从每秒20万个红包中揪出骗钱的“黑包”，腾讯怎么做到的？

过年了，全国的童鞋们或者缩在被窝里，或者葛优躺在沙发上，或者懒洋洋地走在路上。然而，这一切都是假象。

一旦手机中红包闪现，所有人都能在一瞬间聚集起豹的速度、鹰的眼睛、熊的力量，手指以迅雷不及掩耳之势直捣黄龙。几亿人为了哪怕几分钱的微信红包魂牵梦萦，时而大喜过望，时而捶胸顿足，时而悲愤难平，时而以头抢地。

在某一瞬间，我们俨然都成了一个巨大的“幼稚园”里的小朋友。

为了让这些“情绪不稳定”的小朋友好好享受红包带来的满足，“幼稚园老师”——腾讯，可谓煞费苦心。

因为，总有一些“坏小孩”，喜欢用“错误的姿势”玩红包，有的还喜欢欺负其他小朋友。

揪出“坏小孩”，就是人们所说的“风控”。

为了搞清坏小孩是怎么被揪出来的，小编()宅客频道特地请教了来自腾讯大金融安全的项目管理负责人周治明、风控策略专家吴鸣和风控技术专家于诗永。

所谓“红包是披上了温情的转账，转账是褪去了华服的红包。”从风控的视角来看，红包、转账、在微信支付和QQ钱包上买腾讯理财通、信用卡还款、给手机充值等等都是支付行为，区别只有额度和风险的不同。首先，他们讲解了一下什么是支付过程中的“错误姿势”。

虽说“能用别人的钱发红包”是很多人的理想，但如果你真的这么做了，麻烦就大了。因为，如果想用别人的钱发红包，首先你要盗取别人的账号或银行卡信息（直接盗取账号然后转移其中的资产；或者盗取他人银行卡信息，与其它微信号绑定后转移资金）。

不用多说，这是最典型的账号欺诈，当然是不正确的发红包姿势。

这里，请注意关键词：“别人”，假如你的女朋友夺过你的手机反剪双手逼迫你说出密码，然后拉过你的手指按在指纹识别处，那么跪在键盘上的你是无力回天的。

你也许听说过这样一种“兼职”方法。那就是为某个电商刷单。对方承诺你先自己垫付一些钱购买指定的商品，不久会返还你的货款还有额外的“报酬”。

事情的结局是：你垫付了资金，骗子却无影无踪。只留你在原地悲叹“城市套路深”。

其实，几乎所有的诈骗都无外乎趋利、避害这两种让人“猪油蒙心”的骗术。仿冒打车 App、电商或快递公司的客服，告诉你要先交保证金再退款的骗术等等都属于这个范畴。

值得注意的是，还有骗子会编造一串理由让你把微信付款码或上方的注册码（注意，是上面的那串数字！）发送给对方，然后进行盗刷。

出于对“小朋友”的保护，这种遭受诈骗而发出的红包和转账，显然被认定是不正确的支付姿势。

有诗云：“爱情不是你想买，想买就能买。”除了爱情，还有很多东西是你不能买的。比如：黄、赌、毒。在“黄赌毒领域”，几乎所有的支付行为都是“明知故犯”的，比如为色情 App 充会员、为赌博网站充值、 买宋冬野的CD 等等。（好像混进了奇怪的东西）

为了世界和平，这些支付姿势当然也不正确。

正如我们之前的比喻，在幼稚园里面对无数个小朋友，老师怎么知道哪个是好孩子哪个是坏孩子呢？

首先，就是要掌握这些孩子的“数据”。

在支付场景中，这些“孩子”就对应了一个个的账号，围绕账号的风控数据主要包括“交易类的数据”“实名类数据”和“社交数据”。

也就是说，可以作为安全考核的数据维度有：设备指纹、网络环境、支付动作（下单、确认支付、输入密码、确认交易）、转账的金额和时间、实名注册人背景信息、关系网深度、账号新旧程度等等。当然，这些数据都是基于隐私保护的原则脱敏的。

其中很多交易数据都由埋设在程序中的“探针”获取。我们把数据放好备用，先来看看已经被发现的“坏小孩”究竟什么样。

虽然无法时刻看护园中的每一个孩子，。但是没关系，微信、QQ 的客服可能会接到举报和投诉（微信似乎是常用 App 里举报入口最多的，没有之一），涉及资金最常见的有以下几种情况：

我的微信/QQ 号码被盗了，钱被别人转走了。

我受骗了，钱是通过微信 /QQ 付出去的。

我在微信/QQ 上看到了传播的黄赌毒网站。

这不正对应之前说到的三种错误的支付姿势吗？这些经过人工确认的恶意行为样本，就成为了风控系统最好的学习材料。

当然，这些数据并不是全部，周治明告诉我们，

总体来说，交易类和实名类数据来自微信/QQ 的内部闭环，除此之外还有很多其他数据来源。例如腾讯的电脑/手机管家终端，也会搜集大量和支付相关的诈骗、黄赌毒网址样本。管家有全球最大的恶意网址数据库。对于社交类数据，会和合作伙伴之间进行沟通交流。当然，专家也会根据举报的线索对犯罪团伙身份进行挖据，总体来说样本量非常大。

在周治明和其他专家心里，这些统称为“情报”。

数据有了，样本也有了。

接下来就到了见证奇迹的时刻。

于诗永告诉我们，通过对 2000 多个变量（来自不同维度的数据）进行一整套机器学习的计算，就可以找到这些“坏样本”的共同特征。

【来自不同维度的数据，经过机器学习之后可以生成一些独特的特征】

比如说，用户年龄可以作为一个判定条件，对于实名认证用户，如果认证是一个50岁以上的老人，却进行大额支付来购买大型网络游戏道具。根据风控模型，这个潜在的风险就很高。

再比如，一个微信账户在凌晨绑了卡，然后马上给另一个微信号大额转账，另一个微信号又马上提现。首先交易时间比较可疑。其次从两个账号的亲密度模型来看，之前两个号并没有交集，这也很可疑。另外，其中有一个号的社交活跃度很低，这也有问题。综合来看这就是很典型的转移资金的风险场景。

当然，对于风控系统来说，判断的规则比我们可以描述和理解的内容更复杂。针对这一套数据计算方法，吴鸣有一个更生动的比喻，

这和医生看病比较相似。如果要找出病人得的是什么病。需要化验血、做B超、检验各个器官等等，得到有关你身体的各项指标数据。

在血液这个维度里面，可能还会有一些模型进行分析，在各个器官的维度里，还会有各自的分析模型。这些维度经过数据分析后，某些可能是异于常人的。

把这些异于常人的维度进行综合评估，才能得知你究竟患了什么病。

也就是说，一个好的风控系统，应该像一个老医生，通过观察一个“账户”的各个指标，在“大脑”里计算出这个账户究竟哪些方面不对劲。从而判断它是盗卡账户，被盗账户还是骗子账户。

（编辑：ASP站长网）