主要要點
利用基於人工智能（AI）的計算機視覺（CV）模型來評估付款證明，我們爲幣安 P2P 平臺的用戶提供了額外的保護層，以防止欺詐活動。
我們致力於提升用戶體驗，這體現在我們的 P2P 平臺內維護一個簡單而強大的安全框架。我們相信，即使使用人工智能等尖端技術，安全性也不應該以複雜性爲代價。
謹慎地進行點對點交易是確保資產安全的第一步。收到任何付款證明時，請務必保持警惕。確認收到的實際金額與申報的交易價值相符。
感知欺騙：POP 操縱的威脅
在本系列的上一篇博文幣安 P2P 的隱形守護者：使用 AI 保護加密貨幣用戶中，我們討論瞭如何使用大型語言模型 (LLM) 對 P2P 用戶的通信進行實時監督，以幫助檢測潛在的可疑交易。現在，我們將重點轉移到利用尖端技術保護 P2P 用戶的挑戰的另一個方面，並研究計算機視覺 (CV) 模型在檢測詐騙者方面的應用。
在點對點交易中，有效付款證明 (POP) 的作用至關重要。用戶必須盡職盡責，確保收到準確的交易金額。然而，即使是最簡單的編輯工具，也很容易被不道德的人用來僞造看似真實的 POP。這對接收端的人來說是一個真正的挑戰，因爲他們很難識別假冒交易。詐騙者還可能使用各種社會工程策略，如催促或迷惑受害者，使交易過程更加令人生畏。
總體而言，每天有超過 25 萬張圖片發送到我們的平臺，而且不僅限於 POP 圖片。這些 POP 的變體多種多樣 - 圖片的格式、設計和來源各不相同，這爲檢測篡改任務增加了另一層複雜性。
雖然欺詐性付款證明 (POP) 的威脅仍然存在，但我們的用戶並非只能獨自應對這些欺騙性 POP。我們的平臺配備了先進的人工智能算法，可以仔細檢查交易過程中提交的所有圖像，實時確保其真實性和合法性。這些強大的模型能夠準確地識別和標記任何圖像篡改或操縱的跡象。實施這些嚴格的保護措施是爲了確保用戶交易的完整性，預先阻止欺詐企圖，從而降低潛在用戶損失的風險。
揭穿欺騙行爲：利用計算機視覺識別虛假付款證明
計算機視覺（CV）是人工智能的一個領域，其中計算機被訓練來解釋和理解視覺世界，它爲僞造付款證明問題提供了當今最強大的解決方案之一。
通過使用光學字符識別 (OCR)、圖像分類、物體檢測和數字圖像處理等技術，可以訓練 CV 模型來區分真實和欺詐性的付款證明。
這些模型可以逐像素分析照片或屏幕截圖，檢測人眼通常無法察覺的不一致和異常。無論是略微傾斜的配色方案、扭曲的徽標還是細微的字體變化，模型都可以準確識別這些差異。
結合使用 CV 模型，我們還對圖像的元數據以及交易模式等其他參數進行額外的交叉驗證，以全面瞭解情況。
在以下章節中，我們將仔細研究爲確保 POP 合法性而採取的一些檢查。
圖 1：[活動] 您能識別哪些信息被篡改了嗎？
光學字符識別 (OCR)
我們對抗詐騙者的關鍵武器是一種稱爲光學字符識別 (OCR) 的技術。OCR 模型幫助我們建立兩條基本信息：
已從圖像中識別並轉錄的文本內容。
這些已識別和轉錄的文本片段在圖像中的位置。
在在線交易領域，高級編輯工具隨處可見。詐騙者經常利用這些工具來操縱真實 POP 的某些部分。合法 POP 中一些常被操縱的區域包括：
交易日期和時間。此字段表示處理交易的確切日期和時間。詐騙者可能會更改此信息以反映有利於其欺騙的時間表。OCR 可以通過將其與實際交易的時間戳進行交叉引用來幫助驗證此數據的準確性。
交易 ID。這是每筆交易的唯一標識符。此字段中的任何不一致都是篡改的跡象。OCR 通過將交易 ID 與過去的交易進行交叉引用並掃描任何重複使用的 ID 來幫助驗證交易 ID。
交易金額。也許是最常被操縱的字段。更改此字段中的信息可能會導致實際值與傳輸值之間出現差異。在這裏，OCR 系統準確識別數字的能力在防止欺詐方面發揮着關鍵作用。
