Principaux points à retenir

  • En utilisant des modèles de vision par ordinateur (CV) basés sur l'intelligence artificielle (IA) pour évaluer les preuves de paiement, nous offrons aux utilisateurs de la plateforme P2P de Binance une couche de protection supplémentaire contre les activités frauduleuses.

  • Notre engagement à améliorer l'expérience utilisateur se manifeste par le maintien d'un cadre de sécurité simple mais robuste au sein de notre plateforme P2P. Nous pensons que même avec l’utilisation de technologies de pointe comme l’IA, la sécurité ne doit pas se faire au détriment de la complexité.

  • Une approche consciente de la réalisation de transactions peer-to-peer est la première étape pour garantir la sécurité de vos actifs. Faites toujours preuve de vigilance dès réception de toute preuve de paiement. Confirmez que le montant réel reçu correspond à la valeur de transaction déclarée.

Tromperie de perception : la menace de la manipulation des POP 

Dans le billet de blog précédent de cette série, Les Gardiens invisibles de Binance P2P : Utiliser l'IA pour protéger les utilisateurs de cryptomonnaie, nous avons expliqué comment nous utilisons des modèles de langage étendus (LLM) pour assurer une surveillance en temps réel des Communications des utilisateurs P2P pour aider à détecter les transactions potentiellement douteuses. Nous nous concentrons désormais sur un autre aspect du défi consistant à tirer parti des technologies de pointe pour protéger les utilisateurs P2P et examinons l’application des modèles de vision par ordinateur (CV) pour détecter les fraudeurs.

Dans les transactions peer-to-peer, le rôle d’une preuve de paiement (POP) valide est fondamental. Il est primordial que les utilisateurs fassent preuve de diligence raisonnable pour s'assurer qu'ils ont reçu le montant exact des transactions. Néanmoins, des outils d’édition, même les plus simples, sont facilement accessibles à des individus sans scrupules pour fabriquer des POP apparemment authentiques. Cela pose un véritable défi à ceux qui reçoivent les transactions pour identifier les transactions contrefaites. Les fraudeurs peuvent également rendre le processus de trading encore plus intimidant en utilisant diverses tactiques d'ingénierie sociale telles que précipiter ou confondre la victime. 

Au total, plus de 250 000 images sont envoyées quotidiennement sur nos plateformes, sans se limiter aux images POP. Les variations de ces POP sont multiples : les images diffèrent par leur format, leur conception et leur source, ce qui ajoute une autre couche de complexité à la tâche de détection des manipulations.

Même si la menace des preuves de paiement (POP) frauduleuses persiste, nos utilisateurs ne sont pas laissés à eux-mêmes pour lutter contre ces POP trompeuses. Equipée d'algorithmes d'IA avancés, notre plateforme examine toutes les images soumises lors des transactions, garantissant ainsi leur authenticité et leur légitimité en temps réel. Ces modèles robustes sont capables d’identifier et de signaler tout signe de falsification ou de manipulation d’image. De telles mesures de protection rigoureuses sont mises en œuvre pour garantir l'intégrité des transactions de nos utilisateurs, en évitant de manière préventive les tentatives frauduleuses et en atténuant ainsi le risque de pertes potentielles des utilisateurs.

Démasquer la tromperie : exploiter la vision par ordinateur pour repérer les fausses preuves de paiement

La vision par ordinateur (CV), un domaine de l'intelligence artificielle dans lequel les ordinateurs sont formés pour interpréter et comprendre le monde visuel, offre l'une des solutions les plus robustes disponibles aujourd'hui au problème des fausses preuves de paiement. 

En utilisant des techniques telles que la reconnaissance optique de caractères (OCR), la classification d'images, la détection d'objets et le traitement d'images numériques, les modèles de CV peuvent être formés pour faire la différence entre les preuves de paiement authentiques et frauduleuses. 

Ces modèles peuvent analyser une photographie ou une capture d'écran, pixel par pixel, détectant des incohérences et des anomalies qui seraient généralement imperceptibles à l'œil humain. Qu'il s'agisse d'une palette de couleurs légèrement asymétrique, d'un logo déformé ou de changements de police subtils, le modèle peut identifier ces écarts avec précision. 

