Антифрод-системы в банках: критерии эффективности и вердикт по защите

Если банк переводит деньги на скомпрометированный счет, не сверив его с базой, клиенту возвращают всю сумму в течение 30 дней.

Эта мера меняет конструкцию защиты. Проверка типового сценария показывает предел транзакционных фильтров: при социальной инженерии клиент сам подтверждает перевод с привычного устройства, а получатель может выглядеть как новый, но ещё не попавший в базу. Поэтому критерии эффективности банковского антифрода строятся на измеримом балансе между обнаружением мошенничества и ценой ошибки для клиента.

Архитектура банковского антифрода: где принимается решение

Современная защита состоит из нескольких контуров. Каждый видит свою часть атаки, а окончательное решение часто принимается после объединения технических, транзакционных и поведенческих признаков.

Вектор атаки обычно проходит несколько звеньев. Фишинг или компрометация учётных данных дают злоумышленнику вход в онлайн-банк. Затем появляются новый IP, другая модель устройства, нехарактерный браузер или эмулятор. После этого меняется получатель, сумма, время перевода либо сразу несколько параметров сразу.

Если банк проверяет только сумму и назначение платежа, такой клиент может выглядеть обычно. Если аналитик получает полный контекст сессии, отклонение становится видимым раньше, чем деньги уйдут получателю.

Отдельный слой отвечает за реакцию на сомнение. Это может быть дополнительное подтверждение операции, временная приостановка перевода, блокировка сессии или перевод решения на человека. Здесь проходит граница между алгоритмической оценкой и фактическим управлением риском: модель может поставить балл, но решение о прекращении обслуживания клиента часто принимает человек.

Модель с 99,9% Accuracy способна пропускать всех мошенников, если мошеннические операции составляют доли процента потока.

Именно поэтому архитектуру антифрода следует проверять по замкнутому циклу: сигнал → оценка риска → действие → расследование → корректировка правил или модели. Если подтверждённый инцидент не возвращается в контур обучения, система постепенно теряет качество, даже когда показатели на панели выглядят стабильными.

Технические метрики: почему Accuracy скрывает реальные угрозы

Precision отвечает на вопрос о доле действительно мошеннических операций среди всех срабатываний. Если модель заблокировала тысячу переводов, из которых десять оказались атаками, её Precision низкий: остальные клиенты получили ложные срабатывания.

Recall показывает, какую долю известных мошеннических операций система в действительности обнаружила. Высокий Recall не гарантирует комфортного обслуживания: модель может находить почти все атаки ценой блокировки большого числа честных клиентов.

Обе метрики вычисляются на основе четырёх исходов:

• True Positive — мошенническая операция обнаружена;
• False Positive — легитимная операция ошибочно заблокирована;
• False Negative — мошенническая операция пропущена;
• True Negative — легитимная операция пропущена без вмешательства.

В компактном виде:

• Precision = True Positive / (True Positive + False Positive);
• Recall = True Positive / (True Positive + False Negative);
• False Positive Rate = False Positive / (False Positive + True Negative).

Для моделей, работающих с сильно несбалансированными данными, применяют также PR-AUC и ROC-AUC. PR-AUC обычно точнее показывает качество модели именно на классе мошенничества, а ROC-AUC позволяет сравнивать модели и пороги отсечения в более широком диапазоне. Ни один из этих показателей нельзя читать без FPR, Recall или финансового объёма предотвращённого ущерба.

Value Detection Rate измеряет уже денежный результат: какую часть стоимости мошеннических операций система обнаружила. Это важно, когда один крупный перевод неравноценен сотне мелких. По международным бенчмаркам уровень Value Detection Rate выше 70% относится к лучшим системам отрасли, но остаётся ориентиром, а не нормативом Банка России.

Accuracy для такой задачи непригодна как основная метрика. При доле мошенничества порядка долей процента классификатор, который вообще не выделяет мошеннические операции, способен показать 99,9% правильных ответов. Формально он почти идеален, хотя пропустил все атаки.

Высокий Approval Rate сам по себе также не подтверждает качество антифрода. Если банк пропускает много мошенничества, он способно одновременно одобрять почти все операции. Approval Rate имеет смысл только рядом с Fraud Rate, Recall, VDR и FPR.

