周明远 · Anti-Fraud Algorithm Engineer

• 承接全站用户行为日志（日均TB级）的体系化治理，主导搭建基于PySpark与SQL的多维度行为特征工程管线，沉淀出覆盖登录、浏览、操作等场景的200+维基础画像特征，为后续实时规则引擎提供统一数据底座。

• 针对账户注册与登录异常场景，自研无监督异常检测框架（集成孤立森林与LOF），对设备聚集、IP跳变等行为模式进行自动分群，产出的Top异常群再经人工验证后转化为20+条高精度离线规则，使黑产早期识别覆盖率提升28%。

• 通过对历史被盗账号行为的回扫与序列模式挖掘，抽象出多个高危行为轨迹模版，并转化为基于滑动窗口的离群分析策略，在灰度阶段即捕获一个潜伏的模拟器批量养号工作室，沉淀为反欺诈规则基石。

• 搭建可视化风险洞察工具，支持对多维行为特征的灵活交叉分析，使得策略团队能自主进行异常案例溯源与规则效果复盘，将规则迭代与异常排查的人效提升40%。

• 针对支付与信贷场景黑产工具泛滥问题，从零主导设计多维设备指纹算法，融合硬件、网络、行为特征并通过XGBoost构建动态风险评分卡，将设备篡改识别准确率提升至92%，隐匿模拟器检出覆盖达日均百万级设备。

• 面对欺诈团伙关系隐蔽、传统规则难以识别的挑战，引入图神经网络搭建关联图谱体系，基于转账、设备共用等关系构建百亿级边异构图，实现对隐蔽团伙的标签传播与风险传导推演，团伙识别准确率较规则基线提升28%。

• 主导实时风控模型从离线验证到线上部署的工程化落地，协同后端将特征计算延迟压缩至30毫秒以内，使支付场景关键策略的拦截时效从T+1提升至实时，成功避免了月均超千万的信贷欺诈资金损失。

• 结合关联图谱与设备指纹构建统一风险画像引擎，沉淀超200维实体关系特征，反哺下游支付与信贷准入模型，推动整体欺诈率同比下降41%，模型召回率稳定在87%以上。

• 主导社交平台内容欺诈治理，基于BERT与图神经网络构建用户行为、文本和关系多模态模型，识别垃圾内容、虚假账号及欺诈团伙，线上高风险内容拦截率提升至96.3%，误伤率控制在0.4%以内。

• 设计社交支付双域协同的在线学习反欺诈体系，融合实时行为序列与NLP负向语义特征，通过FTRL在线更新模型，将盗刷和社交诈骗案件覆盖率从82%提升至91.5%，月均避免资损超1200万元。

• 负责近实时策略引擎的部署与迭代，实现模型与规则热加载、毫秒级决策，支撑日请求量超30亿次；主导A/B测试框架落地，策略上线周期从天级压缩至小时级，风险指标（欺诈损失率）相对降低37%。

• 建立全链路风险指标体系与监控看板，覆盖模型效果、策略拦截率、用户投诉率等核心维度，推动业务方提前发现并阻断裂变式欺诈活动，重大风险事件响应时间缩短至15分钟以内。

• 主导某跨国电商全球多市场反欺诈算法架构升级，针对跨境欺诈在多语种、多支付工具下的行为异质性与稀疏性，提出多模态行为序列异常检测方案，将用户点击流、设备环境、支付时序与异构图神经网络融合建模，基于 Python/Flink 搭建实时推理链路，推全后月均欺诈损失降低 27%，高风险交易发现量提升 35%。

• 引入图计算引擎构建跨区域账户关联网络，通过社区发现与动态风险传播算法自动挖掘隐藏的跨国欺诈团伙，并将图特征与序列模型预测结果联动，驱动自动化策略引擎实现规则与模型的热部署，使团伙欺诈识别覆盖率提升 41%，新攻击模式的策略上线周期从小时级压缩至分钟级。

• 针对黑五等大促期间日处理十亿级事件的挑战，重构多模态特征实时计算管道，实现千维行为序列特征在 50 毫秒内增量聚合与模型推理，并沉淀可配置的特征工厂与策略实验框架，保障全球业务系统可用性 99.97%，P99 决策延迟下降 40%。

• 针对原有多套风控系统割裂、策略迭代滞后等问题，主导设计统一风险决策引擎架构，以 Docker 容器化封装规则与模型服务单元，实现策略分钟级热部署与毫秒级弹性扩容。

• 引入高性能规则引擎并构建基于 Redis 的特征与名单缓存层，将多条件规则匹配与百级实时特征计算的 P99 耗时压缩至 15 毫秒以内，有效保障全链路低延迟决策。

• 设计规则与模型双轨并行及动态调度机制，使专家规则与在线模型协同决策覆盖 100% 流量，上线后全局欺诈拦截率相对提升 34%，同时高风险场景误报率下降 0.3 个百分点。

• 建立模型标准化部署流水线，支持 PMML/ONNX 多格式模型的一键导入、灰度发布与自动回退，将模型从线下验收至全量上线周期由周级缩短至小时级。

• 针对原有离线特征计算链路导致策略反应滞后、突发欺诈难以实时拦截的痛点，主导基于 Flink 的实时特征工程与在线推理平台架构设计，将 150+ 维行为、设备与交易特征的计算与拼接收敛至 10ms 内完成，支撑日均百亿级事件毫秒级决策，全链路延迟从分钟级骤降至 30ms 以下。

• 研发轻量级 Python 特征编排与注入框架，使算法工程师可通过声明式配置快速定义复合特征并热加载至 Flink 计算图，将新特征端到端上线周期由平均 3 天压缩至 2 小时内，显著加速迭代对抗节奏。

• 打通 Flink 实时样本拼接与在线模型更新闭环，设计特征回写与增量训练触发机制，实现模型从 T+1 离线更新升级为 10 分钟级近线刷新，将支付与营销欺诈场景的识别覆盖率提升 22%，误杀率同步下降 15%。

• 构建全链路特征质量与模型漂移监控体系，对百级实时特征的计算完整性和分布稳定性实施秒级探测，并在多次上游数据断流与异常流量冲击下自动触发降级与告警，保障推理平台全年服务可用性达到 99.99%。

• 面对跨市场欺诈团伙在长周期点击序列中刻意模仿正常用户行为、逃避单点规则的风控盲区，主导设计基于Transformer编码器的行为序列预训练架构，并引入图注意力网络对账户间隐匿交互关系建模，构建端到端的异常团伙识别系统。

• 针对欺诈样本极度稀疏的问题，提出融合掩码行为预测与对比学习的自监督训练策略，在亿级无标签序列数据上预训练，使模型对异常模式的召回率较有监督基线提升37%，冷启动场景下隐藏欺诈团伙识别准确率达到91.6%。

• 将模型与现有流计算决策引擎链路的特征计算层打通，配合模型量化和算子融合优化，在10毫秒级响应窗内输出序列异常评分，在线部署后下游欺诈申诉率下降41%，月度自动拦截可疑交易超130万笔。

• 带领3人算法团队用Python/TensorFlow完成全链路研发，沉淀可复用的行为序列构图、图注意力建模与在线推理组件，后续被风控产品线推广至登录、下单等3个业务场景复用，累计避免潜在欺诈损失逾1800万美元。

实时关联网络模型显著提升团伙欺诈识别率，获公司级技术突破奖

在IEEE-CIS Fraud Detection竞赛中排名前5%