Maxent：被动式全栈设备指纹技术跟手指头还真没什么关系，主做互联网金融反欺诈解决方案，增强小贷公司金融寒冬中御寒能力

金融诈欺是以什么形式实现的？好比有人做信用卡套现，自己办了几十张信用卡，利用 B 卡还 A 卡后，再利用 C 卡还 B 卡的钱，形成了一套微型的庞氏骗局。再比如发起贷款的时候就有一定的恶意的用户，利用程序或者其他手段批量地申请贷款。其实这些诈欺手段与网站优惠注册中羊毛党注册小号批量赚取优惠相仿，并且这些这期手段也能实现 “自动化”，以机器人等多种方式自动批量注册用户。

Maxent 的创始人张克对我说，在互联网金融的领域，反诈欺主要作用为保护资金账户安全，在贷前、贷中及贷后各环节提供信用诈欺风险识别，也就是尽最大可能排除在与交易有关的环节产生的风险。

Maxent 是为互联网提供风险控制和反诈欺实时数据分析服务的创业公司，拥有十几项专利核心技术，而其中的一项底层技术就是被动式全站设备指纹技术，创始人张克对我说，“ 通过设备指纹技术等底层技术构建的反诈欺解决方案就能在一定程度上实现：当交易还没有发生时就规避掉这类恶意用户 ”。

设备指纹本身也就是指各类智能设备在互联网上的标示 ID 及其应用轨迹。移动互联网中用于标示用户或设备的 ID 纷繁复杂，同时由于移动设备更强的私人属性，Maxent 要解决的问题就是：如何在不侵犯用户隐私的前提下，能够有效识别用户设备并关联用户行为。因此， 被动式设备指纹技术可以在终端发起贷款的时候，就判断是否恶意设备。 细分的判别标准很多，也要结合本身设备的属性和人的行为的属性做出恶意的风险指数，最后给到 B 端客户自行进行判断。

通常以行业角度来看，反欺诈解决方案提供商在细分领域互联网金融的目标客户之一为小贷公司。小贷的风险因素主要为集团骗贷，几个人一个团伙，用不同的设备申请小额贷款，虽然每单贷款数额较小，但累计的话可能贷款就是一个庞大的数字。

Maxent 通过设备指纹技术等专利技术， 能够识别出异常的贷款终端 ，比如单终端单日内贷款申请较多；或者多设备的关联识别为同一用户行为，利用不同终端多次进行贷款，那么 Maxent 就会将排查出的异常终端信息提交给 B 端客户。

底层技术架构的完备使 Maxen 除了 B 端保障平台的安全，还保障了 C 端用户的安全比如一些 “羊毛党” 盗取信用卡密码等，如果用户信息被某个不法分子盗取，利用用户的卡去消费，设备指纹技术能在不侵犯用户隐私的前提下追踪到手机跟信用卡的交易关联。张克对此总结道，“ 如果信用卡与用户绑定手机没有一定程度的紧密关联，那么交易可能就存在异常。因此技术不仅仅是为机构服务，还是为消费者服务的 ”。

如上文所述欺诈等行为的解决方案主要是由 Maxent 独立开发的 Saas 平台系统实现的：

猛犸反诈欺 Saas 服务平台：基于 Maxent 自身的专利机器学习技术及 DFP 技术自动发现新的诈欺模式，持续地自行进行反诈欺算法的优化，根据客户交易平台的实时活动事件及历史数据、挖掘海量数据以分辨真实或可疑的设备。

动态实时更新规则：实时监测诈欺行为，主动优化诈欺算法

诈欺指数 MoMA Score：提供各类交易的分析页面，将数据简单化、可视化。综合设备 IP、地理位置、交易速度等用户数据打分，排查出有风险的设备

自动核算 + 人工审核：系统自动计算诈欺指数，并且对单笔交易提供接受 or 拒绝的选项，简化全人工审核到了流程

张克表示，“猛犸反诈欺 Saas 服务平台具体实用效果为 60 天内降低人力 70%的成本”。而在以上解决方案中 Maxent 使用多种底层技术共同支撑猛犸反诈欺平台的动态诈欺模式挖掘，建立了各种风险模型，其底层技术的优势主要归结为以下两方面：

