben erforderlich sind, wodurch das Risiko eines unbefugten Zugriffs oder versehentlichem Missbrauch verringert wird. Amazon Virtual Private Cloud (Amazon VPC) bietet eine logisch isolierte Umgebung für die Komponenten, aus denen sich diese Anleitung zusammensetzt, sodass Sie Sicherheitsgruppen und Netzwerkzugriffskontrolllisten verwenden können, um den eingehenden und ausgehenden Datenverkehr zu kontrollieren. Darüber hinaus erhöht Lambda als Serverless-Service die Sicherheit, indem es die potenzielle Angriffsfläche minimiert. Ohne die zugrunde liegenden Server verwalten und sichern zu müssen, reduzieren Sie das Risiko von Sicherheitslücken im Zusammenhang mit Server-Fehlkonfigurationen oder veralteten Softwareversionen.

    Whitepaper zur Sicherheit lesen 

  • Lambda skaliert die Rechenressourcen automatisch auf der Grundlage des eingehenden Datenverkehrs, sodass Ihre Anwendung Bedarfsschwankungen ohne manuelles Eingreifen bewältigen kann und Ausfallzeiten minimiert werden. DynamoDB bietet integrierte Replikation über mehrere Availability Zones hinweg, sorgt für Redundanz und minimiert das Risiko von Datenverlusten aufgrund von Infrastrukturausfällen. Schließlich hilft Ihnen Step Functions dabei, robuste und fehlertolerante Serverless-Workflows zu erstellen. Die integrierten Feature, wie automatische Wiederholungsversuche und Fehlerbehandlung, helfen Aufgaben bei der Wiederherstellung vorübergehender Fehler.

    Whitepaper zur Zuverlässigkeit lesen 

  • Lambda ermöglicht es Ihrer Anwendung, nahtlos zu skalieren und Schwankungen im Datenverkehr zu bewältigen, ohne die Leistung zu beeinträchtigen. DynamoDB unterstützt einen hohen Durchsatz und einen Datenzugriff mit niedriger Latenz, sodass Ihr Betrugserkennungsprozess in Echtzeit ohne Leistungsengpässe ablaufen kann. Darüber hinaus automatisiert und beschleunigt SageMaker den Lebenszyklus der ML-Modellentwicklung, sodass Sie Modelle effizient und schnell iterieren und optimieren können. Dies führt zu einer verbesserten Modellgenauigkeit und verbessert die Gesamtleistung der Lösung.

    Whitepaper zur Leistung und Effizienz lesen 

  • Lambda verwendet ein Serverless-Rechenmodell, das je nach Bedarf skaliert wird, und Sie zahlen nur für die Rechenzeit, die Sie verbrauchen. Auf diese Weise können Sie die Kosten vermeiden, die mit einer Überversorgung oder einer unzureichenden Auslastung von Servern verbunden sind. DynamoDB macht dedizierte Datenbank-Administratoren und die damit verbundenen Kosten überflüssig und skaliert automatisch, um Schwankungen des Datenverkehrs ohne manuelles Eingreifen zu berücksichtigen. Darüber hinaus bietet SageMaker eine vollständig verwaltete ML-Umgebung, wodurch die Kosten reduziert werden, die mit der Beschaffung und Wartung von Hard- und Software für die Modellentwicklung, das Training und die Bereitstellung verbunden sind.

    Whitepaper zur Kostenoptimierung lesen 

  • Lambda ermöglicht es Ihrer Anwendung, je nach Bedarf automatisch nach oben oder unten zu skalieren, wodurch der Energieverbrauch minimiert wird, wenn die Anwendung nicht verwendet wird. SageMaker bietet eine verwaltete ML-Umgebung, die den Energie- und Ressourcenverbrauch reduziert, der für die Einrichtung und Wartung einer dedizierten ML-Infrastruktur erforderlich ist. Schließlich skaliert DynamoDB automatisch Ressourcen auf der Grundlage von Datenverkehrsmustern, optimiert so die Ressourcennutzung und minimiert die Umweltauswirkungen einer zu hohen oder zu geringen Auslastung von Datenbankressourcen.

    Whitepaper zur Nachhaltigkeit lesen 

Ähnliche Inhalte

[Inhaltstyp]

[Titel]

Dieser [Blogbeitrag/E-Book/Anleitung/Beispielcode] zeigt, wie [kurze Beschreibung einfügen].

Haftungsausschluss

Der Beispielcode, die Softwarebibliotheken, die Befehlszeilentools, die Machbarkeitsnachweise, die Vorlagen oder andere zugehörige Technologien (einschließlich derjenigen, die von unseren Mitarbeitern bereitgestellt werden) werden Ihnen als AWS-Inhalte im Rahmen der AWS-Kundenvereinbarung oder der entsprechenden schriftlichen Vereinbarung zwischen Ihnen und AWS (je nachdem, was zutrifft) zur Verfügung gestellt. Sie sollten diese AWS-Inhalte nicht in Ihren Produktionskonten oder für Produktions- oder andere kritische Daten verwenden. Sie sind verantwortlich für das Testen, Sichern und Optimieren des AWS-Inhalts, z. B. des Beispielcodes, für die Verwendung in der Produktion auf der Grundlage Ihrer spezifischen Qualitätskontrollverfahren und -standards. Bei der Bereitstellung von AWS-Inhalten können AWS-Gebühren für die Erstellung oder Nutzung von kostenpflichtigen AWS-Ressourcen anfallen, z. B. für den Betrieb von Amazon-EC2-Instances oder die Nutzung von Amazon-S3-Speicher.

Verweise auf Services oder Organisationen von Drittanbietern in diesen Leitlinien bedeuten nicht, dass Amazon oder AWS eine Billigung, Förderung oder Zugehörigkeit zwischen Amazon oder AWS und dem Drittanbieter darstellt. Die Beratung durch AWS ist ein technischer Ausgangspunkt, und Sie können Ihre Integration mit Services von Drittanbietern anpassen, wenn Sie die Architektur bereitstellen.

War diese Seite hilfreich?

 Feedback