“黑色产业”这个词，听着离我们很遥远，实际上就潜伏在我们身边：钻网购赔付规则 洞、团购套现、僵尸号灌水或反复抽奖、网上社交平台账号被黑后待价而沽等等，不一而足。

拿刷单举例：卖家用储蓄卡垫给刷单者支付用，刷单者下单后留好评，之后退款。根据刷单者账号的质量，每单能挣 6-10 元。网上有些搜索率高的产品，例如茶叶、减肥、卫浴等，排名靠前的大多数都有刷单的成分。

就连最近很火爆的以太坊也难逃魔爪：据彭博报道，在加密货币电子犯罪领域，与以太坊相关的电子诈骗就达到了 2.2 亿美元，参加交易的每十个人就有一位网络诈骗的受害者。

然而，这些都只是窝藏在网络之下庞大黑产的冰山一角：据估计，每年全球网络黑产规模达到了 500 亿美元！换句话说，黑色产业 25 天的规模就抵得上美国总统特朗普攒了一辈子的全部身家了！

规模这么大，难怪网络诈骗者变着花样也要骗！今天小探就带你看看这些网络诈骗者究竟都动了哪些歪脑筋？

骗子不是神对手

位于硅谷山景城的 DataVisor 是打击网络欺诈领域的领头公司。它最大的特点就是运用无监督的机器学习，在欺诈发生最初期、甚至欺诈发生之前就把欺诈者揪出来。听上去是不是有点像《少数派报告》里的情节？不过，他们的无监督学习算法的“误杀率”可是比电影里的还要低。

到底什么是无监督学习？别急，小探先来带你了解一下无监督学习的前辈，“有监督学习”。

DataVisor 创始人之一、CEO Yinglian Xie 博士介绍说，有监督的机器学习是现有系统里两大类的一种（另一种是规则系统）。简单来说，有监督的机器学习就是系统收集些有标签的数据，判断出好人长什么样，坏人长什么样，再根据这个调试。其挑战在于要做特例工程（feature engineering）, 要把判断标准调得很贴切。

对于有监督的机器学习来说，另一个挑战是系统收集的训练数据集要好。但是，诈骗无时不刻在发生，标签得到的数据都是过去的数据，疲于应战、只能防守，不仅被诈骗者牵着鼻子走，而且往往模型离线时调得很好，一上线就不行了。Yinglian Xie 说，用有监督学习，由于依赖已有标签，从根本上就存在这个缺陷。

那什么又是规则系统呢？以前有什么样的攻击，系统就制定一些规则：这么做就是好人，那么做就是坏人，用规则调开。然而，这种方式的缺点是手动成本比较高，而且比较被动，总是在亡羊补牢。

DataVisor 创始人兼 CTO Fang Yu（左）和 DataVisor 创始人兼CEO Yinglian Xie（右）

无监督算法则弥补了这两个缺点，对于新型的、未知的、不断变换的攻击，它需要自动适应、自动调整的过程，而且要抓得早，要在刚刚开始之前、还没有被打上标签之前提前就抓住。这种算法是规则系统与有监督机器学习的完美互补；与此同时，它也给有监督的机器学习很快的反馈，帮助有监督的机器学习模型调得更快更好。此外，DataVisor 在无监督的机器学习上还有些自动的规则系统，这也大大降低了人工调试规则的手动成本。

正是“无监督的机器学习”和“在欺诈发生之前就能检测出来”这两大杀手锏的结合，使得 DataVisor 在成立短短几年内就得到了很多大客户的信任：在美国，它的客户包括在线商户点评网站 Yelp 和内容分享网站 Pinterest； 在国内，尽管进入中国市场才刚刚一年时间，DataVisor 也已迅速取得了阿里巴巴集团和社交应用陌陌等大公司的信任。