交叉分析帳號行為 LINE用機器學習防治數位金融犯罪

行動支付讓生活更加便利，同時也引起惡意份子關注，利用線上金流進行交易詐欺、洗錢等違法行徑，以台灣使用人數最多的行動支付LINE Pay為例，結合了信用卡與一卡通等多元的金流機制，一旦遭濫用將危害金融秩序，如何防治是整體金融發展重要的課題。

LINE Pay運用機器學習分析判斷可疑交易

數位支付平台上面臨的風險不勝枚舉，專精於金融資料與犯罪防治的LINE資料風險分析師金善民指出，對於這些危害金融秩序的濫用行為，LINE會針對盜刷或是多帳號洗錢等犯罪手法分析非法交易行為資料，並結合機器學習分析揪出這些濫用份子。

「要分析這類跨應用的濫用行為時，得要有機器學習分析技術，以及風險分析的背景，同時對金融犯罪模式有一定了解，才能以最有效率的方式找出這些濫用行為。」金善民表示：「LINE會運用使用者帳號屬性、交易資料

、各項統計值，以及交易前後的營運資料等作為機器學習比對的內容，惡意份子不同於一般使用者的消費行為與金流模式，一旦比對出異常交易行為立即中止帳號權限就能有效防治。而對於交易量龐大的LINE Pay平台，關鍵在於能即時判斷出可疑的交易行為，這時機器學習的高效率就派上用場了。」

以機器學習加速比對，釐清洗錢犯罪套路並一網打盡

要分析比對的樣本數也不相同，若以單一帳號的盜刷濫用為例，LINE Pay能快速地比對出惡意行為並加以阻絕；而對於犯罪集團以多帳號惡意洗錢的方式，就需要更多的運算分析將他們一網打盡。

金善民指出，在犯罪集團分工運作的濫用行為中，找出其中一個帳號的濫用行為並不是一件容易的事情，但真正的挑戰是要在短時間內找出集團帳號彼此關聯，一網打盡才能真正有效防治。「LINE會分析這些異常帳號的互動關聯，組建它們彼此間聯繫的連線拓樸以了解整個犯罪組織的規模；同時LINE亦運用機器學習來歸納、解析這些行為。由於惡意帳號的交易意圖都不單純，透過機器學習可以從大量資料中找出犯罪集團特意隱藏於正常交易中的不法行為，我們會深入觀察這些帳號並解析犯罪集團的分工模式，並藉此不斷精進機器學習模型，以最有效的方式發現這些可疑的行為。

以用戶行為為依據篩出惡意帳號

相較其他行動支付或數位支付等金融服務，LINE Pay在交易詐欺防治上可以使用其他服務的參考資訊來強化分析偵測的能力，主要是由於LINE還有許多社交、娛樂等眾多服務，這些行為輔助分析也有助於鑑別正常行為與集團式濫用等情況，加上LINE的使用者人數很多，充足的樣本數也有助於LINE Pay能以更快的方式找出這些濫用行為。金善民表示：「如果只看分析單一使用者的交易內容，是很難發現被隱藏的蛛絲馬跡，但若你將每個使用者間的關係與行為關聯起來便能有效地發現這些被濫用集團特地隱藏於其中的行為，這個就是目前LINE PAY風險分析引擎的主要作用」

要在數位支付領域中落實金融犯罪防制，必須要結合資訊安全科技與金融資料分析兩大領域，這點也是LINE研究資料分析科學，並積極發展資安技術並融入各項環節的原因。擁有跨國團隊的LINE也結合各國間的經驗分享，內部建立了通報與管理機制，讓不同地區的濫用行為在短時間被偵測並有效防範，保障線上金流服務的安全及完整性。