MongoDB 사용한 사기 탐지

MongoDB Atlas 클러스터 및 코어 컬렉션

MongoDB Atlas 단일 managed 클러스터 에서 사기 감지, 호스팅 운영, 분석 및 구성 데이터를 위한 최신 데이터 플랫폼으로 사용합니다.

MongoDB Atlas 분석 이나 조사를 위해 세컨더리 저장소에 ETL(추출, 변환, 로드)을 할 필요 없이 사기 결정에 필요한 모든 데이터를 트랜잭션 근처에 보관합니다.

제안된 접근 방식

• 실시간 의사 결정에 사용되는 고객, 트랜잭션 , 위험 구성 데이터를 저장합니다.

• ETL 없이 분석 , 대시보드, 조사와 같은 세컨더리 워크로드를 지원합니다.

구현 참고 사항

• 프로덕션 또는 대규모 데모 워크로드의 경우 Atlas M10 이상으로 시작하세요.

• 복제본 세트(Atlas 기본값)를 사용하여 Change Streams를 활성화 하고 동시 읽기 워크로드를 제공 할 수 있습니다.

사기 감지를 위한 데이터 모델 패턴

사기 결정에 필요한 모든 데이터를 트랜잭션 에 가깝게 유지하면서 엔터티 중심 및 구성 중심의 보기를 가능하게 하는 문서 스키마 설계합니다.

제안된 접근 방식

• 엔터티/고객 컬렉션

  • 식별자, KYC(Know-Your-Customer) 속성, 행동 분석, 위험 평가, 엔티티 유사성에 대한 선택적 임베딩 등 360도 프로필로 개인 및 조직을 저장합니다.

  • 기기 지문, 일반적인 위치, 행동 패턴을 포함하거나 참조하여 '새 기기' 또는 '비정상적 위치 '와 같은 이상 징후 검사를 지원 .

• 트랜잭션 컬렉션

  • 각 금융 트랜잭션 금액, 통화, 판매자, GeoJSON 위치 , 기기 정보 및 내장된 risk_assessment 하위 문서(점수, 레벨, 플래그, 진단)가 포함된 독립형 문서 로 표시합니다.

    • 이 패턴 사용하면 사기 엔진 다운스트림 도구가 쿼리 트랜잭션 기록 에 직접 결정 사항과 진단을 쓰기 (write) 수 있습니다.

• 위험 모델/구성 컬렉션

  • 버전이 지정된 위험 모델을 요인, 가중치, 임계값 및 성과 지표 포함된 문서로 저장합니다. 이 컬렉션 사기 점수 산정을 위한 단일 구성 소스로 사용합니다.

자세한 내용은데이터 모델 접근 방식 - 금융 범죄 완화를 참조하세요.

동작 유사성을 위한 Mongodb Atlas Vector Search

MongoDB Atlas Vector Search를 사용하면 명시적인 규칙과 일치하지 않는 경우에도 알려진 사기 패턴이나 과거 고위험 이벤트처럼 행동하는 트랜잭션을 감지할 수 있습니다.

제안된 접근 방식

• 트랜잭션 문서에 고차원 임베딩을 저장하여 판매자 카테고리, 채널, 기기, 시간 패턴 및 설명 텍스트와 같은 행동 신호를 캡처합니다.

• $vectorSearch을(를) 사용하여 각 새 이벤트 에 대해 가장 유사한 과거 트랜잭션을 조회한 다음 유사성 점수를 위험 엔진 에 입력합니다.

구현 참고 사항

• 컬렉션 의 필드 에 벡터 인덱스 ( 예시 : transaction_vector_index)를 생성합니다.vector_embedding transactions

• 저장된 트랜잭션과 비교해야 하는 새로운 진행 중인 트랜잭션 모두에 대해 일관되게 임베딩을 생성합니다.

다단계 사기 점수 산정 엔진

MongoDB 문서를 사용하고 엔터티 컨텍스트, 결정론적 규칙 및 벡터 유사성을 단일 위험 점수로 결합하는 사기 점수 서비스를 구현합니다. 단일 탐지 전략은 모든 사기를 포착할 수 없습니다. 계층화된 점수 산정은 오탐지와 오탐지를 모두 줄입니다.

