🤖 AI

An AI Security Agent for Banking: Multi-Vector Fraud and AML Detection Across Retail and Corporate Accounts

本文提出了一种用于银行业的多向量人工智能安全智能体，该智能体通过结合长短期记忆网络（LSTM）序列模型、统计监测器和图网络的混合架构，融合了交易与会话数据流，以同时检测基于特征的欺诈行为和行为金融犯罪，在实现显著高于基于规则或单模型基准的 F1 分数的同时，提供了低延迟的自动化响应与分析师支持。

原作者： Joseph Walusimbi, Joshua Benjamin Ssentongo

发布于 2026-06-17

📖 1 分钟阅读☕ 轻松阅读

CC BY 4.0

原作者： Joseph Walusimbi, Joshua Benjamin Ssentongo

原始论文采用 CC BY 4.0 许可（http://creativecommons.org/licenses/by/4.0/）。 ✨ 这是对下方论文的AI生成解释。它不是由作者撰写或认可的。如需技术准确性，请参阅原始论文。阅读完整免责声明

想象一下，一家银行就像一座规模宏大、繁忙喧嚣的城市。每天，数百万人（账户）都在这里转移资金、登录并进行消费。通常情况下，这一切都很正常。但有时，犯罪分子会试图潜入其中，窃取身份或洗白脏钱。

这篇论文介绍了一种全新的**“AI 安全卫士”**，旨在保护普通人（零售业务）和大型企业（公司业务）这两个“城市”中的居民。作者 Joseph Walusimbi 和 Joshua Benjamin Ssentongo 来自乌干达索罗蒂大学（Soroti University），他们开发了这位“卫士”，因为旧有的抓捕犯罪手段已经不再足够有效。

以下是该论文如何使用简单的类比来解释问题及其解决方案的：

1. 问题所在：两种不同类型的犯罪分子

论文指出，银行面临着两种截然不同的威胁，而旧的安全系统（称为“规则引擎”）就像一个只检查单一特定事项的保安。

“保安”（基于规则的旧系统）： 这个卫士寻找明显的红旗信号。如果有人尝试在 5 分钟内提取 10,000 美元，或者同时在两个不同的国家使用同一张卡，他就会拦截。这对于暴力攻击（如尝试猜测密码）或 ATM 克隆非常有效。
“变色龙”（新威胁）： 还有一些狡猾的犯罪分子。
- BEC（商业电子邮件欺诈）： 想象一下，一名犯罪分子黑进了首席执行官（CEO）的电子邮箱，并向会计发送了一封看起来很正常的邮件，内容是：“请将工资款项汇至这个新银行账户。”金额正常，时间正常，且发件人看起来也很真实。旧有的“保安”看不出任何异常，于是让资金顺利流出。
- 洗钱： 想象有人将一大堆脏钱拆分成许多看起来合法的微小份额以隐藏来源。单笔交易看起来都没有问题，但多笔小额交易构成的模式却是犯罪。

论文认为，旧有的“保安”对这些“变色龙”视而不见，因为他们并没有违反任何单一规则，只是看起来像正常的活动。

2. 解决方案：一个三位一体的“超级卫士”

作者构建了一个新的 AI 代理，它就像一个由三名侦探组成的团队，在两台不同的“监控摄像头”（数据流）上协同工作。

两台摄像头：

交易摄像头： 监视资金流动（刷卡、电汇）。
会话摄像头： 监视人们登录、修改密码或添加收款人的行为。

三名侦探（融合架构）：
每当发生一次事件时，这三名侦探都会给出意见，以决定这是否是一起犯罪：

侦探 1：模式学习者 (LSTM)： 这名侦探记得你的历史记录。“嘿，史密斯先生通常在上午 8 点在坎帕拉买咖啡。为什么你现在凌晨 3 点会在伦敦买一艘船？”它会随着时间的推移学习你的个人习惯。
侦探 2：速度计 (阈值监控器)： 这名侦探观察速度和容量。“哇，一分钟内发生了 50 笔交易！”或者“在达到限额前突然存入了巨额现金！”它能捕捉到明显的爆发式行为。
侦探 3：地图绘制者 (图模块)： 这名侦探观察人与人之间的联系。“这个账户正在接收来自 50 个陌生人的汇款，并立即将所有资金转出。”它能识别出那些单看个体很正常，但连接起来却很诡异的洗钱网络（钱骡）。

