Essa arquitetura de referência descreve como implementar a detecção de fraudes em tempo real no MongoDB Atlas usando dados de transações operacionais, vector embeddings e dynamic models de risco.
A arquitetura ingere transações, gera incorporações para capturar padrões comportamentais, recupera eventos históricos semelhantes com o MongoDB Atlas Vector Search e combina pontuações de similaridade com modelos de risco determinísticos para alcançar uma decisão de aprovação, step-up ou recusa. model de risco e listas de observação são armazenados em coleções MongoDB. Os Change Streams do MongoDB propagam atualizações dos serviços de rastreamento em tempo real, para que as decisões de produção sempre usem a lógica mais recente.
Diagrama
figura 1. Arquitetura de referência de detecção de fraudes
Fluxo de dados
Início da transação
Um canal de pagamento (por exemplo, autorização de cartão, transferência de conta para conta ou carimbo digital) envia uma solicitação de transação para a API de detecção de fraudes. A solicitação inclui identificadores de cliente , dados do fornecedor, metadados de canal, documentos pessoais do dispositivo, informações de IP e atributos básicos da transação, como valor, moeda e data e hora.
Enriquecimento e persistência da transação
O serviço de detecção de fraudes valida a solicitação e grava um document de transação em uma coleção de transações no MongoDB Atlas. Cada document incorpora detalhes do mercador, localização GeoJSON, informações do dispositivo e uma estrutura
risk_assessmentaninhada que armazena pontuações, sinalizadores e diagnósticos.Geração de embedding de padrões comportamentais
O serviço gera uma vector embedding que captura aspectos categóricos e comportamentais da transação, como categoria do fornecedor, canal, impressão digital do dispositivo, faixa de IP, padrões temporais e quaisquer campos narrativos. Ele armazena essa embedding junto com os campos operacionais no mesmo transaction document.
Pesquisa vetorial de padrões de fraude semelhantes
O serviço emite uma query
$vectorSearchem relação a um índice do MongoDB Atlas Vector Search na coleção de transações. A query usa o embedding recém-gerado para recuperar transações anteriores com comportamento semelhante, incluindo eventos que não correspondem a regras explícitas, mas compartilham padrões com fraudes conhecidas.Avaliação do model de risco determinístico
Em paralelo com a pesquisa vetorial na etapa anterior, o mecanismo de risco avalia modelos baseados em regras e no estilo scorecard sobre atributos numéricos e estruturados que permanecem fora do embedding, como quantidade, alterações de equilíbrio, contadores de velocidade e restrições geoespaciais. Essa separação mantém os limites numéricos e os limites regulatórios na lógica determinística, enquanto as incorporações se concentram na similaridade comportamental.
agregação de pontuação de risco e tomada de decisão
O serviço combina pontuações de similaridade vetorial com pontuações de risco determinísticas em uma avaliação de risco geral para a transação. Com base em limites e políticas configurados, o mecanismo:
Aprova transações de baixo risco e as retorna ao canal de pagamento.
Recusa transações de alto risco
Emite um desafio step-up (por exemplo, 3-D Secure, OTP ou biométrico) para casos limite e, opcionalmente, encaminha os casos de desafio recusados ou com falha para uma fila de revisão manual para acompanhamento do examinador.
A decisão final e os diagnósticos de suporte são escritos de volta no subdocumento index_assessment do registro de transações.
Atualizações do model de risco em tempo real com Change Streams
Modelos de risco, listas de observação e documentos de configuração são armazenados em uma coleção
risk_modelsdedicada no MongoDB Atlas. Os MongoDB Change Streams transmitem eventos de alteração, incluindo inserções, atualizações, substituições e exclusões dessas coleções para os serviços de detecção de fraudes e mecanismo de risco. Quando os analistas ativam ou ajustam um model, todos os mecanismos de triagem recebem a alteração em milésimos de segundo e aplicam regras atualizadas a novas transações, sem atrasos em lote ou invalidação manual de cache. Os tokens de retomada permitem que os serviços reiniciem o processamento sem perder as atualizações após falhas ou reinicializações.Auditar, monitoramento e em processamento
O sistema principal de pagamentos processa transações aprovadas, enquanto as transações recusadas ou contestadas permanecem sinalizadas na coleção de transações com diagnósticos de risco detalhados. Os analistas e os trabalhos de monitoramento fazem query na mesma coleção para acompanhar o desempenho do model, falsos positivos e padrões de fraude recentes ao longo do tempo.
