Mises à niveau majeures de la détection de fraude des CEX : systèmes d’apprentissage automatique et moteur de règles, temps de réponse réduit à des heures

Message de Gate News, 23 avril — Une grande bourse centralisée a annoncé une refonte de son système de lutte contre la fraude en intégrant des modèles d’apprentissage automatique à des moteurs basés sur des règles, en mettant en place une stratégie à double voie où les modèles assurent la défense à long terme et les règles permettent une réponse rapide. Le cadre unifié crée une boucle de rétroaction : les règles capturent les nouveaux schémas de fraude et renvoient les données pour réentraîner les modèles, renforçant en continu les capacités de défense globales.

La bourse a restructuré son infrastructure de données, automatisé l’évolution des schémas et introduit des outils d’analyse basés sur des notebooks afin de faire passer la création de règles de processus manuels à une automatisation pilotée par la donnée. Les performances de backtesting des règles se sont améliorées de plus de 10 fois, tandis que le temps de réponse global a été réduit de jours à des heures. Les recommandations d’apprentissage automatique pour les paramètres contribuent également à abaisser les taux de faux positifs, minimisant l’impact sur les utilisateurs légitimes.

La bourse prévoit de faire progresser la génération automatisée de règles déclenchées par des événements et d’explorer la conversion de règles efficaces en caractéristiques de modèle en un seul clic, s’approchant davantage de systèmes de gestion des risques entièrement automatisés.