裁决：
AI 将这三名侦探的意见结合成一个单一的“风险评分”。如果评分很高，系统就会采取行动。

3. 如何反应（响应机制）

系统不会仅仅大喊“罪犯！”然后停止一切。它拥有四个级别的响应，就像一个交通信号灯系统：

低风险： 仅将其记录在日志中。
中风险： 要求用户提供额外证明（如短信验证码）或对资金进行临时“软冻结”。
高风险： 立即停止交易并提醒人工分析师。
关键风险： 冻结账户，报警（通知分析师），并准备提交给监管机构的报告。

聊天机器人助手：
如果一笔交易看起来可疑，系统会自动向客户发送消息：“这是您本人的操作吗？”

如果客户说“是”并通过代码证明了身份，资金就会通过。
如果客户说“不是”，账户会立即被冻结。
系统还会监视“大规模重置”（即黑客试图同时重置 100 个人的密码）的情况，并在攻击扩散前将其阻止。

分析师助手：
当人类安全员需要调查犯罪时，此 AI 会为他们编写一份摘要。它会写道：“这看起来像是一起‘商业电子邮件欺诈’攻击。以下是您接下来应该采取的 3 个步骤。”这节省了人类阅读数小时资料的时间。

4. 结果：它奏效了吗？

作者使用了一个模拟城市（包含 237,000 笔交易和 113,000 次登录会话的伪造数据集）测试了他们的系统，因为出于隐私原因，他们无法使用真实的银行数据。

他们将他们的“超级卫士”与以下系统进行了对比：

旧的“保安”（基于规则的系统）。
仅使用“模式学习者”（仅使用 LSTM）的系统。

计分板：

旧保安： 抓住了约 56% 的交易犯罪和 73% 的登录犯罪。它完全漏掉了“变色龙”攻击（BEC 和洗钱）。
仅使用 LSTM： 抓住了约 65% 的交易犯罪。
新的 AI 代理： 抓住了 78.7% 的交易犯罪和 86.7% 的登录犯罪。

关键胜利：

BEC 检测： 旧系统的成功率为 0%。新的 AI 通过注意到“添加新收款人并立即发送大额资金”是一个异常的序列事件，从而成功捕捉到了部分 BEC 攻击，即使金额本身看起来很正常。
速度： 该系统速度极快。即使对于最严重的犯罪，它做出决策的时间也少于半毫秒（0.43 毫秒），这比人类眨眼的速度还要快。

5. 局限性（论文承认的部分）

作者诚实地说明了其系统的局限性：

它是模拟实验： 他们是在伪造数据上进行的测试。真实的银行数据更加混乱，他们承认在投入实际银行使用前，系统需要在真实世界的数据上进行重新训练。
新账户： “模式学习者”需要大约 10 笔过去的交易才能了解一名客户。如果是一个新开立的账户，AI 在第一个月内的效果会较差。
复杂的洗钱： 虽然它在识别洗钱方面有所进步，但在面对极其复杂、多步骤的“分层”计划（即资金在许多账户之间移动）时，仍然感到吃力。

总结

简而言之，这篇论文展示了一个智能、多层次的银行安全系统。它不仅仅是在寻找“错误的数字”，它还在观察行为、速度和关系。它结合了规则的速度与 AI 的记忆力，既能抓住大声叫嚣的显性小偷，也能抓住安静隐蔽的隐形贼，同时还能帮助客户验证身份，并协助人类保安更高效地工作。

技术摘要：面向银行业的 AI 安全智能体

问题陈述
金融机构目前面临着双重且分化的威胁格局，现有的安全架构难以同时应对这些威胁。一方面是基于特征的欺诈攻击（例如：无卡交易攻击、暴力破解凭据填充、ATM 克隆），其特点是具有可由静态阈值规则检测到的个体异常事件。另一方面是行为类金融犯罪（例如：商业电子邮件欺诈 (BEC)、洗钱中的拆分与分层行为、骡子网络），其中单笔交易看似合法，异常仅存在于交易、账户或时间窗口之间的关系中。

目前的静态规则引擎在结构上无法识别这些行为模式，而许多机器学习方法仅针对单一欺ù类别或单一数据流（仅限交易）。目前缺乏能够整合欺诈检测、反洗钱 (AML) 以及跨零售和企业银行业务自动化响应能力的统一运营智能体。

方法论
本文提出了一种统一的 AI 安全智能体，该智能体采用三组件融合架构，运行在两个并行事件流之上：

交易流 (Transaction Stream)： 涵盖金融事件（银行卡消费、电汇、ATM 取款、现金存款）。
会话流 (Session Stream)： 涵盖身份验证和用户界面事件（登录、MFA 挑战、添加收款人、批量导出）。