Операционные KPI: цена ложного срабатывания и скорость реакции

FPR часто воспринимают как техническую метрику модели. В банковском бизнесе это также показатель клиентского сервиса и стоимости удержания. Ошибочная блокировка способна обойтись почти втрое дороже непосредственного ущерба от предотвращённой атаки, когда она приводит к жалобе, оттоку клиента и сокращению жизненного цикла его обслуживания в банке.

Поэтому качество антифрода оценивается по связке двух показателей. False Positive Rate показывает, сколько легитимных операций система перекрывает. Recall или VDR показывает, сколько атаки она перехватывает. Одно без другого даёт искажённую картину.

Не менее важен показатель Average Handling Time — среднее время ручной обработки критичного алерта. Для операций в реальном времени, включая ДБО и СБП, целевой ориентир составляет 3–5 минут. Это внутренний операционный показатель, а не установленный законом срок.

Три минуты важны потому, что задержка аналитика превращается в операционное окно:

1. Перевод может быть завершён до того, как начнётся расследование.

2. Клиент может получить несколько сообщений и предпринять самостоятельные действия, способные усугубить компрометацию.

3. Нагрузка на аналитика растёт, а время реакции на следующий алерт увеличивается.

Поэтому антифрод должен разделять операции по скорости обработки. Обычный перевод можно подтвердить цифровым каналом или перевести в дополнительную проверку. Критичный сценарий требует аналитического контекста: истории клиента, параметров устройства, получателя, предыдущих подтверждений и действий в текущей сессии.

В рабочем контуре полезно разделять три реакции:

• автоматическое исполнение при низком риске;
• дополнительное подтверждение при пограничном риске;
• блокировка или ручное расследование при высоком риске.

Такая архитектура экономит время аналитиков и снижает количество ложных срабатываний. Но её результат нельзя оценивать по одному показателю. Нужны FPR, Recall, VDR, время обработки и стоимость ошибки в разных сегментах: карточные переводы, ДБО, СБП, операции с новым получателем и смена устройства.

Регуляторный контур: 161-ФЗ, 210-ФЗ и цена банковской ошибки

Поправки к 161-ФЗ, вступившие в силу 25 июля 2024 года, закрепили два взаимосвязанных механизма. Первый — 48-часовой период охлаждения для переводов на подозрительные счета из базы Банка России. Второй — возврат полной суммы в течение 30 дней, если банк перевел средства на скомпрометированный счет из этой базы без надлежащей проверки.

48 часов дают банку окно для проверки; ответственность за пропущенный перевод остается на банке.

Такая конструкция перераспределяет риск. Раньше потеря клиента после уже исполненного перевода становилась преимущественно его проблемой. Теперь ошибка проверки или игнорирование базы напрямую влияют на финансовый результат банка.

Период охлаждения не превращает перевод в безопасную операцию. Он задерживает вывод средств и позволяет проверить получателя, но не отменяет уже начавшуюся социальную инженерию. Клиент может сообщить банку о компрометации до завершения периода, если мошенник не создал ощущение абсолютной срочности и не уговорил его обойти предупреждения.

Дополнительный контур сформирован Федеральным законом № 210-ФЗ, подписанным 26 июня 2026 года как продолжение «Антифрода 2.0». Закон:

• ограничивает суммарное владение более чем 20 банковскими картами одним физическим лицом во всех банках;
• вводит проверку клиентских устройств на наличие вредоносного ПО перед операцией;
• предусматривает поэтапное вступление требований по проверке устройств до 2027 года.

Лимит в 20 карт следует читать как агрегированный сигнал риска. Он ограничивает массовое использование чужих платфонов и карт в схемах с дроблением платежей, но не является приговором для владельца: легитимный клиент тоже может иметь больше карт. Поэтому срабатывание лимита требует дополнительного контекста, а не автоматического обвинения в мошенничестве.

Проверка устройств на наличие вредоносного ПО закрывает иной класс угроз. ПО может перехватывать подтверждения, менять реквизиты платежа или красть данные сессии. До полного вступления норм банки закрывают этот риск дополнительными правилами, контролем устройства и поведенческой проверкой.

Для клиента изменения означают более строгую процедуру оспаривания. Для банка — необходимость документировать проверку получателя, историю срабатываний, причины блокировки и действия аналитика. Если журнал не позволяет восстановить цепочку решения, заявление о возврате может превратиться в спор о словах, хотя фактические операции дают объективные следы.