姓名付款人和收款人的姓名也經常被篡改。OCR 模型可以通過檢查從姓名字段中提取的信息與相關方的已知憑證，幫助進行交叉驗證。
圖 2. 被篡改信息的亮點。實際上，對於未經訓練的人來說，這些編輯不太容易被發現。
數字圖像處理
有時，最小的細節能說明最大的問題。在圖像處理中，對圖像所做的任何更改，無論多麼微小，都會留下痕跡或異常，而這些痕跡或異常會被我們的模型捕捉到。這些微弱的信號通常可以作爲篡改的確鑿證據。最容易受到這種操縱的區域（如圖 1 所示）更有可能揭示圖像是否被更改。
爲了更好地解釋發現這些異常的艱鉅任務，我們確定了一些常見類型的操縱痕跡：
文本格式或對齊不自然。最明顯的是文本傾斜、錯位或字體與圖片其他部分截然不同。這通常是篡改的明顯跡象。
細微的背景顏色差異。更細微的是背景顏色的微弱差異，普通觀察者可能會忽略，但我們的綜合模型卻能發現。
像素級失真。最不明顯的異常是像素級別的噪聲或不一致性，主要發生在被操縱的場周圍。
識別此類篡改痕跡的寶貴工具是錯誤級別分析 (ELA)。ELA 檢查整個圖像的壓縮級別。本質上，它可以識別圖像中與周圍區域顯示不同壓縮級別的區域，這可能表示它們最近經過了編輯。原始且未修改的圖像將始終具有相對一致的錯誤級別。相比之下，調整後的圖像部分將顯示更明亮或更生動的 ELA 結果。
圖 3. 應用 ELA 後生成的圖像示例，它提供了有關可能被篡改的區域的一些線索。
我們的模型不斷進行訓練和更新，以適應騙子不斷髮展的技術，確保平臺的完整性並維護用戶對我們的信任。
相似圖像搜索
雖然我們已經解決了圖像被篡改的情況，但詐騙者還使用了其他同樣狡猾的手段。另一種常用的詐騙方法是多次使用相同或略微修改過的合法 POP 進行交易。如果受害者沒有通過檢查銀行賬戶來驗證交易，他們可能會在不知情的情況下落入這種騙局。
由於交易數量及其相關圖像數量龐大，掃描和比較每張圖像絕非易事。它的實時實施需要大量資源，因此具有實踐挑戰性。
爲了應對這一挑戰，我們採用了圖像編碼器，將圖像壓縮爲較小但至關重要的數據摘要。這些片段存儲在我們強大的矢量數據庫中，使算法能夠對類似圖像進行近乎實時的掃描。這種系統化方法已被證明非常有效，使我們每天能夠挫敗數百起詐騙企圖。使用類似圖像搜索算法再次證明了我們致力於主動確保 P2P 平臺上交易的安全。
圖 4. 近實時向量搜索管道
結束語
在點對點加密交易的世界裏，應對欺詐的挑戰越來越重要。我們站在最前線，不斷完善和利用先進的技術解決方案，以加強我們對針對我們平臺和用戶的欺詐者的防禦。
我們對人工智能的使用體現了我們積極主動地確保交易中提交的每張圖片的完整性的做法。通過實時監控和分析，這些強大的人工智能模型可以準確、快速地識別圖像篡改行爲。這些措施的有效性非常顯著，尤其是考慮到我們平臺上每天交換的圖像數量巨大且種類繁多。
然而，我們也認爲，安全不應該以犧牲用戶體驗爲代價。我們仍然致力於確保所有用戶在我們的 P2P 平臺上享受直接、無縫的體驗，而不必擔心交易的完整性。我們倡導的原則是，安全交易和用戶友好導航並不相互排斥，而是通往繁榮數字交易環境的道路上相輔相成的範圍。
打擊 P2P 欺詐交易的鬥爭並不止於部署先進技術。它還需要我們用戶社區的警惕和參與。通過結合我們掌握的強大技術武器庫和用戶社區的積極參與，我們可以提供一個安全可靠的市場。
筆記
如果我們的模型識別出高度可疑的 POP，您可能會在聊天框中看到以下警告消息：
登錄您的付款賬戶並確認已收到正確的付款。否則，請勿在檢查前放行。
一定要檢查你的帳戶！
如果您已成爲 P2P 詐騙的受害者，請按照本指南中的步驟向幣安支持提交報告： 如何在幣安支持上舉報詐騙。