Componentes
Cluster MongoDB Atlas e Coleções Centrais
Use o MongoDB Atlas como a plataforma de dados moderna para detecção de fraudes, hospedando dados operacionais, analíticos e de configuração em um único cluster gerenciado.
O MongoDB Atlas mantém todos os dados necessários para uma decisão de fraude perto da transação, sem extração, transformação e carga (ETL) para armazenamentos secundários para análise ou pesquisas.
abordagem proposta
Armazene dados de configuração de cliente, transação e risco usados na tomada de decisões em tempo real.
Ofereça suporte a cargas de trabalho secundárias, como análises, painéis e pesquisas sem ETL.
Notas de implementação
Comece com um Atlas M10 ou superior para cargas de trabalho de produção ou demonstração em grande escala.
Use conjuntos de réplicas (padrão do Atlas ) para ativar o Change Streams e atender a cargas de trabalho de leitura simultâneas.
Padrões de modelo de dados para detecção de fraudes
Crie um esquema de document que mantenha todos os dados necessários para uma decisão de fraude próximos à transação e, ao mesmo tempo, permita visualizações centralizadas na entidade e na configuração.
abordagem proposta
Collection de entidades/clientes
Armazene individuais e organizações com um perfil de 360grau: identificadores, atributos Conheça seu Cliente (KYC), análises comportamentais, avaliações de risco e incorporações opcionais para similaridade de entidades.
Incorpore ou faça referência a impressão digital de dispositivos, localizações usuais e padrões de comportamento para oferecer suporte a verificações de anomalias como "novo dispositivo" ou "localização incomum".
Coleção "transações"
Representa cada transação financeira como um document autônomo com valor, moeda, mercado, localização GeoJSON, informações do dispositivo e um subdocumento
risk_assessmentincorporado (pontuação, nível, sinalizadores, diagnóstico).- Esse padrão permite que o mecanismo de fraude escreva decisões e diagnósticos diretamente no registro de transações que as FERRAMENTAS query.
Modelos de risco/coleção de configurações
- Armazene model de risco versionados como document com fatores, pesos, limites e métricas de desempenho. Use esta coleção como a única fonte de configuração para pontuação de fraude.
Para obter informações mais detalhadas, consulte: abordagem do modelo de dados – mitigação de ataques financeiros.
Mongodb Atlas Vector Search para similaridade comportamental
Use o MongoDB Atlas Vector Search para detectar transações que se comportam como padrões de fraude conhecidos ou eventos históricos de alto risco, mesmo quando não correspondem a regras explícitas.
abordagem proposta
Armazene incorporações de alta dimensionamento em documentos de transações, capturando sinais comportamentais como categoria do fornecedor, canal, dispositivo, padrão temporal e texto explicativo.
Recupere as transações históricas mais semelhantes para cada novo evento usando
$vectorSearche, em seguida, insira pontuações de similaridade no mecanismo de risco.
Notas de implementação
Crie um índice de vetor (por exemplo, transaction_vector_index) no campo
vector_embeddingna coleçãotransactions.Gere incorporações consistentemente tanto para transações armazenadas quanto para novas transações a bordo que você precisa comparar.
Mecanismo de pontuação de fraudes multifatores
Implemente um serviço de pontuação de fraudes que consome documentos MongoDB e combina contexto de entidade, regras determinísticas e similaridade vetorial em uma única pontuação de risco. Nenhuma estratégia de detecção única captura todas as fraudes. A pontuação em camadas reduz falsos positivos e falsos negativos.
abordagem proposta
Carregue o perfil do cliente ou entidade do MongoDB para obter linhas de base e contexto comportamentais.
Execute verificações independentes para:
Anormalidade de valor em relação aos valores típicos para este cliente.
Anormalidade de localização usando a distância geoespacial de locais usuais.
Anormalidade do dispositivo com base em dispositivos conhecidos e faixas IP.
Anormalidade de velocidade usando contagens em uma janela de tempo móvel.
Semelhança comportamental usando resultados do Vector Search (opcional, dependendo do escopo).
Combine as pontuações dos fatores e uma pontuação de risco do cliente de linha de base em uma pontuação de risco 0–100 e mapeie para os níveis
low,mediumouhigh.
Notas de implementação
- Encapsule essas verificações em um serviço dedicado (por exemplo,
FraudDetectionService) em vez de incorporar lógica em drivers, para que você possa reutilizá-la em canais e cargas de trabalho.