Parallèlement à l'utilisation des modèles de CV, nous effectuons également une vérification croisée supplémentaire avec les métadonnées de l'image, ainsi qu'avec d'autres paramètres tels que les modèles de trading, pour obtenir une vue complète de la situation.

Dans les sections suivantes, nous examinerons de plus près certains des contrôles que nous avons mis en place pour garantir la légitimité du POP.

Fig. 1 : [Activité] Êtes-vous en mesure d'identifier quelles informations ont été falsifiées ?

Reconnaissance optique de caractères (OCR)

Une arme clé de notre arsenal contre les fraudeurs est une technique appelée reconnaissance optique de caractères (OCR). Les modèles OCR nous aident à établir deux informations essentielles : 

  1. Le contenu textuel qui a été identifié et retranscrit à partir de l'image.

  2. La position de ces morceaux de texte identifiés et retranscrits au sein de l'image.

Dans le monde des transactions en ligne, des outils d’édition avancés sont facilement disponibles. Les fraudeurs exploitent souvent ces outils pour manipuler des parties d'un POP authentique. Certaines des zones couramment manipulées d'un POP légitime comprennent :

  • Date et heure de la transaction. Ce champ représente la date et l'heure exactes auxquelles la transaction a été traitée. Les fraudeurs peuvent modifier ces informations pour refléter un calendrier favorable à leur tromperie. L'OCR peut aider à vérifier l'exactitude de ces données en les recoupant avec l'horodatage de la transaction réelle.

  • Identifiant de transaction. Il s'agit d'un identifiant unique pour chaque transaction. Toute incohérence dans ce domaine est un signe révélateur de falsification. L'OCR aide à vérifier l'ID de transaction en le recoupant avec les transactions passées et en recherchant tout identifiant réutilisé.

  • Montant de la transaction. Peut-être le domaine le plus couramment manipulé. La modification des informations dans ce champ peut entraîner des écarts entre les valeurs réelles et transmises. Ici, la capacité du système OCR à identifier avec précision les numéros joue un rôle essentiel dans la prévention de la fraude.

  • Nom. Les noms du payeur et du bénéficiaire sont également falsifiés assez fréquemment. Les modèles OCR peuvent aider à vérifier les informations extraites du champ de nom en les comparant aux informations d'identification connues des parties impliquées.

Fig. 2. Points saillants des informations falsifiées. En réalité, les modifications seraient moins perceptibles pour un œil non averti.

Traitement d'image numérique

Parfois, les plus petits détails racontent les plus grandes histoires. Dans le cadre de la manipulation d'images, toute modification apportée à une image, aussi infime soit-elle, peut laisser des traces ou des anomalies qui sont captées par nos modèles. Ces faibles signaux servent souvent de preuve tangible d’une falsification. Les zones les plus vulnérables à cette forme de manipulation, comme indiqué dans la figure 1, sont plus susceptibles de révéler si une image a été modifiée. 

Pour mieux expliquer la tâche difficile de détection de ces anomalies, nous avons identifié quelques types courants de traces de manipulation :

  • Formatage ou alignement du texte non naturel. Le plus visible est le texte qui est incliné, mal aligné ou qui présente une police très différente du reste de l’image. Il s’agit généralement d’un signe assez apparent de falsification.

  • De subtiles différences de couleur d’arrière-plan. Plus subtiles sont les légères différences dans la couleur d’arrière-plan qui pourraient échapper à un observateur occasionnel, mais pas à notre modèle complet. 

  • Distorsions au niveau des pixels. L'anomalie la moins visible concerne les bruits ou les incohérences au niveau des pixels, principalement autour des champs manipulés. 

L’analyse du niveau d’erreur (ELA) est un outil précieux utilisé pour identifier de telles traces de manipulation. ELA inspecte le niveau de compression sur une image. Essentiellement, il identifie les zones d'une image qui présentent des niveaux de compression différents de ceux de la zone environnante, ce qui peut signifier qu'elles ont subi une retouche récente. Une image originale et intacte aura des niveaux d’erreur relativement cohérents partout. En revanche, les parties ajustées de l’image afficheront un résultat ELA plus lumineux ou plus éclatant.