제안된 접근 방식

• MongoDB 에서 고객 또는 엔터티 프로필을 로드하여 행동 기준과 컨텍스트를 도출합니다.

• 다음에 대해 독립적인 검사를 실행합니다.

  • 이 고객의 일반 금액과 비교한 금액 이상입니다.

  • 일반적인 위치로부터의 지리 공간적 거리를 사용한 위치 이상입니다.

  • 알려진 장치 및 IP 범위를 기반으로 한 장치 이상.

  • 슬라이딩 시간 창 에서 카운트를 사용하는 속도 이상입니다.

  • 벡터 검색 결과를 사용한 동작 유사성(범위에 따라 선택 사항).

• 요인 점수와 기준 고객 위험 점수를 0-100 위험 점수로 결합하고 low, medium 또는 high 수준에 매핑합니다.

구현 참고 사항

• 컨트롤러에 로직을 포함하는 대신 전용 서비스( 예시: FraudDetectionService)에 이러한 검사를 캡슐화하여 채널과 워크로드 전반에서 재사용할 수 있도록 합니다.

실시간 사기 관련 의사 결정을 위한 API

위험 엔진 및 MongoDB 액세스 패턴을 래핑하는 서비스 API를 노출합니다.

제안된 접근 방식

• 트랜잭션과 해당 risk_assessment 문서를 MongoDB 에 쓰는 지속 및 점수 작업( 예시: POST /transactions)을 제공합니다.

• 트랜잭션 유지하지 않고 위험 엔진 실행하는 상태 비저장 평가 작업을 제공하여 시뮬레이션 또는 사전 권한 부여 검사에 유용합니다.

• 읽기 엔드포인트를 제공하여 최근의 고위험 트랜잭션을 찾아보고, 플래그로 필터하다 , 조사를 위해 고객 수준 기록을 조회 .

구현 참고 사항

• OpenAPI 또는 이와 유사한 것을 사용하여 이러한 엔드포인트를 설명하여 채널 팀(모바일, 웹, 코어 뱅킹)이 일관되게 통합할 수 있도록 합니다.

• MongoDB 쿼리(필터, 애그리게이션, $vectorSearch)를 컨트롤러가 아닌 서비스 계층 추상화에 유지합니다.

Mongodb Change Streams를 사용한 위험 모델 관리

MongoDB Change Streams 와 전용 구성 컬렉션 사용하여 위험 모델 변경 사항을 실시간 관리 하고 배포할 수 있습니다.

제안된 접근 방식

• 위험 모델을 요인 정의, 가중치, 임계값 및 상태( 예시: active, draft, archived)를 포함한 전체 문서로 유지합니다.

• 위험 팀이 코드 변경 없이 모델을 활성화하고 버전을 지정할 수 있도록 모델 관리자 API 및 UI 제공합니다.

• Change Streams를 사용하여 WebSocket 등을 통해 사기 서비스 및 UI에 대한 모델 변경 사항을 푸시하여 모든 구성 요소가 동일한 활성 모델을 즉시 적용 .

임베딩 제공자 통합

임베딩 제공자 ( 예시: AWS 베드락)를 통합하여 트랜잭션 및 사기 패턴에 대한 벡터 표현을 생성합니다.

제안된 접근 방식

• 트랜잭션 컨텍스트(금액, 판매자, 채널 , 기기, 텍스트 필드)에서 임베딩을 생성하고 문서 스키마 의 일부로 MongoDB 에 저장 .

• 사기 패턴 설명 또는 유형에 대한 임베딩을 생성하고 fraud_patterns 컬렉션 에 저장 패턴 기반 벡터 검색 가능하게 합니다.

구현 참고 사항

• 이 패턴 Atlas Vector Search 와 호환되는 결정론적 고차원 임베딩을 반환하는 모든 제공자 지원합니다.