APIs para tomada de decisões sobre fraudes em tempo real
Exponha APIs de serviço que envolvem o mecanismo de risco e os padrões de acesso ao MongoDB .
abordagem proposta
Fornece uma operação persist-and-score que grava transações e seus
risk_assessmentdocument no MongoDB (por exemplo, um equivalente aPOST/transactions).Forneça uma operação de avaliação sem monitoração de estado que execute o mecanismo de risco sem persistir a transação, o que é útil para simulações ou verificações de pré-autorização.
Ofereça pontos de extremidade de leitura para procurar transações recentes de alto risco, filtrar por sinalizadores e recuperar históricos no nível do cliente para pesquisas.
Notas de implementação
Use OpenAPI ou similar para descrever esses pontos de extremidade para que as equipes de canal (móveis, web, bancos principais) possam se integrar de forma consistente.
Mantenha as queries do MongoDB (filtros, agregações,
$vectorSearch) em abstrações da camada de serviço, não em controladoras.
Gerenciamento de model de risco com MongoDB Change Streams
Use o MongoDB Change Streams e uma coleção de configuração dedicada para gerenciar e distribuir alterações no modelo de risco em tempo real.
abordagem proposta
Persistir modelos de risco como documentos completos, incluindo definições de fatores, pesos, limites e status (por exemplo,
active,draft,archived).Forneça uma API e IU de administração de model para que as equipes de risco possam ativar e versionar os models sem alterações de código.
Use o Change Streams para enviar alterações de model para serviços de fraude e UIs por WebSockets ou similar, para que todos os componentes apliquem o mesmo active model imediatamente.
embedding integração com o provedor
Integre um provedor de embedding (por exemplo, AWS Bedrock) para gerar representações vetoriais para transações e padrões de fraude.
abordagem proposta
Gere embeddings a partir do contexto da transação (valor, fornecedor, canal, dispositivo, text fields) e armazene-as no MongoDB como parte do esquema de document.
Gere embedding para descrição ou tipologias de padrão de fraude e armazene-as em uma coleção
fraud_patterns, permitindo a pesquisa vetorial baseada em padrão.
Notas de implementação
- O padrão suporta qualquer fornecedor que retorne incorporações determinísticas e de alta dimensionamento compatíveis com o Atlas Vector Search.
Exceções, Advertências e Compromissos
Latência versus complexidade do model: a geração de embedding e a pesquisa vetorial adicionam latência ao caminho da decisão. Para canais com orçamentos de latência rigorosos, você pode simplificar incorporações, reduzir a dimensionalidade ou aplicar a correspondência semântica somente a segmentos de alto valor ou alto risco, enquanto executa regras determinísticas puras para tráfego de baixo risco.
Tamanho do índice e sobrecarga operacional: índices de vetores de alta dimensionamento e documentos de transações avançados aumentam os requisitos de armazenamento e computação. Planeje o dimensionamento do Atlas cluster, a configuração de índice e as estratégias de arquivamento para equilibrar a qualidade da recuperação, o desempenho da carga de trabalho operacional e o custo. Use índices padrão e índices 2dsphere para queries operacionais e regras geoespaciais e reserva a pesquisa vetorial para cenários em que a similaridade comportamental adiciona valor de detecção claro.
complexidade do gerenciamento de configurações: o streaming de atualizações do model de risco por meio de change streams melhora a capacidade de resposta, mas introduz complexidade no gerenciamento e nos testes de configurações. Você deve projetar fluxos de trabalho de promoção, etapas de validação e procedimentos de rollback claros para novos model para que as atualizações em tempo real não propaguem regras incorretas para mecanismos de triagem de produção.
Limitações de escopo: essa arquitetura se concentra na detecção de fraudes em tempo real para fluxos transacionais. Use padrões separados, mas relacionados, para verificação de identidade, proteção contra a limpeza de ativos (AML) e integração com o KYC e gerenciamento de casos de longa duração, e conecte-os por meio de coleções compartilhadas ou pontos de integração em vez de sobrecarregar o pipeline de fraudes com todos os casos de uso de violações de valores.
Implementação e aprender mais
Para implementar essa arquitetura de ponta a ponta, visite a solução MongoDB Atlas Architecture Center Mitigação de filmes financeiros com o MongoDB Atlas. Use este guia para configurar seu ambiente e siga as instruções passo a passo para implantar um simulador de transações, uma interface web e serviços de suporte para detecção de fraudes e gerenciamento de model de risco. A solução também contém recursos adicionais para a mitigação de índices decrimes financeiros.