Fig. 3. Exemple d'image résultante après application d'ELA, qui fournit quelques indices sur les zones qui peuvent avoir été altérées.

Nos modèles sont constamment formés et mis à jour pour s’adapter aux techniques en constante évolution utilisées par les fraudeurs, garantissant ainsi l’intégrité de la plateforme et préservant la confiance que nous accordent nos utilisateurs.

Recherche d'images similaires

Bien que nous ayons abordé les cas où les images sont manipulées, il existe d'autres tactiques tout aussi sournoises employées par les fraudeurs. Une autre méthode d’arnaque couramment utilisée consiste à utiliser de manière répétée un POP légitime identique ou légèrement modifié pour plusieurs transactions. Si une victime ne vérifie pas la transaction en vérifiant son compte bancaire, elle pourrait sans le savoir tomber dans le piège de cette arnaque.

Compte tenu du nombre colossal de transactions et de leurs images associées, la tâche de numériser et de comparer chaque image n’est pas une mince affaire. Sa mise en œuvre en temps réel nécessite beaucoup de ressources et est donc un défi pratique.

Pour relever ce défi, nous utilisons un encodeur d'images qui condense les images en résumés de données plus petits mais vitaux. Ces extraits sont stockés dans notre solide base de données vectorielles, permettant à l'algorithme d'effectuer des analyses en temps quasi réel pour des images similaires. Cette approche systématique s’est avérée extrêmement efficace, nous permettant de déjouer quotidiennement des centaines de tentatives d’arnaques. L'utilisation d'un algorithme de recherche d'images similaire est un autre témoignage de notre engagement à assurer de manière proactive la sécurité des transactions sur notre plateforme P2P.

Fig. 4. Pipeline de recherche vectorielle en temps quasi réel

Pensées finales 

Dans le monde des transactions cryptographiques peer-to-peer, relever le défi de la fraude est de plus en plus vital. Nous sommes en première ligne, affinant et exploitant constamment des solutions technologiques avancées pour renforcer nos défenses contre les fraudeurs qui ciblent notre plateforme et nos utilisateurs.

Notre utilisation de l'IA illustre notre approche proactive visant à garantir l'intégrité de chaque image soumise dans le cadre des transactions. Grâce à la surveillance et à l’analyse en temps réel, ces puissants modèles d’IA peuvent identifier avec précision et rapidité les tentatives de manipulation d’images. L’efficacité de ces mesures est remarquable, notamment compte tenu du vaste volume et de la diversité des images échangées quotidiennement sur notre plateforme.

Cependant, nous pensons également que la sécurité ne doit pas se faire au détriment de l’expérience utilisateur. Nous restons déterminés à garantir que tous les utilisateurs bénéficient d'une expérience simple et transparente sur notre plateforme P2P, sans se soucier de l'intégrité de leurs transactions. Nous défendons le principe selon lequel les transactions sécurisées et la navigation conviviale ne sont pas des domaines d’action mutuellement exclusifs, mais complémentaires sur la voie d’un environnement commercial numérique prospère.

La lutte contre les transactions P2P frauduleuses ne s’arrête pas au déploiement de technologies avancées. Cela nécessite également la vigilance et l’engagement de notre communauté d’utilisateurs. En combinant le formidable arsenal technologique dont nous disposons et la participation active de la communauté des utilisateurs, nous pouvons offrir une place de marché sécurisée et fiable.

Note

Dans les cas où nos modèles identifient des POP très suspects, le message d'avertissement suivant peut apparaître dans votre boîte de discussion :

Connectez-vous à votre compte de paiement et vérifiez que le paiement correct a été reçu. Sinon, NE relâchez PAS avant de vérifier.

Assurez-vous de vérifier votre compte !

Si vous avez été victime d'une arnaque P2P, veuillez déposer un rapport auprès de l'assistance Binance en suivant les étapes de ce guide : Comment signaler une escroquerie sur l'assistance Binance

Lectures complémentaires