核心检测引擎
针对每个流，通过一个逻辑回归层融合三个子模型来计算复合风险评分 ( $R$ )：

序列模型 ( $s_{seq}$ )： 一个在滑动窗口 ( $L=10$ ) 的单账户行为历史基础上训练的 LSTM 网络。它学习金额、频率和对手方熟悉度的基准线，以检测时间序列中的异常。
阈值监控器 ( $s_{thresh}$ )： 规则逻辑的连续扩展，用于归一化信号，如金额 z-score、频率比率（每 10 分钟内的交易数）、拆分聚合（滚动 7 天现金存款对比 CTR 阈值）以及新对手方信号。
图/网络模块 ( $s_{graph}$ )： 一个轻量级的图神经网络 (GNN) 代理，用于捕捉账户-对手方关系模式。它计算滚动 24/48 小时的特征，包括入向扇入（不同入账发送者）、出向扇出（不同出账接收者）以及通过率。它还会标记“不可能的旅行”（在物理上不合理的时间间隔内发生的城市变更）以及休眠账户重启。

融合与响应
最终风险评分为 $R = \max(R_{txn}, R_{sess})$ ，确保任一流中的关键事件都能触发相应的响应。系统采用了单子模型覆盖机制：如果 LSTM 的置信度极高（ $s_{seq} \geq 0.90$ ）但其他信号较低（这在 BEC 中很常见，因为金额和网络看起来都很正常），系统将优先考虑 LSTM 信号。

风险评分被映射到四级自动化响应框架（低、中、高、紧急），触发从日志记录到账户冻结、短信通知及分析师呼叫等一系列操作。系统还包含：

客户聊天机器人： 用于通过 OTP 进行交易验证以及检测大规模重置攻击。
分析师案例摘要助手： 生成带有威胁分类和排序行动建议的自然语言摘要。

主要贡献

统一架构： 一个涵盖 13 类威胁（包括 CNP 欺诈、ATO、BEC、拆分、分层和骡子活动）的单一智能体，利用双流、三组件融合模型覆盖零售和企业领域。
全面的威胁模型： 明确解决了基于特征的检测与行为异常检测之间的差距，涵盖了交易和会话上下文。
实验评估： 在 90 天合成数据集（237,669 笔交易、113,508 个会话、3,470 个账户）上进行的评估证明了融合方法的有效性。
运营工具： 集成了面向客户的验证聊天机器人和分析师助手，以减轻运营负担。

结果
所提出的融合模型表现出优于基于规则的基线和仅基于 LSTM 基线的性能：

交易流： 实现整体 F1 为 0.787（对比规则的 0.562 和仅 LSTM 的 0.655）以及宏平均 F1 为 0.303（对比规则的 0.227 和仅 LSTM 的 0.158）。
会话流： 实现整体 F1 为 0.867（对比规则的 0.733 和仅 LSTM 的 0.713）以及宏平均 F1 为 0.529（对比规则的 0.500 和仅 LSTM 的 0.283）。
特定威胁： 模型显著提升了对 BEC 重定向（F1 0.064/0.368 对比规则的 0.000）和休眠重启的检测能力。然而，分层检测仍是最弱的类别（F1 0.131），这归因于在没有完整 GNN 消息传递的情况下，检测中链模式存在难度。
延迟： 紧急级自动化响应在单个 CPU 节点上的 95 分位延迟为 0.43 毫秒。
聊天机器人性能： 实现了 96.6% 的身份验证准确率和 86.8% 的大规模重置攻击检测率。

意义与主张
论文声称，这项工作的主要意义在于证明了融合架构可以检测出对于单一机制系统而言在结构上不可见的威胁。具体而言，该智能体提供了本研究中唯一的 BEC 重定向检测路径，它利用了 LSTM 识别“添加收款人 + 立即进行大额转账”这一异常序列的能力，即使单个交易特征（金额、频率）仍处于正常范围内。

作者强调，双流架构为跨流威胁（例如，在交易日志和会话日志中均有体现的账户接管行为）提供了冗余覆盖。作者承认了局限性，指出评估依赖于合成数据，且分层检测目前仍是一种代理近似。论文总结道，虽然原型机是有效的，但生产部署需要使用真实的标注数据进行重新训练，未来的工作是将当前的图代理替换为完整的异构 GNN。