设备身份识别：被动式全站设备指纹技术是将同一设备在不同应用、不同场景、不同网络中的行为做关联，产生精准的设备画像，帮助线上交易空风系统定向识别在线诈欺行为。

机器学习：动态地发现欺诈特征，以非监督或者半监督的方式动态调整参数训练的算法模型，由系统自动推断出诈欺风险。在此过程中，当机器需要大量数据不断修正参数去训练模式及算法的时候，根据用户的指令、机器的自我学习，久而久之机器就可以自动计算出用户需要的结果。

也就是说随着单个 B 端企业用户使用次数的增加，算法进行自我学习的过程中也会进行自我优化，最终随着不同行业给出的数据和反馈，渐渐机器就适应了每个单个的客户，机器计算出的结果会越来越契合用户的业务需求。

机器学习就是让机器学会人识别事物的方法，本身属于人工智能的范畴，包括模式识别、机器学习、搜索、规划等。 机器学习的方法主要有三种：监督学习、半监督学习和无监督学习 。监督学习是利用一组已知类别的样本调整分类器的参数，使其达到所要求性能的过程，简单概括就是根据已知的，推断未知的。半监督方法主要考虑如何利用少量的标注样本和大量的未标注样本进行训练和分类，也就是根据少量已知的和大量未知的内容进行分类。因此，创始人张克及周辉对我表示， 大数据很多情况下陷入了数据的误区，而公司想要解决的问题就是如何更好地利用现有数据为决策做支撑。

Maxent 主要是应用人工智能半监督式机器学习，利用大量未标注样本进行训练与分类，充分自我训练及自我优化。基于半监督式在线机器学习的全智能评估系统，其计算结果契合客户的业务需求。 同时实时动态地进行欺诈模式挖掘，时刻更新海量信息库，节省人力成本。

除了机器在人工智能方面的算法自我学习之外，另外一个不断完善、提高数据挖掘、分析准确度的因素就是终端的覆盖度，终端覆盖率越广就越容易做到人机的匹配 。对此，张克认为技术导向的公司很容易就能通过将客户的业绩提升，展示技术能力。

张克的思路是 以产品为驱动 ，直观地展示给客户。Maxent 提供的 Saas 服务，力图在免费期内使用户体验到效果。客户提供历史交易的数据，最后得到分析的结果。而 Maxent 的技术门槛就体现在：通过分析协议栈里的信息或者通过算法就可以分析出来单用户的多设备关联链接，多种底层技术各有侧重和优势。在不侵犯用户隐私的前提下 仅依靠收集授权及公开的设备信息做数据挖掘、无侵入式追踪，遵守国际隐私法规。

Maxent 核心团队移动互联网和广告技术方面的名企高级管理者、技术专家、以及机器学习领域学术界专家构成。团队创建于 2014年11月，创始人张克最早在亿动广告传媒的 DSP 事业部担任总经理，也曾经在思科、朗讯、IBM 任职多年，本身从事技术的经历也使他能通过技术的变革发掘行业机会。联合创始人周辉任 CTO，曾任亿动传媒大数据首席科学家，1997年 起供职于新加坡系统科学院从事互联网网络技术的研究，兼具多年机器学习研究经验，发明高精准的全栈被动式设备指纹技术。联合创始人林晓东为美国 Rutgers 大学终身教授，是金融工程及记录关联领域的资深学者，另外一位是 Prof. Wong，在生物信息查询系统 Kieisli 及复杂事件处理（CEP）学术领域较有建树，为 ACM fellow。

Maxent 希望能够有更多的技术人才加入他们，前端开发工程师、大数据架构师、Java 工程师等技术人才，如果有意向可以联系他们：Recruiting@maxent-inc.com

原创文章，作者：叶妙玉，如若转载，请注明出处：http://36kr.com/p/5040553.html

“看完这篇还不够？如果你也在创业，并且希望自己的项目被报道，请 戳这里 告诉我们！”