Цифровой фингерпринт: как система распознаёт компрометацию

Современный антифрод анализирует не только транзакцию, но и среду, в которой она создана. Цифровой фингерпринт объединяет признаки устройства и сессии.

К основным техническим сигналам относятся:

• IP-адрес и его история изменений;
• версия операционной системы;
• браузер и его параметры;
• наличие VPN, прокси или иных средств скрытия сетевого пути;
• признаки эмулятора или автоматизированной среды;
• изменение устройства, географии и characteristic сессии;
• необычная последовательность входов, подтверждений и операций.

Транзакционный профиль дополняет эту картину. Система учитывает MCC-код категории мерчанта, BIN карты, нетипичную географию, нового получателя, сумму, время и интервалы между платежами.

Ни один признак не является приговором. VPN может использоваться корпоративной сетью, мобильный IP меняется при переходах между вышками, а эмулятор способен применяться тестировщиками. Поэтому их оценивают в совокупности. Значимую картину создаёт сочетаение: новый получатель, смена устройства, вход через прокси и нетипичное время операции.

На транзакционные признаки накладывается поведение клиента. После многолетнего использования одного канала резкая смена набора операций, устройства и получателей создаёт больше риска, чем любой отдельный параметр.

Здесь проходит известное ограничение антифрода. При социальной инженерии злоумышленник не обязан менять устройство или обходить технические фильтры. Он может получить согласие клиента на обычный перевод с привычного телефона. Транзакционная модель увидит авторизованную операцию, а session-анализ — возможно, нетипичную последовательность действий. Поэтому система должна сочетать транзакционные, сессионные и поведенческие признаки.

Социальная инженерия также объясняет, почему биометрия и многофакторная аутентификация не равнозначны полной защите. Биометрия может подтвердить присутствие владельца устройства, но не отвечает на вопрос, кем был собран перевод и кому злоумышленник убедил клиента платить.

Как оценить эффективность антифрода: рабочий протокол

Для оценки конкретной банковской системы нужен пакет измеримых данных. Отдельный вендорский термин «AI anti-fraud» или число заблокированных операций ничего не доказывает.

1. Проверить определения метрик. Банк должен объяснять, какие события считаются мошенничеством, как учитываются подтверждённые и опровергнутые алерты, какой период и каналы охватывает отчёт.

2. Сопоставить Recall или VDR с FPR. Один показатель обнаружения без доли ложных срабатываний даёт одностороннюю картину. Особенно показателен разрез по ДБО, СБП и карточным переводам.

3. Отделить одобренные операции от безопасных. Высокий Approval Rate нельзя выдавать за доказательство качества без Fraud Rate и данных о пропущенных инцидентах.

4. Оценить операционную скорость. Для критичных алертов нужно понимать фактическое время обработки, штатное покрытие и возможность эскалации. Ориентир 3–5 минут имеет смысл сопоставить с реальным потоком банка.

5. Проверить реакцию на разные векторы. Компрометация учётной записи, переход на другое устройство, новый получатель, дробление переводов и социальная инженерия требуют разных реакций. Сценарий с подменой реквизитов и сценарий с согласием клиента нельзя сводить к одной модели.

6. Сверить процесс с требованиями 161-ФЗ и 210-ФЗ. Внутренний журнал должен показывать проверку базы, приостановку подозрительного перевода, сроки возврата, контроль лимита карт и подготовку к проверке устройств.

7. Проверить обратную связь. Подтверждённые инциденты должны менять правила, признаки и модель. Иначе однажды настроенная система постепенно теряет качество.

По доступным фактам можно сделать общий вердикт: эффективный банковский антифрод существует только как комплексная система. Жёсткие правила останавливают очевидные атаки, ML находит отклонения, цифровой фингерпринт связывает операцию с устройством и сессией, аналитик проверяет спорные решения, а нормативная база заставляет банк отвечать за пропущенный перевод.

Система, которая ограничивается реакцией на сумму и назначение платежа, обладает низкой устойчивостью: социальная инженерия способна привести к санкционированной клиентом операции, которую базовый фильтр пропустит. Регуляторные меры и машинное обучение закрывают разные участки угрозы. Платежная безопасность достигается там, где они соединены с проверкой получателя, сессионным контекстом и быстрым расследованием.